Als «time-series» getaggte Fragen

Zeitreihen sind Daten, die über die Zeit beobachtet werden (entweder in kontinuierlicher Zeit oder in diskreten Zeiträumen).

1
Vorhersagen von Prozessen mit langem Speicher
Ich arbeite mit einem Zwei-Zustands-Prozess mit xtxtx_t in {1,−1}{1,−1}\{1, -1\} für t=1,2,…t=1,2,…t = 1, 2, \ldots Die Autokorrelationsfunktion zeigt einen Prozess mit langem Speicher an, dh sie zeigt einen Potenzgesetzabfall mit einem Exponenten <1 an. Sie können eine ähnliche Reihe in R simulieren mit: > library(fArma) > x<-fgnSim(10000,H=0.8) > x<-sign(x) …
2
Erkennen Sie Änderungen in Zeitreihen
Ich bin auf ein Bild eines Anwendungsprototyps gestoßen, der signifikante Änderungen ("Trends" - keine Spitzen / Ausreißer) in den Verkehrsdaten findet: Ich möchte ein Programm (Java, optional R) schreiben, das dasselbe kann - aber da meine statistischen Fähigkeiten etwas verrostet sind, muss ich mich erneut mit diesem Thema befassen. Welchen …
3
Interventionsanalyse mit mehrdimensionalen Zeitreihen
Ich möchte eine Interventionsanalyse durchführen, um die Ergebnisse einer politischen Entscheidung über den Verkauf von Alkohol im Laufe der Zeit zu quantifizieren. Ich bin jedoch ziemlich neu in der Zeitreihenanalyse, daher habe ich einige Anfängerfragen. Eine Untersuchung der Literatur zeigt, dass andere Forscher ARIMA verwendet haben, um den Zeitreihenverkauf von …
3
Datenerweiterungsstrategien für die Zeitreihenprognose
Ich erwäge zwei Strategien zur "Datenerweiterung" bei der Vorhersage von Zeitreihen. Zunächst ein bisschen Hintergrundwissen. Ein Prädiktor zur Vorhersage des nächsten Schritts einer Zeitreihe ist eine Funktion, die typischerweise von zwei Dingen abhängt, den Zeitzuständen vergangener Zeitreihen, aber auch den vergangenen Zuständen des Prädiktors:PPP{Ai}{Ai}\lbrace A_i\rbrace P({Ai≤t−1},PSt−1)P({Ai≤t−1},PSt−1)P(\lbrace A_{i\leq t-1}\rbrace,P_{S_{t-1}}) Wenn wir …
2
Verstecktes Markov-Modell gegen wiederkehrendes neuronales Netzwerk
Welche sequentiellen Eingabeprobleme eignen sich jeweils am besten? Bestimmt die Eingabedimensionalität, welche besser zu Ihnen passt? Sind Probleme, die "längeren Speicher" erfordern, besser für ein LSTM-RNN geeignet, während Probleme mit zyklischen Eingabemustern (Börse, Wetter) von einem HMM leichter gelöst werden können? Es scheint, dass es viele Überschneidungen gibt; Ich bin …
1
R / mgcv: Warum produzieren te () und ti () Tensorprodukte unterschiedliche Oberflächen?
Das mgcvPaket für Rhat zwei Funktionen zum Anpassen von Tensorproduktwechselwirkungen: te()und ti(). Ich verstehe die grundlegende Arbeitsteilung zwischen den beiden (Anpassen einer nichtlinearen Wechselwirkung vs. Zerlegen dieser Wechselwirkung in Haupteffekte und eine Wechselwirkung). Was ich nicht verstehe, ist warum te(x1, x2)und ti(x1) + ti(x2) + ti(x1, x2)kann (leicht) unterschiedliche Ergebnisse …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
2
Sind logarithmische Differenzzeitreihenmodelle besser als Wachstumsraten?
Oft sehe ich Autoren, die ein "Log-Differenz" -Modell schätzen, z log(yt)−log(yt−1)=log(yt/yt−1)=α+βxtlog⁡(yt)−log⁡(yt−1)=log⁡(yt/yt−1)=α+βxt\log (y_t)-\log(y_{t-1}) = \log(y_t/y_{t-1}) = \alpha + \beta x_t Ich bin einverstanden dies angemessen ist , in Beziehung auf eine prozentuale Änderung der während ist .xtxtx_tytyty_tlog(yt)log⁡(yt)\log (y_t)I(1)I(1)I(1) Aber der logarithmische Unterschied ist eine Annäherung, und es scheint, dass man ein …
2
Was ist die Intuition hinter einem wiederkehrenden neuronalen Netzwerk mit langem Kurzzeitgedächtnis (LSTM)?
Die Idee hinter Recurrent Neural Network (RNN) ist mir klar. Ich verstehe es folgendermaßen: Wir haben eine Folge von Beobachtungen ( Ö⃗ 1, o⃗ 2, … , O.⃗ no→1,o→2,…,o→n\vec o_1, \vec o_2, \dots, \vec o_n ) (oder mit anderen Worten multivariate Zeitreihen). Jede einzelne Beobachtung Ö⃗ icho→i\vec o_i ist ein …
2
Warum gibt die STL-Funktion eine signifikante saisonale Variation mit zufälligen Daten?
Ich habe mit folgendem Code mit der Funktion stl (Seasonal Decomposition of Time Series by Loess) gezeichnet: plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) Es zeigt signifikante saisonale Schwankungen mit zufälligen Daten, die in den obigen Code eingegeben wurden (rnorm-Funktion). Jedes Mal, wenn dies ausgeführt wird, werden signifikante Abweichungen festgestellt, obwohl das Muster unterschiedlich …
2
Warum sollten wir Saisonalität aus einer Zeitreihe entfernen?
Während wir mit Zeitreihen arbeiten, erkennen und entfernen wir manchmal Saisonalität mithilfe der Spektralanalyse. Ich bin ein echter Anfänger in Zeitreihen und ich bin verwirrt, warum man Saisonalität aus der ursprünglichen Zeitreihe entfernen möchte. Verzerrt das Entfernen der Saisonalität nicht die ursprünglichen Daten? Welche Vorteile erhalten wir durch die Erstellung …
1
Test auf Markov-Eigenschaft in einer Zeitreihe
Bei einer (beobachteten) Zeitreihe mit gibt es einen statistischen Test zum Testen der Nullhypothese, dass P (X_t | X_ {t-1}, X_ { t-2}, ..., X_1) = P (X_t | X_ {t-1}) (dh die Markov-Eigenschaft)?XtXtX_tXt∈{1,...,n}Xt∈{1,...,n}X_t\in\{1,...,n\}P(Xt|Xt−1,Xt−2,...,X1)=P(Xt|Xt−1)P(Xt|Xt−1,Xt−2,...,X1)=P(Xt|Xt−1)P(X_t|X_{t-1},X_{t-2},...,X_1)=P(X_t|X_{t-1})
6
Interpretation der ur.df-Ergebnisse von R (Dickey-Fuller-Einheitswurzeltest)
Ich führe den folgenden Unit-Root-Test (Dickey-Fuller) für eine Zeitreihe mit der ur.df()Funktion im urcaPaket aus. Der Befehl lautet: summary(ur.df(d.Aus, type = "drift", 6)) Die Ausgabe ist: ############################################### # Augmented Dickey-Fuller Test Unit Root Test # ############################################### Test regression drift Call: lm(formula = z.diff ~ z.lag.1 + 1 + z.diff.lag) Residuals: …
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.