คำถามติดแท็ก autocorrelation

ฉันพยายามที่จะเข้าใจความหมายของการถูกตัดออกไปและพล็อตตามลำดับเวลาของ ACF และ PACF "Cut off after lag" หมายถึงอะไร เกี่ยวกับขีด จำกัด ? "ก้อยออก" หมายความว่าอะไร? ในตัวอย่างด้านบนหนังสือที่ฉันใช้เพื่อศึกษากล่าวว่าเป็นกระบวนการ AR แต่ฉันไม่สามารถหาความหมายของ "ตัด" และ "ก้อย"

11 time-series  autocorrelation  terminology 

ฉันมีสองชุดข้อมูล: ชุดข้อมูลแรกของฉันคือมูลค่าของการลงทุน (เป็นพันล้านดอลลาร์) เทียบกับเวลาแต่ละหน่วยเวลาเป็นหนึ่งในสี่ตั้งแต่ไตรมาส 1 ของปี 1947 เวลาขยายไปถึงไตรมาสที่ 3 ของปี 2545 ชุดข้อมูลที่สองของฉันคือ "ผลลัพธ์ของการเปลี่ยนค่าของการลงทุนใน [ชุดข้อมูลแรก] เป็นกระบวนการคงที่โดยประมาณ" ชุดแรกของข้อมูลและชุดที่สองของข้อมูล แปลง ACF ที่เกี่ยวข้อง: ฉันรู้ว่าแผนการนั้นถูกต้องและฉันถูกขอให้ "แสดงความคิดเห็นกับพวกเขา" ผมค่อนข้างใหม่ในฟังก์ชั่นอัตและฉันไม่ได้อย่างสิ้นเชิงแน่ใจว่าสิ่งที่มันบอกฉันเกี่ยวกับข้อมูลของฉัน หากใครสามารถใช้เวลาอธิบายสั้น ๆ มันจะได้รับการชื่นชมอย่างมาก

11 r  self-study  data-visualization  autocorrelation 

เมื่อให้อนุกรมเวลาเราสามารถประมาณค่าความสัมพันธ์ระหว่างฟังก์ชันและพล็อตได้เช่นตามที่เห็นด้านล่าง อะไรคือความเป็นไปได้ที่จะอ่านเกี่ยวกับอนุกรมเวลาจากฟังก์ชั่นความสัมพันธ์อัตโนมัตินี้? ยกตัวอย่างเช่นเป็นไปได้หรือไม่ที่จะให้เหตุผลเกี่ยวกับความคงที่ของอนุกรมเวลา แก้ไข : ที่นี่ฉันได้รวม ACF ของซีรีส์ที่แตกต่างกับล่าช้ามากขึ้น

11 time-series  autocorrelation 

ฉันกำลังทำงานกับกระบวนการสองสถานะด้วยxเสื้อxtx_tใน{ 1 , - 1 }{1,−1}\{1, -1\}สำหรับt = 1 , 2 , ...t=1,2,…t = 1, 2, \ldots ฟังก์ชั่น autocorrelation เป็นตัวบ่งชี้ของกระบวนการที่มีหน่วยความจำยาวนั่นคือมันแสดงการสลายตัวของกฎกำลังไฟฟ้าที่มีเลขชี้กำลัง <1 คุณสามารถจำลองชุดที่คล้ายกันใน R ด้วย: > library(fArma) > x<-fgnSim(10000,H=0.8) > x<-sign(x) > acf(x) คำถามของฉัน: มีวิธีบัญญัติมาตรฐานหรือไม่ที่จะทำนายค่าถัดไปในซีรีส์ที่ได้รับมาจากฟังก์ชั่น วิธีหนึ่งในการทำนายก็คือใช้ x^( t ) = x ( t - 1 )x^(t)=x(t−1)\hat{x}(t) = x(t-1) ซึ่งมีอัตราการจำแนกประเภทโดยที่คือความสัมพันธ์แบบอัตโนมัติ -1 แต่ฉันรู้สึกว่ามันต้องเป็นไปได้ที่จะทำได้ดีขึ้นโดยคำนึงถึงโครงสร้างหน่วยความจำระยะยาวρ( …

11 time-series  predictive-models  autocorrelation 

ฉันมีข้อมูลสองปีซึ่งมีลักษณะโดยทั่วไปดังนี้ วันที่ _ __ ความรุนแรง Y / N? _ จำนวนผู้ป่วย 1/1/2551 _ ___ 0 __ _ __ _ ____ 11 2/1/2551 _ __ _ 0 _ __ _ __ _ __ 11 3/1/2551 _ ____ 1 __ _ __ _ ____ 12 4/1/2551 _ ____ 0 __ _ __ _ …

11 r  mixed-model  autocorrelation  panel-data 

ดูเหมือนว่ามันจะสูงจริงๆ แต่มันก็ไม่ง่ายสำหรับฉัน ใครช่วยอธิบายหน่อยได้ไหม? ฉันสับสนมากในเรื่องนี้และขอขอบคุณคำอธิบายที่ละเอียดและลึกซึ้ง ขอบคุณมากในล่วงหน้า!

