タグ付けされた質問 「time-series」

stl（Loessによる時系列の季節分解）関数を使用して次のコードでプロットしました。 plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) 上記のコード（rnorm関数）にランダムデータを配置すると、季節変動が大きくなります。パターンは異なりますが、これを実行するたびに大きな変動が見られます。そのような2つのパターンを以下に示します。 季節変動が見られる場合、いくつかのデータのstl関数にどのように依存できますか。この季節変動は、他のいくつかのパラメータを考慮して確認する必要がありますか？あなたの洞察をありがとう。 コードはこのページから取得されました：これは自殺カウントデータの季節的影響をテストする適切な方法ですか？

11 time-series  seasonality  loess 

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 

で（観測された）時系列が与えられると、（つまり、マルコフプロパティ）？XtXtX_tXt∈{1,...,n}Xt∈{1,...,n}X_t\in\{1,...,n\}P(Xt|Xt−1,Xt−2,...,X1)=P(Xt|Xt−1)P(Xt|Xt−1,Xt−2,...,X1)=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 

OLSがAR（1）プロセスの偏った推定量を与える理由を理解しようとしています。検討 このモデルでは、厳密な外因性に違反しています。つまり、とは相関していますが、とは相関していません。しかし、これが本当なら、なぜ次の単純な導出が成り立たないのでしょうか？ YTεT、YT-1εTPLIM βytϵt=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} &\stackrel{iid}{\sim} N(0,1). \end{aligned} ytyty_tϵtϵt\epsilon_tyt−1yt−1y_{t-1}ϵtϵt\epsilon_tプリムβ ^= Cov （yt、Yt − 1）Var （yt − 1）= Cov （α + βyt − 1+ ϵt、Yt − 1）Var （yt − 1）= β+ Cov （ϵt、Yt − 1）Var （yt − 1）= β。plim β^=Cov(yt,yt−1)Var(yt−1)=Cov(α+βyt−1+ϵt,yt−1)Var(yt−1)=β+Cov(ϵt,yt−1)Var(yt−1)=β. \begin{aligned} …

11 time-series  least-squares  bias  autoregressive  estimators 

私の質問は、Holt-WintersとARIMAの概念的な違いについてです。 私が理解している限りでは、Holt-WintersはARIMAの特殊なケースです。しかし、あるアルゴリズムが他のアルゴリズムよりも優先されるのはいつですか？おそらくHolt-Wintersはインクリメンタルであるため、インライン（高速）アルゴリズムとして機能しますか？ ここでいくつかの洞察を楽しみにしています。

11 time-series  arima  exponential-smoothing 

AR（）モデルを考えます（単純化のためにゼロ平均を想定しています）。ppp xt=φ1xt−1+…+φpxt−p+εtxt=φ1xt−1+…+φpxt−p+εt x_t = \varphi_1 x_{t-1} + \dotsc + \varphi_p x_{t-p} + \varepsilon_t OLS推定量（に相当する条件のための最尤推定）で述べたように、バイアスされることが知られている最近のスレッド。φ:=(φ1,…,φp)φ:=(φ1,…,φp)\mathbf{\varphi} := (\varphi_1,\dotsc,\varphi_p) （奇妙なことに、私はハミルトンの「時系列分析」や他のいくつかの時系列の教科書で言及されたバイアスを見つけることができませんでした。しかし、それは様々な講義ノートや学術記事、例えばこれで見つけることができます。） AR（p）の正確な最尤推定量がバイアスされているかどうかを確認できませんでした。したがって、最初の質問です。ppp 質問1：です正確な最大ARの尤推定量（）モデルの自己回帰パラメータφ 1、... 、φ P偏った？（AR（p）プロセスは定常的であると仮定します。それ以外の場合、定常領域で制限されているため、推定量は一貫していません。たとえば、Hamilton "Time Series Analysis"、p。123を参照してください。）pppφ1,…,φpφ1,…,φp\varphi_1,\dotsc,\varphi_pppp また、 質問2：合理的に単純な不偏推定量はありますか？

11 time-series  maximum-likelihood  autoregressive  unbiased-estimator 

時系列あり、それをARFIMA（別名FARIMA）プロセスとしてモデル化したいと思います。が（分数）の次数で積分されている場合、それを定常的にするために分数で差を付けたいと思います。ytyty_tytyty_tddd 質問：分数微分を定義する次の式は正しいですか？ Δdyt:=yt−dyt−1+d(d−1)2!yt−2−d(d−1)(d−2)3!yt−3+...+(−1)k+1d(d−1)⋅...⋅(d−k)k!yt−k+...Δdyt:=yt−dyt−1+d(d−1)2!yt−2−d(d−1)(d−2)3!yt−3+...+(−1)k+1d(d−1)⋅...⋅(d−k)k!yt−k+...\Delta^d y_t := y_t - d y_{t-1} + \frac{d(d-1)}{2!} y_{t-2} - \frac{d(d-1)(d-2)}{3!} y_{t-3} + ... +(-1)^{k+1} \frac{d(d-1) \cdot ... \cdot (d-k)}{k!} y_{t-k} + ... （ここでは、次数分数微分を示します。）ΔdΔd\Delta^dddd このウィキペディアの記事ARFIMAの Chapter ARFIMA（）に基づいて式を作成しましたが、正しく取得したかどうかはわかりません。0,d,00,d,00,d,0

11 time-series  arima  arfima 

時系列にR-squaredを使用することは適切ではないことを読みました。時系列コンテキストでは（他のコンテキストがあることはわかっています）、R-squaredは一意ではなくなったためです。どうしてこれなの？これを調べてみましたが何も見つかりませんでした。通常、モデルを評価するとき、R-squared（または調整済みR-Squared）にあまり価値を置きませんが、多くの同僚（つまり、ビジネス専攻）はR-Squaredに完全に夢中で、できるようになりたいです。時系列のコンテキストでR-Squaredが適切でない理由を説明します。

