Moving Average Spektrum Schätzung

Einführung in ARIMA: Nichtseasonal-Modelle ARIMA (p, d, q) Prognosegleichung: ARIMA-Modelle sind in der Theorie die allgemeinste Klasse von Modellen für die Prognose einer Zeitreihe, die gemacht werden kann, um 8220stationary8221 durch differencing (wenn nötig), vielleicht In Verbindung mit nichtlinearen Transformationen wie Logging oder Deflating (falls erforderlich). Eine zufällige Variable, die eine Zeitreihe ist, ist stationär, wenn ihre statistischen Eigenschaften alle über die Zeit konstant sind. Eine stationäre Serie hat keinen Trend, ihre Variationen um ihre Mittel haben eine konstante Amplitude, und es wackelt in einer konsistenten Weise. D. h. seine kurzzeitigen zufälligen Zeitmuster sehen immer in einem statistischen Sinn gleich aus. Die letztere Bedingung bedeutet, daß ihre Autokorrelationen (Korrelationen mit ihren eigenen vorherigen Abweichungen vom Mittelwert) über die Zeit konstant bleiben oder äquivalent, daß sein Leistungsspektrum über die Zeit konstant bleibt. Eine zufällige Variable dieses Formulars kann (wie üblich) als eine Kombination von Signal und Rauschen betrachtet werden, und das Signal (wenn man offensichtlich ist) könnte ein Muster der schnellen oder langsamen mittleren Reversion oder sinusförmigen Oszillation oder eines schnellen Wechsels im Zeichen sein , Und es könnte auch eine saisonale Komponente haben. Ein ARIMA-Modell kann als 8220filter8221 betrachtet werden, das versucht, das Signal vom Rauschen zu trennen, und das Signal wird dann in die Zukunft extrapoliert, um Prognosen zu erhalten. Die ARIMA-Prognosegleichung für eine stationäre Zeitreihe ist eine lineare (d. h. regressionstypische) Gleichung, bei der die Prädiktoren aus Verzögerungen der abhängigen Variablen und Verzögerungen der Prognosefehler bestehen. Das heißt: vorhergesagter Wert von Y eine Konstante undeiner gewichteten Summe von einem oder mehreren neueren Werten von Y und einer gewichteten Summe von einem oder mehreren neueren Werten der Fehler. Wenn die Prädiktoren nur aus verzögerten Werten von Y bestehen, ist es ein reines autoregressives Modell (8220 selbst-regressed8221), das nur ein Spezialfall eines Regressionsmodells ist und mit Standardregressionssoftware ausgestattet werden kann. Zum Beispiel ist ein autoregressives (8220AR (1) 8221) Modell erster Ordnung für Y ein einfaches Regressionsmodell, bei dem die unabhängige Variable nur Y um eine Periode (LAG (Y, 1) in Statgraphics oder YLAG1 in RegressIt hinterlässt). Wenn einige der Prädiktoren die Fehler der Fehler sind, ist es ein ARIMA-Modell, es ist kein lineares Regressionsmodell, denn es gibt keine Möglichkeit, 828last period8217s error8221 als unabhängige Variable anzugeben: Die Fehler müssen auf einer Periodenperiode berechnet werden Wenn das Modell an die Daten angepasst ist. Aus technischer Sicht ist das Problem bei der Verwendung von verzögerten Fehlern als Prädiktoren, dass die Vorhersagen des Modells8217 nicht lineare Funktionen der Koeffizienten sind. Obwohl sie lineare Funktionen der vergangenen Daten sind. So müssen Koeffizienten in ARIMA-Modellen, die verzögerte Fehler enthalten, durch nichtlineare Optimierungsmethoden (8220hill-climbing8221) geschätzt werden, anstatt nur ein Gleichungssystem zu lösen. Das Akronym ARIMA steht für Auto-Regressive Integrated Moving Average. Die Verzögerungen der stationärisierten Serien in der Prognosegleichung werden als quartalspezifische Begriffe bezeichnet, die Verzögerungen der Prognosefehler werden als quadratische Begrenzungsterme bezeichnet, und eine Zeitreihe, die differenziert werden muss, um stationär zu sein, wird als eine quotintegrierte Quotversion einer stationären Serie bezeichnet. Random-Walk - und Random-Trend-Modelle, autoregressive Modelle und exponentielle Glättungsmodelle sind alle Sonderfälle von ARIMA-Modellen. Ein Nicht-Seasonal-ARIMA-Modell wird als ein Quoten-Modell von quaremA (p, d, q) klassifiziert, wobei p die Anzahl der autoregressiven Terme ist, d die Anzahl der für die Stationarität benötigten Nichtseasondifferenzen und q die Anzahl der verzögerten Prognosefehler in Die Vorhersagegleichung. Die Prognosegleichung wird wie folgt aufgebaut. Zuerst bezeichne y die d-te Differenz von Y. Das bedeutet: Beachten Sie, dass die zweite Differenz von Y (der Fall d2) nicht der Unterschied von 2 Perioden ist. Vielmehr ist es der erste Unterschied zwischen dem ersten Unterschied. Welches das diskrete Analog einer zweiten Ableitung ist, d. h. die lokale Beschleunigung der Reihe und nicht deren lokaler Trend. In Bezug auf y. Die allgemeine Prognosegleichung lautet: Hier werden die gleitenden Durchschnittsparameter (9528217s) so definiert, dass ihre Zeichen in der Gleichung nach der von Box und Jenkins eingeführten Konventionen negativ sind. Einige Autoren und Software (einschließlich der R-Programmiersprache) definieren sie so, dass sie stattdessen Pluszeichen haben. Wenn tatsächliche Zahlen in die Gleichung gesteckt sind, gibt es keine Mehrdeutigkeit, aber it8217s wichtig zu wissen, welche Konvention Ihre Software verwendet, wenn Sie die Ausgabe lesen. Oft werden die Parameter dort mit AR (1), AR (2), 8230 und MA (1), MA (2), 8230 usw. bezeichnet. Um das entsprechende ARIMA-Modell für Y zu identifizieren, beginnen Sie mit der Bestimmung der Reihenfolge der Differenzierung (D) die Serie zu stationieren und die Brutto-Merkmale der Saisonalität zu entfernen, vielleicht in Verbindung mit einer abweichungsstabilisierenden Transformation wie Protokollierung oder Entleerung. Wenn Sie an dieser Stelle anhalten und vorhersagen, dass die differenzierte Serie konstant ist, haben Sie nur einen zufälligen Spaziergang oder ein zufälliges Trendmodell ausgestattet. Allerdings können die stationärisierten Serien immer noch autokorrelierte Fehler aufweisen, was darauf hindeutet, dass in der Prognosegleichung auch eine Anzahl von AR-Terme (p 8805 1) und einigen einigen MA-Terme (q 8805 1) benötigt werden. Der Prozess der Bestimmung der Werte von p, d und q, die am besten für eine gegebene Zeitreihe sind, wird in späteren Abschnitten der Noten (deren Links oben auf dieser Seite), aber eine Vorschau auf einige der Typen diskutiert werden Von nicht-seasonalen ARIMA-Modellen, die häufig angetroffen werden, ist unten angegeben. ARIMA (1,0,0) Autoregressives Modell erster Ordnung: Wenn die Serie stationär und autokorreliert ist, kann man sie vielleicht als Vielfaches ihres eigenen vorherigen Wertes und einer Konstante voraussagen. Die prognostizierte Gleichung in diesem Fall ist 8230which ist Y regressed