Domande taggate «time-series»

Le serie temporali sono dati osservati nel tempo (in tempo continuo o in periodi di tempo discreti).

1
Simulazione della serie ARIMA (1,1,0)
Ho montato i modelli ARIMA sulle serie storiche originali e il modello migliore è ARIMA (1,1,0). Ora voglio simulare la serie da quel modello. Ho scritto il semplice modello AR (1), ma non riuscivo a capire come regolare la differenza all'interno del modello ARI (1,1,0). Il seguente codice R per …
11 r  time-series  arima 
2
Calcolo degli indici di stagionalità per stagionalità complessa
Voglio prevedere gli articoli al dettaglio (per settimana) usando il livellamento esponenziale. Sono bloccato in questo momento su come calcolare, archiviare e applicare gli indici di sesonalità. Il problema è che tutti gli esempi che ho trovato riguardano una sorta di semplice stagionalità. Nel mio caso ho i seguenti problemi: …
3
Usa Holt-Winters o ARIMA?
La mia domanda riguarda la differenza concettuale tra Holt-Winters e ARIMA. A quanto ho capito, Holt-Winters è un caso speciale di ARIMA. Ma quando è preferito un algoritmo rispetto all'altro? Forse Holt-Winters è incrementale e quindi funge da algoritmo inline (più veloce)? In attesa di alcune informazioni qui.
2
Stimatore non distorto per il modello AR (
Considera un modello AR ( ) (presupponendo media zero per semplicità):ppp xt=φ1xt−1+…+φpxt−p+εtxt=φ1xt−1+…+φpxt−p+εt x_t = \varphi_1 x_{t-1} + \dotsc + \varphi_p x_{t-p} + \varepsilon_t Lo stimatore OLS (equivalente allo stimatore della massima verosimiglianza condizionale ) per è noto per essere distorto, come notato in un recente thread .φ:=(φ1,…,φp)φ:=(φ1,…,φp)\mathbf{\varphi} := (\varphi_1,\dotsc,\varphi_p) (Curiosamente, …
1
Comprensione della formula di differenziazione frazionaria
Ho una serie e vorrei modellarla come un processo ARFIMA (aka FARIMA). Se è integrato nell'ordine (frazionario) , vorrei differenziarlo frazionalmente per renderlo fermo.ytyty_t dytyty_tddd Domanda : la seguente formula che definisce la differenza frazionaria è corretta? Δdyt:=yt−dyt−1+d(d−1)2!yt−2−d(d−1)(d−2)3!yt−3+...+(−1)k+1d(d−1)⋅...⋅(d−k)k!yt−k+...Δdyt:=yt−dyt−1+d(d−1)2!yt−2−d(d−1)(d−2)3!yt−3+...+(−1)k+1d(d−1)⋅...⋅(d−k)k!yt−k+...\Delta^d y_t := y_t - d y_{t-1} + \frac{d(d-1)}{2!} y_{t-2} - \frac{d(d-1)(d-2)}{3!} y_{t-3} …
4
Cosa fare delle spiegazioni in serie temporali?
Avendo lavorato per lo più con dati trasversali finora e, molto recentemente, navigando, scansionando inciampando in un mucchio di letteratura introduttiva sulle serie temporali, mi chiedo quale ruolo svolgano le variabili esplicative nell'analisi delle serie temporali. Vorrei spiegare una tendenza anziché declinare. La maggior parte di ciò che ho letto …
1
Interpretazione della decomposizione di serie storiche utilizzando TBATS dal pacchetto di previsione R.
Vorrei scomporre i seguenti dati delle serie temporali in componenti stagionali, di tendenza e residui. I dati sono un profilo di energia di raffreddamento oraria da un edificio commerciale: TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81) plot(TotalCoolingForDecompose.ts) Esistono quindi evidenti effetti stagionali giornalieri e settimanali basati sul consiglio di: Come scomporre una …
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.