Als «time-series» getaggte Fragen

Ich möchte eine synthetische Zeitreihe generieren. Die Zeitreihe muss eine Markov-Kette mit einer Gamma-Randverteilung und einem AR (1) -Parameter von . Kann ich dies tun, indem ich einfach eine Gammaverteilung als Rauschbegriff in einem AR (1) -Modell verwende, oder muss ich einen differenzierteren Ansatz verwenden?ρρ\rho

8 time-series  markov-process  gamma-distribution  autoregressive 

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 

Ich mache nur ein paar Gedankenspiele, die meine Statistiknotizen durchgehen ... Ich habe ACFs mit negativen Werten bei den Verzögerungen 1 und 2 gesehen - ich habe hier vielleicht einen leeren Kopf, aber würde ein hoher negativer AC bei Verzögerung 1 nicht eine Reihe wie (-1,1, -1,1, ...), und als …

8 time-series  correlation  autocorrelation 

Ich bin ein Anfänger mit maschinellem Lernen (ich habe Ngs Kurs beendet), ich benutze Scikit-Learn in Python. Ich möchte den besten Weg finden, um Anomalien in unserem System zu erkennen. Wir haben laufende Ereignisse, die nach einem Zeitplan auftreten (alle paar Minuten / Stunden), und ich möchte erkennen, wenn etwas …

8 time-series  python  scikit-learn  anomaly-detection 

Ich verwende PCA, um mehrere räumlich verwandte Zeitreihen zu analysieren, und es scheint, dass der erste Eigenvektor der Ableitung des mittleren Trends der Reihe entspricht (Beispiel unten dargestellt). Ich bin gespannt, warum sich der erste Eigenvektor auf die Ableitung des Trends im Gegensatz zum Trend selbst bezieht. Die Daten sind …

8 time-series  pca  spatial  eigenvalues 

Ich habe einen Datensatz mit Wassertemperaturmessungen, die über einen Zeitraum von Jahrzehnten in unregelmäßigen Abständen an einem großen Wasserkörper durchgeführt wurden. (Galveston Bay, TX, wenn Sie interessiert sind) Hier ist der Kopf der Daten: STATION_ID DATE TIME LATITUDE LONGITUDE YEAR MONTH DAY SEASON MEASUREMENT 1 13296 6/20/91 11:04 29.50889 -94.75806 …

8 time-series  seasonality  trend  unevenly-spaced-time-series 

Ich führe einige Regressionen durch und habe mich, da ich auf der sicheren Seite sein wollte, entschlossen, durchgehend HAC-Standardfehler (Heteroskedasticity & Autocorrelation Consistent) zu verwenden. Es kann einige Fälle geben, in denen keine serielle Korrelation vorliegt. Ist das sowieso ein gültiger Ansatz? Gibt es irgendwelche Nachteile?

8 time-series  least-squares  standard-error  robust  robust-standard-error 

Zum Aufwärmen mit wiederkehrenden neuronalen Netzen versuche ich, eine Sinuswelle von einer anderen Sinuswelle einer anderen Frequenz vorherzusagen. Mein Modell ist eine einfache RNN, deren Vorwärtsdurchlauf wie folgt ausgedrückt werden kann: wobeiσdie Sigmoïd-Funktion ist.rtzt=σ(Win⋅xt+Wrec⋅rt−1))=Wout⋅rtrt=σ(Win⋅xt+Wrec⋅rt−1))zt=Wout⋅rt \begin{aligned} r_t &= \sigma(W_{in} \cdot x_t + W_{rec} \cdot r_{t-1}))\\ z_t &= W_{out} \cdot r_t \end{aligned} …

8 regression  time-series  neural-networks  deep-learning  rnn 

Ich habe Daten, denen zwei Verhaltensweisen zugrunde liegen. Erstens gibt es eine Periodizität darin. Es sieht aus wie eine Sinuskurve. Zweitens weisen die Datenpunkte ein konstantes Wachstum auf. Wenn ich also 100 Datenpunkte ohne Wachstum habe, sieht es aus wie eine Sinuskurve. Aber aufgrund der Wachstumsrate darin. Es gibt eine …

8 time-series  seasonality  trend  fourier-transform 

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 

Ich versuche, PoissonDaten, die in Gruppen unterteilt sind 1-26 months of data, je nach Gruppe vorherzusagen. Von den gepoolten Daten 65% has a value of 0und 25% a value of 1. Ich konnte keine Trends oder Saisonalität finden und begann, ein paar verschiedene Modelle von Schreibwaren zu testen. Moving average …

8 time-series  forecasting  count-data  prediction-interval  intermittent-time-series 

Ich habe eine binäre Zeitreihe: Wir haben 2160 Daten (0 = nicht passiert, 1 = passiert) für einen Zeitraum von einer Stunde in 90 Tagen. Ich möchte nach diesen 90 Tagen prognostizieren, wo die nächste 1 stattfinden wird, und diese Bestimmung auch für den nächsten Monat verlängern.

8 time-series  binary-data 

Um zu bestimmen , Kreuzkorrelation zwischen Salesund Variable cost, die beide mit monatlicher Saisonalität, brauche ich , um de-seasonalize beid Serien?

8 time-series  seasonality  cross-correlation 

Man erkennt , dass im allgemeinen Statistik, die Kointegration Tests gezeigt werden . Ich glaube, dass dies für alle Kointegrationstests gilt, daher ist der jeweils verwendete Test möglicherweise irrelevant.A,B≠B,AA,B≠B,AA, B \ne B,A Ich habe jedoch festgestellt, dass die beiden Teststatistiken im Allgemeinen "nahe" liegen: Die beiden Teststatistiken befinden sich auf …

8 time-series  cointegration 

Die arimaxFunktion im TSAPaket ist meines Wissens das einzige RPaket, das für eine Übertragungsfunktion für Interventionsmodelle geeignet ist. Es fehlt jedoch eine Vorhersagefunktion, die manchmal benötigt wird. Ist das Folgende eine Problemumgehung für dieses Problem, bei der das hervorragende forecastPaket genutzt wird? Werden die Vorhersageintervalle korrekt sein? In meinem Beispiel …

8 r  time-series  forecasting  arima  intervention-analysis