Statystyki i duże zbiory danych forecasting

3

Prognozy danych szeregów czasowych ze zmiennymi zewnętrznymi

Obecnie pracuję nad projektem dotyczącym prognozowania danych szeregów czasowych (dane miesięczne). Używam R. do prognozowania. Mam 1 zmienną zależną (y) i 3 zmienne niezależne (x1, x2, x3). Zmienna y ma 73 obserwacje, podobnie jak pozostałe 3 zmienne (alos 73). Od stycznia 2009 r. Do stycznia 2015 r. Sprawdziłem korelacje i …

10 time-series multiple-regression forecasting lags

1

Uogólnione modele liniowe a modele osi czasu do prognozowania

Jakie są różnice w stosowaniu uogólnionych modeli liniowych, takich jak automatyczne określanie trafności (ARD) i regresja grzbietu, w porównaniu do modeli szeregów czasowych, takich jak Box-Jenkins (ARIMA) lub wygładzanie wykładnicze do prognozowania? Czy istnieją jakieś praktyczne zasady dotyczące tego, kiedy używać GLM, a kiedy Szeregi czasowe?

10 time-series generalized-linear-model forecasting

2

Jaki jest model szeregów czasowych do prognozowania procentu związanego (0,1)?

To musi się pojawić --- prognozowanie rzeczy, które utknęły między 0 a 1. W mojej serii podejrzewam, że jest to komponent auto-regresji, a także komponent odwracający średnie, więc chcę czegoś, co mogę interpretować jak ARIMA --- ale nie chcę, aby w przyszłości spadło do 1000% . Czy używasz modelu ARIMA …

10 time-series forecasting logistic arima beta-regression

3

Prognozowanie kilku okresów z uczeniem maszynowym

Niedawno podsumowałem swoją wiedzę na temat szeregów czasowych i zdałem sobie sprawę, że uczenie maszynowe daje głównie tylko jeden krok do przodu. W przypadku prognoz o jeden krok do przodu mam na myśli prognozy, które np. Jeśli mamy dane godzinowe, wykorzystujemy dane od 10 rano do prognozy 11:00 i 11:00 …

9 machine-learning time-series forecasting arima

1

Warunki cyklicznego zachowania modelu ARIMA

Próbuję modelować i prognozować szereg czasowy, który jest raczej cykliczny niż sezonowy (tzn. Istnieją wzorce podobne do sezonowych, ale nie z ustalonym okresem). Powinno to być możliwe przy użyciu modelu ARIMA, jak wspomniano w sekcji 8.5 Prognozowania: zasady i praktyka : Wartość jest ważna, jeśli dane pokazują cykle. Aby uzyskać …

9 time-series forecasting arima seasonality

1

Który model głębokiego uczenia może klasyfikować kategorie, które nie wykluczają się wzajemnie

Przykłady: w opisie stanowiska mam zdanie: „Starszy inżynier Java w Wielkiej Brytanii”. Chcę użyć modelu głębokiego uczenia się, aby przewidzieć go jako 2 kategorie: English i IT jobs. Jeśli użyję tradycyjnego modelu klasyfikacji, może on przewidzieć tylko 1 etykietę z softmaxfunkcją na ostatniej warstwie. Dlatego mogę użyć 2 modelowych sieci …

9 machine-learning deep-learning natural-language tensorflow sampling distance non-independent application regression machine-learning logistic mixed-model control-group crossover r multivariate-analysis ecology procrustes-analysis vegan regression hypothesis-testing interpretation chi-squared bootstrap r bioinformatics bayesian exponential beta-distribution bernoulli-distribution conjugate-prior distributions bayesian prior beta-distribution covariance naive-bayes smoothing laplace-smoothing distributions data-visualization regression probit penalized estimation unbiased-estimator fisher-information unbalanced-classes bayesian model-selection aic multiple-regression cross-validation regression-coefficients nonlinear-regression standardization naive-bayes trend machine-learning clustering unsupervised-learning wilcoxon-mann-whitney z-score econometrics generalized-moments method-of-moments machine-learning conv-neural-network image-processing ocr machine-learning neural-networks conv-neural-network tensorflow r logistic scoring-rules probability self-study pdf cdf classification svm resampling forecasting rms volatility-forecasting diebold-mariano neural-networks prediction-interval uncertainty

2

Rozkład wariancji odchylenia: termin oczekiwanego kwadratu błędu prognozy mniej błędu nieredukowalnego

Hastie i in. „Elementy uczenia statystycznego” (2009) rozważają proces generowania danych z i .Y= f( X) + εY=f(X)+ε Y = f(X) + \varepsilon E (ε)=0E(ε)=0\mathbb{E}(\varepsilon)=0Var ( ε ) =σ2)εVar(ε)=σε2\text{Var}(\varepsilon)=\sigma^2_{\varepsilon} Prezentują następujący rozkład wariancji odchyłki oczekiwanego błędu kwadratu prognozy w punkcie (s. 223, wzór 7.9): W moim praca własna Nie określam …

9 variance forecasting prediction terminology bias

4

Jak podejść do tego problemu z prognozowaniem binarnym?

