«time-series» etiketlenmiş sorular

Üç yıllık örneklenmiş verilere (hayvan biyokütlesi) 10 yıllık bir süre içinde, çeyrek başına 3 tekrar ile bir zaman serisi uygulamaya çalışıyorum. Yani 40 tarih ama toplam 120 gözlem. Shumway ve Stoffer'ın Zaman Serisi Analizinde SARIMA'a kadar okudum ve uygulamaları ve aynı zamanda yağsız Woodward, et. al. Uygulamalı Zaman Serisi Analizi …

11 r  time-series 

In a text mining application, one simple approach is to use the tf−idftf−idftf-idf heuristic to create vectors as compact sparse representations of the documents. This is fine for the batch setting, where the whole corpus is known a-priori, as the idfidfidf requires the whole corpus idf(t)=log|D||{d:t∈d}|idf(t)=log⁡|D||{d:t∈d}| \mathrm{idf}(t) = \log \frac{|D|}{|\{d: …

11 time-series  text-mining 

Bir zaman serisi verildiğinde, otokorelasyon fonksiyonu tahmin edilebilir ve örneğin aşağıda görüldüğü gibi çizilebilir: O zaman bu otokorelasyon fonksiyonundan zaman serileri hakkında ne okumak mümkün? Örneğin, zaman serilerinin durağanlığı hakkında mantık yürütmek mümkün mü? Düzenlendi : Burada daha fazla gecikme ile farklı serilerin ACF'sini ekledim

11 time-series  autocorrelation 

Bazı süreçlerin zaman serilerini simüle etmek için kullanılan stokastik bir modelim var. Bir parametreyi belirli bir değere değiştirmenin etkisi ile ilgileniyorum ve zaman serileri (örneğin model A ve model B) ve bir çeşit simülasyon tabanlı güven aralığı arasındaki farkı göstermek istiyorum. Sadece model A'dan bir grup simülasyon ve B modelinden …

11 time-series  predictive-models  markov-process 

Her hafta gelen toplam çağrı sayısı var ve bunları yaklaşık 3 yıl öncesine dayanan bir grafikte çizdim. Gözle bakıldığında, Noel'de büyük bir düşüş olduğu görülüyor, bu iyileşmemiş gibi görünüyor, taleplerde adım adım bir değişiklik olduğu görülüyor. Bu farkı ölçebilecek yapabileceğim bir test var mı? Şerefe Ben

11 time-series  statistical-significance  change-point 

Birlikte iki durum işlemi ile çalışıyorum içinde içinxtxtx_t{1,−1}{1,−1}\{1, -1\}t=1,2,…t=1,2,…t = 1, 2, \ldots Otokorelasyon fonksiyonu, uzun belleğe sahip bir işlemin göstergesidir, yani <1 üsüyle bir güç yasası bozulması gösterir. > library(fArma) > x<-fgnSim(10000,H=0.8) > x<-sign(x) > acf(x) Benim sorum: Sadece otokorelasyon fonksiyonu verilen serideki bir sonraki değeri en uygun şekilde …

11 time-series  predictive-models  autocorrelation 

Trafik verilerinde önemli değişiklikler ("eğilimler" - ani artışlar / aykırı değerler) bulan bir uygulama prototipinin resmine rastladım: Aynı şeyi yapabilen bir program (Java, isteğe bağlı olarak R) yazmak istiyorum - ancak istatistik becerilerim biraz paslı olduğundan, bu konuya tekrar girmem gerekiyor. Bu nedenle hangi yaklaşımı / algoritmayı kullanmalıyım / araştırmalıyım?