auf sich selbst verzögerte um einen Zeitraum. Dies ist ein 8220ARIMA (1,0,0) constant8221 Modell. Wenn der Mittelwert von Y Null ist, dann wäre der konstante Term nicht enthalten. Wenn der Steigungskoeffizient 981 & sub1; positiv und kleiner als 1 in der Grße ist (er muß kleiner als 1 in der Grße sein, wenn Y stationär ist), beschreibt das Modell das Mittelwiederkehrungsverhalten, bei dem der nächste Periode8217s-Wert 981 mal als vorher vorausgesagt werden sollte Weit weg von dem Mittelwert als dieser Zeitraum8217s Wert. Wenn 981 & sub1; negativ ist, prognostiziert es ein Mittelrückkehrverhalten mit einem Wechsel von Zeichen, d. h. es sagt auch, daß Y unterhalb der mittleren nächsten Periode liegt, wenn es über dem Mittelwert dieser Periode liegt. In einem autoregressiven Modell zweiter Ordnung (ARIMA (2,0,0)) wäre auch ein Y-t-2-Term auf der rechten Seite und so weiter. Abhängig von den Zeichen und Größen der Koeffizienten könnte ein ARIMA (2,0,0) Modell ein System beschreiben, dessen mittlere Reversion in einer sinusförmig oszillierenden Weise stattfindet, wie die Bewegung einer Masse auf einer Feder, die zufälligen Schocks ausgesetzt ist . ARIMA (0,1,0) zufälliger Spaziergang: Wenn die Serie Y nicht stationär ist, ist das einfachste Modell für sie ein zufälliges Spaziergangmodell, das als Begrenzungsfall eines AR (1) - Modells betrachtet werden kann, in dem das autoregressive Koeffizient ist gleich 1, dh eine Serie mit unendlich langsamer mittlerer Reversion. Die Vorhersagegleichung für dieses Modell kann wie folgt geschrieben werden: wobei der konstante Term die mittlere Periodenänderung (dh die Langzeitdrift) in Y ist. Dieses Modell könnte als ein Nicht-Intercept-Regressionsmodell eingebaut werden, in dem die Die erste Differenz von Y ist die abhängige Variable. Da es (nur) eine nicht-seasonale Differenz und einen konstanten Term enthält, wird es als ein quotARIMA (0,1,0) Modell mit constant. quot eingestuft. Das random-walk-without - drift-Modell wäre ein ARIMA (0,1, 0) Modell ohne Konstante ARIMA (1,1,0) differenzierte Autoregressive Modell erster Ordnung: Wenn die Fehler eines zufälligen Walk-Modells autokorreliert werden, kann das Problem eventuell durch Hinzufügen einer Verzögerung der abhängigen Variablen zu der Vorhersagegleichung behoben werden - - ie Durch den Rücktritt der ersten Differenz von Y auf sich selbst um eine Periode verzögert. Dies würde die folgende Vorhersagegleichung ergeben: die umgewandelt werden kann Dies ist ein autoregressives Modell erster Ordnung mit einer Reihenfolge von Nicht-Seasonal-Differenzen und einem konstanten Term - d. h. Ein ARIMA (1,1,0) Modell. ARIMA (0,1,1) ohne konstante, einfache exponentielle Glättung: Eine weitere Strategie zur Korrektur autokorrelierter Fehler in einem zufälligen Walk-Modell wird durch das einfache exponentielle Glättungsmodell vorgeschlagen. Erinnern Sie sich, dass für einige nichtstationäre Zeitreihen (z. B. diejenigen, die geräuschvolle Schwankungen um ein langsam variierendes Mittel aufweisen), das zufällige Wandermodell nicht so gut wie ein gleitender Durchschnitt von vergangenen Werten ausführt. Mit anderen Worten, anstatt die jüngste Beobachtung als die Prognose der nächsten Beobachtung zu nehmen, ist es besser, einen Durchschnitt der letzten Beobachtungen zu verwenden, um das Rauschen herauszufiltern und das lokale Mittel genauer zu schätzen. Das einfache exponentielle Glättungsmodell verwendet einen exponentiell gewichteten gleitenden Durchschnitt von vergangenen Werten, um diesen Effekt zu erzielen. Die Vorhersagegleichung für das einfache exponentielle Glättungsmodell kann in einer Anzahl von mathematisch äquivalenten Formen geschrieben werden. Eine davon ist die so genannte 8220error Korrektur8221 Form, in der die vorherige Prognose in Richtung des Fehlers eingestellt wird, die es gemacht hat: Weil e t-1 Y t-1 - 374 t-1 per Definition, kann dies wie folgt umgeschrieben werden : Das ist eine ARIMA (0,1,1) - ohne Konstante Prognose Gleichung mit 952 1 1 - 945. Dies bedeutet, dass Sie eine einfache exponentielle Glättung passen können, indem Sie es als ARIMA (0,1,1) Modell ohne Konstant und der geschätzte MA (1) - Koeffizient entspricht 1-minus-alpha in der SES-Formel. Erinnern daran, dass im SES-Modell das Durchschnittsalter der Daten in den 1-Perioden-Prognosen 1 945 beträgt. Dies bedeutet, dass sie dazu neigen, hinter Trends oder Wendepunkten um etwa 1 945 Perioden zurückzukehren. Daraus folgt, dass das Durchschnittsalter der Daten in den 1-Periodenprognosen eines ARIMA (0,1,1) - without-constant-Modells 1 (1 - 952 1) beträgt. So, zum Beispiel, wenn 952 1 0.8, ist das Durchschnittsalter 5. Wenn 952 1 sich nähert, wird das ARIMA (0,1,1) - without-konstantes Modell zu einem sehr langfristigen gleitenden Durchschnitt und als 952 1 Nähert sich 0 wird es zu einem zufälligen Walk-ohne-Drift-Modell. Was ist der beste Weg, um Autokorrelation zu korrigieren: Hinzufügen von AR-Terme oder Hinzufügen von MA-Terme In den vorangegangenen zwei Modellen, die oben diskutiert wurden, wurde das Problem der autokorrelierten Fehler in einem zufälligen Walk-Modell auf zwei verschiedene Arten festgelegt: durch Hinzufügen eines verzögerten Wertes der differenzierten Serie Zur Gleichung oder Hinzufügen eines verzögerten Wertes des Prognosefehlers. Welcher Ansatz ist am besten Eine Faustregel für diese Situation, die später noch ausführlicher erörtert wird, ist, dass eine positive Autokorrelation in der Regel am besten durch Hinzufügen eines AR-Termes zum Modell behandelt wird und eine negative Autokorrelation wird meist am besten durch Hinzufügen eines MA Begriff. In geschäftlichen und ökonomischen Zeitreihen entsteht oftmals eine negative Autokorrelation als Artefakt der Differenzierung. (Im Allgemeinen verringert die Differenzierung die positive Autokorrelation und kann sogar einen Wechsel von positiver zu negativer Autokorrelation verursachen.) So wird das ARIMA (0,1,1) - Modell, in dem die Differenzierung von einem MA-Term begleitet wird, häufiger als ein ARIMA (1,1,0) Modell. ARIMA (0,1,1) mit konstanter, einfacher, exponentieller Glättung mit Wachstum: Durch die Implementierung des SES-Modells als ARIMA-Modell erhalten Sie gewisse Flexibilität. Zunächst darf der geschätzte MA (1) - Koeffizient negativ sein. Dies entspricht einem Glättungsfaktor größer als 1 in einem SES-Modell, was in der Regel nicht durch das SES-Modell-Anpassungsverfahren erlaubt ist. Zweitens haben Sie die Möglichkeit, einen konstanten Begriff im ARIMA-Modell einzubeziehen, wenn Sie es wünschen, um