Statistiken und Big Data forecasting

3

Ist es gültig, eine Zeitreihe zu aggregieren, damit sie aussagekräftiger aussieht?

Noch eine Frage zu Zeitreihen von mir. Ich habe einen Datensatz, der täglich Aufzeichnungen über gewalttätige Vorfälle in einer psychiatrischen Klinik über drei Jahre enthält. Mit Hilfe meiner vorherigen Frage habe ich daran herumgespielt und bin jetzt ein bisschen glücklicher darüber. Das, was ich jetzt habe, ist, dass die tägliche …

10 time-series forecasting

3

Prognose von Zeitreihendaten mit externen Variablen

Derzeit arbeite ich an einem Projekt zur Vorhersage von Zeitreihendaten (monatliche Daten). Ich benutze R, um die Vorhersage zu machen. Ich habe 1 abhängige Variable (y) und 3 unabhängige Variablen (x1, x2, x3). Die y-Variable hat 73 Beobachtungen, ebenso wie die anderen 3 Variablen (auch 73). Von Januar 2009 bis …

10 time-series multiple-regression forecasting lags

1

Verallgemeinerte lineare Modelle vs Timseries-Modelle für die Vorhersage

Was sind die Unterschiede bei der Verwendung von verallgemeinerten linearen Modellen wie der automatischen Relevanzbestimmung (ARD) und der Ridge-Regression gegenüber Zeitreihenmodellen wie Box-Jenkins (ARIMA) oder der exponentiellen Glättung für Prognosen? Gibt es Faustregeln, wann GLM und wann Zeitreihen verwendet werden sollen?

10 time-series generalized-linear-model forecasting

2

Endgültiges Modell aus der Kreuzvalidierung von Zeitreihen

Ich habe bereits Erfahrungen mit der "normalen" K-fachen Kreuzvalidierung für die Modelloptimierung gesammelt und bin durch die Anwendung in Zeitreihenmodellen leicht verwirrt. Nach meinem Verständnis ist die Folge für die Kreuzvalidierung für Zeitreihenmodelle das von Hyndman beschriebene Verfahren des "Rolling Forward Origin" . Dies ist für mich sehr sinnvoll und …

10 time-series forecasting cross-validation

3

Vorhersage mehrerer Perioden mit maschinellem Lernen

Ich habe kürzlich mein Wissen über Zeitreihen zusammengefasst und festgestellt, dass maschinelles Lernen meist nur einen Schritt voraus ist. Mit One-Step-Ahead-Prognosen meine ich Prognosen, die beispielsweise, wenn wir stündliche Daten haben, die Daten von 10 Uhr morgens bis 11 Uhr morgens und 11 Uhr morgens für 12 Uhr morgens usw. …

9 machine-learning time-series forecasting arima

1

Bedingungen für das zyklische Verhalten des ARIMA-Modells

Ich versuche, eine Zeitreihe zu modellieren und vorherzusagen, die eher zyklisch als saisonal ist (dh es gibt saisonale Muster, aber nicht mit einem festen Zeitraum). Dies sollte mithilfe eines ARIMA-Modells möglich sein, wie in Abschnitt 8.5 der Prognose erwähnt: Grundsätze und Praxis : Der Wert von ist wichtig, wenn die …

9 time-series forecasting arima seasonality

1

Welches Deep-Learning-Modell kann Kategorien klassifizieren, die sich nicht gegenseitig ausschließen?

Beispiele: Ich habe einen Satz in der Stellenbeschreibung: "Java Senior Engineer in UK". Ich möchte ein Deep-Learning-Modell verwenden, um es als zwei Kategorien vorherzusagen: English und IT jobs. Wenn ich ein traditionelles Klassifizierungsmodell verwende, kann es nur 1 Etikett mit softmaxFunktion auf der letzten Ebene vorhersagen . Somit kann ich …

9 machine-learning deep-learning natural-language tensorflow sampling distance non-independent application regression machine-learning logistic mixed-model control-group crossover r multivariate-analysis ecology procrustes-analysis vegan regression hypothesis-testing interpretation chi-squared bootstrap r bioinformatics bayesian exponential beta-distribution bernoulli-distribution conjugate-prior distributions bayesian prior beta-distribution covariance naive-bayes smoothing laplace-smoothing distributions data-visualization regression probit penalized estimation unbiased-estimator fisher-information unbalanced-classes bayesian model-selection aic multiple-regression cross-validation regression-coefficients nonlinear-regression standardization naive-bayes trend machine-learning clustering unsupervised-learning wilcoxon-mann-whitney z-score econometrics generalized-moments method-of-moments machine-learning conv-neural-network image-processing ocr machine-learning neural-networks conv-neural-network tensorflow r logistic scoring-rules probability self-study pdf cdf classification svm resampling forecasting rms volatility-forecasting diebold-mariano neural-networks prediction-interval uncertainty

2

Bias-Varianz-Zerlegung: Begriff für den erwarteten quadratischen Prognosefehler abzüglich des nicht reduzierbaren Fehlers