11 regression  time-series  r-squared 

2つの時系列の日次データがあります。1つはサブスクリプションでsign-ups、もう1つはterminationsサブスクリプションです。両方の変数に含まれている情報を使用して、後者を予測したいと思います。 これらのシリーズのグラフを見ると、終了が数か月前のサインアップの倍数と相関していることは明らかです。つまり、5月10日にサインアップが急増すると、6月10日、7月10日、8月10日などに終了の増加につながりますが、効果はなくなります。 この特定の問題をモデル化するためにどのモデルを採用するかについてのヒントを得たいと思っています。何かアドバイスをいただければ幸いです。 これまではVARモデルを考えていましたが、毎月の効果を含める方法がわかりません-非常に高い次数のラグを使用するか、何らかの方法で季節成分を追加しますか？

11 r  time-series  seasonality  var 

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 

これまで、主に横断データを扱い、ごく最近では、一連の入門的な時系列文献をつまづいてスキャンしてきました。時系列分析で説明変数がどのような役割を果たしているのでしょうか。 トレンド除去ではなくトレンドを説明したいと思います。序論として私が読んだことのほとんどは、シリーズが何らかの確率論的プロセスに由来していることを前提としています。AR（p）とMAプロセス、およびARIMAモデリングについて読みました。自己回帰プロセスだけではなく、より多くの情報を処理したいので、VAR / VECMを見つけていくつかの例を実行しましたが、断面図での説明とより密接に関連するケースがあるかどうか疑問に思います。 この背後にある動機は、私のシリーズの分解が傾向が主要な貢献者であることを示している一方で、残りと季節効果がほとんど役割を果たすことはないということです。この傾向を説明したいと思います。 複数の異なるシリーズでシリーズを後退させることはできますか？直感的には、シリアル相関のためにglsを使用します（cor構造についてはよくわかりません）。偽の回帰について聞いて、これが落とし穴であることを理解していますが、それでも傾向を説明する方法を探しています。 これは完全に間違っているのですか、それとも珍しいのですか？それとも、これまでのところ正しい章を逃しただけですか？

11 r  time-series  multivariate-analysis 

次の時系列データがあります。 index Time value_1 value_2 value_3 0 2016-04-01 06:00:10 1 5 2 1 2016-04-01 06:00:20 2 9 8 2 2016-04-01 06:00:30 3 5 1 3 2016-04-01 06:00:40 4 4 4 4 2016-04-01 06:00:50 3 4 5 6 2016-04-01 06:01:00 4 3 2 これは一変量または多変量時系列ですか？単変量時系列と多変量時系列の違いは何ですか？

11 time-series  multivariate-analysis  definition  differences 

定常時系列データのボラティリティまたはノイズの測定値を計算したいと思います。これは、単一の時系列のメジャー、または複数の時系列を一緒に比較する相対メジャーにすることができます。Dickey-Fuller検定がすでに実行されており、すべての時系列に単位根がないと仮定します。 ノイズ/ボラティリティを測定するためのそのようなメトリックのいくつかの例は何ですか？SD /平均である単純な「変動係数」を検討しました。しかし、私はこれを測定する他の方法があるのだろうかと思っています。それが役立つ場合は、Rを使用します。 これは漠然とした要求であることは承知しており、お詫び申し上げます。このトピックについて学ぶための提案や情報源があれば、本当にありがたいです。

11 time-series  variance  forecasting  volatility-forecasting 

以下の時系列データを季節性、トレンド、残差成分に分解したいと思います。データは、商業ビルの1時間ごとの冷却エネルギープロファイルです。 TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81) plot(TotalCoolingForDecompose.ts) したがって、次のアドバイスに基づいて、日ごとと週ごとに明らかな季節的影響があります。複数の季節的要素を持つ時系列を分解する方法 、私tbatsはforecastパッケージの関数を使用しました： TotalCooling.tbats <- tbats(TotalCoolingForDecompose.ts, seasonal.periods=c(24,168), use.trend=TRUE, use.parallel=TRUE) plot(TotalCooling.tbats) その結果： このモデルのlevelおよびslopeコンポーネントは何を説明していますか？このパッケージで参照されている論文（De Livera、Hyndman、Snyder（JASA、2011））に似たtrendおよびremainderコンポーネントを入手するにはどうすればよいですか？

10 r  time-series  forecasting  multiple-seasonalities  tbats 

ARIMA（1,1,1）-GARCH（1,1）モデルを、数年にわたって1分間隔でサンプリングされたAUD / USD為替レートログ価格の時系列に適合させ、2つ以上のモデルを推定する100万のデータポイント。データセットはこちらから入手できます。明確にするために、これはログ価格の1次積分により、ログのリターンに適合したARMA-GARCHモデルでした。元のAUD / USD時系列は次のようになります。 次に、当てはめたモデルに基づいて時系列をシミュレートしようとしましたが、次のようになりました。 シミュレーションされた時系列が元の時系列と異なることを期待し、望んでいますが、それほど大きな違いがあるとは思っていませんでした。本質的に、私はシミュレートされたシリーズがオリジナルのように動作するか、概して見たいと思っています。 これは、モデルの推定とシリーズのシミュレーションに使用したRコードです。 library(rugarch) rows <- nrow(data) data <- (log(data[2:rows,])-log(data[1:(rows-1),])) spec <- ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(1, 1), include.mean = TRUE), distribution.model = "std") fit <- ugarchfit(spec = spec, data = data, solver = "hybrid") sim …

10 time-series  arima  simulation  garch  finance