einen durchschnittlichen Trend ungleich Null abzuschätzen. Das ARIMA (0,1,1) - Modell mit Konstante hat die Vorhersagegleichung: Die Prognosen von einem Periodenvorhersage aus diesem Modell sind qualitativ ähnlich denen des SES-Modells, mit der Ausnahme, dass die Trajektorie der Langzeitprognosen typischerweise ein Schräge Linie (deren Steigung gleich mu ist) anstatt einer horizontalen Linie. ARIMA (0,2,1) oder (0,2,2) ohne konstante lineare exponentielle Glättung: Lineare exponentielle Glättungsmodelle sind ARIMA-Modelle, die zwei Nichtseason-Differenzen in Verbindung mit MA-Terme verwenden. Der zweite Unterschied einer Reihe Y ist nicht einfach der Unterschied zwischen Y und selbst, der um zwei Perioden verzögert ist, sondern vielmehr der erste Unterschied der ersten Differenz - i. e. Die Änderung der Änderung von Y in der Periode t. Somit ist die zweite Differenz von Y in der Periode t gleich (Y t - Y t - 1) - (Y t - 1 - Y t - 2) Y t - 2Y t - 1 Y t - 2. Eine zweite Differenz einer diskreten Funktion ist analog zu einer zweiten Ableitung einer stetigen Funktion: sie misst die quotaccelerationquot oder quotcurvaturequot in der Funktion zu einem gegebenen Zeitpunkt. Das ARIMA (0,2,2) - Modell ohne Konstante prognostiziert, dass die zweite Differenz der Serie gleich einer linearen Funktion der letzten beiden Prognosefehler ist: die umgeordnet werden kann: wobei 952 1 und 952 2 die MA (1) und MA (2) Koeffizienten Dies ist ein allgemeines lineares exponentielles Glättungsmodell. Im Wesentlichen das gleiche wie Holt8217s Modell, und Brown8217s Modell ist ein Sonderfall. Es verwendet exponentiell gewichtete Bewegungsdurchschnitte, um sowohl eine lokale Ebene als auch einen lokalen Trend in der Serie abzuschätzen. Die langfristigen Prognosen von diesem Modell konvergieren zu einer geraden Linie, deren Hang hängt von der durchschnittlichen Tendenz, die gegen Ende der Serie beobachtet wird. ARIMA (1,1,2) ohne konstante gedämpfte Trend-lineare exponentielle Glättung. Dieses Modell wird in den beiliegenden Folien auf ARIMA-Modellen dargestellt. Es extrapoliert den lokalen Trend am Ende der Serie, aber erhebt es bei längeren Prognosehorizonten, um eine Note des Konservatismus einzuführen, eine Praxis, die empirische Unterstützung hat. Sehen Sie den Artikel auf quotWhy der Damped Trend Workquot von Gardner und McKenzie und die quotGolden Rulequot Artikel von Armstrong et al. für Details. Es ist grundsätzlich ratsam, an Modellen zu bleiben, bei denen mindestens eines von p und q nicht größer als 1 ist, dh nicht versuchen, ein Modell wie ARIMA (2,1,2) zu passen, da dies wahrscheinlich zu Überfüllung führen wird Und quotcommon-factorquot-Themen, die ausführlicher in den Anmerkungen zur mathematischen Struktur von ARIMA-Modellen diskutiert werden. Spreadsheet-Implementierung: ARIMA-Modelle wie die oben beschriebenen sind einfach in einer Kalkulationstabelle zu implementieren. Die Vorhersagegleichung ist einfach eine lineare Gleichung, die sich auf vergangene Werte der ursprünglichen Zeitreihen und vergangene Werte der Fehler bezieht. So können Sie eine ARIMA-Prognosekalkulationstabelle einrichten, indem Sie die Daten in Spalte A, die Prognoseformel in Spalte B und die Fehler (Daten minus Prognosen) in Spalte C speichern. Die Prognoseformel in einer typischen Zelle in Spalte B wäre einfach Ein linearer Ausdruck, der sich auf Werte in vorangehenden Zeilen der Spalten A und C bezieht, multipliziert mit den entsprechenden AR - oder MA-Koeffizienten, die in anderen Zellen auf der Spreadsheet gespeichert sind. EViews 8 Feature List EViews 8 bietet eine umfangreiche Palette an leistungsstarken Funktionen für Datenhandling, Statistik und Ökonometrische Analyse, Prognose und Simulation, Datenpräsentation und Programmierung. Während wir nicht alles auflisten können, bietet die folgende Liste einen Einblick in die wichtigen EViews-Features: Basic Data Handling Numerische, alphanumerische (String) und Datumsreihen-Etiketten. Umfangreiche Bibliothek von Operatoren und statistische, mathematische, Datums - und String-Funktionen. Leistungsstarke Sprache für Ausdrucksbearbeitung und Umwandlung vorhandener Daten mit Operatoren und Funktionen. Proben und Musterobjekte erleichtern die Bearbeitung von Datenmengen. Unterstützung für komplexe Datenstrukturen, einschließlich regelmäßiger Daten, unregelmäßig datierte Daten, Querschnittsdaten mit Beobachtungskennungen, datierten und undated-Panel-Daten. Mehrseitige Workfiles. EViews native, disk-basierte Datenbanken bieten leistungsstarke Abfrage-Funktionen und Integration mit EViews Workfiles. Konvertieren von Daten zwischen EViews und verschiedenen Tabellenkalkulations-, Statistik - und Datenbankformaten, einschließlich (aber nicht beschränkt auf): Microsoft Access - und Excel-Dateien (einschließlich. XSLX und. XLSM), Gauss Dataset-Dateien, SAS-Transportdateien, SPSS-native und portable Dateien, Stata-Dateien, roh formatierte ASCII-Text - oder Binärdateien, HTML - oder ODBC-Datenbanken und Abfragen (ODBC-Unterstützung wird nur in der Enterprise Edition bereitgestellt). OLE-Unterstützung für die Verknüpfung von EViews-Ausgabe, einschließlich Tabellen und Grafiken, zu anderen Paketen, einschließlich Microsoft Excel, Word und Powerpoint. OLEDB-Unterstützung für das Lesen von EViews Workfiles und Datenbanken mit OLEDB-fähigen Clients oder benutzerdefinierten Programmen. Unterstützung für FRED (Federal Reserve Economic Data) Datenbanken. Enterprise Edition Unterstützung für Global Insight DRIPro und DRIBase, Haver Analytics DLX, FAME, EcoWin, Datastream, FactSet und Moodys Economy Datenbanken. Das EViews Microsoft Excel Add-In ermöglicht es Ihnen, Daten aus EViews Workfiles und Datenbanken aus Excel zu verknüpfen oder zu importieren. Drag-and-Drop-Unterstützung für das Lesen von Daten einfach Dateien in EViews für die automatische Umwandlung von fremden Daten in das EViews Workfile-Format. Leistungsstarke Werkzeuge für die Erstellung neuer Workfile-Seiten aus Werten und Daten in bestehenden Serien. Match Merge, Join, Append, Subset, Größe, Sortierung und Umformung (Stack und Unstack) Workfiles. Einfach zu bedienende automatische Frequenzumwandlung beim Kopieren oder Verknüpfen von Daten zwischen Seiten unterschiedlicher Frequenz. Frequenzumwandlung und Matchmailing unterstützen dynamische Aktualisierung, wenn sich die zugrunde liegenden Daten ändern. Automatische Aktualisierung von Formel-Serien, die automatisch neu berechnet werden, wenn sich die zugrunde liegenden Daten ändern. Einfach zu bedienende Frequenzumwandlung, einfach