En el campo de la economía (creo) tenemos ARIMA y GARCH para series de tiempo regularmente espaciadas y Poisson, Hawkes para procesos de puntos de modelado, entonces, ¿qué hay de los intentos de modelar series de tiempo espaciadas irregularmente (de manera desigual)? Existen (al menos) prácticas comunes ?
(Si tiene algún conocimiento sobre este tema, también puede ampliar el artículo wiki correspondiente ).
Edición (sobre valores faltantes y series temporales espaciadas irregulares):
Responda al comentario de @Lucas Reis. Si los espacios entre las mediciones o las variables de realización están espaciados debido (por ejemplo) al proceso de Poisson, no hay mucho espacio para este tipo de regularización, pero existe un procedimiento simple: t(i)
es el índice de tiempo i-ésimo de la variable x (tiempo i-ésimo de realización x), entonces definir brechas entre los tiempos de mediciones como g(i)=t(i)-t(i-1)
, entonces discretizar g(i)
usando constante c
, dg(i)=floor(g(i)/c
y crear nuevas series de tiempo con el número de valores en blanco entre las observaciones viejos de la serie de tiempo original i
y i+1
igual a la DG (i), pero el problema es que este El procedimiento puede producir fácilmente series de tiempo con un número de datos faltantes mucho mayor que el número de observaciones, por lo que la estimación razonable de los valores de las observaciones faltantes podría ser imposible y demasiado grande.c
eliminar "estructura del tiempo / dependencia del tiempo, etc." del problema analizado (se da un caso extremo al tomar c>=max(floor(g(i)/c))
simplemente el colapso de series temporales espaciadas irregularmente en espaciadas regularmente
Edición2 (solo por diversión): Contabilidad de imágenes para valores perdidos en series de tiempo espaciadas irregularmente o incluso en caso de proceso puntual.
t(i)
- tiempo, x[t(i)],x[t(i+1)],x[t(i+2)]...
y t(j+1)-t(j)
no es constante. Los datos se recopilan en una mansión distribuida o asincrónica.