Questions tagged «arima»

在维基百科页面称，箱詹金斯是拟合的ARIMA模型对于时间序列的方法。现在，如果我想将ARIMA模型拟合到一个时间序列，我将打开SAS，调用proc ARIMA，提供参数，SAS会给我AR和MA系数。现在，我可以尝试使用和SAS的不同组合，每种情况下给我一组系数。我选择Akaike信息准则最低的集合。p,d,qp,d,qp,d,qp,d,qp,d,qp,d,q 我的问题是：在上述过程中，我在哪里使用Box-Jenkins？我是否应该使用Box-Jenkins得出初始估计？还是SAS内部使用了它？p,d,qp,d,qp,d,q

10 time-series  arima  sas  aic  box-jenkins 

我是统计学和R语言的新手。我想知道为我的数据集确定ARIMA参数的过程。您能帮我使用R并从理论上（如果可能的话）弄清楚吗？ 数据范围为1月12日至14年3月，描述了每月的销售量。这是数据集： 99 58 52 83 94 73 97 83 86 63 77 70 87 84 60 105 87 93 110 71 158 52 33 68 82 88 84 这是趋势： 数据没有显示趋势，季节性行为或周期性。

10 r  arima  box-jenkins 

我听说过一些有关使用神经网络预测时间序列的信息。 如何比较哪种预测时间序列（每日零售数据）的方法更好：auto.arima（x），ets（x）或nnetar（x）。 我可以通过AIC或BIC将auto.arima与ets进行比较。但是如何将它们与神经网络进行比较？ 例如： > dput(x) c(1774, 1706, 1288, 1276, 2350, 1821, 1712, 1654, 1680, 1451, 1275, 2140, 1747, 1749, 1770, 1797, 1485, 1299, 2330, 1822, 1627, 1847, 1797, 1452, 1328, 2363, 1998, 1864, 2088, 2084, 594, 884, 1968, 1858, 1640, 1823, 1938, 1490, 1312, 2312, 1937, 1617, 1643, 1468, …

10 r  neural-networks  forecasting  arima  exponential-smoothing 

我正在处理数据集。使用一些模型识别技术后，我得出了一个ARIMA（0,2,1）模型。 我使用R detectIO包TSA中的函数在对原始数据集进行第48次观察时检测到创新的离群值（IO）。 如何将这个离群值合并到模型中，以便将其用于预测？我不想使用ARIMAX模型，因为我可能无法根据R中的模型做出任何预测。还有其他方法可以做到吗？ 以下是我的价值观： VALUE <- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 9.6 9.8 10.0 9.9 9.9 9.8 9.8 9.9 9.9 9.6 9.4 …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 

我有以下形式的GLMM： lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) 当我使用时drop1(model, test="Chi")，我得到的结果与Anova(model, type="III")从汽车包装或汽车上获得的结果不同summary(model)。后两个给出相同的答案。 通过使用大量虚构数据，我发现这两种方法通常没有区别。对于平衡线性模型，不平衡线性模型（不同组中的n不相等）和平衡广义线性模型，它们给出相同的答案，但对于平衡广义线性混合模型，它们给出相同的答案。因此看来，只有在包括随机因素的情况下，这种矛盾才会显现出来。 为什么这两种方法之间存在差异？ 使用GLMM时应使用Anova()还是drop1()应使用？ 至少就我的数据而言，两者之间的差异很小。哪一个使用都重要吗？

10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 

我已经进行了几个月的短期负荷预测，并使用气候/天气数据来提高准确性。我具有计算机科学背景，因此，我尝试使用ARIMA模型之类的统计工具避免犯大错和不公平的比较。我想知道您对以下几点的看法： 我同时使用（S）ARIMA和（S）ARIMAX模型来研究天气数据对天气预报的影响，您认为是否还需要使用指数平滑方法？ 从头两个星期开始，我有300个每日样本的时间序列，并使用auto.arima R函数（预测软件包）构建的模型进行了提前5天的预测。然后，将另一个样本添加到我的数据集中，然后再次校准模型，然后再进行5天的预测，依此类推，直到可用数据结束。您认为这种操作方式正确吗？ 感谢您的建议，尽管我们的工作目标是发表在工程学期刊上的文章，但从统计的角度来看，我想做的尽可能严格。

10 time-series  forecasting  arima 

当我开始阅读有关卡尔曼滤波器的文章时，它认为这是ARIMA模型的一种特例（即ARIMA（0,1,1））。但实际上似乎情况更加复杂。首先，ARIMA可用于预测，而卡尔曼滤波器可用于滤波。但是它们不是紧密相关吗？ 问题： ARIMA和卡尔曼滤波器之间是什么关系？一个正在使用另一个吗？是另一种特例吗？

10 time-series  bayesian  arima  kalman-filter 

我只想检查一下我是否正确解释了ACF和PACF图： 数据对应于在实际数据点之间生成的误差和使用AR（1）模型生成的估计值。 我在这里看了答案： 通过ACF和PACF检查估算ARMA系数 阅读后，似乎错误不是自相关的，但我只是想确定，我担心的是： 1.）第一个错误就在边界上（在这种情况下，我应该接受还是拒绝在滞后1存在明显的自相关）？ 2.）线代表95％的置信区间，并且考虑到存在116个滞后，我希望不超过（0.05 * 116 = 5.8，我向上舍入为6个）6个滞后。对于ACF就是这种情况，但对于PACF大约有10个例外。如果把那些包括在边界上，那更像是14？这仍然表明没有自相关吗？ 3.）我是否应该从一个事实中了解到所有违反95％置信区间的情况都是不利的？