kopieren oder verknüpfen Daten zwischen Seiten unterschiedlicher Frequenz. Werkzeuge zur Neuabtastung und Zufallszahlengenerierung zur Simulation. Zufallszahlengenerierung für 18 verschiedene Verteilungsfunktionen mit drei verschiedenen Zufallszahlengeneratoren. Time Series Data Handling Integrierte Unterstützung für die Bearbeitung von Daten und Zeitreihen (sowohl regelmäßig als auch unregelmäßig). Unterstützung für gemeinsame regelmäßige Häufigkeitsdaten (jährlich, halbjährlich, vierteljährlich, monatlich, zweimonatlich, vierzehn Tage, zehntägig, wöchentlich, täglich - 5 Tage Woche, täglich - 7 Tage Woche). Unterstützung für hochfrequente (Intraday) Daten, die Stunden, Minuten und Sekunden Frequenzen erlauben. Darüber hinaus gibt es eine Reihe von weniger häufig auftretenden regelmäßigen Frequenzen, darunter Multi-Jahr, Bimonthly, Fortnight, Zehn-Tag und Täglich mit einer beliebigen Reihe von Tagen der Woche. Spezielle Zeitreihen-Funktionen und Operatoren: Verzögerungen, Unterschiede, Log-Differenzen, gleitende Durchschnitte, etc. Frequenzumwandlung: verschiedene High-to-Low und Low-to-High. Exponentielle Glättung: Single, Double, Holt-Winters und ETS Glättung. Eingebaute Werkzeuge zum Aufhellen der Regression. Hodrick-Prescott-Filterung Band-Pass (Frequenz) Filter: Baxter-King, Christiano-Fitzgerald feste Länge und volle Probe asymmetrische Filter. Saisonale Anpassung: Volkszählung X-13, X-12-ARIMA, TramoSeats, gleitender Durchschnitt. Interpolation, um fehlende Werte innerhalb einer Serie auszufüllen: Linear, Log-Linear, Catmull-Rom Spline, Cardinal Spline. Statistik Grunddaten Zusammenfassungen Zusammenfassungen der Zusammenfassungen. Tests der Gleichheit: T-Tests, ANOVA (ausgewogen und unausgewogen, mit oder ohne heteroskedastische Abweichungen), Wilcoxon, Mann-Whitney, Median Chi-Platz, Kruskal-Wallis, van der Waerden, F-Test, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe. Einweg-Tabellierungs-Kreuztabellen mit Assoziationsmaßstäben (Phi Coefficient, Cramers V, Contingency Coefficient) und Unabhängigkeitstests (Pearson Chi-Square, Likelihood Ratio G2). Kovarianz - und Korrelationsanalyse einschließlich Pearson, Spearman Rangordnung, Kendalls tau-a und tau-b und Teilanalyse. Hauptkomponentenanalyse einschließlich Scree-Plots, Biplots und Beladungsplots sowie gewichtete Komponenten-Score-Berechnungen. Faktoranalyse ermöglicht die Berechnung von Assoziationsmaßstäben (einschließlich Kovarianz und Korrelation), Eindeutigkeitsschätzungen, Faktorbelastungsschätzungen und Faktorzahlen sowie die Durchführung von Schätzdiagnosen und Faktorrotation mit einer von über 30 verschiedenen orthogonalen und schrägen Methoden. Empirische Verteilungsfunktion (EDF) Tests für den Normalen, Exponential, Extremwert, Logistik, Chi-Quadrat, Weibull oder Gamma-Verteilungen (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson). Histogramme, Häufigkeitspolygone, Kantenfrequenz-Polygone, durchschnittlich verschobene Histogramme, CDF-Überlebens-Quantil, Quantil-Quantil, Kerndichte, theoretische Verteilungen, Boxplots. Scatterplots mit parametrischen und nicht parametrischen Regressionslinien (LOWESS, lokales Polynom), Kernregression (Nadaraya-Watson, lokales lineares, lokales Polynom). Oder Vertrauenslipsen. Zeitreihe Autokorrelation, partielle Autokorrelation, Kreuzkorrelation, Q-Statistik. Granger Kausalitätstests, einschließlich Panel Granger Kausalität. Einheit Wurzeltests: Augmented Dickey-Fuller, GLS transformiert Dickey-Fuller, Phillips-Perron, KPSS, Eliot-Richardson-Stock Point Optimal, Ng-Perron. Kointegrationstests: Johansen, Engle-Granger, Phillips-Ouliaris, Park hinzugefügt Variablen und Hansen Stabilität. Unabhängigkeitstests: Brock, Dechert, Scheinkman und LeBaron Varianz-Verhältnis-Tests: Lo und MacKinlay, Kim Wildbootstrap, Wrights Rang, Rank-Score und Sign-Tests. Wald und mehrere Vergleichsvarianz-Verhältnis-Tests (Richardson und Smith, Chow und Denning). Langzeitvarianz und Kovarianzberechnung: symmetrische oder oder einseitige Langzeitkovarianzen mit nichtparametrischem Kernel (Newey-West 1987, Andrews 1991), parametrischer VARHAC (Den Haan und Levin 1997) und vorgewählter Kernel (Andrews und Monahan 1992) Methoden. Darüber hinaus unterstützt EViews Andrews (1991) und Newey-West (1994) automatische Bandbreitenauswahlmethoden für Kernelschätzer und informationskriterienbasierte Verzögerungslängenauswahlmethoden für VARHAC und Prewhitening Schätzung. Panel - und Pool-By-Group - und By-Period-Statistiken und Tests. Einheit Wurzeltests: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri. Kointegrationstests: Pedroni, Kao, Maddala und Wu. Panel in Serie Kovarianzen und Hauptkomponenten. Dumitrescu-Hurlin (2012) Tafelkausalitätstests Schätzung Regression Lineare und nichtlineare gewöhnliche kleinste Quadrate (multiple Regression). Lineare Regression mit PDLs auf beliebig viele unabhängige Variablen. Robuste Regression Analytische Derivate für nichtlineare Schätzung. Gewichtete kleinste Quadrate Weiß und Newey-West robuste Standardfehler. HAC-Standardfehler können unter Verwendung von nichtparametrischen Kernel-, parametrischen VARHAC - und vorgewalzten Kernel-Methoden berechnet werden und erlauben Andrews und Newey-West automatische Bandbreitenauswahlverfahren für Kernelschätzer und informationskriterienbasierte Verzögerungslängenauswahlverfahren für VARHAC und Prewhitening Schätzung. Lineare Quantilregression und kleinste absolute Abweichungen (LAD), einschließlich der Hubers Sandwich - und Bootstrapping-Kovarianzberechnungen. Stufenweise Regression mit 7 verschiedenen Auswahlverfahren. ARMA und ARMAX Lineare Modelle mit autoregressiven gleitenden durchschnittlichen, saisonalen autoregressiven und saisonalen gleitenden durchschnittlichen Fehlern. Nichtlineare Modelle mit AR - und SAR-Spezifikationen. Schätzung mit der Backcasting-Methode von Box und Jenkins oder durch bedingte kleinste Quadrate. Instrumental-Variablen und GMM Lineare und nichtlineare zweistufige kleinste Quadrate instrumentelle Variablen (2SLSIV) und generalisierte Methode der Momente (GMM) Schätzung. Lineare und nichtlineare 2SLSIV-Schätzung mit AR - und SAR-Fehlern. Begrenzte Informationen Maximum Likelihood (LIML) und K-Klasse Schätzung. Große Auswahl an GMM-Gewichtungsmatrix-Spezifikationen (White, HAC, User-bereitgestellt) mit Kontrolle über die Gewichtsmatrix-Iteration. GMM-Schätzoptionen umfassen die kontinuierliche Aktualisierung der Schätzung (CUE) und eine Vielzahl neuer Standardfehleroptionen, einschließlich Windmeijer-Standardfehler. Die