Pindah Rata Rata Spektrum Estimasi

Pengantar ARIMA: model nonseasonal Persamaan peramalan ARIMA (p, d, q): Model ARIMA secara teori adalah kelas model paling umum untuk meramalkan deret waktu yang dapat dibuat dengan cara membedakan (jika perlu), mungkin Dalam hubungannya dengan transformasi nonlinier seperti logging atau deflating (jika perlu). Variabel acak yang merupakan deret waktu adalah stasioner jika sifat statistiknya konstan sepanjang waktu. Seri stasioner tidak memiliki tren, variasinya berkisar rata-rata memiliki amplitudo konstan, dan bergoyang secara konsisten. Yaitu pola waktu acak jangka pendeknya selalu terlihat sama dalam arti statistik. Kondisi terakhir ini berarti autokorelasinya (korelasi dengan penyimpangannya sendiri dari mean) tetap konstan dari waktu ke waktu, atau ekuivalen, bahwa spektrum kekuatannya tetap konstan seiring berjalannya waktu. Variabel acak dari bentuk ini dapat dilihat (seperti biasa) sebagai kombinasi sinyal dan noise, dan sinyal (jika ada) dapat menjadi pola reversi rata-rata yang cepat atau lambat, atau osilasi sinusoidal, atau alternasi cepat pada tanda , Dan itu juga bisa memiliki komponen musiman. Model ARIMA dapat dilihat sebagai filter 8220filter8221 yang mencoba memisahkan sinyal dari noise, dan sinyal tersebut kemudian diekstrapolasikan ke masa depan untuk mendapatkan perkiraan. Persamaan peramalan ARIMA untuk rangkaian waktu stasioner adalah persamaan linier (yaitu regresi-tipe) dimana prediktor terdiri dari kelambatan variabel dependen dan atau lag dari kesalahan perkiraan. Yaitu: Prediksi nilai Y adalah konstanta dan atau jumlah tertimbang dari satu atau lebih nilai Y dan satu angka tertimbang dari satu atau lebih nilai kesalahan terkini. Jika prediktor hanya terdiri dari nilai Y yang tertinggal, itu adalah model autoregresif murni (8220 self-regressed8221), yang hanyalah kasus khusus dari model regresi dan yang dapat dilengkapi dengan perangkat lunak regresi standar. Sebagai contoh, model autoregresif orde pertama (8220AR (1) 8221) untuk Y adalah model regresi sederhana dimana variabel independennya hanya Y yang tertinggal satu periode (LAG (Y, 1) dalam Statgrafik atau YLAG1 dalam RegresIt). Jika beberapa prediktor tertinggal dari kesalahan, model ARIMA TIDAK merupakan model regresi linier, karena tidak ada cara untuk menentukan error8221 8220last period8417s sebagai variabel independen: kesalahan harus dihitung berdasarkan periode-ke-periode Saat model dipasang pada data. Dari sudut pandang teknis, masalah dengan menggunakan kesalahan tertinggal sebagai prediktor adalah bahwa prediksi model8217 bukanlah fungsi linear dari koefisien. Meskipun mereka adalah fungsi linier dari data masa lalu. Jadi, koefisien pada model ARIMA yang mencakup kesalahan tertinggal harus diestimasi dengan metode optimasi nonlinier (8220 climb-climbing8221) daripada hanya dengan memecahkan sistem persamaan. Akronim ARIMA adalah singkatan Auto-Regressive Integrated Moving Average. Lags dari rangkaian stasioner dalam persamaan peramalan disebut istilah quotautoregressivequot, kelambatan kesalahan perkiraan disebut istilah kuotasi rata-rata quotmoving, dan deret waktu yang perlu dibedakan untuk dijadikan stasioner disebut versi seri integimental dari seri stasioner. Model random-walk dan random-trend, model autoregresif, dan model smoothing eksponensial adalah kasus khusus model ARIMA. Model ARIMA nonseasonal diklasifikasikan sebagai model quotARIMA (p, d, q) quot, di mana: p adalah jumlah istilah autoregresif, d adalah jumlah perbedaan nonseason yang diperlukan untuk stasioneritas, dan q adalah jumlah kesalahan perkiraan yang tertinggal dalam Persamaan prediksi Persamaan peramalan dibangun sebagai berikut. Pertama, izinkan y menunjukkan perbedaan D dari Y. yang berarti: Perhatikan bahwa perbedaan kedua Y (kasus d2) bukanlah selisih 2 periode yang lalu. Sebaliknya, ini adalah perbedaan pertama perbedaan dari perbedaan pertama. Yang merupakan analog diskrit dari derivatif kedua, yaitu percepatan lokal dari seri daripada tren lokalnya. Dalam hal y. Persamaan peramalan umum adalah: Di sini parameter rata-rata bergerak (9528217s) didefinisikan sehingga tanda-tanda mereka negatif dalam persamaan, mengikuti konvensi yang diperkenalkan oleh Box dan Jenkins. Beberapa penulis dan perangkat lunak (termasuk bahasa pemrograman R) mendefinisikannya sehingga mereka memiliki tanda plus. Bila nomor aktual dicolokkan ke dalam persamaan, tidak ada ambiguitas, tapi penting untuk mengetahui konvensi mana yang digunakan perangkat lunak Anda saat Anda membaca hasilnya. Seringkali parameter dilambangkan dengan AR (1), AR (2), 8230, dan MA (1), MA (2), 8230 dll. Untuk mengidentifikasi model ARIMA yang sesuai untuk Y. Anda memulai dengan menentukan urutan differencing (D) perlu membuat stasioner seri dan menghilangkan fitur musiman musiman, mungkin bersamaan dengan transformasi yang menstabilkan varians seperti penebangan atau pengapuran. Jika Anda berhenti pada titik ini dan meramalkan bahwa rangkaian yang dibedakan konstan, Anda hanya memiliki model berjalan acak atau acak acak. Namun, rangkaian stationarized masih memiliki kesalahan autokorelasi, menunjukkan bahwa beberapa jumlah istilah AR (p 8805 1) dan beberapa persyaratan MA (q 8805 1) juga diperlukan dalam persamaan peramalan. Proses penentuan nilai p, d, dan q yang terbaik untuk seri waktu tertentu akan dibahas di bagian catatan selanjutnya (yang tautannya ada di bagian atas halaman ini), namun pratinjau beberapa jenis Model ARIMA nonseasonal yang biasa ditemui diberikan di bawah ini. ARIMA (1,0,0) model autoregresif orde pertama: jika seri stasioner dan autokorelasi, mungkin dapat diprediksi sebagai kelipatan dari nilai sebelumnya, ditambah konstanta. Persamaan peramalan dalam kasus ini adalah 8230 yang Y regresi pada dirinya sendiri tertinggal oleh satu periode. Ini adalah model konstanta 8220ARIMA (1,0,0) constant8221. Jika mean Y adalah nol, maka istilah konstan tidak akan disertakan. Jika koefisien kemiringan 981 1 positif dan kurang dari 1 besarnya (harus kurang dari 1 jika Y adalah stasioner), model tersebut