タグ付けされた質問 「autocorrelation」

2つのデータセットがあります。 私の最初のデータセットは、時間に対する投資の価値（数十億ドル単位）であり、各単位時間は1947年の第1四半期から四半期です。時間は2002年の第3四半期まで延長されます。 私の2番目のデータセットは、「[最初のデータセット]への投資の値をほぼ定常的なプロセスに変換した結果」です。 最初のデータセットと2番目のデータセット それぞれのACFプロット： プロットが正しいことを知っているので、「コメントする」ように求められます。自己相関関数は比較的新しいので、自分のデータについて何がわかるのかは完全にはわかりません。 誰かが時間をかけて簡単に説明できるとしたら、非常にありがたいです。

11 r  self-study  data-visualization  autocorrelation 

時系列が与えられると、自己相関関数を推定してプロットすることができます。たとえば、次のようになります。 次に、この自己相関関数から、時系列について何を読み取ることができますか？たとえば、時系列の定常性について推論することは可能ですか？ 編集：ここでは、ラグの多い差分シリーズのACFを含めました

11 time-series  autocorrelation 

私は、に対してでを使用して2つの状態のプロセスを処理していますバツtxtx_t{ 1 、− 1 }{1,−1}\{1, -1\}T = 1 、2 、...t=1,2,…t = 1, 2, \ldots 自己相関関数は、メモリが長いプロセスを示します。つまり、指数<1のべき乗則減衰を表示します。Rで次のような系列をシミュレートできます。 > library(fArma) > x<-fgnSim(10000,H=0.8) > x<-sign(x) > acf(x) 私の質問：自己相関関数だけが与えられた系列の次の値を最適に予測するための標準的な方法はありますか？予測する1つの方法は、単に バツ^（t ）= x （t − 1 ）x^(t)=x(t−1)\hat{x}(t) = x(t-1) これは、分類率を持ちます。ここで、はlag-1の自己相関ですが、ロングメモリ構造を考慮に入れることで、より適切に実行できるように思えます。（1 + ρ1）/ 2（1+ρ1）/2(1 + \rho_1) / 2ρρ\rho

11 time-series  predictive-models  autocorrelation 

私は基本的に次のような2年間のデータを持っています。 日付 _ __ 暴力Y / N？_ 患者数 2008年1月1日 _ ___ 0 __ _ __ _ ____ 11 2008 年2月1日_ __ _ 0 _ __ _ __ _ __ 11 2008年3 月1日_ ____ 1 __ _ __ _ ____ 12 2008年4月1日_ ____ 0 __ _ __ _ ____ 12 ... …

11 r  mixed-model  autocorrelation  panel-data 

それは本当に高いようですが、これは私には直観に反しています。誰か説明してもらえますか？私はこの問題に非常に混乱しており、詳細で洞察に満ちた説明をいただければ幸いです。よろしくお願いします！

11 autocorrelation  random-walk 

ACFとPACFの時系列プロットにおけるカットオフとテールオフの意味を理解しようとしています。 「ラグ後にカットオフ」とはどういう意味ですか？これは限界について？ 「テールズオフ」とはどういう意味ですか？ 上記の例では、私が勉強に使用している本、それがARプロセスだと言っています。 しかし、「切り捨て」と「引き下げ」の意味がわかりません

11 time-series  autocorrelation  terminology 

プロセス場合の結合分布厳密に静止しているXのT 1、X 、T 2、。。。、X T mはの結合分布と同じであるXのT 1 + K、X T 2 + K、。。。、X t m + kすべてのm、すべてのk、すべてのt 1、t 2、XtXtX_tXt1,Xt2,...,XtmXt1,Xt2,...,XtmX_{t_1},X_{t_2},...,X_{t_m}Xt1+k,Xt2+k,...,Xtm+kXt1+k,Xt2+k,...,Xtm+kX_{t_1+k},X_{t_2+k},...,X_{t_m+k}mmmkkk。t1,t2,...,tmt1,t2,...,tmt_1,t_2,...,t_m 平均が一定で、自己共分散関数がラグのみに依存する場合、プロセスは2次定常です。 したがって、2次定常は厳密な定常を意味しますか？ また、2次定常状態では、1次および2次のモーメントよりも高いモーメントについては想定されていません。1次モーメントは平均に対応しますが、2次モーメントは自己共分散に対応しますか？