IVGMM-spezifische Diagnostik umfasst den Instrumenten-Orthogonalitätstest, einen Regressor-Endogenitätstest, einen schwachen Instrumententest und einen GMM-spezifischen Haltepunkttest ARCHGARCH GARCH (p, q), EGARCH, TARCH, Component GARCH, Power ARCH, Integrated GARCH. Die lineare oder nichtlineare Mittelgleichung kann sowohl ARCH - als auch ARMA-Terme umfassen, sowohl die Mittel - als auch die Varianzgleichungen erlauben exogene Variablen. Normal, Schüler t und generalisierte Fehlerverteilungen. Bollerslev-Wooldridge robuste Standardfehler. In - und Out-of-Probe-Prognosen der bedingten Varianz und Mittelwert und permanente Komponenten. Begrenzte abhängige Variable Modelle Binär Logit, Probit und Gompit (Extreme Value). Bestellt Logit, Probit und Gompit (Extreme Value). Zensierte und abgeschnittene Modelle mit normalen, logistischen und extremen Wertfehlern (Tobit, etc.). Zählmodelle mit Poisson, negativen Binomial - und Quasi-Maximum-Likelihood (QML) Spezifikationen. Heckman Selection Modelle. HuberWhite robuste Standardfehler Count-Modelle unterstützen generalisierte lineare Modell - oder QML-Standardfehler. Hosmer-Lemeshow und Andrews Goodness-of-Fit-Tests für Binärmodelle. Einfache Speicherung von Ergebnissen (einschließlich verallgemeinerter Residuen und Gradienten) zu neuen EViews Objekten für weitere Analysen. Die allgemeine GLM-Schätzmaschine kann verwendet werden, um mehrere dieser Modelle abzuschätzen, mit der Möglichkeit, robuste Kovarianzen einzuschließen. Panel DataPooled Time Series, Querschnittsdaten Lineare und nichtlineare Schätzung mit additivem Querschnitt und zeitlich festgelegten oder zufälligen Effekten. Wahl der quadratischen Einschätzer (QUEs) für Komponentenabweichungen in zufälligen Effektmodellen: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn. 2SLSIV Schätzung mit Querschnitt und Periode feste oder zufällige Effekte. Schätzung mit AR-Fehlern mit nichtlinearen kleinsten Quadraten auf einer transformierten Spezifikation Generalisierte kleinste Quadrate, verallgemeinerte 2SLSIV-Schätzung, GMM-Schätzung, die für Querschnitts - oder Perioden-heteroskedastische und korrelierte Spezifikationen erlaubt. Lineare dynamische Panel-Datenschätzung mit ersten Differenzen oder orthogonalen Abweichungen mit periodenspezifischen vorgegebenen Instrumenten (Arellano-Bond). Panel serielle Korrelationstests (Arellano-Bond). Robuste Standardfehlerberechnungen beinhalten sieben Arten von robusten White - und Panel-korrigierten Standardfehlern (PCSE). Prüfung von Koeffizientenbeschränkungen, weggelassenen und redundanten Variablen, Hausman-Test auf korrelierte zufällige Effekte. Platten-Wurzeltests: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher-Test mit ADF - und PP-Tests (Maddala-Wu, Choi), Hadri. Panel-Kointegrationsschätzung: Vollständig modifizierte OLS (FMOLS, Pedroni 2000) oder Dynamic Ordinary Least Squares (DOLS, Kao und Chaing 2000, Mark und Sul 2003). Generalisierte Linearmodelle Normal, Poisson, Binomial, Negative Binomial, Gamma, Inverse Gaussian, Exponential Mena, Power Mittel, Binomial Squared Familien. Identity, Log, Log-Komplement, Logit, Probit, Log-Log, kostenlos Log-Log, Inverse, Power, Power Odds Ratio, Box-Cox, Box-Cox Odds Ratio Link-Funktionen. Vorherige Varianz und Frequenzgewichtung. Fixed, Pearson Chi-Sq, Abweichung und benutzerdefinierte Dispersion Spezifikationen. Unterstützung für QML Schätzung und Prüfung. Quadratic Hill Climbing, Newton-Raphson, IRLS - Fisher Scoring und BHHH Schätzalgorithmen. Ordentliche Koeffizienten Kovarianzen berechnet mit erwarteten oder beobachteten Hessischen oder das äußere Produkt der Gradienten. Robuste Kovarianz schätzt mit GLM, HAC oder HuberWhite Methoden. Einzelne Gleichung Kointegrierende Regression Unterstützung für drei voll effiziente Schätzmethoden, voll modifizierte OLS (Phillips und Hansen 1992), Canonical Cointegrating Regression (Park 1992) und Dynamic OLS (Saikkonen 1992, Stock und Watson 1993 Engle und Granger (1987) und Phillips und Ouliaris (1990) Restbasierte Tests, Hansens (1992b) Instabilitätstest und Parks (1992) hinzugefügt Variablen Test Flexible Spezifikation der Trend und deterministischen Regressoren in der Gleichung und Cointegration Regressoren Spezifikation. Vollständig vorgestellten Schätzung der langfristigen Abweichungen für FMOLS und CCR Automatische oder feste Verzögerungsauswahl für DOLS-Verzögerungen und - Leitungen und für langwierige Varianz-Whitening-Regression Rescaled OLS und robuste Standardfehlerberechnungen für DOLS Benutzerdefinierte Maximum Likelihood Verwenden Sie Standard-EViews-Serienausdrücke, um die Log-Likelihood-Beiträge zu beschreiben. Beispiele für multinomiale und bedingte Logit-, Box-Cox-Transformationsmodelle, Ungleichgewichts-Switching-Modelle, Probit-Modelle mit heteroskedastischen Fehlern, verschachteltem Logit, Heckman-Probenauswahl und Weibull-Gefahrenmodellen. Systeme der Gleichungen Lineare und nichtlineare Schätzung. Least Quadrate, 2SLS, Gleichung gewichtete Schätzung, scheinbar nicht zusammenhängende Regression, dreistufige Least Quadrate GMM mit Weiß - und HAC-Gewichtungsmatrizen. AR-Schätzung mit nichtlinearen kleinsten Quadraten auf einer transformierten Spezifikation. Vollständige Information Maximum Likelihood (FIML). Schätzung der strukturellen Faktorisierungen in VARs durch Auferlegung kurz - oder langfristiger Beschränkungen. Bayesischen VARs. Impulsantwortfunktionen in verschiedenen tabellarischen und grafischen Formaten mit Standardfehler, die analytisch oder nach Monte-Carlo-Methoden berechnet wurden. Impulsantwortstöße, berechnet aus Cholesky-Faktorisierung, Ein-Einheits - oder Ein-Standard-Abweichungsresten (Ignorieren von Korrelationen), generalisierten Impulsen, Strukturfaktorisierung oder einer benutzerdefinierten Vektormatrixform. Eingehende und testen Sie lineare Einschränkungen für die Kointegrationsbeziehungen und die Anpassungskoeffizienten in VEC-Modellen. Anzeigen oder Erzeugen von Kointegrationsbeziehungen aus geschätzten VEC-Modellen. Umfangreiche Diagnostik einschließlich: Granger Kausalitätstests, gemeinsame Verzögerungsausschlussprüfungen, Nachhaltigkeitskriterienauswertung, Korrelogramme, Autokorrelation, Normalität und Heteroskedastiktests, Kointegrationstests, andere multivariate Diagnostik. Multivariate ARCH Bedingte Konstante Korrelation (p, q), Diagonale VECH (p, q), Diagonale BEKK (p, q), mit asymmetrischen Begriffen. Umfangreiche Parametrierungswahl für die Diagonal-VECHs-Koeffizientenmatrix. Exogene Variablen, die in den Mittel - und Varianzgleichungen