Als «state-space-models» getaggte Fragen

Es beschreibt die probabilistische Abhängigkeit zwischen der latenten Zustandsvariablen und der beobachteten Messung.

2
Wechseln Sie von der Modellierung eines Prozesses mit einer Poisson-Verteilung zur Verwendung einer negativen Binomialverteilung?
\newcommand{\P}{\mathbb{P}}Wir haben einen zufälligen Prozess, der in einem festgelegten Zeitraum mehrmals auftreten kann oder auch nicht . Wir haben einen Datenfeed von einem bereits existierenden Modell dieses Prozesses, der die Wahrscheinlichkeit für eine Anzahl von Ereignissen in der Periode liefert . Dieses bestehende Modell ist alt und wir müssen die …
1
Wie kann man überprüfen, welches Modell in der Zustandsraum-Zeitreihenanalyse besser ist?
Ich mache eine Zeitreihendatenanalyse nach Zustandsraummethoden. Mit meinen Daten hat das stochastische Modell auf lokaler Ebene das deterministische Modell völlig übertroffen. Das deterministische Pegel- und Steigungsmodell liefert jedoch bessere Ergebnisse als mit dem stochastischen Pegel und der stochastisch / deterministischen Steigung. Ist das etwas übliches? Alle Methoden in R erfordern …
1
Kriterien für die Auswahl des „besten“ Modells in einem Hidden-Markov-Modell
Ich habe einen Zeitreihendatensatz, an den ich ein Hidden Markov Model (HMM) anpasse, um die Anzahl der latenten Zustände in den Daten abzuschätzen. Mein Pseudocode dafür ist der folgende: for( i in 2 : max_number_of_states ){ ... calculate HMM with i states ... optimal_number_of_states = "model with smallest BIC" ... …
2
Zustandsraumdarstellung von ARMA (p, q) aus Hamilton
r=max(p,q+1)r=max(p,q+1)r = \max(p,q+1)yt- μ= ϕ1( yt - 1- μ ) + ϕ2( yt - 2- μ ) + . . . +ϕ3( yt - 3- μ )+ϵt+θ1ϵt−1+...+θr−1ϵt−r+1.yt−μ=ϕ1(yt−1−μ)+ϕ2(yt−2−μ)+...+ϕ3(yt−3−μ)+ϵt+θ1ϵt−1+...+θr−1ϵt−r+1. \begin{aligned} y_t -\mu &= \phi_1(y_{t-1} -\mu) + \phi_2(y_{t-2} -\mu) + ... + \phi_3(y_{t-3} -\mu) \\ &+ \epsilon_t + \theta_1\epsilon_{t-1} + ... + \theta_{r-1}\epsilon_{t-r+1}. …
1
Erklären von Kalman-Filtern in Zustandsraummodellen
Welche Schritte sind bei der Verwendung von Kalman-Filtern in Zustandsraummodellen erforderlich? Ich habe einige verschiedene Formulierungen gesehen, bin mir aber über die Details nicht sicher. Zum Beispiel beginnt Cowpertwait mit diesem Satz von Gleichungen: yt=F′tθt+vtyt=Ft′θt+vty_{t} = F^{'}_{t}\theta_{t}+v_{t} θt=Gtθt−1+wtθt=Gtθt−1+wt\theta_{t} = G_{t}\theta_{t-1}+w_{t} wobei und , sind unsere unbekannten Schätzungen und sind die …
1
Kalman-Filter vs. Glättungskeile
F: Für welche Daten ist es geeignet, Zustandsraummodellierung und Kalman-Filterung zu verwenden, anstatt Splines zu glätten und umgekehrt? Gibt es eine Äquivalenzbeziehung zwischen den beiden? Ich versuche ein umfassendes Verständnis dafür zu bekommen, wie diese Methoden zusammenpassen. Ich habe Johnstones neue Gaußsche Schätzung durchgesehen : Sequenz- und Multiresolution-Modelle . Es …
2
Identifizierbarkeit eines Zustandsraummodells (Dynamic Linear Model)
Nehmen Sie ein allgemeines lineares Gaußsches Zustandsraummodell (SSM) (auch bekannt als dynamisches lineares Modell DLM): Xt+1YVtWt=FXt+Vt=HXt+Wt∼N(0,Q)∼N(0,R)Xt+1=FXt+VtY=HXt+WtVt∼N(0,Q)Wt∼N(0,R)\begin{align} X_{t+1} &= FX_t + V_t \\ Y &= HX_t+W_t \\[10pt] V_t &\sim N(0,Q) \\ W_t &\sim N(0,R) \\ \end{align} Ich interessiere mich für die Unidentifizierbarkeitsprobleme im Zusammenhang mit diesen Modellen: Hamilton (1994) stellt fest, …
