Questions tagged «moving-average»

2
移动平均过程的真实例子
您能否举一些真实的时间序列示例,其移动平均过程为阶,即 是否有先验的理由成为好的模型?至少对我来说,自回归过程似乎很容易直观地理解,而MA过程乍一看似乎并不自然。请注意,我对这里的理论结果(例如沃尔德定理或可逆性)不感兴趣。qqqÿŤ= ∑我= 1qθ一世εt − i+ εŤ, 其中 εŤ〜ñ(0 , σ2)yt=∑i=1qθiεt−i+εt, where εt∼N(0,σ2) y_t = \sum_{i=1}^q \theta_i \varepsilon_{t-i} + \varepsilon_t, \text{ where } \varepsilon_t \sim \mathcal{N}(0, \sigma^2) 作为我要寻找的示例,假设您的每日股票收益为。然后,平均每周股票收益将具有MA(4)结构作为纯统计伪像。[RŤ〜IID (0 ,σ2)rt∼IID(0,σ2)r_t \sim \text{IID}(0, \sigma^2)

2
为什么将MA(q)时间序列模型称为“移动平均值”?
当我阅读与时间序列有关的“移动平均值”时,我认为类似或加权平均值,例如0.5xt−1+0.3xt−2+0.2xt−3。(我意识到这些实际上是AR(3)模型,但这是我的大脑要跳到的模型。)为什么MA(q)模型的误差项或“创新”公式?是什么{ε}与移动平均办?我觉得我似乎缺少一些直觉。(xt−1+xt−2+xt−3)3(xt−1+xt−2+xt−3)3\frac{(x_{t-1} + x_{t-2} + x_{t-3})}30.5xt−1+0.3xt−2+0.2xt−30.5xt−1+0.3xt−2+0.2xt−30.5x_{t-1} + 0.3x_{t-2} + 0.2x_{t-3}{ϵ}{ϵ}\{\epsilon\}


1
我们为什么要关心MA过程是否可逆?
我很难理解为什么我们要关心MA过程是否可逆。 如果我错了,请纠正我,但我可以理解为什么我们关心AR进程是否是因果关系的,也就是说,如果我们可以“重写它”,可以说是某些参数和白噪声的总和-即移动平均过程。如果是这样,我们可以很容易地看到AR过程是因果的。 但是,我很难理解为什么我们要通过显示可逆性来表示是否可以将MA流程表示为AR流程。我不太了解我们为什么在乎。 任何见识都会很棒。

3
ACF和PACF如何识别MA和AR术语的顺序?
我从事不同的时间序列已经超过2年了。我读过许多文章,其中ACF用于标识MA术语的顺序,而PACF用于标识AR。有一条经验法则,对于MA,ACF突然关闭的延迟是MA的顺序,对于PACF和AR同样。 这是我从PennState Eberly College of Science所读的文章之一。 我的问题是为什么呢?对我来说,甚至ACF都可以赋予AR术语。我需要上述拇指法则的解释。我无法直观/数学地理解拇指法则,为什么- 通常,最好使用PACF来识别AR模型。 通常,最好使用ACF而非PACF来完成MA模型的识别 请注意:-我不需要,但是“为什么”。:)

2
从纸上帮助期望最大化:如何包括事先分配?
该问题基于题为:使用耦合的辐射传输-扩散模型的漫射光学层析成像中的图像重建 下载链接 作者应用具有未知向量稀疏正则化的EM算法来估计图像的像素。该模型由 μl1升1个l_1μμ\mu y=Aμ+e(1)(1)ÿ=一个μ+Ëy=A\mu + e \tag{1} 估算值在等式(8)中给出为 μ^=argmaxlnp(y|μ)+γlnp(μ)(2)(2)μ^=精氨酸⁡米一个Xln⁡p(ÿ|μ)+γln⁡p(μ)\hat{\mu} = \arg max {\ln p(y|\mu) + \gamma \ln p(\mu)} \tag{2} 在我的情况下,我已经将视为长度为的过滤器,而是代表过滤器的向量。所以,大号μ大号× 1μμ\muL大号Lμμ\mathbf{\mu}L×1大号×1个L \times 1 该模型可以重写为y(n)=μTa(n)+v(n)(3)(3)ÿ(ñ)=μŤ一个(ñ)+v(ñ)y(n) = \mathbf{\mu^T}a(n) + v(n) \tag{3} 问题:问题公式:(n乘以1)是未观察到的输入,是零均值,方差未知加性噪声。MLE解决方案将基于期望最大化(EM)。 { È (Ñ )} σ 2 ëμ(n)μ(n){\mu(n)}{e(n)}{e(n)}\{e(n)\}σ2Ëσe2\sigma^2_e 在本文中,方程(19)是函数-完整的对数似然性,但是对于我而言,我不理解如何在完整的对数似然表达式中包含的分布。 甲,μ一个AA甲,μA,μA, \mu 使用 EM(包括先验分布)的完全对数似然是什么?ÿyy
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.