Запитання з тегом «time-series»

Я намагаюся застосувати часовий ряд до щоквартальних вибіркових даних (тваринна біомаса) протягом 10 років з 3 повторами на квартал. Тож 40 дат, але 120 загальних спостережень. Я читав до SARIMA'a в Shumway та Stoffer's Time Series Analysis, і це програми, а також знежирений Woodward та ін. Альфа - прикладний аналіз …

11 r  time-series 

У програмі видобутку тексту одним простим підходом є використання евристичного для створення векторів як компактних розріджених зображень документів. Це добре для серійної установки, де весь корпус відомий априорі, оскільки i d f вимагає весь корпуст ф- я дfтf-iгftf-idfя дfiгfidf i d f( t ) = журнал| Д ||{ д: t …

11 time-series  text-mining 

Враховуючи часовий ряд, можна оцінити функцію автокореляції та побудувати її, наприклад, як показано нижче: Що тоді можна прочитати про часовий ряд, з цієї функції автокореляції? Чи можна, наприклад, міркувати про стаціонарність часового ряду? Відредаговано : Тут я включив ACF розрізненої серії з більшою кількістю затримок

11 time-series  autocorrelation 

У мене є стохастична модель, яка використовується для імітації часових рядів певного процесу. Мене цікавить ефект зміни одного параметра на конкретне значення і хочу показати різницю між тимчасовим рядом (скажімо, модель A і модель B) і якимось довірчим інтервалом на основі моделювання. Я просто запускав купу моделей з моделі A …

11 time-series  predictive-models  markov-process 

Я маю загальну кількість дзвінків, що надійшли щотижня, і склав їх на графіку, починаючи майже 3 роки. На очей здається, що на Різдво відбулося масове падіння, яке, схоже, не відновилося, схоже, що в запитах сталася крокова зміна. Чи є тест, який я можу зробити, що може кількісно оцінити цю різницю? …

11 time-series  statistical-significance  change-point 

Я працюю з процесом з в для { 1 , - 1 } t = 1 , 2 , …xtxtx_t{1,−1}{1,−1}\{1, -1\}t=1,2,…t=1,2,…t = 1, 2, \ldots Функція автокореляції вказує на процес з довгою пам’яттю, тобто він відображає розпад закону потужності із показником <1. Ви можете імітувати аналогічний ряд у R за …

11 time-series  predictive-models  autocorrelation 

Я натрапив на фотографію прототипу програми, який знаходить значні зміни ("тенденції" - не шипи / перекиди) у даних про трафік: Я хочу написати програму (Java, необов'язково R), яка здатна зробити те саме - але оскільки мої статистичні навички трохи іржаві, мені потрібно знову заглиблюватися в цю тему. Який підхід / …

11 time-series  change-point 

Я хотів би зробити аналіз втручання, щоб оцінити результати політичного рішення щодо продажу алкоголю з часом. Однак я досить новий в аналізі часових рядів, тому у мене є питання для початківців. Експертиза літератури свідчить про те, що інші дослідники використовували ARIMA для моделювання продажів алкоголю за часовими рядами, а манекенні …

11 time-series  multivariate-analysis  arima  intervention-analysis 

Тож, що я читав про пророка Facebook, це те, що він в основному розбиває часові ряди на тренди та сезонність. Наприклад, модель добавки буде записана у вигляді: у( t ) = g( t ) + s ( t ) + h ( t ) + eту(т)=г(т)+с(т)+год(т)+ет y(t) = g(t) + …

11 regression  machine-learning  time-series  prophet 

У mgcvпакеті Rє дві функції для встановлення тензорних взаємодій між продуктами: te()і ti(). Я розумію основний розподіл праці між двома (встановлення нелінійної взаємодії проти декомпозиції цієї взаємодії на основні ефекти та взаємодію). Чого я не розумію, це чому te(x1, x2)і ti(x1) + ti(x2) + ti(x1, x2)може давати (трохи) різні результати. …

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 

Ідея, що стоїть за періодичною нейронною мережею (RNN), мені зрозуміла. Я розумію це таким чином: У нас є послідовність спостережень ( о⃗ 1, о⃗ 2, … , О⃗ нo→1,o→2,…,o→n\vec o_1, \vec o_2, \dots, \vec o_n ) (або, іншими словами, багатоваріантний часовий ряд). Кожне окреме спостереження о⃗ io→i\vec o_i - NNN …

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

Я побудував наступний код з функцією stl (Сезонне декомпозиція часових рядів по Лоссу): plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) Він показує знакову сезонність з випадковими даними, введеними в код вище (функція rnorm). Значні зміни спостерігаються щоразу, коли цей запуск виконується, хоча шаблон є іншим. Нижче показано дві такі схеми: Як ми можемо розраховувати …

11 time-series  seasonality  loess 

Працюючи з часовими рядами, ми іноді виявляємо та вилучаємо сезонність за допомогою спектрального аналізу. Я справжній початківець у часових рядах, і мене бентежить, чому б хотілося зняти сезонність із початкового часового ряду? Чи не усунення сезонності спотворює вихідні дані? Які переваги ми отримуємо, будуючи часовий ряд, вилучаючи сезонність?

11 time-series  seasonality 

Процес є строго стаціонарним , якщо спільний розподіл X т 1 , Х т 2 , . . . , X t m - те саме, що спільний розподіл для всіх , для всіх і для всіх .XтХтX_tXt1,Xt2, . . . , XtмХт1,Хт2,...,ХтмX_{t_1},X_{t_2},...,X_{t_m} т до т 1 , т 2 …

11 time-series  autocorrelation  stochastic-processes  stationarity 

Враховуючи (спостерігається) часовий ряд з , чи існує статистичний тест для тестування нульової гіпотези, що (тобто властивість markov)?ХтХтX_tХт∈ { 1 , . . . , n }Хт∈{1,...,н}X_t\in\{1,...,n\}П( Xт| Хt - 1, Xt - 2, . . . , X1) = Р( Xт| Хt - 1)П(Хт|Хт-1,Хт-2,...,Х1)=P(Xt|Xt−1)P(X_t|X_{t-1},X_{t-2},...,X_1)=P(X_t|X_{t-1})

11 time-series  hypothesis-testing  markov-process