W dziedzinie ekonomii (myślę) mamy ARIMA i GARCH dla regularnie rozmieszczonych szeregów czasowych i Poissona, Hawkesa dla modelowania procesów punktowych, więc co powiesz na próby modelowania nieregularnie (nierównomiernie) szeregów czasowych - czy są (przynajmniej) jakieś powszechne praktyki ?
(Jeśli masz trochę wiedzy w tym temacie, możesz także rozwinąć odpowiedni artykuł wiki ).
Edycja (o brakujących wartościach i szeregach czasowych o nieregularnych odstępach):
Odpowiedz na komentarz @Lucas Reis. Jeśli odstępy między zmiennymi pomiarów lub realizacji są rozstawione z powodu (na przykład) procesu Poissona, nie ma wiele miejsca na tego rodzaju regularyzację, ale istnieje prosta procedura: t(i)
czy i-ty indeks czasowy zmiennej x (i-ty czas realizacja x), a następnie określić luki między czasie pomiarów jak g(i)=t(i)-t(i-1)
, potem discretize g(i)
użyciem stałej c
, dg(i)=floor(g(i)/c
a także tworzyć nowe szeregów czasowych z wielu pustych wartości między starymi obserwacjach z oryginalnym szeregów czasowych i
i i+1
równać do DG (i), ale problemem jest to, że procedura może z łatwością wytworzyć szeregi czasowe z liczbą brakujących danych znacznie większą niż liczba obserwacji, więc rozsądne oszacowanie wartości brakujących obserwacji może być niemożliwe i zbyt dużec
usuń „strukturę czasu / zależność czasu itp.” analizowanego problemu (skrajny przypadek podano, biorąc c>=max(floor(g(i)/c))
po prostu, że po prostu zapadają się nieregularnie rozmieszczone szeregi czasowe w regularnie rozmieszczone
Edition2 (dla zabawy): Obrazowanie brakujących wartości w szeregach czasowych o nieregularnych odstępach lub nawet w przypadku przetwarzania punktowego.
t(i)
- czas x[t(i)],x[t(i+1)],x[t(i+2)]...
i t(j+1)-t(j)
nie jest stały. Dane są gromadzone w rozproszonej lub asynchronicznej rezydencji.