Questions tagged «unevenly-spaced-time-series»

在经济学领域（我认为），我们有ARIMA和GARCH用于规则间隔时间序列，而Poisson，Hawkes用于建模点过程，那么尝试对不规则（不均匀）间隔时间序列进行建模的尝试-是否存在（至少）任何常见实践？ （如果您对该主题有一定的了解，还可以展开相应的Wiki文章。） 版本（关于缺失值和不规则间隔的时间序列）： 回答@Lucas Reis评论。如果测量或实现变量之间的间隙由于（例如）泊松过程而间隔开，则这种正则化的空间就不大了，但它存在一个简单的过程：t(i)是变量x的第i个时间索引（x的第i个时间）实现x），则限定间隙的测量值作为时间之间g(i)=t(i)-t(i-1)，那么我们就离散g(i)使用常数c，dg(i)=floor(g(i)/c并与原来的时间序列的老观测之间的空白值的数量创建新的时间序列i和i+1等于DG（我），但问题是，这该过程很容易产生时间序列，而缺失数据的数量远大于观测值的数量，因此，对缺失观测值的合理估计可能是不可能的，而且可能太大c删除“时间结构/时间依赖性等”。分析的问题（极端情况是通过将c>=max(floor(g(i)/c))简单地将不规则间隔的时间序列分解为规则间隔而给出的 Edition2（只是为了好玩）：图像说明了在不规则间隔的时间序列甚至点过程中缺失的值。

45 time-series  garch  poisson-process  point-process  unevenly-spaced-time-series 

R forecast包以及zoo用于不规则时间序列和内插缺失值的包给我留下了深刻的印象。 我的应用程序是在呼叫中心流量预测方面，因此（几乎）总是缺少周末的数据，可以通过很好地处理zoo。此外，一些离散的点可能会丢失，我只是用的r NA为。 事实是：所有的预测包的漂亮的魔法，比如eta()，auto.arima()等等，似乎期望普通ts的物体，不包含任何丢失的数据，即等间隔的时间序列。我认为在现实世界中仅存在等时时间序列的应用确实存在，但是-我认为-非常有限。 几个离散的问题NA的值可容易地通过使用任何的提供内插函数来解决zoo，以及通过forecast::interp。之后，我运行了预测。 我的问题： 有人建议更好的解决方案吗？ （我的主要问题）至少在我的应用程序域中，呼叫中心流量预测（据我所能想象的大多数其他问题域），时间序列不是等距的。至少我们有重复的“工作日”计划或类似的计划。什么是最好的处理方式，同时仍然使用预测包的所有酷魔术？ 我是否应该“压缩”时间序列以填充周末，进行预测，然后再次“充气”数据以在周末重新插入NA值？（我认为这是一种耻辱吗？） 是否有计划使预测程序包与不定期的时间序列程序包（如Zoo或其兼容程序）完全兼容？如果是，何时和否，为什么不呢？ 我对预测（以及一般的统计数据）还很陌生，所以我可能会忽略一些重要的事情。

16 r  time-series  forecasting  missing-data  unevenly-spaced-time-series 

我不清楚如何计算不规则时间序列的协积分（理想情况下是使用带有VECM 的Johansen检验）。我最初的想法是对序列进行正则化并对缺失值进行插值，尽管这可能会使估计值产生偏差。 有没有关于这个主题的文献？

15 time-series  cointegration  unevenly-spaced-time-series 

在金融计量经济学研究中，以每日数据的形式调查金融时间序列之间的关系非常普遍。例如，通常通过取对数差将变量设为；LN （P 吨）- LN （P 吨- 1）。I(0)I(0)I(0)ln(Pt)−ln(Pt−1)ln⁡(Pt)−ln⁡(Pt−1)\ln(P_t)-\ln(P_{t-1}) 但是，每日数据意味着有555每周数据点，而星期六和星期日则丢失。在我所知道的应用文献中，这似乎没有提及。这是我根据观察得出的一些密切相关的问题： 即使金融市场在周末休市，这是否也属于不规则间隔的数据？ 如果是这样，那么迄今为止，大量的忽略该问题的论文对现有经验结果的有效性有何影响？

14 time-series  econometrics  finance  macroeconomics  unevenly-spaced-time-series 

最近，我已经阅读了很多有关动态时间规整（DTW）的文章。令我惊讶的是，根本没有文献将DTW应用于不规则时间序列，或者至少我找不到它。 谁能给我参考与该问题相关的内容，甚至是其实现方式？