nichtlinear und AR-Terme erlaubt sind, die in den mittleren Gleichungen erlaubt sind. Bollerslev-Wooldridge robuste Standardfehler. Normal oder Schüler t multivariate Fehlerverteilung Eine Auswahl von analytischen oder (schnellen oder langsamen) numerischen Derivaten. (Analytics-Derivate, die für einige komplexe Modelle nicht verfügbar sind) Generieren Sie Kovarianz, Varianz oder Korrelation in verschiedenen tabellarischen und grafischen Formaten aus geschätzten ARCH-Modellen. State Space Kalman-Filteralgorithmus zur Schätzung von benutzerdefinierten Einzel - und Multiequations-Strukturmodellen. Exogene Variablen in der Zustandsgleichung und vollständig parametrisierte Varianzspezifikationen. Generieren Sie einstufige Vorwärts-, gefilterte oder geglättete Signale, Zustände und Fehler. Beispiele umfassen zeitvariable Parameter, multivariate ARMA und quasilikelihood stochastische Volatilitätsmodelle. Testen und Auswerten Tatsächliche, montierte, verbleibende Grundstücke. Wald-Tests für lineare und nichtlineare Koeffizienten Einschränkungen Vertrauen Ellipsen zeigt die gemeinsame Konfidenz Region von zwei Funktionen der geschätzten Parameter. Andere Koeffizientendiagnosen: Standardisierte Koeffizienten und Koeffizientenelastizitäten, Konfidenzintervalle, Varianzinflationsfaktoren, Koeffizientenabweichungszerlegungen. Ausgelassene und redundante Variablen LR-Tests, restliche und quadrierte Restkorrelogramme und Q-Statistiken, Rest-Serien-Korrelation und ARCH-LM-Tests. Weiß, Breusch-Pagan, Godfrey, Harvey und Glejser Heteroskedastentests. Stabilitätsdiagnostik: Chow-Breakpoint - und Prognosetests, Quandt-Andrews unbekannter Breakpoint-Test, Bai-Perron-Breakpoint-Tests, Ramsey-RESET-Tests, OLS-rekursive Schätzung, Einflussstatistik, Leverage-Plots. ARMA-Gleichungsdiagnose: Graphen oder Tabellen der inversen Wurzeln des AR - und MA-charakteristischen Polynoms, vergleichen das theoretische (geschätzte) Autokorrelationsmuster mit dem tatsächlichen Korrelationsmuster für die Strukturreste, zeigen die ARMA-Impulsantwort auf einen Innovationsschock und die ARMA-Frequenz an Spektrum. Einfache Ergebnisse (Koeffizienten, Koeffizienten Kovarianz Matrizen, Residuen, Gradienten, etc.) zu EViews Objekte für weitere Analyse. Siehe auch Schätzung und Gleichungssysteme für zusätzliche spezialisierte Prüfverfahren. Prognose und Simulation In - oder out-of-sample statische oder dynamische Prognose aus geschätzten Gleichungsobjekten mit Berechnung des Standardfehlers der Prognose. Prognosegraphen und Stichprobenprognoseauswertung: RMSE, MAE, MAPE, Theil Ungleichheit Koeffizient und Proportionen Hochmoderne Modellbauwerkzeuge für Mehrfachgleichungsvorhersage und multivariate Simulation. Modellgleichungen können in Text oder als Links für die automatische Aktualisierung bei der Neuschätzung eingegeben werden. Zeigen Sie Abhängigkeitsstruktur oder endogene und exogene Variablen Ihrer Gleichungen an. Gauss-Seidel, Broyden und Newton Modelllöser für nicht-stochastische und stochastische Simulationen. Nicht-stochastische Vorwärtslösung löst für modellkonsequente Erwartungen. Stochasitc-Simulation kann bootstrapierte Residuen verwenden. Lösen Sie Kontrollprobleme, so dass endogene Variable ein benutzerdefiniertes Ziel erreicht. Ausgefeilte Gleichung Normalisierung, Faktor hinzufügen und Override unterstützen. Verwalten und vergleichen Sie mehrere Lösungsszenarien mit verschiedenen Sätzen von Annahmen. Eingebaute Modellansichten und - prozeduren zeigen Simulationsergebnisse in grafischer oder tabellarischer Form an. Graphs und Tables Line, Dot Plot, Bereich, Bar, Spike, saisonale, Pie, xy-line, Scatterplots, Boxplots, Fehlerbalken, High-Low-Open-Close und Area Band. Leistungsstarke, einfach zu bedienende kategorische und zusammenfassende Graphen. Automatische Aktualisierung von Graphen, die als zugrundeliegende Datenänderung aktualisieren. Beobachtungsinfo und Wertanzeige, wenn Sie den Cursor über einen Punkt in der Grafik schweben. Histogramme, durchschnittlich verschobene Historgramme, Frequenzpolyone, Randfrequenzpolygone, Boxplots, Kerndichte, theoretische Verteilungen, Boxplots, CDF, Überlebender, Quantil, Quantil-Quantil. Scatterplots mit beliebiger Kombination parametrischer und nichtparametrischer Kernel (Nadaraya-Watson, lokales lineares, lokales Polynom) und nächstgelegene Nachbar - (LOWESS) Regressionslinien oder Vertrauens-Ellipsen. Interaktive Point-and-Click - oder Befehls-basierte Anpassung. Umfangreiche Anpassung von Graphen Hintergrund, Rahmen, Legenden, Achsen, Skalierung, Linien, Symbole, Text, Schattierung, Fading, mit verbesserten Grafik-Vorlage Features. Tabelle Anpassung mit Kontrolle über Zelle Schriftart Gesicht, Größe und Farbe, Zelle Hintergrundfarbe und Grenzen, Verschmelzung und Annotation. Kopieren und Einfügen von Graphen in andere Windows-Anwendungen oder Speichern von Graphen als Windows-reguläre oder erweiterte Metafiles, gekapselte PostScript-Dateien, Bitmaps, GIFs, PNGs oder JPGs. Kopieren und Einfügen von Tabellen in eine andere Anwendung oder Speichern in eine RTF-, HTML - oder Textdatei. Verwalten von Graphen und Tabellen in einem Spool-Objekt, mit dem Sie mehrere Ergebnisse und Analysen in einem Objekt anzeigen können Befehle und Programmierung Objektorientierte Befehlssprache bietet Zugriff auf Menüpunkte Batch-Ausführung von Befehlen in Programmdateien. Schleifen und Bedingung Verzweigung, Subroutine und Makro-Verarbeitung. String und String Vektor Objekte für String Verarbeitung. Umfangreiche Bibliothek von String - und String-Listen-Funktionen. Umfangreiche Matrixunterstützung: Matrixmanipulation, Multiplikation, Inversion, Kronecker-Produkte, Eigenwertlösung und singuläre Wertzerlegung. Externe Schnittstelle und Add-Ins EViews COM-Automatisierungsserver-Unterstützung, damit externe Programme oder Skripte EViews starten oder steuern können, Daten übertragen und EViews-Befehle ausführen können. EViews bietet COM-Automatisierungs-Client-Support-Anwendungen für MATLAB - und R-Server, so dass EViews zum Starten oder Steuern der Anwendung, zum Übertragen von Daten oder zum Ausführen von Befehlen verwendet werden können. Das EViews Microsoft Excel Add-In bietet eine einfache Schnittstelle zum Abrufen und Verknüpfen von Microsoft Excel (2000 und höher) zu Serien - und Matrixobjekten, die in EViews Workfiles und Datenbanken gespeichert sind. Die EViews Add-Ins-Infrastruktur bietet nahtlosen Zugriff auf benutzerdefinierte Programme mit dem Standard-EViews-Befehl, Menü und Objektschnittstelle. Laden und installieren Sie