Repository dedicated to the practical concepts of Model Identification & Data Analysis in Python
- Estimators
1.1) Mean estimator
1.1.1) Detrend
1.2) Covariance estimator
1.3) Spectrum estimator - Whiteness Anderson Test
2.1) Procedure - Homework
3.1) Mean estimator
3.2) Covariance estimator
3.3) Spectrum estimator
- Covariance and Partial Covariance
1.1) AR(n) data identification : ππ΄π πΆππ(π)
1.2) MA(n) data identification : π(π)
1.3) ARMA(n,m) data identification - Criterions
2.1) FPE : Final Predictor Error
2.1) AIC : Akaike Information Criterion
2.3) MDL : Minimum Description Length
- Procedure
3.1) Realization measurments
3.2) Parameters prediction
3.2.1) LS method
3.2.2) Durbin-Levinson method
3.3) Variance prediction error
3.4) Criterion computation
3.4.1) FPE
3.4.2) AIC
3.4.3) MDL
3.5) Model Selection
3.5.1) 30 Samples
3.5.2) 50 Samples
3.5.3) 500 Samples