Preguntas etiquetadas con forecasting

¿Tendría sentido equipar un modelo a propósito? Digamos que tengo un caso de uso donde sé que los datos no variarán mucho con respecto a los datos de entrenamiento. Estoy pensando aquí en la predicción del tráfico, donde el estado del tráfico sigue un conjunto fijo de patrones viaje matutino …

8 machine-learning  time-series  forecasting  prediction  overfitting 

Recientemente me encontré con un artículo fascinante sobre la predicción de futuros rendimientos del mercado de valores. El autor presenta el siguiente gráfico y cita un R ^ 2 de 0.913. Esto haría que el método del autor fuera muy superior a cualquier cosa que haya visto sobre el tema …

8 machine-learning  time-series  forecasting  predictive-models 

Supongamos que hago un montón de pronósticos probabilísticos como: 70% de probabilidad de que el crecimiento de las ventas sea del 10-15% en el primer trimestre, 10% de probabilidad de que el crecimiento de las ventas sea> 15%, 20% de probabilidad de que el crecimiento de las ventas sea <10% …

8 forecasting  scoring-rules 

Estoy tratando de pronosticar Poissondatos, divididos en grupos, de 1-26 months of data, dependiendo del grupo. De los datos agrupados 65% has a value of 0y 25% a value of 1. No pude encontrar ninguna tendencia o estacionalidad, así que comencé a probar un par de modelos de estación diferentes. …

8 time-series  forecasting  count-data  prediction-interval  intermittent-time-series 

Estoy tratando de escribir una tesis de pregrado en la que pruebo el poder predictivo de un modelo econométrico dado en una serie de tiempo financiera determinada. Necesito algunos consejos sobre cómo debo hacer esto. Para poner las cosas en contexto, en su mayoría tengo una econometría auto estudiada; el …

8 time-series  forecasting  econometrics  arima  garch 

Tengo una pregunta sobre el modelado de series de tiempo en R. Mis datos consisten en la siguiente matriz: 1 0.03333333 0.01111111 0.9555556 2 0.03810624 0.02309469 0.9387991 3 0.00000000 0.03846154 0.9615385 4 0.03776683 0.03119869 0.9310345 5 0.06606607 0.01201201 0.9219219 6 0.03900325 0.02058505 0.9404117 7 0.03125000 0.01562500 0.9531250 8 0.00000000 0.00000000 …

8 r  time-series  forecasting  compositional-data 

Tengo datos que describen con qué frecuencia tiene lugar un evento durante una hora ("número por hora", nph) y cuánto duran los eventos ("duración en segundos por hora", dph). Estos son los datos originales: nph <- c(2.50000000003638, 3.78947368414551, 1.51456310682008, 5.84686774940732, 4.58823529414907, 5.59999999993481, 5.06666666666667, 11.6470588233699, 1.99999999998209, NA, 4.46153846149851, 18, 1.05882352939726, 9.21739130425452, …

8 normal-distribution  data-transformation  logistic  generalized-linear-model  ridge-regression  t-test  wilcoxon-signed-rank  paired-data  naive-bayes  distributions  logistic  goodness-of-fit  time-series  eviews  ecm  panel-data  reliability  psychometrics  validity  cronbachs-alpha  self-study  random-variable  expected-value  median  regression  self-study  multiple-regression  linear-model  forecasting  prediction-interval  normal-distribution  excel  bayesian  multivariate-analysis  modeling  predictive-models  canonical-correlation  rbm  time-series  machine-learning  neural-networks  fishers-exact  factorisation-theorem  svm  prediction  linear  reinforcement-learning  cdf  probability-inequalities  ecdf  time-series  kalman-filter  state-space-models  dynamic-regression  index-decomposition  sampling  stratification  cluster-sample  survey-sampling  distributions  maximum-likelihood  gamma-distribution 

Tengo varios datos intermitentes. Con base en esos datos, me gustaría comparar varios métodos de pronóstico (suavizado exponencial, promedio móvil, Croston y Syntetos-Boylan), y decidir si Croston o Syntetos Boylan es mejor que SES o MA para datos intermitentes o no. La medida que me gustaría comparar es la Tasa …