vordefinierte Add-Ins von der EViews-Website. Für Verkaufshinweise bitte email saleseviews Für technische Unterstützung bitte email supporteviews Bitte geben Sie Ihre Seriennummer mit allen E-Mail-Korrespondenz an. Für weitere Kontaktinformationen, siehe unsere About page. OFDM - Ist es die Zukunft der Wireless Broadband Auf dieser Seite bieten wir eine Vielzahl von Informationen über OFDM, einschließlich einer kurzen Einführung in die Technologie ein Interview mit dem Vorsitzenden und CEO von Wi - LAN, der Erfinder der W-OFDM-Technologie Informationen über die vorgeschlagene FCC Rulemaking, um die Zertifizierung von W-OFDM-Geräten und Links zu Referenzbüchern und anderen Informationsquellen zu ermöglichen. Inhalt dieser Seite Eine Einführung in OFDM OFDM steht für Orthogonal Frequency Division Multiplexing und ist eine Modulationstechnik für die Übertragung großer Mengen digitaler Daten über eine Funkwelle. W-OFDM steht für Wideband OFDM. Der Hauptverfechter und Erfinder von W-OFDM ist Wi-LAN von Calgary, Alberta. OFDM ist konzeptionell einfach, aber der Teufel ist in den Details Die Implementierung beruht auf einer sehr schnellen digitalen Signalverarbeitung und das ist nur in den letzten Jahren zu einem Preis verfügbar, der OFDM zu einer wettbewerbsfähigen Technologie auf dem Markt macht. OK, also was ist das einfache Konzept hinter OFDM Nehmen Sie einen Träger und modulieren Sie es mit Quadrature Phase Shift Keying (QPSK), wo jedes Symbol 2 Bits kodiert. Diese Modulation ist mit einer bestimmten Symbolrate. Für die Zwecke dieser Diskussion sagen wir 1000 Symbole pro Sekunde. Die Modulationstheorie sagt uns, dass das Spektrum eines solchen modulierten Signals eine Sünde (x) x-Form mit dem ersten Null bei 1000 Hz haben wird. Wenn wir nun einen zweiten Träger haben, der eine Frequenz genau 1 KHz höher als die erste hat und mit derselben Symbolrate moduliert, stellt sich heraus, dass beide Signale ohne gegenseitige Störung wiederhergestellt werden können. Um die ganze Übung lohnt sich, nehmen Sie die Zahlen in den vorherigen Absatz und multiplizieren sie mit einem Faktor von vielleicht 256 oder sogar mehr. Und während du dabei bist, anstatt ein 2-Bit-Symbol (QPSK) zu verwenden, benutze ein 6-Bit-Symbol (64-QAM). Dies kann eine erstaunliche Menge an Daten in eine relativ kleine Bandbreite. Das Problem mit dem einfachsten Ansatz ist, dass es viele lokale Oszillatoren braucht, die jeweils mit den anderen verriegelt sind, so dass die Frequenzen die exakten Vielfachen sind, die sie sein sollten. Das ist schwierig und teuer. DSP zur Rettung Jeder der Oszillatoren kann eine digitale Darstellung der Sinus-Trägerwelle sein, die im numerischen Bereich moduliert werden kann. Dies kann für alle Träger gleichzeitig passieren. Die resultierende Ausgabe jedes Kanals wird hinzugefügt und dann gesperrt. Da wir eine Darstellung des Signals im Frequenzbereich haben, aber einen aktuellen Träger im Zeitbereich modulieren müssen, führen wir nur eine Inverse Fast Fourier Transform (IFFT) durch, um den Block von Frequenzdaten in einen Block von Zeitdaten umzuwandeln, die moduliert werden die Karriere. Der Empfänger erhält das Signal, digitalisiert es und führt eine FFT aus, um wieder in den Frequenzbereich zu gelangen. Von dort aus ist es relativ einfach, die Modulation auf jedem der Träger zurückzugewinnen. In der Praxis werden einige der Träger für die Kanalschätzung verwendet, und es werden zusätzliche Bits hinzugefügt, die zur Fehlererkennung und Korrektur hinzugefügt wurden. Dies wird als Coded Orthogonal Frequency Division Multiplexing (COFDM) bezeichnet. Codierung ist jetzt so häufig, dass viele Menschen das quotCquot fallen lassen, als unnötig, vorausgesetzt, dass Codierung verwendet wird. OFDM in den Nachrichten Nokia, Qualcomm: Der Krieg ist vorbei. InfoSync World, Norway - Jul 23, 2008Unstrung Insider setzt das WiMax Paradox. 71305 - Ungespanntes InsiderWi-LAN demonstriert High-Byte-Rate W-OFDM-Technologie in einer voll mobilen Umgebung 4G-Netzwerke innerhalb von Reichweite. TMCNet, 5. August 2004OFDM: Alte Technologie für neue Märkte. Von Steven J. Vaughan-Nichols für Wi-Fi Planet, November 2002.News Release 11502: Philips Semiconductor verbindet Flash OFDM Allianz - interessanter Artikel mit einigen Erklärungen von Ereignissen mit OFDM. quotAlliance rallyes rund um Flarions flash-OFDM technologyquot. Patrick Manion für Kommunikationsdesign, 11502wotDie OFDM Challengequot. Jim Wight für Kommunikationsdesign, 102301quotPartial-Response-Signalisierung verbessert das OFDM-Leistungsverhältnis. Patrick Manion für EE Times, 82901quotWireless Infrastruktur: OFDM Schultern schweres RF Verkehr. Von Hatim Zaghloul von Wi-Lan für EE Times, 22701quotEnabling Fast Wireless Networks mit OFDMquot. Jim Geier für Kommunikationsdesign, 20101 Bücher auf OFDM-Technologie Klicken Sie auf einen Titel unten für einen direkten Link zum Kauf von OFDM und MC-CDMA für Breitband-Multi-User-Kommunikation, WLANs und Broadcasting. Von Lajos Hanzo, M. Mumlnster, B. J. Choi, Thomas Keller. Hardcover, 1014 Seiten, September 2003. OFDM für drahtlose Kommunikationssysteme. Von Ramjee Prasad. Gebundene Ausgabe - 280 Seiten (31. August 2004). OFDM Wireless Multimedia Kommunikation. Ramjee Prasad, Richard D. Van Nee Gebundene Ausgabe Bild nicht verfügbar Multi-Carrier Digital Communications - Theorie und Anwendungen von OFDM. Von Ahmad R. S. Bahai, Burton R. Saltzberg. Gebundene Ausgabe - 232 Seiten (1. Oktober 1999). OFDM Wireless LANs: Ein theoretischer und praktischer Leitfaden. Von John Terry, Juha Heiskala. Paperback - 336 Seiten (11. Dezember 2001) Wireless Ofdm Systems: Wie man sie macht (Kluwer International Series in Ingenieurwissenschaften und Informatik, 692). Von Mark Engels (Herausgeber). Gebundene Ausgabe: 232 Seiten, (August 2002). Adaptive Wireless-Transceiver. Turbo-Coded, Turbo-Equalized und Space-Time Coded TDMA, CDMA und OFDM Systems. Von L. Hanzo, C. H. Wong und M. S. Yee. Gebundene Ausgabe: 752 Seiten (Mai 2002). Digitale Kommunikationsempfänger, Vol. 2: Synchronisation, Kanalschätzung und Signalverarbeitung. Von Heinrich Meyr, Marc Moeneclaey und Stefan A. Fechtel. Gebundene Ausgabe: 864 Seiten, 20. Oktober 1997. SSS Online Interview: Dr. Hatim Zaghloul von Wi-LAN Dezember 2000 von Jim Pearce. Direktor Pegasus Technologies Dr. Zaghloul ist Mitbegründer von Wi-LAN Inc. und international als internationaler Innovator im Bereich der OFDM-Funktechnik anerkannt. Dr. Zaghloul hat einen Bachelor of Science in Elektrotechnik an der Kairo University, Ägypten und einem Master