Questions tagged «moving-average»

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)

54 time-series  arima  interpretation  moving-average 

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\}

43 time-series  arima  terminology  moving-average 

我了解，如果一个流程依赖于其自身先前的值，那么它就是一个AR流程。如果它取决于先前的错误，则它是一个MA进程。 这两种情况之一何时发生？有没有人有一个可靠的例子来阐明关于将流程最好地建模为MA vs AR意味着什么的根本问题？

21 time-series  autoregressive  moving-average 

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。

14 time-series  mathematical-statistics  autoregressive  moving-average 

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”。:)

12 time-series  arima  autoregressive  moving-average 

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

9 self-study  bayesian  maximum-likelihood  expectation-maximization  moving-average