Bækur: Allar bækur með Time Series í titlinum koma að notum.

Forrit: Ýmislegt kemur til greina.  Á netinu hefur verið í þróun forrit sem heitir R. Ef það verður tilbúið þegar námsskeið hefst mun ég reyna að nota það.

Yfirferð (athugasemdir má senda á helgito@rhi.hi.is)

Dagur 1: Skilgreiningar, tímaröð, sístæði (stationarity), ergodicity, sjálffylgni. Stutt yfirlit um stærðfræðilegan bakgrunn. Tölfræðilegur bakgrunnur, margvíð normaldreifing. Dæmi um tímaraðir úr umhverfinu. ARMA líkön. Dæmi um raðir sem ARMA líkan getur búið til. Hvað er til ráða ef raðir virðast ekki sístaðar. Umbreytingar með t.d. logaritma til að fá konstant varíans. Mismunur tekinn, ARIMA(p,d,q). Þarf d að vera heiltala?

Dagur 2: Tölfræðilegt mat á tímaraðalíkani. Mat á sjállfylgni. Tíðnirúm, spektur, túlkun og tölfræðilegt mat á spektri. Nokkur tölfræðileg próf. Spár, hvernig skal reikna bestu spá fyrir gefið líkan. Hvað breytist ef notað er metið líkan í stað þekkts líkans.

Dagur 3: Aðferðafræði Box-Jenkins (BJ): a) Identification, b) Estimation, c) Diagnostics, d) Forecasting. Hér verður farið í gegnum BJ ferlið, hvers vegna svona sjálfvirkt kerfi gat reynst vel. Tekin fyrir dæmi með forriti.

Dagur 4: Margvíðar tímaraðir. Er hugsanlegt að útvíkka BJ aðferðafræðina fyrir margvíðar raðir? Kross-sjálffylgni, kross-spektur. Skilgreiningar og tölfræðilegt mat.

Dagur 5: Ólínuleg líkön. Hvenær geta ólínuleg líkön spáð betur en línuleg? Er hugsanlegt að ólínuleg líkön geti fangað upplýsingar umfram línuleg líkön án þess að það komi fram í meiri spágetu?