Statistiken und Big Data time-series

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

3

Test zur Unterscheidung von periodischen von fast periodischen Daten

Angenommen, ich habe eine unbekannte Funktion mit Domäne ℝ , von der ich weiß, dass sie einige vernünftige Bedingungen wie Kontinuität erfüllt. Ich kenne die genauen Werte von f (weil die Daten aus einer Simulation stammen) an einigen äquidistanten Abtastpunkten t_i = t_0 + iΔt mit i∈ \ {1,…, n …

9 time-series hypothesis-testing exact-test

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

Additive vs Multiplikative Zerlegung

Meine Frage ist wirklich einfach, aber das sind diejenigen, die mich wirklich beschäftigen :) Ich weiß nicht wirklich, wie ich beurteilen soll, ob eine bestimmte Zeitreihe mit einer additiven oder einer multiplikativen Zerlegungsmethode zerlegt werden soll. Ich weiß, dass es visuelle Hinweise gibt, wie man sie voneinander unterscheidet, aber ich …

9 time-series mathematical-statistics variance-decomposition

2

R erkennt einen zunehmenden / abnehmenden Trend von Zeitreihen

Ich habe viele Zeitreihen mit Zeiträumen: Tag, Woche oder Monat. Mit stl()Funktion oder mit loess(x ~ y)kann ich sehen, wie Trends bestimmter Zeitreihen aussehen. Ich muss feststellen, ob der Trend der Zeitreihen zunimmt oder abnimmt. Wie kann ich das schaffen? Ich habe versucht, lineare Regressionskoeffizienten lm(x ~ y)mit dem Steigungskoeffizienten …

9 r time-series trend

1

Anpassen eines zeitvariablen Koeffizienten DLM

Ich möchte ein DLM mit zeitlich variierenden Koeffizienten anpassen, dh eine Erweiterung der üblichen linearen Regression. yt= θ1+ θ2x2yt=θ1+θ2x2y_t = \theta_1 + \theta_2x_2 . Ich habe einen Prädiktor ( ) und eine Antwortvariable ( ), Meeres- und Binnenfischfang von 1950 bis 2011. Ich möchte, dass das DLM-Regressionsmodell folgt:y tx2x2x_2ytyty_t yt= …

9 r regression time-series dlm dynamic-regression

2

Kopplung von Zeitreiheninformationen aus Quellen mit mehreren räumlichen Auflösungen / Skalen

Ich habe viele Satelliten-Rasterbilder von verschiedenen Sensoren zur Verfügung. Von diesen haben die gröberen eine sehr reichliche zeitliche Auflösung. Die Raster mit mittlerer Auflösung haben tendenziell weniger Erwerbsdaten, es sind jedoch noch einige Informationen verfügbar. Die feineren Auflösungen haben eine sehr niedrige zeitliche Auflösung und umfassen 2 bis 6 beobachtete …

9 time-series machine-learning predictive-models multivariate-regression

1

Verstecktes Markov-Modell zur Ereignisvorhersage

Frage : Ist der Aufbau unten eine sinnvolle Implementierung eines Hidden Markov-Modells? Ich habe einen Datensatz von 108,000Beobachtungen (über einen Zeitraum von 100 Tagen) und ungefähr 2000Ereignisse während der gesamten Beobachtungszeitspanne. Die Daten sehen wie in der folgenden Abbildung aus, in der die beobachtete Variable 3 diskrete Werte annehmen kann …

9 time-series machine-learning predictive-models markov-chain hidden-markov-model

1

Bewertung der Leistung der Zeitreihenvorhersage

Ich habe ein dynamisches naives Bayes-Modell, das auf einigen zeitlichen Variablen trainiert ist. Die Ausgabe des Modells ist die Vorhersage von P(Event) @ t+1, geschätzt bei jedem t. Die Darstellung von P(Event)versus timeist wie in der folgenden Abbildung angegeben. In dieser Abbildung stellt die schwarze Linie dar, P(Event)wie von meinem …

