Als «stationarity» getaggte Fragen

Ich habe Probleme, zwischen den Konzepten der Skedastizität und der Stationarität zu unterscheiden. Nach meinem Verständnis ist die Heteroskedastizität eine unterschiedliche Variabilität in Subpopulationen, und die Nichtstationarität ist ein sich im Laufe der Zeit ändernder Mittelwert / Varianz. Wenn dies ein korrektes (wenn auch vereinfachtes) Verständnis ist, ist Nichtstationarität einfach …

9 time-series  heteroscedasticity  stationarity  intuition 

Betrachten Sie einen zufälligen Prozess für den der Mittelwert existiert und für alle Zeiten konstant ist , dh für alle Zeiten und Zeitverschiebungen (oder "Verzögerungen") . Ich lege weder höheren Momenten noch der Verteilungsfunktion weitere Bedingungen auf. Wie kann ich einen solchen Prozess beschreiben? Es ist nur in einem schwächeren …

9 time-series  terminology  stationarity  stochastic-processes 

Zum Beispiel: Ich möchte zukünftige Werte einer Zeitreihe basierend auf früheren Werten mehrerer Zeitreihen unter Verwendung einer ANN und / oder SVM vorhersagen. Eingaben sind verzögerte Werte aus jeder Zeitreihe, und die Ausgaben sind Prognosen mit einem Schritt voraus (Prognosen mit weiteren Horizonten werden erstellt, indem die Vorhersagen unter Verwendung …

9 time-series  machine-learning  stationarity  prediction 

Ich weiß, dass lineare Transformationen von Zeitreihen, die sich aus (schwach) stationären Prozessen ergeben, ebenfalls stationär sind. Gilt dies jedoch für eine Transformation einer Reihe, indem auch der Absolutwert jedes Elements verwendet wird? Mit anderen Worten, wenn { xich, i ∈ N }{xi,i∈N}\{x_i,i\in\mathbb{N}\} stationär ist, dann ist { | xich| …

8 time-series  data-transformation  stationarity 

In der Literatur waren Autoren häufig daran interessiert, die stationäre Verteilung eines Zeitreihenprozesses zu finden. Betrachten Sie beispielsweise den folgenden einfachen AR ( ) -Prozess : wobei .111{Xt}{Xt}\{X_t\}Xt=αXt−1+et,Xt=αXt−1+et,X_t = \alpha X_{t-1} + e_t, et∼iidfet∼iidfe_t\stackrel{iid}{\thicksim} f Was könnte möglicherweise die Motivation (en) sein, die stationäre Verteilung eines stochastischen Prozesses zu finden? …

8 distributions  markov-process  stationarity  autoregressive  intuition 

Ich kann mich nicht mit dieser Eigenschaft stationärer Reihen und der Autokorrelationsfunktion auseinandersetzen. Das muss ich beweisen ∑h=1n−1ρ^(h)=−12∑h=1n−1ρ^(h)=−12\begin{align} \sum_{h=1}^{n-1}\hat\rho(h)=-\frac{1}{2} \end{align} Wobei und die Autokovarianzfunktion istγ(h)ρ^(h)=γ^(h)γ^(0)ρ^(h)=γ^(h)γ^(0)\hat\rho(h)=\displaystyle\frac{\hat\gamma(h)}{\hat\gamma(0)}γ^(h)γ^(h)\hat\gamma(h) γ^(h)=1n∑t=1n−h(Xt−X¯)(Xt+h−X¯)γ^(h)=1n∑t=1n−h(Xt−X¯)(Xt+h−X¯)\begin{align} \hat\gamma(h) = \frac{1}{n}\sum_{t=1}^{n-h}(X_t-\bar{X})(X_{t+h}-\bar{X}) \end{align} Hoffentlich kann mir jemand mit einem Beweis helfen oder mich zumindest in die richtige Richtung weisen.