11 time-series  autocorrelation  stochastic-processes  stationarity 

MCMCで自己相関をチェックする必要性について読み続けています。自己相関が低いことが重要なのはなぜですか？MCMCのコンテキストでは何を測定しますか？

11 sampling  autocorrelation  mcmc 

Rの回帰モデルにDWテストを適用し、1.78のDWテスト統計と2.2e-16 = 0のp値を得ました。 これは、統計値が2に近く、p値が小さいため、残差間に自己相関がないことを意味しますか、それとも、統計値が2に近いにもかかわらず、p値が小さいため、存在するという帰無仮説を棄却します自己相関なし？

11 r  regression  hypothesis-testing  autocorrelation  residuals 

時系列として使用される自動相関ランダム値を作成しようとしています。参照する既存のデータはなく、ベクターを最初から作成したいだけです。 一方では、もちろん、分布とそのSDを使用したランダムプロセスが必要です。 一方、ランダムプロセスに影響を与える自己相関について説明する必要があります。ベクトルの値は、いくつかのタイムラグで強度が減少することと自己相関します。たとえば、lag1には0.5、lag2 0.3、lag1 0.1などがあります。 したがって、最終的にベクトルは次のようになります。2、4、7、11、10、8、5、4、2、-1、2、5、9、12、13、10、8、4、3。 1、-2、-5 等々。

11 r  time-series  random-variable  autocorrelation  lags 

私は、RとJAGSを使用したメタ分析のためのやや複雑な階層ベイズモデルを構築しています。ビットを簡略化、モデルの2つの主要なレベルが有する α J = Σ H γ H （J ） + ε J Y I jがあるIこの場合、エンドポイントの目を観察（ 、研究における対非GM作物の収量GM）jは、α jは、研究のための効果であるJ、γy私はj= αj+ ϵ私yij=αj+ϵi y_{ij} = \alpha_j + \epsilon_i αj= ∑hγh （j ）+ ϵjαj=∑hγh(j)+ϵj\alpha_j = \sum_h \gamma_{h(j)} + \epsilon_jy私はjyijy_{ij}私iijjjαjαj\alpha_jjjjγγ\gammaSは関数の家族によって様々な研究レベルの変数（などの研究が行われた国の経済発展状況、作物種、勉強法、）のための効果インデックス化されている、およびε sがエラー項です。ことを注意γ sがダミー変数の係数はありません。代わりに、さまざまな研究レベルの値に対して異なるγ変数があります。例えば、あるγ D 、E 、V 、E 、L 、O 、P 、I 、N 、G、発展途上国とのためのγ のD 、E のV …

10 autocorrelation  multilevel-analysis  mcmc  jags 

Durbin-Watson検定は、ラグ1での残差の自己相関をテストしますが、ラグ1での自己相関を直接テストします。さらに、ラグ2、3、4で自己相関をテストできます。複数のラグでの自己相関の適切なポートマンテストがあり、見やすく、簡単に解釈できるグラフ[Rのacf（）関数など]を取得できます。ダービン・ワトソンは理解するのが直感的ではなく、しばしば決定的な結果を生み出しません。では、なぜそれを使用するのでしょうか。 これは、ダービン・ワトソン検定の決定性に関するこの質問に触発されましたが、それとは明らかに異なります。

10 time-series  autocorrelation 

次の自己相関関数の図の青い点線を理解するのに少し問題があります。 誰かが私に簡単な説明をしてもらえますか？

10 r  time-series  autocorrelation 

経験的直観で週ごとの季節性を期待する必要があると言うデータセットがあります（つまり、土曜日と日曜日の動作は他の週の動作とは異なります）。この前提が当てはまる場合、自己相関グラフから7のラグ倍数でバーストが発生しないはずです。 データのサンプルは次のとおりです。 data = TemporalData[{{{2012, 09, 28}, 19160768}, {{2012, 09, 19}, 19607936}, {{2012, 09, 08}, 7867456}, {{2012, 09, 15}, 11245024}, {{2012, 09, 04}, 0}, {{2012, 09, 21}, 24314496}, {{2012, 09, 12}, 11233632}, {{2012, 09, 03}, 9886496}, {{2012, 09, 09}, 9122272}, {{2012, 09, 24}, 23103456}, {{2012, 09, 20}, 25721472}, {{2012, 09, …

10 time-series  autocorrelation  forecasting 

時系列と非時系列の概念を混同している可能性がありますが、シリアル相関を示す回帰モデルと単位根を示すモデルの違いは何ですか？ さらに、シリアル相関のテストにダービンワトソン検定を使用できるのに、単位根にはディッキーフラー検定を使用する必要があるのはなぜですか。（これは、独立変数にラグを含むモデルではダーバンワトソン検定を使用できないためです。）

10 time-series  autocorrelation  unit-root