タグ付けされた質問 「time-series」

時系列に関する本を読んでいると、次の部分で頭をかき始めました。 誰かが私のために直感を説明できますか？私はこのテキストからそれを得ることができませんでした。プロセスを可逆的にする必要があるのはなぜですか？ここでの全体像は何ですか？助けてくれてありがとう。私はこのことを初めて知っているので、これを説明するときに学生レベルの用語を使用してください:)

19 time-series  arma 

2つの母集団を調べる際の通常の有意性の検定は、可能であればt検定とペアt検定です。これは、分布が正常であることを前提としています。 時系列の有意性検定を生成する同様の単純化された仮定はありますか？具体的には、2種類のかなり小さなマウスの集団が別々に処理されており、週に1回体重を測定しています。両方のグラフはスムーズに増加する関数を表示し、1つのグラフが他のグラフの上に確実に表示されます。この文脈で「明確さ」をどのように定量化するのでしょうか？ 帰無仮説は、2つの母集団の重みが時間の経過とともに「同じように振る舞う」ということです。少数のパラメーターのみでかなり一般的な（正規分布が一般的であるように）単純なモデルの観点から、これをどのように定式化できますか？それを行ったら、どのように有意性またはp値に類似した何かを測定できますか？マウスをペアリングして、可能な限り多くの特性を一致させ、各ペアが2つの母集団のそれぞれから1つの代表を持っている場合はどうでしょうか？ 時系列についての、よく書かれたわかりやすい本や記事へのポインターを歓迎します。私は無知から始めます。ご協力いただきありがとうございます。 デビッド・エプスタイン

19 time-series  hypothesis-testing  statistical-significance 

拡張されたDickey-Fullerテストでnullを拒否する人が数回いるのを見て、シリーズが静止していることを主張しています（残念ながら、これらの主張の出所を示すことはできませんが、 1つまたは別のジャーナル）。 私はそれが誤解であると主張します（ユニットルートのヌルの拒否は、特にそのようなテストが行​​われたときに非定常性の代替形式がめったに調査または検討さえされないため、必ずしも定常級数を持つことと同じではありません）。 私が求めるのは次のいずれかです。 a）主張に対する良い明確な反例（私は今、カップルを想像することができますが、私以外の誰かが私が考えているものよりも良いものを持っていると確信しています）。おそらくデータ（シミュレーションまたは実物。両方とも利点があります）を使用した特定の状況の説明です。または b）増強されたディッキーフラーでの拒絶が定常性の確立と見なされるべきである理由を説得力のある議論 （または、（a）と（b）の両方が賢いと感じている場合）

18 time-series  unit-root  stationarity  augmented-dickey-fuller 

William Briggsのブログにはかなり古い記事があり、データを平滑化し、その平滑化されたデータを分析に落とし込む落とし穴を調べています。キー引数は次のとおりです。 狂気の瞬間に、スムーズな時系列データを実行し、それを他の分析への入力として使用すると、自分をだます確率が劇的に増加します！これは、スムージングがスプリアス信号を誘発するためです。これは、他の分析方法では本物に見える信号です。どんなに最終結果を確信していても！ しかし、私はいつスムーズにすべきか、そうでないべきかについて包括的な議論を見つけるのに苦労しています。 その平滑化されたデータを他の分析への入力として使用する場合にのみ平滑化することに眉をひそめていますか、または平滑化が推奨されない他の状況がありますか？逆に、平滑化が推奨される状況はありますか？

