Запитання з тегом «time-series»

Я початківець в R, чи не могли б ви пояснити, як використовувати ses в пакеті прогнозу R прогнозу ? Я хотів би вибрати кількість початкових періодів і постійну згладжування. 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) У мене 70 періодів, я хотів би використати 40 періодів для початкових і 30 для вибіркових. ses(d, h=30, …

9 r  time-series  forecasting 

Припустимо, у мене є один зразок частоти 4 можливих подій: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 і я маю очікувані ймовірності моїх подій: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 За допомогою суми спостережуваних частот моїх чотирьох подій (18) …

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 

Оскільки ми не можемо підходити до моделі ARIMA, коли припущення про постійну дисперсію порушується, яку модель можна використовувати для пристосування одновимірних часових рядів?

9 time-series  modeling  forecasting  arima 

Я встановив модель ARIMA (5,1,2), використовуючи auto.arima()функцію R, і, шукаючи порядок, можна сказати, що це не найкраща модель для прогнозування. Якщо в ряді даних існують інші люди, який спосіб пристосувати модель до таких даних?

9 r  time-series  forecasting  outliers  arima 

Наступні трансплантати взяті з цієї статті . Я новачок у завантажувальній програмі та намагаюся реалізувати параметричне, напівпараметричне та непараметричне завантажувальне завантаження для лінійної змішаної моделі з R bootпакетом. R код Ось мій Rкод: library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

У мене є досить складний набір даних для аналізу, і я не можу знайти гарне рішення для цього. Ось річ: 1. необроблені дані - це фактично записи пісень комах. Кожна пісня зроблена з декількох поривів, а кожен сплеск зроблений з підрозділів. Усі особи фіксувались протягом 5 хвилин. Кількість вибухів та …

9 time-series  mixed-model  repeated-measures  random-effects-model 

Я вкладав деякі дані часових рядів за допомогою загальної моделі добавок Пуассона за допомогою SAS PROC GAM. Взагалі кажучи, у мене вбудована узагальнена процедура перехресної перевірки генерує принаймні гідну "вихідну точку" для мого єдиного сплайна, що є нелінійною функцією часу разом з одним параметричним терміном (один я мене насправді цікавить). …

9 time-series  sas  splines  gam 

Як побічне захоплення я досліджував часові ряди прогнозування (зокрема, використовуючи R). За моїми даними, я маю кількість відвідувань на день, за кожен день назад майже 4 роки. У цих даних є кілька чітких закономірностей: Понеділок-Пт має багато відвідувань (найвище в пн / вт), але різко менше на сб-нд. Певна пора …

9 r  time-series  seasonality  forecasting 

У мене є часовий ряд вимірювань (висоти - одновимірний ряд). У період спостереження процес вимірювання за деякий час знижувався. Таким чином, отримані дані є вектором з NaN, де у даних були прогалини. Використовуючи MATLAB, це викликає у мене проблеми при обчисленні автокореляції ( autocorr) та застосуванні нейронних мереж ( nnstart). …

9 time-series  dataset  matlab  autocorrelation  missing-data 

Вступ В поєднанні прогнозів одне з популярних рішень базується на застосуванні певного інформаційного критерію. Взявши для прикладу критерій AkaikeAICjAICjAIC_j оцінено для моделі jjj, можна обчислити відмінності AICjAICjAIC_j з AIC∗=minjAICjAIC∗=minjAICjAIC^* = \min_j{AIC_j}і тоді RPj=e(AIC∗−AICj)/2RPj=e(AIC∗−AICj)/2RP_j = e^{(AIC^*-AIC_j)/2} можна інтерпретувати як відносну ймовірність того, що модель jjj є справжньою. Потім ваги визначаються як …

9 time-series  forecasting  data-transformation  econometrics 

Обидві змінні (залежні та незалежні) демонструють ефекти автокореляції. Дані часові ряди та стаціонарні Під час запуску регресії залишки не співвідносяться. Моя статистика Дурбіна-Уотсона більша за верхнє критичне значення, тому є докази того, що терміни помилок не є позитивно співвіднесеними. Крім того, коли я будую ACF для помилок, схоже, що там …

9 regression  time-series  autocorrelation 

У мене є шумні часові ряди, які мені потрібно сегментувати на ті ділянки з нульовою середньою, а ті ділянки без нульового середнього. Важливо знайти межі якомога точніше (чітко, де межа точно лежить, трохи суб'єктивно). Я думаю, що варіант кузуму може бути пристосований для цього, але оскільки в основному йдеться про …

9 time-series  classification  mean  change-point 

Я намагаюся повторити обчислення, які SAS і SPSS роблять для часткової функції автокореляції (PACF). У SAS він виробляється через Proc Arima. Значення PACF - це коефіцієнти авторегресії ряду, що становить інтерес, на відсталі значення ряду. Моя змінна інтерес - це продажі, тому я обчислюю lag1, lag2 ... lag12, і я …

9 time-series  autocorrelation  partial 

Які відмінності між VAR (векторною автоматичною регресією) та MANOVA?

9 time-series  manova  autoregressive 

Я переглядаю книгу "Вступний часовий ряд з R" від Cowpertwait і Metcalfe. На сторінці 36 написано, що рядки розміщені за адресою: . Я прочитав тут на форумі R, що рядки знаходяться в . - 1 / n ± 2 /н--√-1/н±2/н-1/n \pm 2/\sqrt{n}± 1,96 /н--√±1,96/н\pm 1.96/\sqrt{n} Я застосував такий код: b …

9 r  time-series