10 time-series  arima  interpretation  autocorrelation  acf-pacf 

我正在尝试在R中拟合离散时间模型，但不确定如何执行。 我读过您可以将因变量组织在不同的行中，每个时间观察行一个，并将该glm函数与logit或cloglog链接一起使用。从这个意义上讲，我有三列：ID，Event（在每个时间范围内为1或0）和Time Elapsed（自观察开始以来）以及其他协变量。 如何编写适合模型的代码？哪个因变量？我想我可以将其Event用作因变量，并将其包括Time Elapsed在协变量中。但是，会发生什么ID呢？我需要吗？ 谢谢。

10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 

我已经在stats.stackexchange上检查了这个问题的答案：什么是提供统计历史的优质资源？ 确实，斯蒂格勒的书“桌子上的统计数据”看起来很棒，我很期待阅读。但是我对现代ARIMA模型的开发更感兴趣。 我想我记得曾经听说过，在尝试用二战前后的大炮预测随机误差时，已经取得了很大的进步。而且，当然，在整个千年的后半段，天文学家在某种程度上都在利用某种时间序列来理解天体的运动。但是，我不记得我听说过时间序列在炮兵中的应用，并且我有物理学背景，而且我真的不知道天文学家正在使用哪种统计方法。 因此，我想听听您认为对时间序列方法的发展影响最大的历史影响是什么，例如，它们主要是受到金融，国防，地质/地球物理学的刺激，还是所有这些以及更多因素的结合？是否有关于ARIMA历史的资料丰富的书籍或网站？

10 time-series  references  arima  history 

这必定会发生-预测介于0和1之间的事物。 在我的系列文章中，我怀疑有一个自动回归的成分，也有一个均值回归的成分，所以我希望我可以像ARIMA那样解释一些东西，但是我不希望它将来会飙升到1000％ 。 您是否仅将ARIMA模型用作逻辑回归中的参数以将结果限制在0和1之间？ 或者我在这里了解到Beta回归更适合（0,1）数据。我如何将其应用于时间序列？是否有好的R软件包或Matlab函数使拟合和预测变得容易？

10 time-series  forecasting  logistic  arima  beta-regression 

我最近回顾了自己的时间序列知识，并意识到机器学习通常只会提前一步。 有了一步一步的预测，我的意思是进行预测，例如，如果我们有每小时的数据，请使用上午10点到上午11点的数据进行预测，而上午12点则使用12点的数据进行预测等等。 机器学习方法可以产生提前h预测吗？有了h提前预测，我的意思是，例如，假设每小时的数据，我们使用上午10点的数据进行7提前预测，以获得11,12,13,14,15,16,17的估算值。时钟。 图片示例： 有关我的主要问题，我想知道： 我没有看到任何人使用机器学习进行h提前预测的原因是什么？ 如果有一种使用机器学习的方法，它是否比ARIMA更为精确？

9 machine-learning  time-series  forecasting  arima 

我正在尝试建模和预测一个周期性而不是季节性的时间序列（即存在类似季节性的模式，但没有固定的时间段）。可以使用ARIMA模型来做到这一点，如“ 预测：原理和实践”第8.5节所述： 如果数据显示周期，则的值ppp很重要。为了获得环预测，有必要具有p≥2p≥2p\geq 2与对参数的一些附加条件一起。对于AR（2）模型，如果，则会发生循环行为ϕ21+4ϕ2&lt;0ϕ12+4ϕ2&lt;0\phi^2_1+4\phi_2<0。 在一般ARIMA（p，d，q）情况下，参数的这些附加条件是什么？我到处都找不到。

9 time-series  forecasting  arima  seasonality 

我要处理的问题是预测时间序列值。我正在一次查看一个时间序列，例如，基于15％的输入数据，我想预测其未来值。到目前为止，我遇到了两种模型： LSTM（长期短期记忆；一类递归神经网络） 有马 我都尝试过并阅读了一些文章。现在，我试图更好地了解如何比较两者。到目前为止，我发现了什么： 如果我们要处理大量数据并且有足够的训练数据，那么LSTM会更好地工作，而ARIMA对于较小的数据集则更好（这是正确的吗？） ARIMA需要一系列(p,q,d)必须根据数据计算的参数，而LSTM不需要设置此类参数。但是，我们需要为LSTM调整一些超参数。 除了上述特性之外，我找不到其他可以帮助我选择最佳模型的要点或事实。如果有人可以帮助我查找文章，论文或其他东西，我将非常感谢（到目前为止，还没有运气，这里和那里只有一些一般性意见，而没有基于实验的内容。） 我不得不提到，最初我是在处理流数据，但是现在我使用的是NAB数据集，其中包括50个数据集，最大大小为2万个数据点。

9 time-series  forecasting  references  arima  lstm 

我有1993年至2015年的月度数据，并希望对这些数据进行预测。我使用tsoutliers包检测异常值，但是我不知道如何继续使用我的数据集进行预测。 这是我的代码： product.outlier&lt;-tso(product,types=c("AO","LS","TC")) plot(product.outlier) 这是我从tsoutliers包的输出 ARIMA(0,1,0)(0,0,1)[12] Coefficients: sma1 LS46 LS51 LS61 TC133 LS181 AO183 AO184 LS185 TC186 TC193 TC200 0.1700 0.4316 0.6166 0.5793 -0.5127 0.5422 0.5138 0.9264 3.0762 0.5688 -0.4775 -0.4386 s.e. 0.0768 0.1109 0.1105 0.1106 0.1021 0.1120 0.1119 0.1567 0.1918 0.1037 0.1033 0.1040 LS207 AO237 TC248 AO260 AO266 0.4228 …

9 r  time-series  forecasting  arima  outliers