Pertanyaan yang diberi tag «autoregressive»

Model autoregressive (AR) adalah pemodelan proses stokastik deret waktu, yang menentukan nilai deret secara linier dari segi nilai sebelumnya.



2
Jika model deret waktu regresif otomatis adalah non-linear, apakah masih memerlukan stasioneritas?
Berpikir tentang menggunakan jaringan saraf berulang untuk peramalan deret waktu. Mereka pada dasarnya menerapkan semacam regresi otomatis non-linier umum, dibandingkan dengan model ARMA dan ARIMA yang menggunakan regresi otomatis linier. Jika kita melakukan regresi otomatis non-linier, apakah masih perlu agar deret waktu tetap dan apakah kita perlu melakukan pembedaan seperti …


2
Proses AR (1) dengan kesalahan pengukuran heteroskedastik
1. Masalahnya Saya memiliki beberapa pengukuran variabel , di mana , di mana saya memiliki distribusi diperoleh melalui MCMC, yang untuk kesederhanaan saya akan menganggapnya sebagai gaussian rata-rata dan varians \ sigma_t ^ 2 .ytyty_tt=1,2,..,nt=1,2,..,nt=1,2,..,nfyt(yt)fyt(yt)f_{y_t}(y_t)μtμt\mu_tσ2tσt2\sigma_t^2 Saya punya model fisik untuk pengamatan itu, katakanlah g(t)g(t)g(t) , tetapi residual rt=μt−g(t)rt=μt−g(t)r_t = \mu_t-g(t) …



3
Mengapa estimator OLS untuk koefisien AR (1) bias?
Saya mencoba memahami mengapa OLS memberikan penduga yang bias dari proses AR (1). Pertimbangkan Dalam model ini, eksogenitas ketat dilanggar, yaitu dan berkorelasi tetapi dan tidak berkorelasi. Tetapi jika ini benar, lalu mengapa derivasi sederhana berikut tidak berlaku? ytϵt=α+βyt−1+ϵt,∼iidN(0,1).yt=α+βyt−1+ϵt,ϵt∼iidN(0,1). \begin{aligned} y_{t} &= \alpha + \beta y_{t-1} + \epsilon_{t}, \\ \epsilon_{t} …





1
Perbedaan R dan EViews dalam estimasi AR (1)
Utama masalah adalah: Saya tidak dapat memperoleh estimasi parameter yang sama dengan EViews dan R. Untuk alasan yang saya sendiri tidak tahu, saya perlu memperkirakan parameter untuk data tertentu menggunakan EViews. Ini dilakukan dengan memilih opsi NLS (nonlinear least square) dan menggunakan rumus berikut:indep_var c dep_var ar(1) EViews mengklaim bahwa …

4
Model Sejarah Acara Diskrit-Waktu (Bertahan Hidup) di R
Saya mencoba menyesuaikan model waktu-diskrit dalam R, tapi saya tidak yakin bagaimana melakukannya. Saya telah membaca bahwa Anda dapat mengatur variabel dependen dalam baris yang berbeda, satu untuk setiap pengamatan waktu, dan menggunakan glmfungsi dengan logit atau tautan cloglog. Dalam hal ini, saya memiliki tiga kolom: ID, Event(1 atau 0, …
10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 

1
Nilai variabel tersembunyi regresi linear R "bernilai"
Ini hanya contoh yang saya temui beberapa kali, jadi saya tidak punya data sampel. Menjalankan model regresi linier di R: a.lm = lm(Y ~ x1 + x2) x1adalah variabel kontinu. x2bersifat kategorikal dan memiliki tiga nilai, mis. "Rendah", "Sedang" dan "Tinggi". Namun output yang diberikan oleh R akan menjadi seperti: …
10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.