Questions tagged «seasonality»

在对这个问题的评论中，用户@whuber引用了使用样条曲线的定期版本来拟合定期数据的可能性。我想了解更多有关此方法的信息，特别是定义样条曲线的方程式，以及如何在实践中实现它们（我主要是R用户，但如有需要，可以使用MATLAB或Python）。同样，但这是“很高兴”的事情，很高兴知道与三角多项式拟合有关的可能的优点/缺点，这就是我通常如何处理此类数据（除非响应不是很平稳，在这种情况下，我会切换到具有周期性内核的高斯过程。

10 regression  time-series  seasonality  splines 

如果我的时间序列具有季节性，是否会自动使时间序列变得不平稳？我的直觉（可能是关闭）不是。 季节性意味着该系列在恒定值附近上下波动……有点像正弦波。因此，按照这种逻辑，具有季节性的时间序列是（弱）平稳序列（均值）。 错了吗 为什么？

10 time-series  stationarity  seasonality 

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 

时间序列最简单的季节性测试是什么？ 具体来说，我想测试in specific time series the seasonal component是否有意义。 在Python / R中推荐使用哪些软件包？

9 r  time-series  hypothesis-testing  python  seasonality 

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 

当我开始使用ARIMA模型进行预测时，我试图了解如何根据ARIMA随季节和漂移的变化来改进预测。 我的数据是以下时间序列（超过3年，趋势清晰且季节性明显，似乎在滞后12、24、36？时自相关不支持）。 &gt; bal2sum3years.ts Jan Feb Mar Apr May Jun Jul Aug 2010 2540346 2139440 2218652 2176167 2287778 1861061 2000102 2560729 2011 3119573 2704986 2594432 2362869 2509506 2434504 2680088 2689888 2012 3619060 3204588 2800260 2973428 2737696 2744716 3043868 2867416 Sep Oct Nov Dec 2010 2232261 2394644 2468479 2816287 2011 2480940 …

9 r  time-series  forecasting  arima  seasonality 

接下来的嫁接摘自本文。我是新手，要引导并尝试为带有R boot包的线性混合模型实现参数，半参数和非参数自举。 R代码 这是我的R代码： library(SASmixed) library(lme4) library(boot) fm1Cult &lt;- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn &lt;- function(data, indices){ data &lt;- data[indices, ] mod &lt;- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out &lt;- boot(data=Cultivation, statistic=boot.fn, R=99) Out 问题 …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

作为附带的兴趣，我一直在探索预测时间序列（尤其是使用R）。 就我的数据而言，我有每天的访问次数，可以追溯到将近4年的每天。在此数据中，有一些不同的模式： 周一至周五的访问量很多（周一/周二最高），但周六至周日的访问量则大大减少。 一年中的某些时段下降（例如，美国假期前后的访问量减少，夏季显示出较少的增长） 年比显着增长 能够使用这些数据来预测未来的一年，并使用它来进行季节性调整后的逐月增长，这将是很好的。每月查看的主要内容是： 某些月份的星期一/星期二会比其他月份要多（而且多年以来也不一致）。因此，需要对平日较多的一个月进行相应的调整。 探索周似乎也很困难，因为周编号系统会根据年份从52-53更改，并且似乎ts无法解决这一问题。 我正在考虑为一个月的工作日取平均值，但是结果得出的单位有点奇怪（平均工作日访问次数的增长），并且会删除有效的数据。 我觉得这种数据在时间序列中很常见（例如，办公楼中的用电量可能是这样的），有人对如何建模有任何建议，尤其是在R中？ 我正在使用的数据非常简单，它开始如下： [,1] 2008-10-05 17607 2008-10-06 36368 2008-10-07 40250 2008-10-08 39631 2008-10-09 40870 2008-10-10 35706 2008-10-11 18245 2008-10-12 23528 2008-10-13 48077 2008-10-14 48500 2008-10-15 49017 2008-10-16 50733 2008-10-17 46909 2008-10-18 22467 并以这种方式一直延续到现在，总体呈增长趋势，在美国假期周前后有所下降，而夏季的增长总体上放缓。

9 r  time-series  seasonality  forecasting