Als «time-series» getaggte Fragen

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

4
Bewertung der Vorhersagbarkeit von Zeitreihen
Angenommen, ich habe etwas mehr als 20.000 monatliche Zeitreihen vom 05. Januar bis zum 11. Dezember. Diese repräsentieren jeweils globale Verkaufsdaten für ein anderes Produkt. Was wäre, wenn ich mich, anstatt Prognosen für jeden einzelnen von ihnen zu berechnen, nur auf eine kleine Anzahl von Produkten konzentrieren wollte, die "tatsächlich …
1
Simulation von ARIMA (1,1,0) -Serien
Ich habe die ARIMA-Modelle an die ursprüngliche Zeitreihe angepasst, und das beste Modell ist ARIMA (1,1,0). Jetzt möchte ich die Serie von diesem Modell simulieren. Ich habe das einfache AR (1) -Modell geschrieben, konnte aber nicht verstehen, wie der Unterschied innerhalb des ARI-Modells (1,1,0) angepasst werden kann. Der folgende R-Code …
11 r  time-series  arima 
3
Warum ist der OLS-Schätzer des AR (1) -Koeffizienten voreingenommen?
Ich versuche zu verstehen, warum OLS einen voreingenommenen Schätzer für einen AR (1) -Prozess liefert. Betrachten Sie In diesem Modell wird die strikte Exogenität verletzt, dh und sind korreliert, aber und \ epsilon_t sind nicht korreliert . Aber wenn dies zutrifft, warum gilt dann die folgende einfache Ableitung nicht? ytϵtyt-1ϵtytϵt=α+βyt−1+ϵt,∼iidN(0,1).yt=α+βyt−1+ϵt,ϵt∼iidN(0,1). …
3
Holt-Winters oder ARIMA verwenden?
Meine Frage betrifft den konzeptionellen Unterschied zwischen Holt-Winters und ARIMA. Holt-Winters ist meines Wissens ein Sonderfall von ARIMA. Aber wann wird ein Algorithmus dem anderen vorgezogen? Vielleicht ist Holt-Winters inkrementell und dient daher als Inline-Algorithmus (schneller)? Ich freue mich auf einen Einblick hier.
2
Unvoreingenommener Schätzer für das AR ( ) -Modell
Betrachten Sie ein AR ( ) -Modell (der Einfachheit halber wird ein Mittelwert von Null angenommen):ppp xt=φ1xt−1+…+φpxt−p+εtxt=φ1xt−1+…+φpxt−p+εt x_t = \varphi_1 x_{t-1} + \dotsc + \varphi_p x_{t-p} + \varepsilon_t Es ist bekannt, dass der OLS-Schätzer (äquivalent zum Schätzer für bedingte maximale Wahrscheinlichkeit) für voreingenommen ist, wie in einem aktuellen Thread erwähnt …
1
Grundlegende Differenzierungsformel verstehen
Ich habe eine Zeitreihe und möchte sie als ARFIMA-Prozess (auch bekannt als FARIMA) modellieren. Wenn y_t in der (gebrochenen) Ordnung d integriert ist , möchte ich es fraktioniert differenzieren, um es stationär zu machen.y t dytyty_tytyty_tddd Frage : Ist die folgende Formel zur Definition der gebrochenen Differenzierung korrekt? Δdyt:=yt−dyt−1+d(d−1)2!yt−2−d(d−1)(d−2)3!yt−3+...+(−1)k+1d(d−1)⋅...⋅(d−k)k!yt−k+...Δdyt:=yt−dyt−1+d(d−1)2!yt−2−d(d−1)(d−2)3!yt−3+...+(−1)k+1d(d−1)⋅...⋅(d−k)k!yt−k+...\Delta^d y_t …
2
Wie modelliere ich monatliche Effekte in täglichen Zeitreihendaten?
Ich habe zwei Zeitreihen von täglichen Daten. Eines ist sign-upsund das andere terminationsvon Abonnements. Letzteres möchte ich anhand der in beiden Variablen enthaltenen Informationen vorhersagen. Wenn man sich die Grafik dieser Serien ansieht, ist es offensichtlich, dass die Kündigungen mit einem Vielfachen der Anmeldungen in den Monaten zuvor korrelieren. Das …
3
Erstellen automatisch korrelierter Zufallswerte in R.
Wir versuchen, automatisch korrelierte Zufallswerte zu erstellen, die als Zeitreihen verwendet werden. Wir haben keine vorhandenen Daten, auf die wir verweisen, und möchten den Vektor nur von Grund auf neu erstellen. Einerseits brauchen wir natürlich einen zufälligen Prozess mit Distribution und deren SD. Andererseits muss die den Zufallsprozess beeinflussende Autokorrelation …
4
Was ist mit Erklärungen in Zeitreihen zu tun?
Nachdem ich bisher hauptsächlich mit Querschnittsdaten gearbeitet habe und erst kürzlich beim Durchsuchen gestolpert bin und durch eine Reihe einführender Zeitreihenliteratur gestolpert bin, frage ich mich, welche Rolle erklärende Variablen bei der Zeitreihenanalyse spielen. Ich möchte einen Trend erklären, anstatt den Trend zu verringern. Das meiste, was ich als Einführung …
1
Interpretation der Zeitreihenzerlegung mit TBATS aus dem R-Prognosepaket
Ich möchte die folgenden Zeitreihendaten in saisonale, Trend- und Restkomponenten zerlegen. Die Daten sind ein stündliches Kühlenergieprofil eines Geschäftsgebäudes: TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81) plot(TotalCoolingForDecompose.ts) Es gibt offensichtliche tägliche und wöchentliche saisonale Effekte, basierend auf den Ratschlägen von: Wie zerlegt man eine Zeitreihe mit mehreren saisonalen Komponenten? Ich habe die …
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.