Pertanyaan yang diberi tag «time-series»

Dengan serangkaian waktu, seseorang dapat memperkirakan fungsi autokorelasi dan memplotnya, misalnya seperti yang terlihat di bawah ini: Apa yang kemudian bisa dibaca tentang deret waktu, dari fungsi autokorelasi ini? Apakah itu misalnya mungkin untuk beralasan tentang stasioneritas dari deret waktu? Diedit : Di sini saya telah memasukkan ACF dari seri …

11 time-series  autocorrelation 

Saya memiliki model stokastik yang digunakan untuk mensimulasikan deret waktu dari beberapa proses. Saya tertarik pada efek mengubah satu parameter ke nilai tertentu dan ingin menunjukkan perbedaan antara deret waktu (katakanlah model A dan model B) dan semacam interval kepercayaan berbasis simulasi. Saya hanya menjalankan banyak simulasi dari model A …

11 time-series  predictive-models  markov-process 

Saya memiliki jumlah total panggilan yang diterima setiap minggu dan telah merencanakannya pada sebuah grafik, kembali hampir 3 tahun. Dari mata tampak bahwa ada penurunan besar selama Natal, yang tampaknya tidak pulih, tampaknya telah terjadi perubahan langkah dalam permintaan. Apakah ada tes yang dapat saya lakukan yang dapat mengukur perbedaan …

11 time-series  statistical-significance  change-point 

Saya sedang bekerja dengan proses dua keadaan dengan di untukxtxtx_t{1,−1}{1,−1}\{1, -1\}t=1,2,…t=1,2,…t = 1, 2, \ldots Fungsi autokorelasi merupakan indikasi dari suatu proses dengan memori panjang, yaitu menampilkan pembusukan hukum daya dengan eksponen <1. Anda dapat mensimulasikan seri yang serupa dalam R dengan: > library(fArma) > x<-fgnSim(10000,H=0.8) > x<-sign(x) > acf(x) …

11 time-series  predictive-models  autocorrelation 

Saya menemukan gambar prototipe aplikasi yang menemukan perubahan signifikan ("tren" - bukan paku / outlier) dalam data lalu lintas: Saya ingin menulis sebuah program (Java, opsional R) yang dapat melakukan hal yang sama - tetapi karena keterampilan statistik saya agak berkarat, saya perlu menggali topik ini lagi. Pendekatan / algoritma …

11 time-series  change-point 

Saya ingin melakukan analisis intervensi untuk mengukur hasil keputusan kebijakan tentang penjualan alkohol dari waktu ke waktu. Saya cukup baru dalam analisis deret waktu, jadi saya punya beberapa pertanyaan pemula. Pemeriksaan literatur mengungkapkan bahwa peneliti lain telah menggunakan ARIMA untuk memodelkan penjualan alkohol seri waktu, dengan variabel dummy sebagai regressor …

11 time-series  multivariate-analysis  arima  intervention-analysis 

Jadi apa yang saya baca tentang nabi Facebook adalah bahwa ia pada dasarnya memecah seri waktu menjadi tren dan musiman. Misalnya, model aditif akan ditulis sebagai: y( t ) = g( t ) + s ( t ) + h ( t ) + ety(t)=g(t)+s(t)+h(t)+et y(t) = g(t) + s(t) …

11 regression  machine-learning  time-series  prophet 

Apa cara terbaik untuk membagi data deret waktu ke dalam rangkaian kereta / tes / validasi, di mana set validasi akan digunakan untuk penyetelan hyperparameter? Kami memiliki data penjualan harian senilai 3 tahun, dan rencana kami akan menggunakan 2015-2016 sebagai data pelatihan, kemudian secara acak sampel 10 minggu dari data …

11 time-series  cross-validation  validation 

Saya sedang mempertimbangkan dua strategi untuk melakukan "augmentasi data" pada peramalan seri waktu. Pertama, sedikit latar belakang. Prediktor untuk meramalkan langkah selanjutnya dari rangkaian waktu adalah fungsi yang biasanya bergantung pada dua hal, seri waktu yang menyatakan masa lalu, tetapi juga keadaan masa lampau sang prediktor:PPP{Ai}{Ai}\lbrace A_i\rbrace P({Ai≤t−1},PSt−1)P({Ai≤t−1},PSt−1)P(\lbrace A_{i\leq t-1}\rbrace,P_{S_{t-1}}) …

11 time-series  data-augmentation 

The mgcvpaket untuk Rmemiliki dua fungsi untuk pas interaksi produk tensor: te()dan ti(). Saya memahami pembagian kerja dasar antara keduanya (menyesuaikan interaksi non-linear vs menguraikan interaksi ini menjadi efek utama dan interaksi). Yang tidak saya mengerti adalah mengapa te(x1, x2)dan ti(x1) + ti(x2) + ti(x1, x2)mungkin menghasilkan (sedikit) hasil yang …

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 

Gagasan di balik Jaringan Syaraf Berulang (RNN) jelas bagi saya. Saya memahaminya dengan cara berikut: Kami memiliki urutan pengamatan ( ) (atau, dengan kata lain, deret waktu multivarian). Setiap pengamatan tunggal adalah vektor numerik dimensi. Di dalam model-RNN kita mengasumsikan bahwa pengamatan selanjutnya adalah fungsi dari pengamatan sebelumnya serta "keadaan …

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

Saya diplot dengan kode berikut dengan fungsi stl (Seasonal Decomposition of Time Series by Loess): plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) Ini menunjukkan variasi musiman yang signifikan dengan data acak dimasukkan ke dalam kode di atas (fungsi rnorm). Variasi yang signifikan terlihat setiap kali dijalankan, meskipun polanya berbeda. Dua pola tersebut ditunjukkan di …

11 time-series  seasonality  loess 

Saat bekerja dengan deret waktu, kami terkadang mendeteksi dan menghapus musiman menggunakan analisis spektral. Saya seorang pemula dalam rangkaian waktu, dan saya bingung mengapa orang ingin menghapus musiman dari rangkaian waktu asli? Tidak menghapus musiman mengubah data asli? Apa manfaat yang kita dapatkan dengan membangun rangkaian waktu dengan menghapus musiman?

11 time-series  seasonality 

Proses benar-benar diam jika distribusi gabungan sama dengan distribusi gabungan untuk semua m , untuk semua k dan untuk semua t_1, t_2, ..., t_m .X t 1 , X t 2 , . . . , X t m X t 1 + k , X t 2 + k …

11 time-series  autocorrelation  stochastic-processes  stationarity 

Diberikan seri waktu (diamati) dengan , apakah ada uji statistik untuk menguji hipotesis nol bahwa (yaitu properti markov)?X t ∈ { 1 , . . . , N } P ( X t | X t - 1 , X t - 2 , . . . , X 1 …

11 time-series  hypothesis-testing  markov-process