menggambarkan perilaku rata-rata pada nilai periode berikutnya yang diperkirakan akan menjadi 981 1 kali sebagai Jauh dari mean sebagai nilai periode ini. Jika 981 1 negatif, ia memprediksi perilaku rata-rata dengan bergantian tanda, yaitu juga memprediksi bahwa Y akan berada di bawah rata-rata periode berikutnya jika berada di atas rata-rata periode ini. Dalam model autoregresif orde kedua (ARIMA (2,0,0)), akan ada istilah Y t-2 di sebelah kanan juga, dan seterusnya. Bergantung pada tanda dan besaran koefisien, model ARIMA (2,0,0) bisa menggambarkan sistem yang pembalikan rata-rata terjadi dengan mode sinusoidal oscillating, seperti gerak massa pada pegas yang mengalami guncangan acak. . ARIMA (0,1,0) berjalan acak: Jika seri Y tidak stasioner, model yang paling sederhana untuk model ini adalah model jalan acak, yang dapat dianggap sebagai kasus pembatas model AR (1) dimana autoregresif Koefisien sama dengan 1, yaitu deret dengan reversi mean yang jauh lebih lambat. Persamaan prediksi untuk model ini dapat ditulis sebagai: di mana istilah konstan adalah perubahan periode-ke-periode rata-rata (yaitu drift jangka panjang) di Y. Model ini dapat dipasang sebagai model regresi yang tidak mencegat dimana Perbedaan pertama Y adalah variabel dependen. Karena hanya mencakup perbedaan nonseasonal dan istilah konstan, model ini diklasifikasikan sebagai model quotARIMA (0,1,0) dengan konstan. Model acak-berjalan-tanpa-undian akan menjadi ARIMA (0,1, 0) model tanpa ARIMA konstan (1,1,0) membedakan model autoregresif orde pertama: Jika kesalahan model jalan acak autokorelasi, mungkin masalahnya dapat diperbaiki dengan menambahkan satu lag variabel dependen ke persamaan prediksi - - yaitu Dengan mengundurkan diri dari perbedaan pertama Y pada dirinya sendiri yang tertinggal satu periode. Ini akan menghasilkan persamaan prediksi berikut: yang dapat diatur ulang ke Ini adalah model autoregresif orde pertama dengan satu urutan perbedaan nonseasonal dan istilah konstan - yaitu. Sebuah model ARIMA (1,1,0). ARIMA (0,1,1) tanpa perataan eksponensial sederhana: Strategi lain untuk memperbaiki kesalahan autokorelasi dalam model jalan acak disarankan oleh model pemulusan eksponensial sederhana. Ingatlah bahwa untuk beberapa rangkaian waktu nonstasioner (misalnya yang menunjukkan fluktuasi yang bising di sekitar rata-rata yang bervariasi secara perlahan), model jalan acak tidak berjalan sebaik rata-rata pergerakan nilai masa lalu. Dengan kata lain, daripada mengambil pengamatan terbaru sebagai perkiraan pengamatan berikutnya, lebih baik menggunakan rata-rata beberapa pengamatan terakhir untuk menyaring kebisingan dan memperkirakan secara lebih akurat mean lokal. Model pemulusan eksponensial sederhana menggunakan rata-rata pergerakan rata-rata tertimbang eksponensial untuk mencapai efek ini. Persamaan prediksi untuk model pemulusan eksponensial sederhana dapat ditulis dalam sejumlah bentuk ekuivalen matematis. Salah satunya adalah bentuk koreksi yang disebut 8220error correction8221, dimana ramalan sebelumnya disesuaikan dengan kesalahan yang dibuatnya: Karena e t-1 Y t-1 - 374 t-1 menurut definisinya, ini dapat ditulis ulang sebagai : Yang merupakan persamaan peramalan ARIMA (0,1,1) - tanpa perkiraan konstan dengan 952 1 1 - 945. Ini berarti bahwa Anda dapat menyesuaikan smoothing eksponensial sederhana dengan menentukannya sebagai model ARIMA (0,1,1) tanpa Konstan, dan perkiraan koefisien MA (1) sesuai dengan 1-minus-alpha dalam formula SES. Ingatlah bahwa dalam model SES, usia rata-rata data dalam prakiraan 1 periode adalah 1 945. yang berarti bahwa mereka cenderung tertinggal dari tren atau titik balik sekitar 1 945 periode. Dengan demikian, rata-rata usia data dalam prakiraan 1-periode-depan model ARIMA (0,1,1) - tanpa model konstan adalah 1 (1 - 952 1). Jadi, misalnya, jika 952 1 0,8, usia rata-rata adalah 5. Karena 952 1 mendekati 1, model ARIMA (0,1,1) - tanpa-konstan menjadi rata-rata bergerak jangka-panjang, dan sebagai 952 1 Pendekatan 0 menjadi model random-walk-without-drift. Apa cara terbaik untuk memperbaiki autokorelasi: menambahkan istilah AR atau menambahkan istilah MA Dalam dua model sebelumnya yang dibahas di atas, masalah kesalahan autokorelasi dalam model jalan acak diperbaiki dengan dua cara yang berbeda: dengan menambahkan nilai lag dari seri yang berbeda Ke persamaan atau menambahkan nilai tertinggal dari kesalahan perkiraan. Pendekatan mana yang terbaik Aturan praktis untuk situasi ini, yang akan dibahas lebih rinci nanti, adalah bahwa autokorelasi positif biasanya paling baik ditangani dengan menambahkan istilah AR pada model dan autokorelasi negatif biasanya paling baik ditangani dengan menambahkan MA istilah. Dalam deret waktu bisnis dan ekonomi, autokorelasi negatif sering muncul sebagai artefak perbedaan. (Secara umum, differencing mengurangi autokorelasi positif dan bahkan dapat menyebabkan perubahan dari autokorelasi positif ke negatif.) Jadi, model ARIMA (0,1,1), di mana perbedaannya disertai dengan istilah MA, lebih sering digunakan daripada Model ARIMA (1,1,0). ARIMA (0,1,1) dengan perataan eksponensial sederhana konstan dengan pertumbuhan: Dengan menerapkan model SES sebagai model ARIMA, Anda benar-benar mendapatkan fleksibilitas. Pertama-tama, perkiraan koefisien MA (1) dibiarkan negatif. Ini sesuai dengan faktor pemulusan yang lebih besar dari 1 dalam model SES, yang biasanya tidak diizinkan oleh prosedur pemasangan model SES. Kedua, Anda memiliki pilihan untuk menyertakan istilah konstan dalam model ARIMA jika Anda mau, untuk memperkirakan tren nol-rata-rata. Model ARIMA (0,1,1) dengan konstanta memiliki persamaan prediksi: Prakiraan satu periode dari model ini secara kualitatif serupa dengan model SES, kecuali bahwa lintasan perkiraan jangka panjang biasanya adalah Garis miring (kemiringannya sama dengan mu) dan bukan garis horizontal. ARIMA (0,2,1) atau (0,2,2) tanpa pemulusan eksponensial linier konstan: Model pemulusan eksponensial linier adalah model ARIMA yang menggunakan dua perbedaan nonseasonal dalam hubungannya dengan persyaratan MA. Perbedaan kedua dari