000			07049namaa22004331i 4500
003			EG-GICUC
005			20260204102646.0
008			260124s2025 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.2025.Ka.C
100	0		_aKamar Seddeik Abd-Eltawab Shahein, _epreparation.
245	1	2	_aA comparison between estimation methods of fractional time series model (ARFIMA) / _cby Kamar Seddeik Abd-Eltawab Shahein ; Supervised Prof. Ahmed Amin El-Sheikh, Dr. Amal Mohamed Abdl-Fattah.
246	1	5	_aمقارنة بين طرق تقدير نموذج السلاسل الزمنية الكسرية (ARFIMA)
264		0	_c2025.
300			_a397 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 392 -397.
520		3	_aThe Box-Jenkins strategy for (Autoregressive Integrated Moving Average), often known as ARIMA (p,d,q), has gained popularity due to its ability to predict time series with short memory. These models enable the prediction of future points in the series. However, these models do not support non-integer values for the differencing Box-Jenkins methodology for Autoregressive Integrated Moving Average models, often known as ARIMA (p,d,q), has gained popularity due to its ability to predict time series with short memory. This study focuses on the Autoregressive Fractionally Integrated Moving Average models (ARFIMA), a generalization of the ARIMA (p, d, q) model, that incorporates long memory in time series data. Unlike ARIMA, ARFIMA allows the fractional differencing parameter to take values between -0.5 and 0.5, making it especially effective with large sample sizes. ARFIMA is widely applicable across various fields, including economics, environmental science, social sciences, and medicine, where it is used to forecast future values. To ensure knowledge of the time series analysis with various models, this study included several chapters, and the following is an explanation of the structure of each chapter: Chapter one introduces the basic concepts of time series and ARFIMA (p, d, q) models, including methods for identifying long memory through graphs and tests, as well as model evaluation criteria for selecting the best fit. Chapter two is divided into two sections: a literature review focused on the ARFIMA model itself, and another reviewing programming aspects and the historical development of the model. Chapter three discusses the properties of the ARFIMA (0, d, 0) model and explores various parametric and semi-parametric estimation methods for the differencing parameter d. Chapter four presents a simulation study covering four models, ARFIMA (0, d, 0), (0, d, 1), (1, d, 0), and (1, d, 1), with different parameters t, 𝜑, and θ, along with conclusions, future work, and detailed results. The result obtained from the simulation is Classical MLE emerges as the best overall method for all criteria MSE of d̂,AIC and BIC. It consistently provides the most reliable model selection by effectively balancing model fit and complexity, making it ideal for choosing parsimonious models.
520		3	_aيُعد تحليل الذاكرة طويلة المدى أحد المجالات النشطة في الاقتصاد القياسي وبحوث السلاسل الزمنية، حيث تم تطوير العديد من الأساليب لتحديد وتقدير معامل الذاكرة الطويلة. ويُعد نموذج الانحدار الذاتي الكُسري المتكامل والمتوسطات المتحركة (ARFIMA) من أكثر النماذج استخدامًا لتمثيل السلاسل الزمنية ذات الذاكرة الطويلة، إذ يتضمن هذا النموذج معامل فرق كسري يُرمز له d. ولتحديد النموذج المناسب من نوعARFIMA، لا بد من تقدير هذا المعامل الكسري بدقة. وتوجد عدة طرق لتقدير هذا المعامل، يمكن تصنيفها بشكل عام إلى فئتين رئيسيتين: الأساليب شبه المعلمية، والأساليب المعلمية التي تقوم بتقدير جميع معلمات النموذج في خطوة واحدة، بما في ذلك معامل التكامل الكسري. في هذه الرسالة، تم استخدام مجموعة متنوعة من الطرق الشائعة لتقدير المعامل الكسري في نماذج ARFIMA أحادية المتغير. وتشمل هذه الطرق شبه المعلمية كلًا من: طريقة جيويك-بورتر-هوداك (GPH)، وطريقة المدى المعاد تحجيمه(R/S)، وطريقة المدى المعاد تحجيمه المُعدّلة(MR/S)، والطريقة المنعّمة لـ GPH والمعروفة باسمdSperio، إلى جانب الطريقتين المعلميتين: التقدير الدقيق باحتمالية العظمى (Exact MLE)، وطريقة الاحتمالية العظمى الكلاسيكية(Classical MLE). وقد تم اتباع أسلوب المحاكاة لتقييم أداء هذه الطرائق المختلفة عبر قيم متعددة لمعامل d وأحجام عينات مختلفة. وتمت مقارنة الأساليب من خلال ثلاثة معايير رئيسية: متوسط مربع الخطأ (MSE of d ̂) ، ومعياري المعلومات AIC وBIC. وقد أظهرت نتائج المحاكاة أن طريقة الاحتمالية العظمى الكلاسيكية تُعد الأفضل من حيث الأداء العام بين جميع طرق التقدير، إذ أظهرت تفوقًا ملحوظًا في أغلب السيناريوهات، مما يعكس مدى موثوقيتها وفعاليتها في تقدير معامل الفرق الكسري في مختلف نماذجARFIMA.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aStatistics
650		0	_aالإحصاء
653		1	_aime series _along memory _ashort memory _aARFIMA (p,d,q) _aMaximum likelihood _aHurst Exponent _aAkaike information criteria. _aالسلاسل الزمنية _aالانحدار الذاتي والمتوسطات المتحركة التكاملية
700	0		_aAhmed Amin El-Sheikh _ethesis advisor.
700	0		_aAmal Mohamed Abdl-Fattah _ethesis advisor.
900			_b01-01-2025 _cAhmed Amin El-Sheik _cAmal Mohamed Abdl-Fattah _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			_c177998