希爾伯特-黃轉換之統計分析與應用

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：21

、訪客IP：3.142.43.81

姓名

江欣霓(Hsin-Ni Chiang) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

希爾伯特-黃轉換之統計分析與應用

相關論文

★ 藥物最低有效劑量之無母數鑑別	★ 根據貝氏檢定建構的第一期臨床試驗設計
★ 第一期臨床試驗之貝氏調適設計	★ 強餘震之即時貝氏預測
★ 鑑別最佳添加藥物劑量的兩階段早期臨床試驗設計	★ 臺灣地區地下水品質之統計研究
★ 右設限存活資料之下每日可服劑量之研究	★ 集集餘震之統計研究
★ 多群資料下最低有效劑量之聯合鑑別	★ 最大餘震規模之統計分析
★ 最大餘震發生時間之統計分析	★ 地震預測之統計分析
★ 加權Kaplan-Meier統計量之推廣	★ 鑑別藥物最低有效劑量之檢定
★ 餘震序列RJ模型之貝氏分析	★ 藥物最低有效劑量之穩健鑑別

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

目前時間序列資料的統計分析方法主要是以時間為定義域的自迴歸整合移動平均 (ARIMA)模型與以頻率為定義域的快速傅立葉轉換(FFT)模型。應用ARIMA或FFT模型都需要假設時間序列資料具有平穩性，但是實務上的資料可能在不同時間具有不同頻率的週期性變化，因此本文根據希爾伯特-黃轉換(HHT)建立時間序列的分析與推論。針對單筆時間序列進行HHT後，利用卡方適合度檢定與Ljung-Box檢定或杜賓-瓦特森檢定選取數個較高頻率的本質模態函數使合併成為為雜訊，然後整合其他較低頻率的本質模態函數為訊號，最後根據自助法針對該訊號或無參數模型建立統計推論。本文也討論如何利用HHT建立迴歸模型描述兩筆時間序列的統計相關性。文中利用2008年1月29日桃園竹圍漁港之海水位資料說明HHT雜訊在氣象海嘯研究的應用，也利用2013年1月至2017年12月桃農綜合農產品批發市場甘藍菜初秋品種之交易資料說明交易價格的時間變化。最後討論甘藍菜交易重量與交易價格的相關性。就海水位資料而言，HHT雜訊比FFT更能偵測到氣象海嘯的起始時間。 HHT訊號則比ARIMA或FFT更能適當的描述甘藍菜交易價量比的時間變化，而引入交易重量的HHT訊號能提供甘藍菜交易價格的較佳預測。基本上，當時間序列的週期隨時間變化時，應用本文所建立的HHT統計方法可以更適當的推論時間序列資料的變化或趨勢。

摘要(英)

The current statistical analysis methods for time series are mainly based on autoregressive integrated moving average (ARIMA) and Fast Fourier Transform (FFT). Both the ARIMA and FFT assume that the time series data under study is stationary. However in practice, data may have different periods at different time. Therefore, this article considers the analysis of time series by using the statistical inference based on the Hilbert-Huang transform (HHT). The time series is decomposed by the HHT into several Intrinsic Mode Functions (IMFs), the goodness of fit test along with the Ljung-Box test or Durbin-Watson test are used to choose and combined several IMFs of high frequencies integrated to be the noise, and the other IMFs are integrated as the signal. Finally, we can build statistical inference for signal or nonparametric model based on bootstrap method. This article also discusses how to use the HHT to construct a regression model for the statistical relationship of two time series. This article uses the data of sea level recorded at the Zhuwei Fishing Harbor on Jan. 29th, 2008, to illustrate the application of HHT’s noise, and uses the transaction price of the early autumn varieties of cabbage from Taoyuan Agricultural products marketing from Jan. 2013 to Dec. 2017 to describe the variation of the transaction price over time. Finally, how the transaction weight and the transaction price is correlated is discussed. In terms of sea level data, the noise of HHT can detect the start time of meteorological tsunami more accurately than FFT. For the cabbage data, the HHT is more suitable than ARIMA or FFT to show the variation of the ratio of price and weight. Moreover, the HHT signal of the transaction weight provide a better prediction of the transaction price. To sum up, when the period of time series changes with time, applying the HHT statistical method established in this article can be more reasonably for describing the variation or trend of the time series.

關鍵字(中)

★ 時間序列
★ 自迴歸整合移動平均模型
★ 傅立葉轉換
★ 希爾伯特-黃轉換

關鍵字(英)

★ Time series
★ ARIMA model
★ Fast Fourier Transform
★ Hilbert-Huang Transform

論文目次

摘要 i
Abstract ii
致謝辭 iii
目錄 iv
圖目次 v
表目次 vii
第一章研究動機與目的 1
第二章文獻回顧 4
2-1 自迴歸整合移動平均模型 5
2-2 快速傅立葉轉換 8
2-4希爾伯特-黃轉換 9
第三章研究方法 12
3.1 雜訊的鑑別 12
3.2 單一時間序列分析 14
3.3 時間序列迴歸分析 15
第四章實證分析 19
4.1 氣象海嘯研究 19
4.2 甘藍菜交易價格與重量之分析 21
4.3 交易價格與交易重量之迴歸分析 26
第五章結論與未來研究 32
參考文獻 33

參考文獻

Akaike H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control; 19(6):716-723
Box G.E.P. and Jenkins G. (1970). Time series analysis, forecasting and control. Holden-Day San Francisco, CA
Cooley J.W. and Tukey J.W. (1965). An algorithm for the machine calculation of complex Fourier series. Mathematics of Computation; 19(90):297-301.
Derrick T.R. and Thomas J.M. (2004). Time series analysis: the cross-correlation function. Innovative Analyses of Human Movement, ed. N. Stergiou (Champaign, IL: Human Kinetics); pp. 189-205.
Durbin J. and Watson G.S. (1950). Testing for serial correlation in least squares
regression I. Biomettika ; 37:409-428.
Huang N.E., Shen Z., Long S.R., Wu M.C., Shih H.H., Zheng Q., Yen N., Tung C.C. and Liu H.H. (1998). The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis. Proc. Royal Society; 454:903-995.
Ljung G.M. and Box G.E.P. (1978) On a measure of lack of fit in time series models, Biometrika ; 65:297-303
Liu C.L.(2010). A tutorial of the wavelet transform. NTUEE, Taiwan

Rutkowski L., Jaworski M., Pietruczuk L. and Duda P. (2014). The CART decision tree for mining data streams. Inf. Sci.; 266:1-15.
Schwarz G. (1978). Estimating the dimension of a model. Annals of Statistics; 6(2):461-464.
Wang Y., Lu Z. and Xiao S. (2018). Parametric Bootstrap Confidence Interval Method for the Power Law Process With Applications to Multiple Repairable Systems. IEEE Access; 6:49157-49169.
Watson G.S. (1959). Some recent results in chi-square goodness-of-fit. Biometrics; 15:440-468
林立青(2013)，「海岸地帶的奇特現象：晴天氣候的帽子戲法–氣象海嘯」，科學發展，488期，10-14
林俊豐(2017)，「台灣蔬菜價格與氣象資料關係之探討函數型數據分析之應用」，碩士論文，國立中興大學應用經濟學系

指導教授

陳玉英(Yuh-Ing Chen)

審核日期

2020-6-18

推文