seri Y bukan hanya perbedaan antara Y dan dirinya tertinggal dua periode, namun ini adalah perbedaan pertama dari perbedaan pertama - i. Perubahan perubahan Y pada periode t. Jadi, perbedaan kedua Y pada periode t sama dengan (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Perbedaan kedua dari fungsi diskrit sama dengan turunan kedua dari fungsi kontinu: ia mengukur kuotasi kuadrat atau quotcurvaturequot dalam fungsi pada suatu titik waktu tertentu. Model ARIMA (0,2,2) tanpa konstan memprediksi bahwa perbedaan kedua dari rangkaian sama dengan fungsi linier dari dua kesalahan perkiraan terakhir: yang dapat disusun ulang sebagai: di mana 952 1 dan 952 2 adalah MA (1) dan MA (2) koefisien. Ini adalah model pemulusan eksponensial linear umum. Dasarnya sama dengan model Holt8217s, dan model Brown8217s adalah kasus khusus. Ini menggunakan rata-rata pergerakan tertimbang eksponensial untuk memperkirakan tingkat lokal dan tren lokal dalam rangkaian. Perkiraan jangka panjang dari model ini menyatu dengan garis lurus yang kemiringannya bergantung pada tren rata-rata yang diamati menjelang akhir rangkaian. ARIMA (1,1,2) tanpa perataan eksponensial eksponensial yang terfragmentasi. Model ini diilustrasikan dalam slide yang menyertainya pada model ARIMA. Ini mengekstrapolasikan tren lokal di akhir seri namun meratakannya pada cakrawala perkiraan yang lebih panjang untuk memperkenalkan catatan konservatisme, sebuah praktik yang memiliki dukungan empiris. Lihat artikel di quotWhy the Damped Trend karyaquot oleh Gardner dan McKenzie dan artikel quotGolden Rulequot oleh Armstrong dkk. Untuk rinciannya Umumnya dianjurkan untuk berpegang pada model di mana setidaknya satu dari p dan q tidak lebih besar dari 1, yaitu jangan mencoba menyesuaikan model seperti ARIMA (2,1,2), karena hal ini cenderung menyebabkan overfitting. Dan isu-isu kuotom-faktorquot yang dibahas secara lebih rinci dalam catatan tentang struktur matematis model ARIMA. Implementasi Spreadsheet: Model ARIMA seperti yang dijelaskan di atas mudah diterapkan pada spreadsheet. Persamaan prediksi hanyalah persamaan linier yang mengacu pada nilai-nilai masa lalu dari rangkaian waktu asli dan nilai kesalahan masa lalu. Dengan demikian, Anda dapat membuat spreadsheet peramalan ARIMA dengan menyimpan data di kolom A, rumus peramalan pada kolom B, dan kesalahan (data minus prakiraan) di kolom C. Rumus peramalan pada sel biasa di kolom B hanya akan menjadi Sebuah ekspresi linier yang mengacu pada nilai-nilai pada baris-kolom sebelumnya dari kolom A dan C, dikalikan dengan koefisien AR atau MA yang sesuai yang tersimpan dalam sel di tempat lain pada spreadsheet. Tampilan 8 Daftar Fitur EViews 8 menawarkan beragam fitur canggih untuk penanganan data, statistik dan Analisis ekonometri, peramalan dan simulasi, penyajian data, dan pemrograman. Meskipun kami cant cant daftar semuanya, daftar berikut menawarkan sekilas pada fitur EViews penting: Penanganan Data Dasar Numerik, alfanumerik (string), dan label nilai seri tanggal. Perpustakaan operator dan statistik, matematika, tanggal dan fungsi string yang ekstensif. Bahasa yang kuat untuk penanganan ekspresi dan transformasi data yang ada menggunakan operator dan fungsi. Sampel dan objek sampel memudahkan pemrosesan pada himpunan bagian data. Dukungan untuk struktur data yang kompleks termasuk data tanggal reguler, data tanggal tidak teratur, data cross-section dengan pengenal observasi, tanggal, dan panel data yang tidak bertanggal. Multi-halaman workfiles. EViews asli, berbasis disk database menyediakan fitur query yang kuat dan integrasi dengan EViews workfiles. Mengkonversi data antara EViews dan berbagai format spreadsheet, statistik, dan database, termasuk (namun tidak terbatas pada): File Microsoft Access dan Excel (termasuk. XSLX dan. XLSM), file Dataset Gauss, file SAS Transport, file asli dan portabel SPSS, File stata, file teks atau biner ASCII yang diformat mentah, database HTML, atau ODBC dan kueri (dukungan ODBC disediakan hanya di Edisi Enterprise). Dukungan OLE untuk menghubungkan keluaran EView, termasuk tabel dan grafik, ke paket lain, termasuk Microsoft Excel, Word dan Powerpoint. Dukungan OLEDB untuk membaca workfiles dan database EViews menggunakan klien atau program kustom OLEDB. Dukungan untuk database FRED (Data Data Federal Reserve). Edisi Enterprise mendukung basis data Global Insight DRIPro dan DRIBase, Haver Analytics DLX, FAME, EcoWin, Datastream, FactSet, dan Moodys. EViews Microsoft Excel Add-in memungkinkan Anda untuk menghubungkan atau mengimpor data dari workfiles dan database EViews dari dalam Excel. Dukungan drag and drop untuk membaca data cukup menjatuhkan file ke dalam EView untuk konversi data asing secara otomatis ke format workfile EViews. Alat yang ampuh untuk membuat halaman kerja baru dari nilai dan tanggal dalam rangkaian yang ada. Pencocokan menggabungkan, bergabung, tambahkan, subset, ubah ukuran, urutkan, dan buat ulang (tumpukan dan hapuskan) file kerja. Konversi frekuensi otomatis yang mudah digunakan saat menyalin atau menghubungkan data antar halaman dengan frekuensi yang berbeda. Konversi frekuensi dan penggabungan kecocokan mendukung pemutakhiran dinamis kapan pun perubahan data menjadi mendasar. Auto-update seri formula yang secara otomatis menghitung ulang setiap kali perubahan data mendasar. Konversi frekuensi yang mudah digunakan, cukup salin atau tautkan data antar halaman dengan frekuensi yang berbeda. Alat untuk resampling dan random number generation untuk simulasi. Pembangkitan bilangan acak untuk 18 fungsi distribusi berbeda menggunakan tiga generator bilangan acak yang berbeda. Penanganan Data Seri Waktu Dukungan terpadu untuk menangani tanggal dan data deret waktu (reguler dan tidak teratur). Dukungan untuk data frekuensi reguler biasa (Tahunan, Semi-tahunan, Triwulanan, Bulanan, Dua Belas, Puluh Dua, Sepuluh Hari, Mingguan, Harian - 5 hari seminggu, Harian - 7 hari seminggu). Dukungan untuk data frekuensi tinggi (intraday), memungkinkan frekuensi berjam-jam, menit, dan detik. Selain itu, ada sejumlah frekuensi reguler yang jarang