Preguntas etiquetadas con time-series

Estoy considerando dos estrategias para hacer "aumento de datos" en pronósticos de series de tiempo. Primero, un poco de historia. Un predictor PAGPAGP para pronosticar el siguiente paso de una serie temporal es una función que generalmente depende de dos cosas, los estados pasados ​​de la serie temporal, pero también …

13 time-series  data-augmentation 

¿Qué problemas de entrada secuenciales son los más adecuados para cada uno? ¿La dimensionalidad de entrada determina cuál es una mejor coincidencia? ¿Los problemas que requieren "memoria más larga" son más adecuados para un LSTM RNN, mientras que los problemas con patrones de entrada cíclicos (mercado de valores, clima) se …

13 time-series  neural-networks  hidden-markov-model  rnn 

Imagine que tenemos dos procesos de series temporales, que son estacionarios, produciendo: .xt,ytxt,ytx_t,y_t ¿Es , también estacionario?zt=αxt+βytzt=αxt+βytz_t=\alpha x_t +\beta y_t∀α,β∈R∀α,β∈R\forall \alpha, \beta \in \mathbb{R} Cualquier ayuda sería apreciada. Yo diría que sí, ya que tiene una representación MA.

12 time-series  stochastic-processes  stationarity 

¿Se pueden convertir todas las series temporales no estacionarias en series temporales estacionarias mediante la aplicación de diferenciación? Además, ¿cómo decide el orden de la diferencia que se aplicará? ¿Simplemente diferencia con los intervalos 1,2 ... ny realiza la prueba de raíz unitaria de estacionario cada vez para ver si …

12 time-series  stationarity 

Tengo una serie diaria bastante predecible con estacionalidad semanal. Puedo hacer predicciones que parecen ser bastante precisas (confirmadas por validación cruzada) cuando no hay vacaciones. Sin embargo, cuando hay vacaciones, tengo los siguientes problemas: En mi pronóstico obtengo números distintos de cero para las vacaciones, a pesar de que todas …

12 time-series  forecasting  arima  outliers 

Tengo una pregunta / confusión sobre las series estacionarias requeridas para modelar con ARIMA (X). Estoy pensando en esto más en términos de inferencia (efecto de una intervención), pero me gustaría saber si el pronóstico versus la inferencia hace alguna diferencia en la respuesta. Pregunta: Todos los recursos introductorios que …

12 time-series  econometrics  arima  inference 

Tengo un conjunto de datos muy grande y faltan alrededor del 5% de valores aleatorios. Estas variables están correlacionadas entre sí. El siguiente conjunto de datos R de ejemplo es solo un ejemplo de juguete con datos correlacionados ficticios. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

Si tenemos una serie de tiempo larga y de alta resolución, con mucho ruido, a menudo tiene sentido agregar los datos a una resolución más baja (digamos, valores diarios a mensuales) para obtener una mejor comprensión de lo que está sucediendo, eliminando efectivamente algunos de el ruido. He visto al …

12 time-series  aggregation 

Tengo un conjunto de datos de series temporales en el que estoy tratando de ajustar un Modelo de Markov Oculto (HMM) para estimar el número de estados latentes en los datos. Mi pseudo código para hacer esto es el siguiente: for( i in 2 : max_number_of_states ){ ... calculate HMM …

12 r  aic  hidden-markov-model  bic  spss  manova  time-series  r  lme4-nlme  regression  modeling  negative-binomial  bayesian  bugs  state-space-models  hypothesis-testing  data-transformation  factor-analysis  sem 

¿Qué relación y diferencia hay entre series de tiempo y regresión? Para modelos y supuestos , ¿es correcto que los modelos de regresión asuman independencia entre las variables de salida para diferentes valores de la variable de entrada, mientras que el modelo de serie temporal no lo hace? ¿Cuáles son …

12 regression  time-series  box-jenkins 

Estoy trabajando en un algoritmo que toma un vector del punto de datos más reciente de una serie de flujos de sensores y compara la distancia euclidiana con los vectores anteriores. El problema es que los diferentes flujos de datos provienen de sensores completamente diferentes, por lo que tomar una …

12 time-series  normalization  real-time 

Estoy tratando de comprender cómo utilizar el aprendizaje automático para predecir series temporales financieras 1 o más pasos hacia el futuro. Tengo una serie cronológica financiera con algunos datos descriptivos y me gustaría formar un modelo y luego usar el modelo para predecir n pasos por delante. Lo que he …

12 r  time-series  machine-learning  random-forest  finance 

Tengo un conjunto de datos que está aumentando claramente a medida que pasa el tiempo (tipo de cambio de una moneda, datos mensuales durante 20 años), mi pregunta es: ¿puedo eliminar la tendencia de los datos y luego diferenciarlos también para hacerlos estacionarios, si la tendencia en sí misma no …

12 time-series  stationarity 

Usé stl () en R para descomponer los datos de conteo en componentes de tendencia, estacionales e irregulares. Los valores de tendencia resultantes ya no son enteros. Tengo las siguientes preguntas: ¿Es stl () una forma adecuada de desestacionalizar los datos de conteo? Dado que la tendencia resultante ya no …

12 r  time-series  poisson-distribution 

Estoy tratando de detectar valores anómalos en una serie temporal de datos climáticos con algunas observaciones faltantes. Al buscar en la web encontré muchos enfoques disponibles. De ellos, la descomposición stl parece atractiva, en el sentido de eliminar la tendencia y los componentes estacionales y estudiar el resto. Lectura STL: …

12 r  time-series  outliers  missing-data