3
Ein konkretes Beispiel ist die Durchführung einer SVD, um fehlende Werte zu unterstellen
Ich habe die großartigen Kommentare zum Umgang mit fehlenden Werten vor dem Anwenden von SVD gelesen, möchte aber anhand eines einfachen Beispiels wissen, wie dies funktioniert: Movie1 Movie2 Movie3 User1 5 4 User2 2 5 5 User3 3 4 User4 1 5 User5 5 1 5 Wenn ich in der …
8 r  missing-data  data-imputation  svd  sampling  matlab  mcmc  importance-sampling  predictive-models  prediction  algorithms  graphical-model  graph-theory  r  regression  regression-coefficients  r-squared  r  regression  modeling  confounding  residuals  fitting  glmm  zero-inflation  overdispersion  optimization  curve-fitting  regression  time-series  order-statistics  bayesian  prior  uninformative-prior  probability  discrete-data  kolmogorov-smirnov  r  data-visualization  histogram  dimensionality-reduction  classification  clustering  accuracy  semi-supervised  labeling  state-space-models  t-test  biostatistics  paired-comparisons  paired-data  bioinformatics  regression  logistic  multiple-regression  mixed-model  random-effects-model  neural-networks  error-propagation  numerical-integration  time-series  missing-data  data-imputation  probability  self-study  combinatorics  survival  cox-model  statistical-significance  wilcoxon-mann-whitney  hypothesis-testing  distributions  normal-distribution  variance  t-distribution  probability  simulation  random-walk  diffusion  hypothesis-testing  z-test  hypothesis-testing  data-transformation  lognormal  r  regression  agreement-statistics  classification  svm  mixed-model  non-independent  observational-study  goodness-of-fit  residuals  confirmatory-factor  neural-networks  deep-learning 
3
Finden Sie die Verteilung und transformieren Sie sie in die Normalverteilung
Ich habe Daten, die beschreiben, wie oft ein Ereignis während einer Stunde stattfindet ("Anzahl pro Stunde", nph) und wie lange die Ereignisse dauern ("Dauer in Sekunden pro Stunde", dph). Dies sind die Originaldaten: nph <- c(2.50000000003638, 3.78947368414551, 1.51456310682008, 5.84686774940732, 4.58823529414907, 5.59999999993481, 5.06666666666667, 11.6470588233699, 1.99999999998209, NA, 4.46153846149851, 18, 1.05882352939726, 9.21739130425452, 27.8399999994814, …
8 normal-distribution  data-transformation  logistic  generalized-linear-model  ridge-regression  t-test  wilcoxon-signed-rank  paired-data  naive-bayes  distributions  logistic  goodness-of-fit  time-series  eviews  ecm  panel-data  reliability  psychometrics  validity  cronbachs-alpha  self-study  random-variable  expected-value  median  regression  self-study  multiple-regression  linear-model  forecasting  prediction-interval  normal-distribution  excel  bayesian  multivariate-analysis  modeling  predictive-models  canonical-correlation  rbm  time-series  machine-learning  neural-networks  fishers-exact  factorisation-theorem  svm  prediction  linear  reinforcement-learning  cdf  probability-inequalities  ecdf  time-series  kalman-filter  state-space-models  dynamic-regression  index-decomposition  sampling  stratification  cluster-sample  survey-sampling  distributions  maximum-likelihood  gamma-distribution 
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.