dijumpai, termasuk Multi-year, Bimonthly, Fortnight, Ten-Day, dan Daily dengan rentang waktu yang sewenang-wenang dalam sehari. Fungsi dan operator seri waktu khusus: tertinggal, perbedaan, perbedaan log, moving averages, dll. Konversi frekuensi: beragam tinggi ke rendah dan rendah ke tinggi. Pemulusan eksponensial: single, double, Holt-Winters, dan ETS smoothing. Alat built-in untuk memutihkan regresi. Penyaringan Hodrick-Prescott Pemfilteran band-pass (frekuensi): Baxter-King, Christiano-Fitzgerald tetap panjang dan filter asimetris sampel penuh. Penyesuaian musiman: Sensus X-13, X-12-ARIMA, TramoSeats, moving average. Interpolasi untuk mengisi nilai yang hilang dalam rangkaian: Linear, Log-Linear, Catmull-Rom Spline, Cardinal Spline. Statistik Ringkasan data dasar oleh-kelompok ringkasan. Pengujian kesetaraan: uji-t, ANOVA (seimbang dan tidak seimbang, dengan atau tanpa varian heteroskedastis), Wilcoxon, Mann-Whitney, Median Chi-square, Kruskal-Wallis, van der Waerden, uji-F, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe. Tabulasi tabulasi satu arah dengan ukuran asosiasi (Koefisien Phi, Cramers V, Koefisien Kontingensi) dan uji kemandirian (Pearson Chi-Square, Likelihood Ratio G2). Kovarian dan analisis korelasi termasuk Pearson, rank rank Spearman, Kendalls tau-a dan tau-b dan analisis parsial. Analisis komponen utama meliputi plot scree, biplots dan plot pemuatan, dan perhitungan nilai komponen tertimbang. Analisis faktor yang memungkinkan perhitungan ukuran asosiasi (termasuk kovariansi dan korelasi), taksiran keunikan, estimasi pemuatan faktor dan nilai faktor, serta melakukan estimasi diagnostik dan rotasi faktor dengan menggunakan satu dari lebih 30 metode ortogonal dan miring yang berbeda. Fungsi Distribusi Empiris (EDF) Pengujian untuk distribusi Normal, Eksponensial, Ekstrim, Logistik, Chi-kuadrat, Weibull, atau Gamma (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson). Histogram, Frekuensi Poligon, Poligon Frekuensi Tepi, Histogram Bergeser Rata-rata, CDF-survivor-quantile, Quantile-Quantile, kepadatan kernel, distribusi teoretis yang sesuai, kotak petak. Scatterplots dengan garis regresi parametrik dan non-parametrik (LOWESS, polynomial lokal), regresi kernel (Nadaraya-Watson, lokal linier, polinomial lokal). Atau elips kepercayaan. Autokorelasi Seri Waktu, autokorelasi parsial, korelasi silang, statistik-Q. Tes kausalitas Granger, termasuk kausalitas kausal Granger. Uji akar unit: Augmented Dickey-Fuller, GLS mengubah Dickey-Fuller, Phillips-Perron, KPSS, Optimal Eliot-Richardson-Point Optimal, Ng-Perron. Tes kointegrasi: Johansen, Engle-Granger, Phillips-Ouliaris, Park menambahkan variabel, dan stabilitas Hansen. Tes kemandirian: Tes rasio Ragam Brock, Dechert, Scheinkman dan LeBaron: Lo dan MacKinlay, bootstrap Kim liar, peringkat Wrights, skor peringkat dan tanda tangan. Wald dan beberapa rasio varians rasio perbandingan (Richardson dan Smith, Chow dan Denning). Perhitungan varians dan kovarians jangka panjang: kovarians jangka panjang simetris atau atau satu sisi menggunakan kernel nonparametrik (Newey-West 1987, Andrews 1991), parametrik VARHAC (Den Haan dan Levin 1997), dan kernel yang diprakarsai (Andrews dan Monahan 1992) Metode. Sebagai tambahan, EViews mendukung metode pemilihan bandwidth otomatis Marshall (1991) dan Newey-West (1994) untuk estimator kernel, dan kriteria informasi berdasarkan metode pemilihan panjang lag untuk estimasi VARHAC dan prewhitening. Statistik dan pengujian berdasarkan Panel dan Pool By-group dan by-period. Tes akar unit: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri. Tes kointegrasi: Pedroni, Kao, Maddala dan Wu. Panel dalam kovarian seri dan komponen utama. Uji kausalitas Dumitrescu-Hurlin (2012). Estimasi Regresi Linear dan nonlinear ordinary least squares (multiple regression). Regresi linier dengan PDL pada sejumlah variabel independen. Regresi kuat. Turunan analitik untuk estimasi nonlinier. Kotak terkecil tertimbang Kesalahan standar kuat White dan Newey-West. Kesalahan standar HAC dapat dihitung dengan menggunakan kernel nonparametrik, parametrik VARHAC, dan metode kernel yang telah digunakan sebelumnya, dan memungkinkan metode seleksi bandwidth Andrews dan Newey-West untuk estimator kernel, dan metode pemilihan lag berdasarkan kriteria informasi untuk estimasi VARHAC dan prewhitening. Regresi kuotil linier dan penyimpangan absolut (LAD), termasuk perhitungan Hubman Sandwich dan perhitungan kovarians bootstrap. Regresi bertahap dengan 7 macam prosedur seleksi. ARMA dan ARMAX Model linier dengan moving average autoregresif, autoregresif musiman, dan kesalahan rata-rata pergerakan musiman. Model nonlinier dengan spesifikasi AR dan SAR. Estimasi menggunakan metode backcasting Box dan Jenkins, atau dengan metode kuadrat bersyarat. Variabel Instrumental dan GMM Linear dan nonlinear two-stage least squaresinstrumental variables (2SLSIV) dan estimasi Generalized Method of Moments (GMM). Estimasi linear dan nonlinear 2SLSIV dengan kesalahan AR dan SAR. Informasi Terbatas Perkiraan Kemungkinan Maksimum (LIML) dan K-class. Spesifikasi matriks pembobotan GMM yang luas (White, HAC, User-provided) dengan kontrol terhadap iterasi matriks bobot. Pilihan estimasi GMM mencakup estimasi pembaharuan terus menerus (CUE), dan sejumlah opsi kesalahan standar baru, termasuk kesalahan standar Windmeijer. Diagnostik khusus IVGMM meliputi Uji Orthogonal Instrumen, Uji Endogeneitas Regresor, Uji Instrumen Lemah, dan uji breakpoint spesifik GMM ARCHGARCH GARCH (p, q), GARIS, TARCH, Komponen GARCH, ARCH Power, GARCH Terintegrasi. Persamaan mean linier atau nonlinier dapat mencakup istilah ARCH dan ARMA, baik persamaan mean dan varians yang memungkinkan variabel eksogen. Normal, Student t, dan Generalized Error Distributions. Bollerslev-Wooldridge kesalahan standar yang kuat. In-dan out-of sample prakiraan varians bersyarat dan mean, dan komponen permanen. Model Variabel Ketergantungan Terbatas Binary Logit, Probit, dan Gompit (Nilai Ekstrim). Memerintahkan Logit, Probit, dan Gompit (Nilai Ekstrim). Model disensor dan