Questions tagged «time-series»

我正在尝试利用RF回归对造纸厂的性能进行预测。 我每分钟都有输入数据（进纸木浆的速度和数量等）以及机器的性能（生产的纸张，机器消耗的功率）的数据，我希望做出10分钟的预测在性能变量上领先。 我有12个月的数据，因此将其分为11个月的培训时间和最后一个月的测试时间。 到目前为止，我已经创建了10个新功能，每个性能变量的滞后值在1-10分钟之内，并使用这些功能以及输入来进行预测。测试集的性能一直很好（系统是可以预测的），但是我担心我的方法中缺少某些东西。 例如，在本文中，作者陈述了他们测试随机森林模型的预测能力的方法： 通过迭代添加新一周的数据，基于更新后的数据训练新模型并预测下一周的爆发次数来进行模拟 这与利用时间序列中的“后来的”数据作为测试有何不同？我是否应该使用这种方法以及测试数据集来验证我的RF回归模型？此外，这种对森林随机回归的“自回归”方法是否对时间序列有效，如果我对未来10分钟的预测感兴趣，我是否甚至需要创建这么多滞后变量？

10 time-series  forecasting  cross-validation  random-forest  autoregressive 

这个问题可能有一个以上的严重误解，但这并不是要正确地进行计算，而是要着眼于某些重点来激发时间序列的学习。 在试图理解时间序列的应用时，似乎对数据进行去趋势化使得预测未来值变得难以置信。例如，gtemp来自astsa程序包的时间序列如下所示： 在绘制预测的未来值时，需要考虑过去几十年的上升趋势。 但是，为了评估时间序列的波动，需要将数据转换为固定的时间序列。如果我把它模型或差分（我想这是因为中间的进行了ARIMA过程1中order = c(-, 1, -)）为： require(tseries); require(astsa) fit = arima(gtemp, order = c(4, 1, 1)) 然后尝试预测未来价值（年），我错过了上升趋势部分：505050 pred = predict(fit, n.ahead = 50) ts.plot(gtemp, pred$pred, lty = c(1,3), col=c(5,2)) 不必一定要对特定ARIMA参数进行实际优化， 如何恢复图的预测部分中的上升趋势？ 我怀疑某个地方存在“隐藏”的OLS，这会导致这种不稳定吗？ 我遇到了的概念drift，可以将其合并到包的Arima()功能中forecast，从而得出合理的图形： par(mfrow = c(1,2)) fit1 = Arima(gtemp, order = c(4,1,1), include.drift = T) future = forecast(fit1, …

10 r  time-series  data-visualization 

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 

我目前正在尝试了解粒子过滤器及其在金融中的可能用途，并且我在相当努力。为了（i）使粒子过滤器的基础变得易于使用，以及（ii）以后再全面理解它们，我应该重新讨论哪些数学和统计先决条件（来自定量金融的背景）？除了状态空间模型（我尚未介绍）以外，我对研究生级时间序列计量经济学有扎实的知识。 任何提示都非常感谢！

10 time-series  particle-filter 

对二进制时间序列建模的常用方法是什么？是否有纸质或教科书在其中处理？我认为具有强自相关的二进制过程。类似于从零开始的AR（1）进程的符号。说且 有白噪声。然后，由定义 的二进制时间序列 将显示自相关，我想用以下代码进行说明X0=0X0=0X_0 = 0Xt+1=β1Xt+ϵt,Xt+1=β1Xt+ϵt, X_{t+1} = \beta_1 X_t + \epsilon_t, ϵtϵt\epsilon_t(Yt)t≥0(Yt)t≥0(Y_t)_{t \ge 0}Yt=sign(Xt)Yt=sign(Xt) Y_t = \text{sign}(X_t) set.seed(1) X = rep(0,100) beta = 0.9 sigma = 0.1 for(i in 1:(length(X)-1)){ X[i+1] =beta*X[i] + rnorm(1,sd=sigma) } acf(X) acf(sign(X)) 如果我得到二进制数据并且我所知道的是存在显着的自相关，那么教科书/常用的建模方法是什么？YtYtY_t 我认为，如果使用外部回归变量或季节性假人，我可以进行逻辑回归。但是，纯时间序列方法是什么？ 编辑：确切地说，我们假设sign（X）最多可自动关联4个滞后。这将是4阶的马尔可夫模型，我们可以对其进行拟合和预测吗？ 编辑2：同时，我偶然发现了时间序列的glms。这些是解释错误的变量，它们是滞后的观察结果和外部回归变量。但是，这似乎是针对泊松和负二项式分布计数完成的。我可以使用泊松分布来估算伯努利斯。我只是想知道是否没有明确的教科书方法。 编辑3：赏金到期...有什么想法吗？