10 time-series  correlation  distance  unevenly-spaced-time-series 

我正在尝试分析两个股票价格的时间序列之间的提前期。在定期的时间序列分析中，我们可以进行VECM（格兰杰因果关系）的Cross Correlaton。但是，如何在不规则间隔的时间序列中处理相同的内容。 假设是其中一种工具领先于另一种。 我的两个符号的数据都以微秒为单位。 我查看了RTAQ软件包，并尝试应用VECM。RTAQ在单变量时间序列上更多，而VECM在这些时间尺度上不重要。 > dput(STOCKS[,])) structure(c(29979, 29980, 29980, 29980, 29981, 29981, 29991, 29992, 29993, 29991, 29990, 29992), .Dim = c(6L, 2L), .Dimnames = list(NULL, c("Pair_Bid", "Calc_Bid" )), index = structure(c(1340686178.55163, 1340686181.40801, 1340686187.2642, 1340686187.52668, 1340686187.78777, 1340686189.36693), class = c("POSIXct", "POSIXt"), tzone = ""), class = "zoo")

10 r  time-series  cross-correlation  unevenly-spaced-time-series 

我有一些不同鱼类种群的数据，这些数据是在大约5年的时间内采样的，但模式非常不规则。有时样本之间有几个月的间隔，有时一个月内有多个样本。也有很多0计数 如何处理此类数据？ 我可以很容易地在R中绘制它的图形，但是这些图形并不是很特别，因为它们非常颠簸。 在建模方面-将物种建模为各种事物的函数-也许是混合模型（又称为多级模型）。 欢迎任何参考或想法 回应评论的一些细节 大约有15种。 我试图既了解每条鱼的任何趋势或季节性，又看一看物种之间的相互关系（我的客户最初想要一个简单的相关表） 目标是描述性和分析性的，而非预测性的 进一步的编辑：我确实找到了K. Rehfield等人的论文，该论文建议使用高斯核估计高度不规则时间序列的ACF http://www.nonlin-processes-geophys.net/18/389/2011/npg-18-389-2011.pdf

10 time-series  multilevel-analysis  unevenly-spaced-time-series 

我在StackOverflow上提出了这个问题，建议在这里提出。 我有两个时间序列的3D加速度计数据，它们具有不同的时基（时钟在不同的时间开始，在采样时间中有一些非常小的蠕变），并且包含许多不同大小的间隙（由于与写入分开相关的延迟）闪存设备）。 我使用的加速度计是便宜的GCDC X250-2。我正在以最高增益运行加速度计，因此数据的本底噪声很大。 每个时间序列都有大约200万个数据点（以512个样本/秒的速度在一小时内），并且包含大约500个感兴趣的事件，其中典型事件跨越100-150个样本（每个200-300 ms）。这些事件中的许多事件都受到闪存写入期间数据中断的影响。 因此，数据不是原始的，甚至不是非常漂亮。但是我的眼球检查表明它清楚地包含了我感兴趣的信息。（如果需要，我可以发布图表。） 加速度计处于类似的环境中，但耦合程度适中，这意味着我可以通过肉眼分辨出每个加速度计匹配了哪些事件，但是到目前为止，我在软件中还是没有成功。由于物理限制，这些设备还以不同的方向安装，这些位置的轴不匹配，但它们尽可能接近正交。因此，例如，对于3轴加速度计A和B，+ Ax映射到-By（上下），+ Az映射到-Bx（左右），而+ Ay映射到-Bz（前后） 。 我的最初目标是关联垂直轴上的震动事件，尽管我最终希望a）自动发现轴映射，b）关联映射的ace上的活动，以及c）提取两个加速度计之间的行为差​​异（例如扭曲）或弯曲）。 时间序列数据的性质使Python的numpy.correlate（）无法使用。我也看过R's Zoo套件，但是并没有取得进展。我曾在信号分析的不同领域寻求帮助，但没有取得任何进展。 有人对我可以做什么或应该研究的方法有任何线索吗？ 2011年2月28日更新：此处添加了一些显示数据示例的图表。

10 time-series  correlation  unevenly-spaced-time-series 

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 <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, indices){ data <- data[indices, ] mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out <- 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 

我有一个不规则间隔的XTS时间序列（POSIXct值作为索引类型）。 如何建立以10分钟为间隔采样的新时间序列，但每个采样时刻都与一个整点时间对齐（13：00：00、13：10：00、13：20：00等） 。如果重采样时刻不完全符合原始序列值，那么我想取前一个。

9 r  time-series  sampling  unevenly-spaced-time-series