terpotong dengan kesalahan nilai normal, logistik, dan ekstrim (Tobit, dll.). Hitunglah model dengan spesifikasi Poisson, negative binomial, dan quasi-maximum likelihood (QML). Model Seleksi Heckman. Kesalahan standar kuat HuberWhite Model hitungan mendukung model linier umum atau kesalahan standar QML. Hosmer-Lemeshow dan Andrews Goodness-of-Fit untuk pengujian model biner. Mudah menyimpan hasil (termasuk residu dan gradien umum) ke objek EView baru untuk analisis lebih lanjut. Mesin estimasi GLM umum dapat digunakan untuk memperkirakan beberapa model ini, dengan opsi untuk memasukkan kovariansi yang kuat. Panel DataPooled Time Series, Cross-Sectional Data Linear dan estimasi nonlinier dengan penampang aditif dan efek tetap atau acak. Pilihan estimator kuadratik tidak bias (QUEs) untuk varians komponen dalam model efek acak: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn. Estimasi 2SLSIV dengan penampang melintang dan efek tetap atau acak. Estimasi dengan kesalahan AR menggunakan kuadrat terkecil nonlinear pada spesifikasi yang ditransformasikan. Kuode terkecil yang umum, estimasi 2SLSIV umum, estimasi GMM yang memungkinkan spesifikasi cross-section atau period heteroskedastic dan berkorelasi. Estimasi data panel linier dinamis menggunakan perbedaan pertama atau penyimpangan ortogonal dengan instrumen spesifik periode tertentu (Arellano-Bond). Tes korelasi serial panel (Arellano-Bond). Perhitungan kesalahan standar yang kuat mencakup tujuh jenis kesalahan standar White and Panel-corrected standard (PCSE) yang kuat. Pengujian batasan koefisien, variabel yang dihilangkan dan berlebihan, Hausman menguji efek acak berkorelasi. Unit uji akar unit: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, uji tipe Fisher menggunakan tes ADF dan PP (Maddala-Wu, Choi), Hadri. Perkiraan kointegrasi panel: OLS yang dimodifikasi sepenuhnya (FMOLS, Pedroni 2000) atau Kotak Terkenal Biasa Dinamis (DOLS, Kao dan Chaing 2000, Mark dan Sul 2003). Model Linear Generalized Normal, Poisson, Binomial, Binomial Negatif, Gamma, Inverse Gaussian, Mena Eksponensial, Mean Daya, Keluarga Squate Binomial. Identitas, log, log-complement, logit, probit, log-log, log-log gratis, invers, power, rasio odds daya, Box-Cox, Roda-Cox odds ratio link functions. Perbedaan varians dan frekuensi sebelumnya. Spesifikasi dispersi fixed, Pearson Chi-Sq, penyimpangan, dan spesifikasi dispersi yang ditentukan pengguna. Dukungan untuk estimasi QML dan pengujian. Quadratic Hill Climbing, Newton-Raphson, IRLS - Fisher Scoring, dan algoritma estimasi BHHH. Kovarian koefisien biasa dihitung dengan menggunakan Hessian yang diharapkan atau diamati atau produk luar gradien. Perkiraan kovariansi yang kuat menggunakan metode GLM, HAC, atau HuberWhite. Single Equation Cointegrating Regression Support untuk tiga metode estimasi yang paling efisien, OLS yang dimodifikasi sepenuhnya (Phillips dan Hansen 1992), Canonical Cointegrating Regression (Park 1992), dan Dynamic OLS (Saikkonen 1992, Stock dan Watson 1993 Engle dan Granger (1987) dan Phillips dan Ouliaris (1990) uji berbasis residual, uji ketidakstabilan Hansens (1992b), dan Parks (1992) menambahkan uji variabel. Spesifikasi fleksibel dari trend dan deterministik regresor dalam persamaan dan spesifikasi regresi kointegrating. Estimasi fitur varians jangka panjang yang lengkap FMOLS dan CCR Pemilihan jeda otomatis atau tetap untuk kelambatan DOLS dan lead dan untuk regresi pemutihan varians jangka panjang. Rescaled OLS dan perhitungan error standar yang kuat untuk DOLS. Kemungkinan Maksimum yang Ditentukan Pengguna Gunakan ekspresi seri EViews standar untuk menjelaskan kemungkinan log kontribusi. Contoh untuk logit multinomial dan kondisional, model transformasi Box-Cox, model switching disekuilibrium, model probit S dengan kesalahan heteroskedastis, nested logit, pemilihan sampel Heckman, dan model bahaya Weibull. Sistem Persamaan Estimasi linier dan nonlinear. Kuadrat terkecil, 2SLS, estimasi bobot tertimbang, Regresi yang Tidak Terkait, Tiga Tahap Kuadrat terkecil GMM dengan matriks pembobotan White dan HAC. Perkiraan AR menggunakan kuadrat terkecil nonlinear pada spesifikasi yang ditransformasikan. Informasi Lengkap Kemungkinan Maksimum (FIML). Perkirakan faktor struktural dalam VARs dengan menerapkan batasan jangka pendek atau jangka panjang. Bayesian VARs. Fungsi respon impuls dalam berbagai format tabel dan grafik dengan kesalahan standar dihitung secara analitis atau dengan metode Monte Carlo. Guncangan respon impuls dihitung dari faktorisasi Cholesky, residu deviasi satu unit atau satu standar (mengabaikan korelasi), impuls umum, faktorisasi struktural, atau bentuk vectormatrix yang ditentukan pengguna. Menerapkan dan menguji batasan linier pada hubungan kointegrasi dan dan koefisien penyesuaian dalam model VEC. Melihat atau menghasilkan hubungan kointegrasi dari model VEC yang diperkirakan. Diagnostik ekstensif termasuk: uji kausalitas Granger, uji pengecualian lag bersama, evaluasi kriteria panjang lag, uji korelasi, autokorelasi, normalitas dan heteroskedastisitas, pengujian kointegrasi, diagnostik multivariat lainnya. Korelasi Konstruktif Bersyarat Multivariat (p, q), Diagonal VECH (p, q), diagonal BEKK (p, q), dengan istilah asimetris. Pilihan parameterisasi yang ekstensif untuk matriks koefisien VEKS Diagonal. Variabel eksogen yang diizinkan dalam mean dan varians persamaan nonlinier dan persyaratan AR diperbolehkan dalam persamaan rata-rata. Bollerslev-Wooldridge kesalahan standar yang kuat. Normal atau Student t multivariate error distribution Pilihan derivatif numerik analitik atau (cepat atau lambat). (Analytics derivatif tidak tersedia untuk beberapa model yang kompleks.) Menghasilkan kovarians, varians, atau korelasi dalam berbagai format tabel dan grafik dari model ARCH yang diperkirakan. Algoritma filter State Space Kalman untuk memperkirakan model struktural single dan multinquation yang ditentukan pengguna. Variabel eksogen dalam persamaan negara dan spesifikasi varians sepenuhnya parameter. Buat satu langkah di depan, disaring, atau diperhalus, keadaan, dan