10 regression  time-series  logistic  binary-data  autoregressive 

从标题开始，我想知道是否存在统计测试，可以帮助我确定两个相似时间序列之间的重大差异。具体来说，看下图，我想检测到序列在时间t1开始发散，即它们之间的差异开始显着。此外，我还将检测系列之间的差异何时不显着。 有任何有用的统计检验可以做到这一点吗？

10 time-series  statistical-significance  variance  convergence  trend 

我正在阅读《面向黑客的机器学习》一书中给出的示例。我将首先详细说明示例，然后再讨论我的问题。 范例： 以25个股价的10年为一个数据集。以25股价格运行PCA。将主要成分与道琼斯指数进行比较。观察PC与DJI之间的强烈相似之处！ 据我了解，该示例更像是一个玩具，可以帮助像我这样的新手了解PCA工具的有效性！ 但是，从另一个消息来源看，我发现股价是不稳定的，以股价运行PCA是荒谬的。我从中阅读的资料完全嘲笑了计算股价的协方差和PCA的想法。 问题： 这个例子如何运作得如此好？股价的PCA与DJI非常接近。该数据是2002-2011年股价的真实数据。 有人可以为我指出一些不错的资源来读取固定/非固定数据吗？我是电脑程序编制员。我有很好的数学背景。但是三年来我都没有做过认真的数学运算。我已经开始重新阅读有关随机漫步等内容的信息。

10 time-series  pca  references  covariance  stationarity 

Durbin-Watson检验测试滞后1处的残差自相关，但是直接检验滞后1处的自相关也是如此。另外，您可以在滞后2,3,4处测试自相关，并且有很好的portmanteau测试可以在多个滞后处进行自相关，并获得漂亮的，易于解释的图形[例如R中的acf（）函数]。杜宾·沃森（Durbin-Watson）不够直观，经常会得出不确定的结果。那么为什么要使用它呢？ 这个问题的灵感源于某些Durbin-Watson检验的不确定性，但显然与之分离。

10 time-series  autocorrelation 

我在论文中读了以下句子： 短期系数和长期系数之间存在差异的事实是我们的规范的结果，其中包括滞后的内生变量。 他们对第一个差异进行回归，并包括因变量的滞后。 现在他们争辩说，如果您查看输出中的估计值（例如，称此估计值），则这是对因变量的短期影响。 他们进一步认为，查看 /（1-滞后估计）可以得出p对因变量的长期影响。p pppppppppp 可以在以下脚注23的第20页上找到该文件：https : //www.ecb.europa.eu/pub/pdf/scpwps/ecbwp1328.pdf及其有关短期/长期效果的讨论。 我不完全理解为什么您可以区分对因变量的短期和长期影响。如果有人可以更详细地解释他们的想法，那将非常有帮助。ppp

10 regression  time-series  lags 

想象一个情况：我们有三个矿山的历史记录（已有20年）。白银的存在是否会增加明年发现黄金的可能性？如何测试这样的问题？ 这是示例数据： mine_A <- c("silver","rock","gold","gold","gold","gold","gold", "rock","rock","rock","rock","silver","rock","rock", "rock","rock","rock","silver","rock","rock") mine_B <- c("rock","rock","rock","rock","silver","rock","rock", "silver","gold","gold","gold","gold","gold","rock", "silver","rock","rock","rock","rock","rock") mine_C <- c("rock","rock","silver","rock","rock","rock","rock", "rock","silver","rock","rock","rock","rock","silver", "gold","gold","gold","gold","gold","gold") time <- seq(from = 1, to = 20, by = 1)

10 r  time-series  hypothesis-testing  stochastic-processes 

我是金融和保险领域的分析师，每当我尝试拟合波动率模型时，我都会得到可怕的结果：残差通常是非平稳的（就单位根而言）和异方差（因此该模型无法解释波动率）。 ARCH / GARCH模型可以与其他类型的数据一起使用吗？ 编辑于17/04/2015 15:07以澄清一些观点。

10 time-series  garch  volatility-forecasting  arch 

我正在尝试进行简单回归，但我的Y变量按月频率观察，而x变量按年频率观察。我将非常感谢有关可用于不同频率回归的合适方法的一些指导。 非常感谢你

10 regression  time-series 

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 

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 

只是一个普遍的问题。如果您有时间序列数据，那么什么时候使用时间序列技术（aka，ARCH，GARCH等）优于机器/统计学习技术（KNN，回归）呢？如果交叉验证中存在类似的问题，请向我指出-已查找且找不到。

10 time-series  machine-learning