Jak wspomniał Aksakal w swojej odpowiedzi, film Ken T linked opisuje właściwości trendów , a nie modeli bezpośrednio, przypuszczalnie w ramach nauczania o pokrewnym temacie stacjonarności trendów i różnic w ekonometrii. Ponieważ w pytaniu pytałeś o modele, tutaj jest to w kontekście modeli :
Model lub proces jest stochastyczny, jeśli ma losowość. Na przykład, jeśli podano te same dane wejściowe (zmienne niezależne, wagi / parametry, hiperparametry itp.), Model może dawać różne wyniki. W modelach deterministycznych dane wyjściowe są w pełni określone przez dane wejściowe do modelu (zmienne niezależne, wagi / parametry, hiperparametry itp.), Tak że przy tych samych danych wejściowych do modelu dane wyjściowe są identyczne. Pochodzenie terminu „stochastyczny” pochodzi od procesów stochastycznych . Zasadniczo, jeśli model ma zmienną losową, jest on stochastyczny. Modele stochastyczne mogą być nawet prostymi niezależnymi zmiennymi losowymi.
Rozpakujmy trochę więcej terminologii, która pomoże ci zrozumieć literaturę dotyczącą modeli statystycznych (deterministycznych, stochastycznych lub w inny sposób ...):
AR(1)t−1μϵt=0) itp. Przyjmujemy te założenia, aby uczynić model liniowy użytecznym do oszacowania zmiennych zależnych przez zminimalizowanie pewnej normy tego terminu błędu. Te założenia pozwalają nam uzyskać użyteczne właściwości estymatorów i udowodnić, że niektóre estymatory są najlepsze w tych założeniach; na przykład, że estymator OLS jest NIEBIESKI .
Prostszym przykładem modelu stochastycznego jest rzutowanie uczciwej monety (główki lub reszki), którą można modelować stochastycznie jako równomiernie rozłożoną losową zmienną binarną lub proces Bernoulliego . Możesz również rozważyć rzut monetą jako układ fizyczny i opracować model deterministyczny (w wyidealizowanym otoczeniu), jeśli weźmiesz pod uwagę kształt monety, kąt i siłę uderzenia, odległość od powierzchni itp. Jeśli drugi (fizyczny) model rzutu monetą nie ma w nim żadnych losowych zmiennych (np. nie uwzględnia błędu pomiaru żadnego z danych wejściowych do modelu), to jest deterministyczny.
XtAR(1)ϵtyt=axt+ϵttVar[Xt]tVar[Xt]
Ponadto czasami zachodzi zamieszanie między stacjonarnymi procesami stochastycznymi a niestacjonarnymi procesami stochastycznymi. Stacjonarność oznacza, że statystyki takie jak średnia lub wariancja nie zmieniają się w czasie w modelu. Oba są nadal uważane za modele / procesy stochastyczne, o ile występuje przypadkowość. Jak wspomina w odpowiedzi Maroon, Matthew Gunn, rozkład Wolda stwierdza, że każdy stacjonarny proces stochastyczny można zapisać jako sumę procesu deterministycznego i stochastycznego.