kesalahan. Contohnya meliputi parameter time-varying, multivariat ARMA, dan model volatilitas stokastik quasilikelihood. Testing and Evaluation Actual, pas, residual plots. Uji Wald untuk pembedaan koefisien linier dan nonlinier elastisitas kepercayaan menunjukkan wilayah kepercayaan bersama dari dua fungsi parameter yang diperkirakan. Diagnostik koefisien lainnya: koefisien standar dan elastisitas koefisien, interval kepercayaan, faktor inflasi varian, dekomposisi varians koefisien. Variabel LR terlewati dan berlebihan, korelasi residual residual dan kuadrat dan statistik Q, korelasi serial residual dan uji ARCH LM. Tes heteroskedastisitas White, Breusch-Pagan, Godfrey, Harvey dan Glejser. Diagnostik stabilitas: uji breakpoint dan perkiraan Chow, uji breakpoint Quandt-Andrews yang tidak diketahui, uji breakpoint Bai-Perron, tes RESET Ramsey, estimasi rekursif OLS, statistik pengaruh, plot leverage. Diagnostik persamaan ARMA: grafik atau tabel akar invers dari polinomial AR andor MA, membandingkan pola autokorelasi teoritis (perkiraan) dengan pola korelasi aktual untuk residu struktural, menampilkan respon impuls ARMA terhadap kejutan inovasi dan frekuensi ARMA spektrum. Mudah menyimpan hasil (koefisien, koefisien matriks kovariansi, residu, gradien, dll.) Ke objek EView untuk analisis lebih lanjut. Lihat juga Estimasi dan Sistem Persamaan untuk prosedur pengujian khusus tambahan. Peramalan dan Simulasi Peramalan statis atau dinamis di luar perkiraan dari perkiraan objek persamaan dengan perhitungan kesalahan standar ramalan. Grafik perkiraan dan evaluasi perkiraan sampel: RMSE, MAE, MAPE, Theil Koefisien Ketidakseimbangan dan proporsi alat bangunan model state-of-the-art untuk peramalan beberapa persamaan dan simulasi multivariat. Model persamaan dapat dimasukkan dalam teks atau sebagai link untuk memperbarui otomatis pada re-estimasi. Tampilkan struktur ketergantungan atau variabel endogen dan eksogen dari persamaan Anda. Gauss-Seidel, pemecah model Broyden dan Newton untuk simulasi stochastic dan stokastik. Solusi forward non-stokastik memecahkan harapan model yang konsisten. Simulasi Stochasitc dapat menggunakan residu bootstrap. Selesaikan masalah kontrol sehingga variabel endogen mencapai target yang ditentukan pengguna. Normalisasi persamaan yang canggih, menambahkan faktor dan mengesampingkan dukungan. Mengelola dan membandingkan beberapa skenario solusi yang melibatkan berbagai rangkaian asumsi. Tampilan dan tampilan model built-in menampilkan hasil simulasi dalam bentuk grafis atau tabular. Grafik dan Tabel Garis, titik petak, area, bar, spike, musiman, pie, xy-line, scatterplots, boxplots, error bar, high-low-open-close, dan area band. Grafik kategoris dan ringkasan yang kuat dan mudah digunakan. Memperbarui otomatis grafik yang diperbarui sebagai perubahan data mendasar. Informasi pengamatan dan tampilan nilai saat Anda mengarahkan kursor ke titik pada grafik. Histogram, sejarah bergeser rata-rata, poligon frekuensi, poligon frekuensi tepi, kotak petak, kerapatan kernel, distribusi teoretis yang sesuai, kotak peti, CDF, survivor, quantile, quantile-quantile. Scatterplots dengan kombinasi parametrik dan nonparametrik kernel (Nadaraya-Watson, lokal linier, polinomial lokal) dan tetangga terdekat (LOWESS) garis regresi, atau elips kepercayaan. Customization point-and-click atau command-based. Ekstensif menyesuaikan latar belakang grafik, bingkai, legenda, sumbu, penskalaan, garis, simbol, teks, bayangan, pudar, dengan fitur grafik grafik yang disempurnakan. Tabel kustomisasi dengan kontrol atas sel font wajah, ukuran, dan warna, warna latar belakang sel dan perbatasan, penggabungan, dan anotasi. Salin dan tempel grafik ke aplikasi Windows lainnya, atau simpan grafik sebagai metafiles biasa atau metafiles Windows, encapsulated file PostScript, bitmap, GIF, PNGs atau JPGs. Salin dan tempel tabel ke aplikasi lain atau simpan ke file RTF, HTML, atau teks. Mengelola grafik dan tabel bersama dalam objek spul yang memungkinkan Anda menampilkan banyak hasil dan analisis dalam satu objek Perintah dan Pemrograman Bahasa perintah berorientasi objek menyediakan akses ke item menu Batch eksekusi perintah dalam file program. Looping dan kondisi percabangan, subrutin, dan pengolahan makro. Objek vektor string dan string untuk pemrosesan string. Ekstensif perpustakaan string dan daftar string fungsi. Dukungan matriks yang luas: manipulasi matriks, multiplikasi, inversi, produk Kronecker, solusi eigenvalue, dan dekomposisi nilai tunggal. Antarmuka Eksternal dan Add-Ins EViews Dukungan server otomasi COM sehingga program eksternal atau skrip dapat meluncurkan atau mengendalikan EViews, mentransfer data, dan menjalankan perintah EViews. EViews menawarkan aplikasi dukungan klien COM Automation untuk server MATLAB dan R sehingga EViews dapat digunakan untuk meluncurkan atau mengendalikan aplikasi, mentransfer data, atau menjalankan perintah. EViews Microsoft Excel Add-in menawarkan antarmuka sederhana untuk mengambil dan menghubungkan dari dalam Microsoft Excel (2000 dan yang lebih baru) ke objek seri dan matriks yang tersimpan dalam workfiles dan database EViews. Infrastruktur Add-in EViews menawarkan akses tanpa batas ke program yang ditentukan pengguna menggunakan perintah, menu EViews standar, dan antarmuka objek. Download dan instal add-in standar dari situs web EViews. Untuk informasi penjualan silahkan email saleseviews Untuk dukungan teknis silahkan email supporteviews Mohon sertakan nomor seri anda dengan semua korespondensi email. Untuk informasi kontak tambahan, lihat halaman Tentang kami. OFDM - Apakah Masa Depan Broadband Nirkabel Di halaman ini, kami menyediakan berbagai informasi tentang OFDM, termasuk pengenalan singkat tentang teknologi sebuah wawancara dengan ketua dan CEO Wi - LAN, penemu informasi teknologi W-OFDM tentang Perumusan FCC yang diusulkan untuk memungkinkan sertifikasi perangkat W-OFDM, dan tautan ke buku referensi dan sumber informasi lainnya. Isi dari Halaman Ini Pengantar OFDM OFDM adalah singkatan dari Orthogonal Frequency Division Multiplexing dan