of Science und Ph. D. In der Physik von der Universität von Calgary. Dr. Zaghloul ist der Miterfinder von zwei führenden drahtlosen Technologien: Wide-Band Orthogonal Frequency Division Multiplexing (W-OFDM) und Multi-Code Direct Sequence Spread Spectrum (MC-DSSS). Er ist in Fachzeitschriften ausführlich erschienen und hält neun kanadische und amerikanische Patente, darunter fünf anhängige Patente - mehrere in Partnerschaft mit Dr. Michel Fattouche, dem Präsidenten und CEO von Cell-Loc Inc. Dr. Zaghloul ist der Erfinder von quotNetwork Livingcopyquot , Ermöglicht eine nahtlose Kommunikation durch aktuelle und zukünftige Technologien. Dr. Hatim Zaghloul Q. Dr. Zaghoul, es ist ein Vergnügen, mit Ihnen heute zu sprechen. F. Was haben Sie vor der Erarbeitung von W-OFDM A gearbeitet. Ich war ein Senior Researcher bei Telus RampD, der an digitalen Kommunikationsprojekten arbeitet, wie bei der Planung des Übergangs vom analogen zellularen zum digitalen zellularen. Ich habe auch eine Menge von Ausbreitungskanal-Messungen und Analysen gemacht und hatte zu einer Reihe von anderen Erfindungen wie ein neuartiger Entzerrer und Sprachkompression beigetragen. F. Was führte zur Entwicklung von W-OFDM A. Als wir erfassten, was wir dachten, war der beste Kanalschätzer für einen adaptiven Entzerrer, haben wir ihn sofort auf die IS54 angewendet, die ein digitaler TDMA-Standard war. Die erzielten Verbesserungen waren viel weniger als theoretisch erwartet. Der Grund dafür war, dass die Design-Parameter (wie Takt Ungenauigkeit und Drifts) mehr Fehler verursacht als der Kanal, manchmal. Wir haben beschlossen, herauszufinden, welches Kommunikationssystem nicht so sehr von Design-Problemen leiden würde und am besten für den Kanal geeignet wäre (dieses letzte Kriterium war neu) und die Antwort war W-OFDM. Q. Sie halten einige der Hauptpatente auf OFDM. Wer sind die anderen Hauptakteure in OFDM Patente A. Philips hält eine Reihe von Schlüsselpatente in der digitalen Videoübertragung, die ein Weg OFDM verwendet wird. Philips stellt den Patentpool für DVB dar. TI hält ein Patent auf diskretem Multiton, das als eine Variation von OFDM angesehen werden könnte. CSIRO aus Australien hält ein Patent für spezifische Indoor-Wireless LAN-Implementierungen. Ich habe das CSIRO-Patent noch nicht ausführlich überprüft. Q. Wi-LAN ruft seinen OFDM W-OFDM auf. Es gibt eine Modulationstechnik für das digitale Fernsehen namens COFDM. Was sind die Ähnlichkeiten und Unterschiede zwischen W-OFDM und COFDM A. quotCquot steht für quotcodedquot. Alle OFDM ist heutzutage codiert, also ist das quotCquot redundant. Das Quatot steht für Breitband, oder was heißt Breitband genannt. Wir schlugen verschiedene Mechanismen vor, um Kanal - und Systemdesign-Effekte zu minimieren, um zwei-Wege-W-OFDM zu verwirklichen. COFDM wurde für den digitalen Fernsehen in Europa ausgewählt, dies ist eine Einweg-Übertragung, bei der die Kosten des Senders im Bereich von 250k und höher liegen könnten. Wir haben Tricks eingeführt, um diese Kosten spürbar zu bringen. Ich habe dies nicht im Detail überprüft, aber ich persönlich bin geneigt zu denken, dass jede Verwendung von COFDM für Zwei-Wege-Breitband-Wireless-Kommunikation würde unser Patent verletzen. F. Was waren die technologischen Durchbrüche, die OFDM praktisch machten A. Die Einführung der Kanalschätzung in der Regel Einführung von Designkriterien, die Breitband OFDM möglich machten, Einführung von Phasenaufhellung zur Reduzierung des Peak-to-Average-Verhältnisses und damit zur Reduzierung der Anforderung für Linearverstärker und ASIC-Entwicklungen - all dies machte W-OFDM praktisch. Q. Sind Ihre FFTs in Hardware oder in programmierbaren Prozessoren implementiert A. Wir haben Implementierungen in beiden. Customer Premise Equipment would have to be in ASICs for cost reasons. Q. I believe that you use 16-QAM as the form of modulation on each of the subcarriers. Could you use a higher order of modulation to get even higher data rates A. We now have 64 QAM and are working on higher levels. Q. The FCC has said that OFDM is not a form of direct sequence spread spectrum. Do you agree A. No, I dont agree. OFDM and multicode direct sequence spread spectrum converge when you use all possible codes for a single transmitter. Q. You have petitioned the FCC to allow OFDM at 2.4 GHz under 15.247 for spread spectrum. Why A. We believe that allowing higher data rates in the 2.4GHz band will minimize pollution of the band. Also, some radio parts are cheaper in the 2.4GHz at the current time this fact combined with the longer range of 2.4GHz products makes it a more favorable band for indoor applications. Q. So you think its fair to say that 2.4GHz still has economic potential, or is all the quotactionquot moving to 5 GHz A. Yes to the economic potential of 2.4GHz. The current pollution is mostly outdoors, and once OFDM chips are inexpensive, most devices would move to them and the bands order would be restored. This may take 5 to 10 years but its a definite possibility. Q. OFDM must be linearly amplified. What is the impact on link performance on nonlinearities in the power amplifier A. Nonlinear amplifiers cause clipping of the signal, and some data packets would not make it through if the system is not designed appropriately. Wi-LAN introduced phase whitening, and this reduces the linearity requirement. Q. Do you think that there will be chips that implement OFDM on the merchant semiconductor market A. Yes. I think theyll be on the market in 2001. Q. Are there applications for OFDM outside of IEEE 802.11a A. Yes -- fixed wireless access, cellular in 4G applications, home multimedia, and road access for internet into vehicles, to name a few. Q. What products have been developed as a result of the partnership between Wi-LAN and Philips A. We jointly developed an ASIC that is used in our I. WiLL(tm) System. Q. Does Wi-LAN have other partnerships that will lead to new products A. We have signed a marketing agreement with Ercisson Canada that should lead to products in the 2.5GHz band. Q. What technologies do you think will be the main competitors to OFDM for delivery of wireless broadband A. I do not see anything that can compete with it for the next five years. Q. Does OFDM have the capacity to go to even higher data rates A. There is no theoretical upper limit on the capacity. Q. What do you think the future of OFDM will be A. Hopefully, inexpensive products that provide high speed communications to individuals and appliances around the globe. Q. Thank you, Dr. Zaghloul