8 forecasting  method-comparison  crostons-method  intermittent-time-series 

¿Cómo puede uno objetivamente (leer "algorítmicamente") seleccionar un modelo apropiado para hacer una simple regresión lineal de mínimos cuadrados con dos variables? Por ejemplo, digamos que los datos parecen mostrar una tendencia cuadrática, y se genera una parábola que se ajusta bastante bien a los datos. ¿Cómo justificamos hacer de …

8 regression  forecasting  model-selection  prediction 

Existen varios métodos para hacer pronósticos de series temporales equidistantes (por ejemplo, Holt-Winters, ARIMA, ...). Sin embargo, actualmente estoy trabajando en el siguiente conjunto de datos espaciados irregulares, que tiene una cantidad variable de puntos de datos por año y no hay intervalos de tiempo regulares entre esos puntos: Parcela: …

8 r  time-series  forecasting  unevenly-spaced-time-series 

Estoy usando el método arima del paquete de estadísticas de R con mi serie temporal de 17376 elementos. Mi objetivo es obtener el valor del criterio AIC, he observado en mi primera prueba esto: ts <- arima(serie[,1], order = c(2,1,1), seasonal = list(order=c(2,0,1),period = 24), method = "CSS", optim.method = …

8 r  time-series  forecasting  arima 

Mi proyecto actual puede requerir que construya un modelo para predecir el comportamiento de un determinado grupo de personas. el conjunto de datos de entrenamiento contiene solo 6 variables (la identificación es solo para fines de identificación): id, age, income, gender, job category, monthly spend en el cual monthly spendestá …

8 modeling  large-data  overfitting  clustering  algorithms  error  spatial  r  regression  predictive-models  linear-model  average  measurement-error  weighted-mean  error-propagation  python  standard-error  weighted-regression  hypothesis-testing  time-series  machine-learning  self-study  arima  regression  correlation  anova  statistical-significance  excel  r  regression  distributions  statistical-significance  contingency-tables  regression  optimization  measurement-error  loss-functions  image-processing  java  panel-data  probability  conditional-probability  r  lme4-nlme  model-comparison  time-series  probability  probability  conditional-probability  logistic  multiple-regression  model-selection  r  regression  model-based-clustering  svm  feature-selection  feature-construction  time-series  forecasting  stationarity  r  distributions  bootstrap  r  distributions  estimation  maximum-likelihood  garch  references  probability  conditional-probability  regression  logistic  regression-coefficients  model-comparison  confidence-interval  r  regression  r  generalized-linear-model  outliers  robust  regression  classification  categorical-data  r  association-rules  machine-learning  distributions  posterior  likelihood  r  hypothesis-testing  normality-assumption  missing-data  convergence  expectation-maximization  regression  self-study  categorical-data  regression  simulation  regression  self-study  self-study  gamma-distribution  modeling  microarray  synthetic-data 

Tengo un conjunto de datos meteorológicos diarios, que tiene, como era de esperar, un efecto estacional muy fuerte. Adapté un modelo ARIMA a este conjunto de datos usando la función auto.arima del paquete de pronóstico. Para mi sorpresa, la función no aplica ninguna operación estacional: diferenciación estacional, componentes estacionales ar …

8 r  time-series  forecasting  arima  arma 

En la predicción de series de tiempo utilizando varios modelos como AR, MA, ARMA, etc., generalmente nos enfocamos en el modelado de los datos en el cambio de tiempo. Pero cuando tenemos 2 series de tiempo en las que el coeficiente de correlación de Pearson muestra que están altamente correlacionadas, …

8 time-series  correlation  forecasting  var 

Utilizando el excelente paquete de pronósticos de Rob Hyndman, me encontré con la necesidad no solo de tener intervalos de predicción, sino también de simular una serie de caminos futuros, dadas las observaciones pasadas de una serie temporal con estacionalidades complejas. Hay algo para series de tiempo menos complejas con …

8 r  time-series  forecasting  simulation  tbats