18 time-series  smoothing 

通常は同じ形状の時系列データの変化を検出したいと思います。これまでのところ私が働いてきたchangepointR用のパッケージとcpt.mean(), cpt.var()してcpt.meanvar()機能します。cpt.mean()データが通常1つのレベルにとどまっている場合、PELTメソッドを使用するとうまく機能します。しかし、降下中の変化も検出したいと思います。変化の例として、検出したいのは、実際に例の赤い点線に従うはずの黒い曲線が突然落ちる部分です。私はcpt.var（）関数を試しましたが、良い結果を得ることができませんでした。推奨事項はありますか（必ずしもRを使用する必要はありません）？ 変更されたデータ（Rオブジェクトとして）は次のとおりです。 dat.change <- c(12.013995263488, 11.8460207231808, 11.2845153487846, 11.7884417180764, 11.6865425802022, 11.4703118125303, 11.4677576899063, 11.0227199625084, 11.274775836817, 11.03073498338, 10.7771805591742, 10.7383206158923, 10.5847230134625, 10.2479315651441, 10.4196381241735, 10.467607842288, 10.3682422713283, 9.7834431752935, 9.76649842404295, 9.78257968297228, 9.87817694914062, 9.3449034905713, 9.56400153361727, 9.78120084558148, 9.3445162813738, 9.36767436354887, 9.12070987223648, 9.21909859069157, 8.85136359917466, 8.8814423003979, 8.61830163359642, 8.44796977628488, 8.06957847272046, 8.37999165387824, 7.98213210294954, 8.21977468333673, 7.683960439316, 7.73213584532496, 7.98956476021092, 7.83036046746187, 7.64496198988985, 4.49693528397253, 6.3459274845112, 5.86993447552116, 4.58301192892403, …

18 r  time-series  change-point  structural-change 

時系列データがあり、データを近似するモデルとしてを使用しました。どちらかである0（私はまれなイベントが表示されない場合）または1（Iは稀なイベントを参照してください）インジケータ確率変数です。についての以前の観察に基づいて、可変長マルコフ連鎖法を使用してモデルを開発できます。これにより、予測期間にわたってをシミュレートでき、ゼロと1のシーケンスが得られます。これはまれなイベントであるため、 頻繁に表示されません。シミュレーション値に基づいて予測間隔を予測および取得できます。 X t X t X t X t X t = 1 X tA R IMA （p 、d、q）+ XtARIMA(p,d,q)+XtARIMA(p,d,q)+X_tバツtXtX_tバツtXtX_tバツtXtX_tバツtXtX_tバツt= 1Xt=1X_t=1バツtXtX_t 質問： 予測期間にわたってシミュレートされた 1の発生を考慮に入れるための効率的なシミュレーション手順をどのように開発できますか？平均と予測間隔を取得する必要があります。 バツtXtX_t 1を観測する確率は小さすぎて、このケースでは通常のモンテカルロシミュレーションがうまく機能するとは考えられません。「重要度サンプリング」を使用できるかもしれませんが、どのように正確かはわかりません。 ありがとうございました。

18 time-series  forecasting  simulation 

任意の時系列を分析し、分析された時系列データに最適な従来/統計予測方法（およびそのパラメーター）を「自動的に」選択できるアルゴリズムを構築したいと思います。 このようなことをすることは可能でしょうか？はいの場合、これにどのようにアプローチできるかについてのヒントを教えてください。

18 time-series  forecasting  python 

時系列予測にリカレントニューラルネットワークを使用することについて考えます。基本的に、線形自動回帰を使用するARMAモデルとARIMAモデルと比較して、一種の一般化された非線形自動回帰を実装しています。 非線形自己回帰を実行している場合、時系列が静止している必要があり、ARIMAモデルで行う方法と異なる方法で実行する必要がありますか？ または、モデルの非線形特性は、非定常時系列を処理する能力を与えますか？ 別の言い方をすれば、ARMAモデルとARIMAモデルの定常性要件（平均および分散）は、これらのモデルが線形であるという事実によるものですか、それとも何か別のものによるものですか？

17 time-series  autoregressive  nonlinear  stationarity 

縦断的データについて話すとき、同じ被験者/学習ユニットから繰り返し収集されたデータを参照する場合があります。したがって、同じ被験者内の観察、つまり被験者内の類似性には相関があります。 時系列データについて話すとき、一連の時間にわたって収集されたデータも参照します。これは、上記の縦断的設定と非常によく似ています。 誰かがこれらの2つの用語の間の明確な説明を提供できるかどうか疑問に思っています、関係とは何ですか、違いは何ですか？