11 time-series  change-point 

Zaman içinde alkol satışı ile ilgili politika kararının sonuçlarını ölçmek için bir müdahale analizi yapmak istiyorum. Bununla birlikte, zaman serisi analizinde oldukça yeniyim, bu yüzden bazı yeni başlayanlar sorularım var. Literatür incelendiğinde, diğer araştırmacıların, alkolün zaman serisi satışlarını modellemek için ARIMA'yı kullandığını ve müdahalenin etkisini modellemek için regresör olarak kukla …

11 time-series  multivariate-analysis  arima  intervention-analysis 

Facebook'un peygamberi hakkında okuduğum şey , temel olarak zaman serilerini trend ve mevsimsellikten ayırıyor. Örneğin, bir katkı modeli şu şekilde yazılabilir: y( t ) = g( t ) + s ( t ) + h ( t ) + ety(t)=g(t)+s(t)+h(t)+et y(t) = g(t) + s(t) + h(t) + e_t ile …

11 regression  machine-learning  time-series  prophet 

mgcvİçin paket Rtensör ürün etkileşimleri uydurma için iki işlevi vardır: te()ve ti(). İkisi arasındaki temel işbölümünü anlıyorum (doğrusal olmayan bir etkileşime uymak ve bu etkileşimi ana etkilere ve etkileşime ayırmak). Anlamadığım şey neden te(x1, x2)ve ti(x1) + ti(x2) + ti(x1, x2)(biraz) farklı sonuçlar üretebilir. MWE (uyarlanmıştır ?ti): require(mgcv) test1 <- …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

Tekrarlayan Sinir Ağının (RNN) arkasındaki fikir benim için açık. Bunu şu şekilde anlıyorum: Bir dizi gözlemimiz var ( ) (veya başka bir deyişle, çok değişkenli zaman serileri). Her bir tek gözlem bir olan boyutlu sayısal vektör. RNN-modeli içinde, bir sonraki gözlemin bir önceki gözlemin bir işlevi olduğunu ve gizli durumların …

11 time-series  neural-networks  predictive-models  intuition  rnn 

Aşağıdaki kodla stl (Zaman Serisinin Mevsimlik Ayrışması) plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) Yukarıdaki koda rastgele veriler (rnorm fonksiyonu) konulduğunda önemli mevsimsel değişiklikler gösterir. Model farklı olsa da, bu her çalıştırıldığında önemli değişiklikler görülür. Bu tür iki desen aşağıda gösterilmiştir: Mevsimsel değişiklik gösterdiğinde bazı verilerde stl işlevine nasıl güvenebiliriz. Bu mevsimsel varyasyonun diğer …

11 time-series  seasonality  loess 

Zaman serileri ile çalışırken bazen spektral analiz kullanarak mevsimselliği tespit edip kaldırıyoruz. Zaman serilerinde gerçek bir başlangıç ​​yapıyorum ve neden mevsimselliği orijinal zaman serisinden çıkarmak isteyeceğime kafam karıştı? Mevsimselliği kaldırmak orijinal verileri bozmuyor mu? Mevsimselliği kaldırarak bir zaman serisi oluşturarak ne gibi avantajlar elde ediyoruz?

11 time-series  seasonality 

nin ortak dağılımı, ortak dağılımı ile işlemi XtXtX_tkesinlikle sabittir. tüm , tüm ve tüm . x t 1 + K , X, T 2 + k , . . . , X, T m + k m k t 1 , t 2 , . . . , t mXt1,Xt2,...,XtmXt1,Xt2,...,XtmX_{t_1},X_{t_2},...,X_{t_m}Xt1+k,Xt2+k,...,Xtm+kXt1+k,Xt2+k,...,Xtm+kX_{t_1+k},X_{t_2+k},...,X_{t_m+k}mmmkkkt1,t2,...,tmt1,t2,...,tmt_1,t_2,...,t_m …

11 time-series  autocorrelation  stochastic-processes  stationarity 

de ile (gözlenen) bir zaman serisi , (yani markov özelliği)?XtXtX_tXt∈ { 1 , . . . , n }Xt∈{1,...,n}X_t\in\{1,...,n\}P( Xt|Xt - 1, Xt - 2, . . . , X1) = P( Xt|Xt - 1)P(Xt|Xt-1,Xt-2,...,X1)=P(Xt|Xt-1)P(X_t|X_{t-1},X_{t-2},...,X_1)=P(X_t|X_{t-1})

11 time-series  hypothesis-testing  markov-process