merupakan teknik modulasi untuk mentransmisikan sejumlah besar data digital melalui gelombang radio. W-OFDM singkatan dari Wideband OFDM. Pendukung utama dan penemu W-OFDM adalah Wi-LAN Calgary, Alberta. OFDM secara konseptual sederhana, namun iblis dalam rincian Implementasinya bergantung pada pemrosesan sinyal digital berkecepatan tinggi dan ini hanya dalam beberapa tahun terakhir tersedia dengan harga yang membuat OFDM menjadi teknologi yang kompetitif di pasar. OK, jadi apa konsep sederhana dibalik OFDM Ambil satu carrier dan modulasikan menggunakan Quadrature Phase Shift Keying (QPSK) dimana masing-masing simbol mengkodekan 2 bit. Modulasi ini pada tingkat simbol tertentu. Untuk keperluan diskusi ini katakanlah 1000 simbol per detik. Teori modulasi mengatakan kepada kita bahwa spektrum seperti sinyal termodulasi akan memiliki bentuk sin (x) x dengan nol pertama pada 1000 Hz. Sekarang jika kita memiliki carrier kedua yang memiliki frekuensi tepat 1 KHz lebih tinggi dari yang pertama, dan memodulasi dengan simbol rate yang sama, ternyata kedua sinyal tersebut dapat dipulihkan tanpa interferensi bersama. Untuk membuat keseluruhan latihan bernilai sementara, ambil angka di paragraf sebelumnya dan kalikan dengan faktor, mungkin, 256 atau bahkan lebih. Dan saat Anda menggunakannya, daripada menggunakan simbol 2-bit (QPSK), gunakan simbol 6-bit (64-QAM). Ini bisa menjejalkan jumlah data yang menakjubkan ke dalam bandwidth yang relatif kecil. Masalah dengan pendekatan yang berpikiran sederhana adalah bahwa dibutuhkan banyak osilator lokal yang masing-masing terkunci pada yang lain sehingga frekuensi adalah kelipatan yang pasti. Ini sulit dan mahal. DSP untuk penyelamatan Masing-masing osilator dapat menjadi representasi digital gelombang pembawa sinus yang dapat dimodulasi dalam domain numerik. Hal ini bisa terjadi secara simultan untuk semua operator. Output yang dihasilkan dari masing-masing saluran ditambahkan dan kemudian diblokir. Karena kita memiliki representasi sinyal di domain frekuensi namun perlu memodulasi pembawa aktual dalam domain waktu, kita hanya melakukan Inverse Fast Fourier Transform (IFFT) untuk mengubah blok data frekuensi menjadi blok data waktu yang memodulasi Pembawa. Penerima memperoleh sinyal, mendigitalkan, dan melakukan FFT di atasnya untuk kembali ke domain frekuensi. Dari situ, relatif mudah untuk mengembalikan modulasi pada masing-masing operator. Dalam prakteknya, beberapa operator digunakan untuk estimasi kanal dan ada tambahan bit yang ditambahkan untuk deteksi kesalahan dan koreksi. Melakukan hal ini disebut Coded Orthogonal Frequency Division Multiplexing (COFDM). Pengkodean sekarang sangat umum sehingga banyak orang menjatuhkan kuotot, sama pentingnya, dengan asumsi pengkodean digunakan. OFDM di Berita Nokia, Qualcomm: Perang sudah berakhir. InfoSync World, Norway - 23 Jul 2008 Insider Insider Mengekspos Paradoks WiMax. 71305 - Unstrung InsiderWi-LAN Menunjukkan Tingkat Byte Tinggi Teknologi W-OFDM di Jaringan 4G Mobile Penuh dalam Jangkauan. TMCNet, 5 Agustus 2004OFDM: Teknologi Lama untuk Pasar Baru. Oleh Steven J. Vaughan-Nichols untuk Planet Wi-Fi, November 2002.Berita Release 11502: Philips Semiconductor Bergabung dengan Aliansi Flash OFDM - artikel menarik dengan beberapa penjelasan tentang kejadian dengan demonstrasi OFDM. quotAlliance seputar teknologi flash Flarions flash-OFDM. Patrick Manion untuk Desain Komunikasi, 11502quotThe OFDM Challengequot. Jim Wight untuk Communications Design, 102301quotPartial-response signaling meningkatkan power ratio OFDM. Patrick Manion untuk EE Times, 82901quotWireless Infrastructure: OFDM bahu lalu lintas RF berat. Oleh Hatim Zaghloul dari Wi-Lan untuk EE Times, 22701quotEnabling Fast Wireless Networks dengan OFDMquot. Jim Geier untuk Desain Komunikasi, 20101 Buku tentang Teknologi OFDM Klik Judul untuk Tautan Langsung Pembelian OFDM dan MC-CDMA untuk Komunikasi Multi-Pengguna Broadband, WLAN dan Penyiaran. Oleh Lajos Hanzo, M. Mumlnster, B. J. Choi, Thomas Keller. Hardcover, 1014 halaman, September 2003. OFDM untuk Sistem Komunikasi Nirkabel. Oleh Ramjee Prasad. Hardcover - 280 halaman (31 Agustus 2004). Komunikasi Multimedia Nirkabel OFDM. Ramjee Prasad, Richard D. Van Nee. Sampul keras. Gambar tidak tersedia Multi-Carrier Digital Communications - Teori dan Aplikasi OFDM. Oleh Ahmad R. S. Bahai, Burton R. Saltzberg. Hardcover - 232 halaman (1 Oktober 1999). LAN Nirkabel OFDM: Panduan Teoritis dan Praktis. Oleh John Terry, Juha Heiskala. Paperback - 336 halaman (11 Desember 2001.) Sistem Ofdm Nirkabel: Cara Membuat Mereka Bekerja (Seri Internasional Kluwer di bidang Teknik dan Ilmu Komputer, 692). Oleh Mark Engels (Editor). Hardcover: 232 halaman, (Agustus 2002). Adaptive Wireless Transceivers. Turbo-Coded, Turbo-Equalized dan Space-Time Coded TDMA, CDMA, dan Sistem OFDM. Oleh L. Hanzo, C. H. Wong, dan M. S. Yee. Hardcover: 752 halaman (Mei 2002). Penerima Komunikasi Digital, Vol. 2: Sinkronisasi, Estimasi Saluran, dan Pengolahan Sinyal. Oleh Heinrich Meyr, Marc Moeneclaey, dan Stefan A. Fechtel. Hardcover: 864 halaman, 20 Oktober 1997. SSS Online Wawancara: Dr. Hatim Zaghloul dari Wi-LAN Desember 2000 oleh Jim Pearce. Direktur, Pegasus Technologies Dr. Zaghloul adalah co-founder Wi-LAN Inc. dan diakui secara internasional sebagai inovator terkemuka di bidang teknologi radio OFDM. Dr. Zaghloul meraih gelar Bachelor of Science di bidang Teknik Elektro dari Universitas Kairo, Mesir, dan keduanya seorang Master of Science and Ph. D. Dalam Fisika dari University of Calgary. Dr. Zaghloul adalah co-penemu dua teknologi nirkabel terdepan: Wide-band Orthogonal Frequency Division Multiplexing (W-OFDM) dan Multi-code Direct Sequence Spread Spectrum (MC-DSSS). Dia telah banyak dipublikasikan di jurnal teknis, dan memegang sembilan paten Kanada dan Amerika Serikat, termasuk lima paten yang tertunda - beberapa bekerja sama dengan Dr. Michel Fattouche, presiden dan CEO Cell-Loc Inc. Dr. Zaghloul adalah penemu quotNetwork Livingcopyquot , Memungkinkan komunikasi tanpa batas melalui teknologi terkini dan masa