17 time-series  terminology  panel-data 

累積頻度データがいくつかあります。線は、データに非常によく適合するように見えますが、線に周期的/周期的な小刻みがあります。累積頻度が特定の値cに達する時期を推定したいと思います。残差対適合値をプロットすると、美しい正弦波の挙動が得られます。y= a x + by=aバツ+by=ax+bccc ここで、別の複雑さを追加するために、残差プロットに注意してください 他よりも低い値を持つ2つのサイクルがあります。これは、週末の影響も考慮する必要があります。 だから、ここからどこに行くのですか？いくつかのコサイン、サイン、またはサイクリック項を回帰モデルに組み合わせて、およそ 累積頻度がに等しくなる時期を推定しますか？ccc

17 time-series  regression 

なぜ「時系列」と呼ばれるのですか？ シリーズは、シーケンスの合計を意味します。 なぜ時系列ではなく時系列なのですか？ ある時は、独立変数？

17 time-series  self-study  references  terminology 

私には2つの時系列があります： 市場リスクプレミアムのプロキシ（ERP;赤線） 国債によりプロキシされたリスクフリーレート（青線） リスクフリーレートがERPを説明できるかどうかをテストしたい。これにより、基本的にTsay（2010年、第3版、96ページ）のアドバイスに従いました：Financial Time Series： 線形回帰モデルを近似し、残差のシリアル相関を確認します。 残差系列が単位根の非定常性である場合、従属変数と説明変数の両方の最初の差を取ります。 最初のステップを実行すると、次の結果が得られます。 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 6.77019 0.25103 26.97 <2e-16 *** Risk_Free_Rate -0.65320 0.04123 -15.84 <2e-16 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 図から予想されるように、関係は負であり重要です。ただし、残差は連続的に相関しています。 したがって、最初に従属変数と説明変数の両方を違います。ここに私が得るものがあります： Coefficients: Estimate Std. Error t …

17 regression  time-series 

これは、Box-Jenkins MAモデルに関する基本的な質問です。私が理解しているように、MAモデルは基本的に以前のエラー項に対する時系列値線形回帰です。つまり、観測値は最初に以前の値に対して回帰され、次に1つ以上の値がMAのエラー項として使用されますモデル。YYYet,...,et−net,...,et−ne_t,..., e_{t-n}YYYYt−1,...,Yt−nYt−1,...,Yt−nY_{t-1}, ..., Y_{t-n}Y−Y^Y−Y^Y - \hat{Y} しかし、ARIMA（0、0、2）モデルで誤差項はどのように計算されますか？MAモデルが自己回帰部分なしで使用され、したがって推定値がない場合、どのようにしてエラー項を取得できますか？

17 regression  time-series  arima  box-jenkins 

ウイルスの循環（2002年の米国の西ナイルウイルスなど）または人々の抵抗の減少、食物や水の汚染の減少、または感染者蚊。これらの流行は、1〜5年ごとに発生する可能性のある外れ値として現れます。これらの外れ値を削除することにより、予測と病気の理解の重要な部分を形成する流行の証拠を削除しています。 流行によって引き起こされた外れ値に対処する際にデータクリーニングが必要ですか？ 結果を改善するか、統計分析の結果を悪化させるか？

17 time-series  forecasting  epidemiology  outliers 

この質問に正しい方法で質問できることを望んでいます。プレイバイプレイのデータにアクセスできるため、最適なアプローチとデータの適切な構築が問題になります。 私がやろうとしているのは、規定に残っているスコアと時間を考慮して、NHLゲームに勝つ確率を計算することです。ロジスティック回帰を使用できると考えていますが、データセットがどのように見えるかはわかりません。ゲームごとに、また興味のある時間ごとに複数の観察結果がありますか？ゲームごとに1つの観測値があり、時間のスライスごとに個別のモデルに適合しますか？ロジスティック回帰は正しい方法でもありますか？ あなたが提供できるどんな援助も大歓迎です！ 宜しくお願いします。

17 time-series  probability  logistic