การพยากรณ์ฟังก์ชันความหนาแน่น


10

ฉันกำลังทำการวิจัยเกี่ยวกับการทำนายอนุกรมเวลาของฟังก์ชันความหนาแน่นของความน่าจะเป็น เรากำลังตั้งเป้าที่จะคาดการณ์ PDF ที่ได้รับจากการสังเกตในอดีต (ปกติแล้วโดยประมาณ) PDF วิธีการพยากรณ์ที่เรากำลังพัฒนานั้นทำได้ค่อนข้างดีในการศึกษาแบบจำลอง

อย่างไรก็ตามฉันต้องการตัวอย่างตัวเลขจากแอปพลิเคชันจริงเพื่อแสดงวิธีการของเราเพิ่มเติม ดังนั้นมีตัวอย่างที่เหมาะสมในแอปพลิเคชัน (การเงินเศรษฐศาสตร์ชีววิทยาวิศวกรรม ฯลฯ ) ที่มีการรวบรวมอนุกรมเวลาของ PDF และเป็นสิ่งสำคัญและยากที่จะคาดเดาชุดเวลาดังกล่าวหรือไม่


1
ลองกระจายรายได้ เป็นสิ่งสำคัญอย่างยิ่งในการประเมินและคาดการณ์ ฉันจะสนใจดูผลลัพธ์อย่างแน่นอน
mpiktas

1
ธนาคารแห่งประเทศอังกฤษเปิดเผยการคาดการณ์ความหนาแน่นของอัตราเงินเฟ้อ คุณสามารถหาข้อมูลเพิ่มเติมได้ที่นี่: "การประเมินการพยากรณ์ความหนาแน่นของธนาคารแห่งประเทศอังกฤษ" Michael P. Clements วารสารเศรษฐกิจฉบับที่ 114, ฉบับที่ 498 (ต.ค. , 2004), pp. 844-866
user603

คำตอบ:


3

แอปพลิเคชั่นที่สำคัญอย่างหนึ่งอยู่ในกลุ่มประชากรเช่นการพยากรณ์การพัฒนาของปิรามิดอายุซึ่งไม่มีอะไรมากนอกจากฮิสโทแกรมที่แปรผันตามเวลาซึ่งเป็นตัวประมาณความหนาแน่น ลองแนวทางของคุณในเรื่องนั้น

นี่คือแนวคิดบางประการเกี่ยวกับวิธีรับข้อมูลความหนาแน่นของประชากรตามยาว ในที่สุดฉันก็ไปกับชุดข้อมูลภาษาเยอรมันซึ่งมีความละเอียดดีที่สุดให้ปิรามิดรายปีในขั้นตอน 1 ปี - ชุดข้อมูลอื่น ๆ ส่วนใหญ่เพียงปิรามิดปิรามิดแต่ละปีในถังขยะอายุ 5 ปี หากคุณพบแหล่งข้อมูลอนุกรมเวลาความหนาแน่นของประชากรได้ดีขึ้นโปรดบอกเราที่หัวข้อนั้น

Hyndman และ Shang (2009)เป็นบทความเกี่ยวกับการคาดการณ์อนุกรมเวลาที่ใช้งานได้ พวกเขาใช้วิธีการกับอัตราการเกิดของประชากร

ฉันยังแนะนำrainbowแพ็คเกจสำหรับ Rด้วยโดย Shang และ Hyndman สำหรับการสร้างภาพข้อมูลการทำงาน

หรือคุณสามารถเห็นภาพการคาดการณ์ของคุณโดยใช้ภาพเคลื่อนไหว นี่คือภาพเคลื่อนไหว GIF เล็กน้อยที่ฉันสร้างขึ้นสำหรับปิรามิดประชากรเยอรมันในอนาคต (ผู้ชายทางซ้ายผู้หญิงทางขวา):

พยากรณ์


1

มีวรรณคดีสหวิทยาการที่กำลังเติบโตในการคาดการณ์ความหนาแน่นของความน่าจะเป็น (เมื่อเทียบกับการคาดการณ์ค่าเฉลี่ยของชุด) ข้อมูลอ้างอิงต่อไปนี้เป็นการสำรวจล่าสุดซึ่งกล่าวถึงทั้งวิธีการและการใช้งานด้านเศรษฐศาสตร์อุตุนิยมวิทยา ฯลฯ

Gneiting, T. และ M. Katzfuss (2014): "การพยากรณ์ความน่าจะเป็น", การทบทวนสถิติประจำปีและการประยุกต์ใช้ 1, 125-151

มีจำหน่ายที่http://www.annualreviews.org/doi/abs/10.1146/annurev-statistics-062713-085831


กระดาษ Gneiting และ Katzfuss เป็นกระดาษที่ดี อย่างไรก็ตาม OP ไม่ต้องการคาดการณ์ความหนาแน่นของการทำนายจากอนุกรมเวลาของจุดข้อมูลเดียวที่สังเกตเห็นในอดีต ที่จุดในอดีตที่ผ่านมาแต่ละเขาได้สังเกตเห็นความหนาแน่นสมบูรณ์ เขาสนใจที่จะคาดการณ์ว่าความหนาแน่นทั้งหมดนี้จะมีวิวัฒนาการอย่างไร ดังนั้นคำตอบนี้น่าเสียดายที่ไม่มีเครื่องหมาย
เตฟาน Kolassa

0

t

t=0P(t=0)=0t=P(t=)=1

บอกฉันว่าคุณสนใจเรื่องราวที่มีรายละเอียดมากกว่านี้หรือไม่

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.