Hastie et al. "Die Elemente des statistischen Lernens" (2009) betrachten einen Datenerzeugungsprozess mit und .Y=f(X)+εY=f(X)+ε Y = f(X) + \varepsilon E(ε)=0E(ε)=0\mathbb{E}(\varepsilon)=0Var(ε)=σ2εVar(ε)=σε2\text{Var}(\varepsilon)=\sigma^2_{\varepsilon} Sie zeigen die folgende Bias-Varianz-Zerlegung des erwarteten quadratischen Prognosefehlers am Punkt (S. 223, Formel 7.9): In my eigene Arbeit Ich gebe nicht sondern nehme stattdessen eine willkürliche Prognose (falls …

9 variance forecasting prediction terminology bias

4

Wie soll ich dieses Problem der binären Vorhersage angehen?

Ich habe einen Datensatz mit dem folgenden Format. Es gibt ein binäres Ergebnis Krebs / kein Krebs. Jeder Arzt im Datensatz hat jeden Patienten gesehen und ein unabhängiges Urteil darüber abgegeben, ob der Patient Krebs hat oder nicht. Die Ärzte geben dann ihr Konfidenzniveau von 5 an, dass ihre Diagnose …

9 forecasting binary-data psychometrics

1

Warum arbeiten meine VAR-Modelle besser mit nichtstationären Daten als mit stationären Daten?

Ich verwende die VAR-Bibliothek für Python-Statistikmodelle, um finanzielle Zeitreihendaten zu modellieren, und einige Ergebnisse haben mich verwirrt. Ich weiß, dass VAR-Modelle davon ausgehen, dass die Zeitreihendaten stationär sind. Ich habe versehentlich eine instationäre Reihe von Log-Preisen für zwei verschiedene Wertpapiere angepasst, und überraschenderweise waren die angepassten Werte und Prognosen in …

9 time-series forecasting r-squared var stationarity

1

Zeitreihenvorhersage mit ARIMA vs LSTM

Das Problem, mit dem ich mich befasse, ist die Vorhersage von Zeitreihenwerten. Ich betrachte jeweils eine Zeitreihe und möchte anhand von beispielsweise 15% der Eingabedaten die zukünftigen Werte vorhersagen. Bisher bin ich auf zwei Modelle gestoßen: LSTM (Langzeit-Kurzzeitgedächtnis; eine Klasse wiederkehrender neuronaler Netze) ARIMA Ich habe beide ausprobiert und einige …

9 time-series forecasting references arima lstm

2

Interpretation und Durchführung von Prognosen mit dem tsoutliers-Paket und auto.arima

Ich habe monatliche Daten von 1993 bis 2015 und möchte diese Daten prognostizieren. Ich habe das tsoutliers-Paket verwendet, um die Ausreißer zu erkennen, aber ich weiß nicht, wie ich mit meinen Daten weiter prognostizieren soll. Das ist mein Code: product.outlier<-tso(product,types=c("AO","LS","TC")) plot(product.outlier) Dies ist meine Ausgabe vom tsoutliers-Paket ARIMA(0,1,0)(0,0,1)[12] Coefficients: sma1 …

9 r time-series forecasting arima outliers

3

Übertragungsfunktion in Prognosemodellen - Interpretation

Ich beschäftige mich mit ARIMA-Modellierung, die mit exogenen Variablen für Werbemodellierungszwecke erweitert wurde, und es fällt mir schwer, sie Geschäftsbenutzern zu erklären. In einigen Fällen erhalten Softwarepakete eine einfache Übertragungsfunktion, dh den Parameter * Exogene Variable. In diesem Fall ist die Interpretation einfach, dh die Werbeaktivität X (dargestellt durch die …

9 time-series data-visualization forecasting arima causality

4

Berechnung der Prognosegenauigkeit

Wir verwenden STL (R-Implementierung) zur Vorhersage von Zeitreihendaten. Jeden Tag führen wir tägliche Prognosen durch. Wir möchten Prognosewerte mit realen Werten vergleichen und durchschnittliche Abweichungen ermitteln. Zum Beispiel haben wir Prognosen für morgen erstellt und Prognosepunkte erhalten. Wir möchten diese Prognosepunkte mit realen Daten vergleichen, die wir morgen erhalten. Mir …

9 time-series forecasting accuracy

1

Einzigartige (?) Idee zur Umsatzprognose

Ich arbeite an der Entwicklung eines Modells zur Vorhersage des Gesamtumsatzes eines Produkts. Ich habe ungefähr anderthalb Jahre Buchungsdaten, sodass ich eine Standard-Zeitreihenanalyse durchführen kann. Ich habe jedoch auch viele Daten über jede "Gelegenheit" (potenzieller Verkauf), die entweder geschlossen wurde oder verloren ging. "Opportunities" werden in Phasen einer Pipeline weiterentwickelt, …

9 predictive-models forecasting econometrics

Als «forecasting» getaggte Fragen