9 time-series probability prediction model-comparison model-evaluation

2

ARIMA-Prognose mit Saisonalität und Trend, seltsames Ergebnis

Während ich mit ARIMA-Modellen in die Prognose einsteige, versuche ich zu verstehen, wie ich eine auf ARIMA basierende Prognose verbessern kann, die mit Saisonalität und Drift übereinstimmt. Meine Daten sind die folgenden Zeitreihen (über 3 Jahre, mit klarem Aufwärtstrend und sichtbarer Saisonalität, die durch die Autokorrelation bei den Verzögerungen 12, …

9 r time-series forecasting arima seasonality

1

Dynamisches Time Warping und Normalisierung

Ich verwende Dynamic Time Warping, um eine "Abfrage" - und eine "Vorlagen" -Kurve abzugleichen, und habe bisher vernünftigen Erfolg, aber ich habe einige grundlegende Fragen: Ich bewerte eine "Übereinstimmung", indem ich bewerte, ob das DTW-Ergebnis unter einem von mir heuristisch ermittelten Schwellenwert liegt. Ist dies der allgemeine Ansatz zur Bestimmung …

9 time-series normalization functional-data-analysis

3

Konzeptionelle Unterscheidung zwischen Heteroskedastizität und Nichtstationarität

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

2

Wie verwendet man eine einfache exponentielle Glättung in R?

Ich bin Anfänger in R, Könnten Sie bitte erklären, wie man ses im Prognosepaket der R- Prognose verwendet ? Ich möchte die Anzahl der Anfangsperioden und die Glättungskonstante wählen. d <- c(3,4,41,10,9,86,56,20,18,36,24,59,82,51,31,29,13,7,26,19,20,103,141,145,24,99,40,51,72,58,94,78,11,15,17,53,44,34,12,15,32,14,15,26,75,110,56,43,19,17,33,26,40,42,18,24,69,18,18,25,86,106,104,35,43,12,4,20,16,8) Ich habe 70 Perioden, ich möchte 40 Perioden für die anfängliche und 30 für die Out-of-Sample verwenden. ses(d, …

9 r time-series forecasting

1

Wie kann man beobachtete mit erwarteten Ereignissen vergleichen?

Angenommen, ich habe eine Stichprobe von Häufigkeiten von 4 möglichen Ereignissen: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 und ich habe die erwarteten Wahrscheinlichkeiten, dass meine Ereignisse eintreten: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 Mit der Summe der beobachteten …

9 r statistical-significance chi-squared multivariate-analysis exponential joint-distribution statistical-significance self-study standard-deviation probability normal-distribution spss interpretation assumptions cox-model reporting cox-model statistical-significance reliability method-comparison classification boosting ensemble adaboost confidence-interval cross-validation prediction prediction-interval regression machine-learning svm regularization regression sampling survey probit matlab feature-selection information-theory mutual-information time-series forecasting simulation classification boosting ensemble adaboost normal-distribution multivariate-analysis covariance gini clustering text-mining distance-functions information-retrieval similarities regression logistic stata group-differences r anova confidence-interval repeated-measures r logistic lme4-nlme inference fiducial kalman-filter classification discriminant-analysis linear-algebra computing statistical-significance time-series panel-data missing-data uncertainty probability multivariate-analysis r classification spss k-means discriminant-analysis poisson-distribution average r random-forest importance probability conditional-probability distributions standard-deviation time-series machine-learning online forecasting r pca dataset data-visualization bayes distributions mathematical-statistics degrees-of-freedom

3

Welches Modell kann verwendet werden, wenn die Annahme einer konstanten Varianz verletzt wird?

Welches Modell kann zur Anpassung univariater Zeitreihen verwendet werden, da das ARIMA-Modell nicht angepasst werden kann, wenn die Annahme einer konstanten Varianz verletzt wird?

9 time-series modeling forecasting arima

Als «time-series» getaggte Fragen