Pytania otagowane jako time-series

Szeregi czasowe to dane obserwowane w czasie (w ciągłym czasie lub w dyskretnych przedziałach czasowych).

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?
1
Jak porównać obserwowane i oczekiwane zdarzenia?
Załóżmy, że mam jedną próbkę częstotliwości 4 możliwych zdarzeń: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 i mam spodziewane prawdopodobieństwo wystąpienia moich zdarzeń: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 Dzięki sumie obserwowanych częstotliwości moich czterech zdarzeń (18) mogę obliczyć …
9 r  statistical-significance  chi-squared  multivariate-analysis  exponential  joint-distribution  statistical-significance  self-study  standard-deviation  probability  normal-distribution  spss  interpretation  assumptions  cox-model  reporting  cox-model  statistical-significance  reliability  method-comparison  classification  boosting  ensemble  adaboost  confidence-interval  cross-validation  prediction  prediction-interval  regression  machine-learning  svm  regularization  regression  sampling  survey  probit  matlab  feature-selection  information-theory  mutual-information  time-series  forecasting  simulation  classification  boosting  ensemble  adaboost  normal-distribution  multivariate-analysis  covariance  gini  clustering  text-mining  distance-functions  information-retrieval  similarities  regression  logistic  stata  group-differences  r  anova  confidence-interval  repeated-measures  r  logistic  lme4-nlme  inference  fiducial  kalman-filter  classification  discriminant-analysis  linear-algebra  computing  statistical-significance  time-series  panel-data  missing-data  uncertainty  probability  multivariate-analysis  r  classification  spss  k-means  discriminant-analysis  poisson-distribution  average  r  random-forest  importance  probability  conditional-probability  distributions  standard-deviation  time-series  machine-learning  online  forecasting  r  pca  dataset  data-visualization  bayes  distributions  mathematical-statistics  degrees-of-freedom 
2
Parametryczne, półparametryczne i nieparametryczne ładowanie początkowe dla modeli mieszanych
Z tego artykułu pochodzą następujące przeszczepy . Jestem nowicjuszem w bootstrapie i próbuję zaimplementować parametryczne, semiparametryczne i nieparametryczne bootstrapowanie dla liniowego modelu mieszanego z R bootpakietem. Kod R. Oto mój Rkod: library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, …
9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 
1
Jaki model stanowi wyzwanie dla zestawu danych? (setki szeregów czasowych z dużą ilością zagnieżdżeń)
Mam dość skomplikowany zestaw danych do analizy i nie mogę znaleźć dla niego dobrego rozwiązania. Oto rzecz: 1. surowe dane są zasadniczo nagraniami owadów. Każda piosenka składa się z kilku serii, a każda seria składa się z podjednostek. Wszystkie osoby były rejestrowane przez 5 minut. Liczba serii i ich pozycja …
3
Wybór splajnu df w ogólnym addytywnym problemie modelu Poissona
Dopasowuję niektóre dane szeregów czasowych za pomocą ogólnego modelu addytywnego Poissona za pomocą SAS PROC GAM. Mówiąc ogólnie, mam wbudowaną uogólnioną procedurę walidacji krzyżowej, która generuje co najmniej przyzwoity „punkt początkowy” dla mojego pojedynczego splajnu, który jest nieliniową funkcją czasu wraz z jednym terminem parametrycznym (tym, który I tak naprawdę …
4
Jak radzić sobie z lukami / danymi NaN w danych szeregów czasowych, gdy używasz Matlaba do autokorelacji i sieci neuronowych?
Mam szereg czasowy pomiarów (wysokości-jednowymiarowy szereg). W okresie obserwacji proces pomiaru spadł o kilka punktów czasowych. Tak więc dane wynikowe są wektorem z NaN, w których występują luki w danych. Korzystanie z MATLAB-a powoduje mi problem podczas obliczania autokorelacji ( autocorr) i stosowania sieci neuronowych ( nnstart). Jak należy sobie …
2
Czy mogę ufać regresji, jeśli zmienne są autokorelowane?
Obie zmienne (zależne i niezależne) wykazują efekty autokorelacji. Dane są szeregami czasowymi i stacjonarnymi Po uruchomieniu regresji reszty wydają się nie być skorelowane. Moja statystyka Durbina-Watsona jest większa niż górna wartość krytyczna, więc istnieją dowody, że terminy błędów nie są dodatnio skorelowane. Również, gdy wykreślam ACF pod kątem błędów, wygląda …
1
Ręczne obliczanie PACF
Próbuję powtórzyć obliczenia wykonywane przez SAS i SPSS dla częściowej funkcji autokorelacji (PACF). W SAS jest produkowany przez Proc Arima. Wartości PACF są współczynnikami autoregresji szeregu zainteresowania w stosunku do opóźnionych wartości szeregu. Moją zmienną zainteresowania jest sprzedaż, dlatego obliczam lag1, lag2 ... lag12 i uruchamiam następującą regresję OLS: Yt=za0+za1Yt …
1
Linie przerywane na wykresie ACF w R.
Przeglądam książkę „Introductory Time Series with R” autorstwa Cowpertwait i Metcalfe. Na stronie 36 Napisano, że wiersze znajdują się w: . Przeczytałem tutaj R forum, że wiersze są na . - 1 / n ± 2 /n--√−1/n±2/n-1/n \pm 2/\sqrt{n}± 1,96 /n--√±1.96/n\pm 1.96/\sqrt{n} Uruchomiłem następujący kod: b = c(3,1,4,1) acf(b) i …
9 r  time-series 
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.