Turinys

1. Įvadas. Bendrosios žinios

2. Ekonometriniai modeliai

2.1. Klasterizavimas

2.2. Dirbtiniai neuroniniai tinklai (DNT)

3. Mažiausių kvadratų metodas (MKM) ir apibendrintas MKM

3.1. Kvadratinės funkcijos parametrų parinkimas MKM

3.2. Apibendrintas MKM

4. Bendrasis tiesinės regresijos modelis

5. Momentų metodas

6. Instrumentiniai kintamieji

6.1. Instrumentinė kintamųjų analizė

7. Riboto endogeninio kintamojo modeliai

7.1. Binariniai endogeniniai kintamieji

7.2. Hierarchinių endogeninių kintamųjų modeliai

8. Laiko eilučių analizė

8.2. Laiko eilutės samprata

8.3. Autoregresijos panaudojimas laiko eilučių analizei bei prognozei

8.4. Laiko eilučių dedamosios

8.5. Prognozavimo uždavinio samprata

9. ARFIMA modeliai

9.1. ARFIMA modelio apibūdinimas

9.2. Laiko eilučių diferencijavimas

9.3. Trupmeniškai diferencijuotų laiko eilučių savybės

9.4. Metodai, kurie atskleidžia ilgos atminties egzistavimą

9.5. Trupmeninio diferencijavimo parametras MT

9.6. ARFIMA proceso išraiška ir laiko srities įvertinimas

9.7. Praktinis ARFIMA modelio pritaikymas

Literatūros sąrašas