Mam zestaw danych o następującym formacie. Istnieje wynik binarny rak / brak raka. Każdy lekarz w zbiorze danych widział każdego pacjenta i oceniał go niezależnie od tego, czy pacjent ma raka. Następnie lekarze podają poziom ufności na 5, że diagnoza jest prawidłowa, a poziom ufności jest wyświetlany w nawiasach. Próbowałem …

9 forecasting binary-data psychometrics

1

Dlaczego moje modele VAR działają lepiej z danymi niestacjonarnymi niż z danymi stacjonarnymi?

Używam biblioteki VAR Pytsmodels do modelowania danych finansowych szeregów czasowych, a niektóre wyniki mnie zastanawiają. Wiem, że modele VAR zakładają, że dane szeregów czasowych są nieruchome. Nieumyślnie dopasowałem niestacjonarną serię cen logów dla dwóch różnych papierów wartościowych i, co zaskakujące, dopasowane wartości i prognozy w próbie były bardzo dokładne z …

9 time-series forecasting r-squared var stationarity

2

Jak interpretować i wykonywać prognozowanie za pomocą pakietu tsoutliers i auto.arima

Mam dane miesięczne od 1993 do 2015 roku i chciałbym przeprowadzić prognozę tych danych. Użyłem pakietu tsoutliers do wykrycia wartości odstających, ale nie wiem, jak dalej prognozować z moim zestawem danych. To jest mój kod: product.outlier<-tso(product,types=c("AO","LS","TC")) plot(product.outlier) To jest mój wynik z pakietu tsoutliers ARIMA(0,1,0)(0,0,1)[12] Coefficients: sma1 LS46 LS51 LS61 …

9 r time-series forecasting arima outliers

3

Funkcja przenoszenia w modelach prognostycznych - interpretacja

Zajmuję się modelowaniem ARIMA wzbogaconym o zmienne egzogeniczne do celów modelowania promocyjnego i trudno mi to wytłumaczyć użytkownikom biznesowym. W niektórych przypadkach pakiety oprogramowania kończą się prostą funkcją przesyłania, tj. Parametrem * Zmienna egzogeniczna. W tym przypadku interpretacja jest łatwa, tzn. Działanie promocyjne X (reprezentowane przez egzogenną zmienną binarną) wpływa …

9 time-series data-visualization forecasting arima causality

4

Obliczanie dokładności prognozy

Używamy STL (implementacja R) do prognozowania danych szeregów czasowych. Codziennie przeprowadzamy codzienne prognozy. Chcielibyśmy porównać wartości prognozowane z wartościami rzeczywistymi i zidentyfikować średnie odchylenie. Na przykład uruchomiliśmy prognozę na jutro i otrzymaliśmy punkty prognozy, chcielibyśmy porównać te punkty prognozy z rzeczywistymi danymi, które otrzymamy jutro. Zdaję sobie sprawę, że wartości …

9 time-series forecasting accuracy

1

Unikalny (?) Pomysł na prognozowanie sprzedaży

Pracuję nad opracowaniem modelu do przewidywania całkowitej sprzedaży produktu. Mam około półtora roku rezerwacji, więc mógłbym przeprowadzić standardową analizę szeregów czasowych. Mam jednak również wiele danych na temat każdej „możliwości” (potencjalnej sprzedaży), która została zamknięta lub utracona. „Możliwości” są realizowane etapami rurociągu, dopóki nie zostaną zamknięte lub utracone; powiązali również …

9 predictive-models forecasting econometrics

2

Prognoza ARIMA z sezonowością i trendem, dziwny wynik

gdy wkraczam w prognozowanie z modelami ARIMA, staram się zrozumieć, jak mogę poprawić prognozę opartą na dopasowaniu ARIMA do sezonowości i dryfu. Moje dane to następujące szeregi czasowe (ponad 3 lata, z wyraźnym trendem wzrostowym i widoczną sezonowością, która wydaje się nie być wspierana przez autokorelację w opóźnieniach 12, 24, …

9 r time-series forecasting arima seasonality

2

Jak korzystać z prostego wygładzania wykładniczego w języku R?

Jestem początkującym w R. Czy możesz wyjaśnić, jak używać ses w pakiecie prognozy R prognozy ? Chciałbym wybrać liczbę początkowych okresów i stałą wygładzania. d <- c(3,4,41,10,9,86,56,20,18,36,24,59,82,51,31,29,13,7,26,19,20,103,141,145,24,99,40,51,72,58,94,78,11,15,17,53,44,34,12,15,32,14,15,26,75,110,56,43,19,17,33,26,40,42,18,24,69,18,18,25,86,106,104,35,43,12,4,20,16,8) Mam 70 okresów, chciałbym użyć 40 okresów dla początkowego i 30 dla poza próbką. ses(d, h=30, level=c(80,95), fan=FALSE,initial=c("simple"), alpha=.1) Czy to jest poprawne?

9 r time-series forecasting

Pytania otagowane jako forecasting