Вопросы с тегом «time-series»

Я пытаюсь применить временной ряд к ежеквартальным данным выборки (биомасса животных) за 10-летний период с 3 повторениями в квартал. Итак, 40 дат, но всего 120 наблюдений. Я прочитал до SARIMA'а в Shumway и Stoffer's Анализ временных рядов и его приложений, а также просмотрел Woodward, et. Прикладной анализ временных рядов, и …

11 r  time-series 

В приложении для интеллектуального анализа текста одним простым подходом является использование эвристики для создания векторов в виде компактных разреженных представлений документов. Это хорошо для настройки пакета, когда весь корпус известен априори, так как для требуется весь корпусi d fт ф- я деtf−idftf-idfя деidfidf я д е( т ) = журнал| …

11 time-series  text-mining 

Учитывая временной ряд, можно оценить автокорреляционную функцию и построить ее график, например, как показано ниже: Что же тогда можно прочитать о временных рядах из этой автокорреляционной функции? Например, можно ли рассуждать о стационарности временного ряда? Отредактировано : здесь я включил ACF дифференцированной серии с большим количеством лагов

11 time-series  autocorrelation 

У меня есть стохастическая модель, используемая для моделирования временных рядов какого-либо процесса. Меня интересует эффект изменения одного параметра на конкретное значение, и я хочу показать разницу между временными рядами (скажем, модель A и модель B) и своего рода доверительным интервалом, основанным на моделировании. Я просто запустил кучу симуляций из модели …

11 time-series  predictive-models  markov-process 

У меня есть общее количество звонков, полученных каждую неделю, и я нанес их на график, возвращаясь почти 3 года назад. На первый взгляд кажется, что за Рождество произошло значительное падение, которое, похоже, не восстановилось, кажется, что в запросах произошла ступенчатая смена. Есть ли тест, который я могу сделать, чтобы измерить …

11 time-series  statistical-significance  change-point 

Я работаю с процессом с двумя состояниями с в дляИксTИксTx_t{ 1 , - 1 }{1,-1}\{1, -1\}t = 1 , 2 , …Tзнак равно1,2,...t = 1, 2, \ldots Функция автокорреляции указывает на процесс с длинной памятью, т. Е. Отображает затухание степенного закона с показателем степени <1. Вы можете смоделировать аналогичные ряды …

11 time-series  predictive-models  autocorrelation 

Я наткнулся на изображение прототипа приложения, которое обнаруживает значительные изменения («тренды», а не всплески / выбросы) в данных трафика: Я хочу написать программу (Java, опционально R), способную делать то же самое, но поскольку мои навыки статистики немного устарели, мне нужно снова углубиться в эту тему. Какой подход / алгоритм я …

11 time-series  change-point 

Я хотел бы провести интервенционный анализ, чтобы количественно оценить результаты политического решения о продаже алкоголя с течением времени. Однако я довольно новичок в анализе временных рядов, поэтому у меня есть несколько вопросов для начинающих. Изучение литературы показывает, что другие исследователи использовали ARIMA для моделирования продаж алкоголя во временных рядах, с …

11 time-series  multivariate-analysis  arima  intervention-analysis 

Итак, что я прочитал о пророке Facebook, так это то, что он в основном разбивает временные ряды на тренды и сезонность. Например, аддитивная модель будет записана как: Y( т ) = г( t ) + s ( t ) + h ( t ) + eTY(T)знак равног(T)+s(T)+час(T)+еT y(t) = g(t) …

11 regression  machine-learning  time-series  prophet 

mgcvПакет Rимеет две функции для установки взаимодействия Тензор продукта: te()и ti(). Я понимаю основное разделение труда между ними (подгонка нелинейного взаимодействия против разложения этого взаимодействия на основные эффекты и взаимодействие). Чего я не понимаю, так это почему te(x1, x2)и ti(x1) + ti(x2) + ti(x1, x2)может дать (немного) разные результаты. MWE …

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 

Идея, лежащая в основе Recurrent Neural Network (RNN), мне ясна. Я понимаю это следующим образом: у нас есть последовательность наблюдений ( ) (или, другими словами, многомерный временной ряд). Каждое отдельное наблюдение является числовым вектором. В рамках RNN-модели мы предполагаем, что следующее наблюдение является функцией предыдущего наблюдения а также предыдущего "скрытого …

11 time-series  neural-networks  predictive-models  intuition  rnn 

Я составил следующий код с функцией stl (Сезонная декомпозиция временных рядов по Лесс): plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) Это показывает значительное сезонное изменение со случайными данными, помещенными в коде выше (функция rnorm). Изменения в значимости видны каждый раз, когда это выполняется, хотя картина иная. Два таких шаблона показаны ниже: Как мы можем …

11 time-series  seasonality  loess 

Работая с временными рядами, мы иногда выявляем и удаляем сезонность, используя спектральный анализ. Я - настоящий новичок во временных рядах, и меня смущает, почему нужно убрать сезонность из исходного временного ряда? Разве удаление сезонности не искажает исходные данные? Какие преимущества мы получаем, строя временные ряды, удаляя сезонность?

11 time-series  seasonality 

Процесс является строго стационарным , если совместное распределение X т 1 , Х т 2 , . , , , Х т т такое же , как совместное распределение X т 1 + K , X т 2 + к , . , , , X t m + k …

11 time-series  autocorrelation  stochastic-processes  stationarity 

Учитывая (наблюдаемый) временные ряды с Й т ∈ { 1 , . , , , П } , есть статистический тест для проверки нуль-гипотезы , что Р ( Х т | Х т - 1 , Х т - 2 , . . . , X 1 ) = Р …

11 time-series  hypothesis-testing  markov-process