8 time-series  autocorrelation  stationarity 

Für mein aktuelles Projekt muss ich möglicherweise ein Modell erstellen, um das Verhalten einer bestimmten Personengruppe vorherzusagen. Der Trainingsdatensatz enthält nur 6 Variablen (ID dient nur zu Identifikationszwecken): id, age, income, gender, job category, monthly spend in dem monthly spendist die Antwortvariable. Der Trainingsdatensatz enthält jedoch ungefähr 3 Millionen Zeilen, …

8 modeling  large-data  overfitting  clustering  algorithms  error  spatial  r  regression  predictive-models  linear-model  average  measurement-error  weighted-mean  error-propagation  python  standard-error  weighted-regression  hypothesis-testing  time-series  machine-learning  self-study  arima  regression  correlation  anova  statistical-significance  excel  r  regression  distributions  statistical-significance  contingency-tables  regression  optimization  measurement-error  loss-functions  image-processing  java  panel-data  probability  conditional-probability  r  lme4-nlme  model-comparison  time-series  probability  probability  conditional-probability  logistic  multiple-regression  model-selection  r  regression  model-based-clustering  svm  feature-selection  feature-construction  time-series  forecasting  stationarity  r  distributions  bootstrap  r  distributions  estimation  maximum-likelihood  garch  references  probability  conditional-probability  regression  logistic  regression-coefficients  model-comparison  confidence-interval  r  regression  r  generalized-linear-model  outliers  robust  regression  classification  categorical-data  r  association-rules  machine-learning  distributions  posterior  likelihood  r  hypothesis-testing  normality-assumption  missing-data  convergence  expectation-maximization  regression  self-study  categorical-data  regression  simulation  regression  self-study  self-study  gamma-distribution  modeling  microarray  synthetic-data 

Ich untersuche Nagetierfänge auf sechs permanenten Nagetierfanggittern mit einer Größe von 150 x 150 Metern, die aus 121 Fangstationen bestehen, die gleichmäßig 15 Meter voneinander entfernt sind. Auf dem Untersuchungsgebiet gibt es sechs solcher Fanggitter mit einer Größe von <1000 Hektar. Ich möchte die Erfassungsdaten interpolieren, um eine Kriged-Oberfläche mit …

8 spatial  interpolation  geostatistics  stationarity 

Ich weiß, was ein Gaußsches Feld ist. Ich bin mir jedoch nicht ganz sicher, was unter stationär zu verstehen ist. Ich habe dieses stationäre Ding an vielen Orten wie stationären autoregressiven Prozessen usw. gesehen, weiß aber nicht wirklich, was unter stationär zu verstehen ist.

8 gaussian-process  stationarity 

Mit "stationär" meine ich "schwach stationär". Betrachten Sie eine "stationäre" AR (1) -Gleichung: Xt=φXt−1+εt,Xt=φXt−1+εt,X_t=\varphi X_{t-1}+\varepsilon_t, wobei diskrete Zeitmomente sind, ein null-mittleres weißes Rauschen (nur eine iid-Sequenz), . Es ist bekannt, dass es eine stationäre Lösung gibt (dh eine diskrete Zeitreihe, die die Gleichung erfüllt). Bezeichne es mitWir können jedoch eine …

8 time-series  arima  stationarity  autoregressive 

In meiner ökonometrischen Klasse definierte mein Lehrer eine stationäre Zeitreihe folgendermaßen: "Eine Zeitreihe ist lose gesagt stationär, wenn sich ihre stochasitischen Eigenschaften und ihre zeitliche Abhängigkeitsstruktur im Laufe der Zeit nicht ändern." Ich bin verwirrt, was einige Beispiele wären. Wäre die Temperatur im Laufe der Jahre stationär, vorausgesetzt, es gibt …

7 time-series  stationarity 

Ich führe einen Dickey Fuller-Test durch, um festzustellen, ob die Aktienrenditen stationär sind. Ich verstehe, egal welche Bestandsaufnahme ich mache, seine Rückkehr ist stationär. Ich weiß nicht, warum ich dieses Ergebnis erhalte, da klar ist, dass die Volatilität von der Zeit abhängt (daher sind die Renditen nicht stationär, da ihre …

7 time-series  heteroscedasticity  garch  stationarity 

Betrachten Sie einen stochastischen Prozess nach dem Modell wobei .{X.t, t = 1 , 2 , … }{Xt,t=1,2,…}\{X_t, t = 1, 2, \ldots\}X.t= αX.t - 1+et,Xt=αXt−1+et,X_t = \alpha X_{t-1} + e_t,et∼ fet∼fe_t \thicksim f Kann ich sagen, dass die Verteilung des Anfangspunkts dieselbe ist wie ?X.1X1X_1fff Kann ich sagen, dass …

6 pdf  markov-process  stationarity  autoregressive  marginal