000			05240namaa22004211i 4500
003			OSt
005			20250519103936.0
008			250423s2024 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a519.5
092			_a519.5 _221
097			_aM.Sc
099			_aCai01.18.04.M.Sc.2024.Mo.C
100	0		_aMohamed Ezzat Abdelaziz, _epreparation.
245	1	0	_aComparison of methods for detecting outliers with distributions for estimating time series models / _cby Mohamed Ezzat Abdelaziz ; Supervised Prof. Ahmad Amin Elsheikh, Dr. Amal Mohamed Abd-Elfatah.
246	1	5	_aمقارنة طرق الكشف عن القيم المتطرفة مع التوزيعات لتقدير نماذج السلاسل الزمنية /
264		0	_c2024.
300			_a273 leaves : _billustrations ; _c25 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2024.
504			_aBibliography: pages 130-135.
520			_aAn outlier is a data value that is unusually small or large or deviates from the pattern of the rest of the data. The subject of outliers has attracted a great deal of attention in the last decades, so the study of outliers is not a new phenomenon. Most real-world data sets contain outliers that have unusually large or small values when compared with others in the data set and it may cause a negative effect on data analysis. There are different methods and tests for detecting outliers according to the type of data which are: • Methods and tests for cross-section data that follow a specific distribution. • Methods and tests for time series data. This study is concerned with detecting the outliers in time series data that follows a specific distribution, so two models were considered which are the Exponential Autoregressive model of order one EAR(1) and the Gamma Autoregressive model of order one GAR(1), and two types of outliers additive outlier (AO) and innovational outlier (IO) were generated in each model, then three methods/tests which are ARIMA-AO(IO), Modified Z-score and Rosner were applied in each model to detect the outliers. An EAR(1) model is an Autoregressive model whose data follows Exponential distribution and a GAR(1) model is an Autoregressive model whose data follows Gamma distribution. For comparison between the best performance, methods and tests of cross-section data (Modified Z-score & Rosner) and time series data (ARIMA-AO(IO)) were applied. Three criteria of performance were used to measure the performance of each method which are Recall, Precision and F-measure.
520			_aتحتوي معظم البيانات الحقيقية على مشاهدات قد تكون كبيرة او صغيرة بشكل غير عادى عند مقارانتها بالقيم الأخرى فى مجموعة البيانات. وقد يكون لهذه المشاهدات الشاذة المعروفة بأنها (قيم شاذة) تأثير سلبي على تحليل البيانات مثل تقديرات الانحدار والتنبؤ وتحليل التباين و غيرذلك والقيم المتطرفة هي أدوات قوية لتحديد الاحداث الاكثر إثارة للاهتمام في بيانات المجتمع ويمكن انتقاء الاحداث المهمة تاريخيًا من خلال الكشف عن القيم الشاذة في مجموعات بيانات السلاسل الزمنية. تم عرض العديد من تقنيات الكشف عن القيم المتطرفة في هذه الدراسة. هناك نوعان من طرق الكشف عن القيم المتطرفة بالنسبة لنوع البيانات هما .1 طرق كشف تستخدم مع التوزيعات االحصائية (البيانات المقطعية التى تتبع توزيع معين) .2 طرق كشف تستخدم مع بيانات السالسل الزمنية وهذة الدراسة تهتم بالكشف عن القيم الشاذة فى بيانات السالسل الزمنية التى تتبع توزيع معين و تمت الدراسة على نموذجين هما Exponential autoregressive EAR 1 نموذج الانحدار الذاتي الاسي من الرتبة الاولي 1 Gamma Autoregressive GAR 1 نموذج الانحدار الذاتي لجاما من الرتبة الاولي 2
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_aMathematical statistics _2qrmak
653		0	_aOutlier _aTime series _aARIMA _aAutoregressive _aDetection _aExponential _aGamma _aExtreme value _aAdditive outlier _aInnovational outlier _aSimulation _aRobust
700	0		_aAhmad Amin Elsheikh _ethesis advisor.
700	0		_a Amal Mohamed Abd-Elfatah _ethesis advisor.
900			_b01-01-2024 _cAhmad Amin Elsheikh _cAmal Mohamed Abd-Elfatah _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Applied Statistics and Econometrics
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c171678