您对这些分析技术是否有全球视野？

我目前正在一个项目上，就像我们所有人一样，我基本上需要了解输出与输入。这里的特殊性是一次将数据提供给我，因此我想在每次收到新的时更新分析。我相信这被称为“在线”处理，而不是“批处理”，在批处理中，您拥有所需的所有数据，并同时使用所有数据进行计算。x （y ，x ）（y ，x $y$$x$$(y,x)$$(y,x)$

因此，我四处寻找想法，最后得出的结论是，世界分为三个部分：

• 第一部分是统计和计量经济学领域。人们在那里进行OLS，GLS，仪器变量，ARIMA，测试，差异差异，PCA等。该焊盘主要由线性决定，并且仅进行“批处理”。

• 第二部分是机器学习和诸如人工智能，有监督和无监督学习，神经网络和SVM之类的词汇的孤岛。“批处理”和“在线”处理都在这里完成。

• 第三部分是我刚刚发现的整个大陆，似乎大部分由电气工程师组成。在那里，人们经常在他们的工具中添加“过滤器”一词，他们发明了很棒的东西，例如Widrow-Hoff算法，递归最小二乘，Wiener过滤器，Kalman过滤器，以及可能还没有发现的其他东西。显然，他们主要进行“在线”处理，因为它可以更好地满足他们的需求。

所以我的问题是，您是否对这一切抱有全球视野？我的印象是，世界上这三个部分彼此之间的交谈不多。我错了吗？有一个统一的大理论来理解与吗？您是否知道可以为该理论奠定基础的任何资源？$Y$$X$

我不确定这个问题是否真的有意义，但是在所有这些理论之间我有点迷茫。我想象对“我应该使用这个还是那个？”这个问题的答案。将是“这取决于您要做什么（以及您的数据）”。但是，我觉得这三个世界试图回答同一问题（？），因此应该有可能对这一切有更高的了解，并深刻理解每种技术的特殊性。$y=f(x)$

在批处理还是在线处理方面，我的经验告诉我，有时您将两者结合在一起。我的意思是，您让繁重的工作（即计算与模型制定相关的密集工作）离线完成，然后采用快速/自适应程序来使用这些模型。我们发现“新数据”可以通过三种方式使用：1.简单地预测 2.修改已知模型的参数，并且3.修改参数并可能修改模型。这三种方法已用于“实时分析”，当然完成这三个步骤之一的时间取决于所使用的软件和可用的硬件。

现在到关于如何对y vs x建模的另一点。我更喜欢使用回归的扩展版本（称为传递函数或ARMAX模型）作为提取y历史以及x的当前值和pas值的影响的基础。至关重要的是，必须验证高斯要求，并通过ARMA组件为遗漏的确定性结构（通过异常值检测）和遗漏的随机结构两者合并作为必要的代理。此外，还需要确保没有使用过多的数据（用于参数一致性测试），并且要确保由确定性/随机误差方差和/或y的期望值与方差的方差之间的联系所导致的任何非恒定误差方差。残差。

现在，在历史上（或者您希望的话，歇斯底里地）不同的思想孤岛试图制定方法。我们的祖先使用的许多临时模型可以证明是传递函数的子集，但是可以想象会有一些数据集会挑战传递函数的假设。尽管这些数据集可能存在，但除非分析得出结论，否则不应假定它们会直接影响您。

诸如Wei（Addison-Wessley）或Box-Jenkins之类的文字应提供合理的路线图，以支持我的朋友并引导您获得更多“答案”

顺便问一下，这是一个很大的问题！

另外，如果您有任何要使用的数据，我可以演示此处概述的各种选项。请将您的数据发布到网络上，以供所有人查看和使用，以将“ y与x”相关联。

Breiman在“ 统计建模：两种文化 ”中解决了这个问题。对一个极好的问题的第一反应。

我怀疑这个问题的答案类似于“没有免费的午餐”。统计学家，计算机科学家和电气工程师开发出不同算法的原因也许是，他们对解决各种问题感兴趣。

我要说的是，您指出的这三组实际上只是两组：

• 统计
• 机器学习，人工智能和模式识别。

与信号滤波相关的所有分支都基于两个方面：特征提取（小波，Gabor和Fourier）属于模式识别，而离散Fourier变换属于硬数学。实际上，数字滤波更接近工程学方面，因为它试图通过简单且计算成本低的算法来解决此模式识别问题。但从本质上讲，它是机器学习。

此外，滤波，小波，Gabor和傅立叶被广泛用于图像处理，是人工视觉的核心。

统计和机器学习之间存在差异。