depan. Dr. Hatim Zaghloul Q. Dr. Zaghoul, dengan senang hati berbicara dengan Anda hari ini. T. Apa yang Anda kerjakan sebelum menemukan W-OFDM A. Saya adalah seorang peneliti senior di Telus RampD yang mengerjakan proyek komunikasi digital seperti membantu merencanakan transisi dari seluler analog ke seluler digital. Saya juga melakukan banyak pengukuran dan analisis saluran propagasi, dan telah berkontribusi pada sejumlah penemuan lainnya seperti sebuah komparasi baru dan kompresi ucapan. T. Apa yang menyebabkan pengembangan W-OFDM A. Ketika kita menemukan apa yang menurut kami merupakan estimator saluran terbaik untuk equalizer adaptif, kami segera menerapkannya pada IS54, yang merupakan standar seluler digital TDMA. Perbaikan yang didapat jauh lebih rendah dari yang diperkirakan secara teoritis. Alasannya adalah bahwa parameter desain (seperti ketidakakuratan jam dan drift) menyebabkan lebih banyak kesalahan daripada saluran, kadang-kadang. Kami memutuskan untuk mencari tahu sistem komunikasi mana yang tidak akan menderita akibat masalah desain dan paling sesuai dengan saluran (kriteria terakhir ini adalah novel), dan jawabannya adalah W-OFDM. T. Anda memegang beberapa paten utama pada OFDM. Siapa saja pemain utama lainnya dalam paten OFDM A. Philips memegang sejumlah paten kunci dalam siaran video digital yang merupakan salah satu cara penggunaan OFDM. Philips mewakili kolam paten untuk DVB. TI memegang hak paten pada diskrit multitone, yang dapat dipandang sebagai variasi dari OFDM. CSIRO dari Australia memegang hak paten atas implementasi LAN nirkabel dalam ruangan tertentu. Saya belum meninjau paten CSIRO secara rinci. Q. Wi-LAN memanggil OFDM W-OFDM-nya. Ada teknik modulasi untuk televisi digital yang disebut COFDM. Apa persamaan dan perbedaan antara W-OFDM dan COFDM A. quotCquot adalah singkatan dari quotcodedquot. Semua OFDM saat ini diberi kode, jadi kuototnya berlebihan. Yang quotWquot singkatan dari wideband, atau apa yang biasa disebut broadband. Kami menyarankan mekanisme yang berbeda untuk meminimalkan efek perancangan kanal dan sistem sehingga W-OFDM dua arah menjadi kenyataan. COFDM dipilih untuk siaran TV digital di Eropa, ini adalah transmisi satu arah dimana biaya pemancar bisa berada di kisaran 250k dan lebih tinggi. Kami memperkenalkan trik untuk menurunkan biaya ini. Saya belum meninjau ini secara rinci, tapi secara pribadi saya cenderung untuk berpikir bahwa penggunaan COFDM untuk komunikasi nirkabel dua arah tidak akan melanggar hak paten kami. T. Apa terobosan teknologi yang membuat praktik OFDM A. Pengenalan estimasi saluran sebagai suatu peraturan, pengenalan kriteria desain yang memungkinkan penerapan OFDM broadband, pengenalan tahap pemutihan untuk mengurangi rasio peak to average dan karenanya mengurangi Persyaratan untuk amplifier linier, dan perkembangan ASIC - semua ini membuat W-OFDM praktis. T. Apakah FFT Anda diterapkan pada perangkat keras atau prosesor yang dapat diprogram A. Kami memiliki implementasi di keduanya. Customer Premise Equipment harus berada di ASIC dengan alasan biaya. T. Saya percaya bahwa Anda menggunakan 16-QAM sebagai bentuk modulasi pada masing-masing subcarrier. Bisakah Anda menggunakan urutan modulasi yang lebih tinggi untuk mendapatkan data rate yang lebih tinggi A. Kami sekarang memiliki 64 QAM dan bekerja pada tingkat yang lebih tinggi. Q. FCC telah mengatakan bahwa OFDM bukanlah bentuk spektrum penyebaran sekuens langsung. Apakah Anda setuju A. Tidak, saya tidak setuju. Spektrum penyebaran sekuens OFDM dan multikode berkumpul saat Anda menggunakan semua kode yang mungkin untuk satu pemancar tunggal. T. Anda telah mengajukan petisi FCC untuk mengizinkan OFDM di 2,4 GHz di bawah 15.247 untuk spread spectrum. Mengapa A. Kami percaya bahwa memungkinkan tingkat data yang lebih tinggi pada band 2.4GHz akan meminimalkan pencemaran band. Selain itu, beberapa komponen radio lebih murah di 2.4GHz pada saat ini, fakta ini dikombinasikan dengan rentang produk 2,4GHz yang lebih panjang menjadikannya band yang lebih menguntungkan untuk aplikasi dalam ruangan. Q. Jadi menurut Anda wajar untuk mengatakan bahwa 2.4GHz masih memiliki potensi ekonomi, atau apakah semua quotactionquot bergerak sampai 5 GHz A. Ya terhadap potensi ekonomi 2.4GHz. Pencemaran saat ini sebagian besar di luar ruangan, dan sekali chip OFDM harganya murah, sebagian besar perangkat akan bergerak ke arah mereka dan urutan pita akan dipulihkan. Ini mungkin memakan waktu 5 sampai 10 tahun namun kemungkinannya pasti. Q. OFDM harus diperkuat secara linear. Berapakah dampak pada kinerja link pada nonlinearities pada power amplifier A. Amplifier nonlinier menyebabkan pengguntingan sinyal, dan beberapa paket data tidak akan berhasil jika sistem tidak dirancang dengan tepat. Wi-LAN memperkenalkan fase pemutihan, dan ini mengurangi persyaratan linieritas. T. Apakah menurut Anda akan ada chip yang menerapkan OFDM di pasar semikonduktor merchant A. Ya. Saya pikir mereka akan dipasarkan pada tahun 2001. T. Apakah ada aplikasi untuk OFDM di luar IEEE 802.11a A. Ya - akses telepon tetap nirkabel, aplikasi seluler di 4G, multimedia rumah, dan akses jalan untuk internet ke kendaraan, untuk memberi nama beberapa. T. Produk apa yang telah dikembangkan sebagai hasil kemitraan antara Wi-LAN dan Philips A. Kami bersama-sama mengembangkan ASIC yang digunakan dalam Sistem I. WiLL (tm) kami. T. Apakah Wi-LAN memiliki kemitraan lain yang akan menghasilkan produk baru A. Kami telah menandatangani perjanjian pemasaran dengan Ercisson Canada yang seharusnya menghasilkan produk di pita 2.5GHz. T. Teknologi apa yang menurut Anda akan menjadi pesaing utama OFDM untuk pengiriman broadband nirkabel A. Saya tidak melihat apapun yang dapat bersaing dengannya selama lima tahun ke depan. T. Apakah OFDM memiliki kapasitas untuk mencapai tingkat data yang lebih tinggi A. Tidak ada batas teoritis atas kapasitas. T. Menurut Anda, masa depan OFDM akan menjadi A. Mudah-mudahan, produk murah yang memberikan komunikasi berkecepatan tinggi kepada individu dan peralatan di seluruh dunia. Terima kasih, Dr. Zaghloul