11 autocorrelation  random-walk 

กระบวนการไม่หยุดนิ่งหากการกระจายข้อต่อของเหมือนกันกับการกระจายข้อต่อของสำหรับทุกสำหรับทุกและทุกt_1,Xเสื้อXเสื้อX_t X ที1 + k , X เสื้อ2 + k , . . , X ตันเมตร + kมk T 1 , T 2 , . . , เสื้อเมตรXเสื้อ1, Xเสื้อ2, . . . , Xเสื้อม.Xเสื้อ1,Xเสื้อ2,...,Xเสื้อม.X_{t_1},X_{t_2},...,X_{t_m}Xเสื้อ1+ k, Xเสื้อ2+ k, . . . , Xเสื้อม.+ kXเสื้อ1+k,Xเสื้อ2+k,...,Xเสื้อม.+kX_{t_1+k},X_{t_2+k},...,X_{t_m+k}ม.ม.mkkkเสื้อ1, t2, . . . , tม.เสื้อ1,เสื้อ2,...,เสื้อม.t_1,t_2,...,t_m กระบวนการคือลำดับที่สองนิ่งถ้าค่าเฉลี่ยของมันเป็นค่าคงที่และฟังก์ชั่น …

11 time-series  autocorrelation  stochastic-processes  stationarity 

ฉันอ่านต่อเกี่ยวกับความจำเป็นในการตรวจสอบความสัมพันธ์อัตโนมัติใน MCMC ทำไมจึงเป็นสิ่งสำคัญที่ autocorrelation ต่ำ? มันวัดอะไรในบริบทของ MCMC?

11 sampling  autocorrelation  mcmc 

ฉันใช้การทดสอบ DW กับโมเดลการถดถอยของฉันใน R และฉันได้สถิติการทดสอบ DW ที่ 1.78 และค่า p เท่ากับ 2.2e-16 = 0 นี่หมายความว่าไม่มีความสัมพันธ์อัตโนมัติระหว่างส่วนที่เหลือเพราะสถิติอยู่ใกล้กับ 2 ด้วยค่า p เล็ก ๆ หรือหมายความว่าแม้ว่าสถิติใกล้เคียงกับ 2 ค่า p มีค่าน้อยดังนั้นเราจึงปฏิเสธสมมติฐานว่างที่มีอยู่ ไม่มีความสัมพันธ์อัตโนมัติ?

11 r  regression  hypothesis-testing  autocorrelation  residuals 

เรากำลังพยายามสร้างค่าสุ่มที่มีความสัมพันธ์โดยอัตโนมัติซึ่งจะใช้เป็นชุดเวลา เราไม่มีข้อมูลที่เราอ้างถึงและเพียงต้องการสร้างเวกเตอร์ตั้งแต่เริ่มต้น ในอีกด้านหนึ่งเราต้องการกระบวนการสุ่มที่มีการแจกแจงและ SD ในอีกทางหนึ่งความสัมพันธ์อัตโนมัติที่มีอิทธิพลต่อกระบวนการสุ่มจะต้องมีการอธิบาย ค่าของเวกเตอร์นั้นมีความสัมพันธ์กันโดยอัตโนมัติพร้อมกับความแข็งแรงลดลงในช่วงเวลาต่าง ๆ เช่น lag1 มี 0.5, lag2 0.3, lag1 0.1 เป็นต้น ดังนั้นในที่สุดเวกเตอร์ควรมองสิ่งที่: 2, 4, 7, 11, 10, 8, 5, 4, 2, -1, 2, 5, 9, 12, 13, 10, 8, 4, 3, 1, -2, -5 และอื่น ๆ

11 r  time-series  random-variable  autocorrelation  lags 

ฉันกำลังสร้างแบบจำลองเบย์แบบลำดับชั้นที่ค่อนข้างซับซ้อนสำหรับการวิเคราะห์เมตาโดยใช้ R และ JAGS ลดความซับซ้อนของบิตสองระดับที่สำคัญของแบบจำลองมี โดยที่เป็นข้อสังเกตที่จุดสิ้นสุด (ในกรณีนี้จีเอ็มเทียบกับการปลูกพืชที่ไม่ใช่จีเอ็ม) ในการศึกษา ,เป็นผลสำหรับการศึกษา , s เป็นผลกระทบของตัวแปรระดับการศึกษาต่างๆ (สถานะการพัฒนาทางเศรษฐกิจของประเทศที่ ทำการศึกษาชนิดพันธุ์พืชวิธีการศึกษา ฯลฯ ) จัดทำดัชนีโดยกลุ่มฟังก์ชันและyij=αj+ϵiyij=αj+ϵi y_{ij} = \alpha_j + \epsilon_i αj=∑hγh(j)+ϵjαj=∑hγh(j)+ϵj\alpha_j = \sum_h \gamma_{h(j)} + \epsilon_jyijyijy_{ij}iiijjjαjαj\alpha_jjjjγγ\gammahhhϵϵ\epsilons เป็นเงื่อนไขข้อผิดพลาด โปรดทราบว่า s ไม่ใช่สัมประสิทธิ์ของตัวแปรจำลอง แต่มีตัวแปรแตกต่างกันสำหรับค่าระดับการศึกษาที่แตกต่างกัน ตัวอย่างเช่นมีสำหรับประเทศกำลังพัฒนาและสำหรับประเทศที่พัฒนาแล้ว γγ\gammaγγ\gammaγdevelopingγdeveloping\gamma_{developing}γdevelopedγdeveloped\gamma_{developed} ฉันสนใจที่จะประเมินค่าของ s เป็นหลัก ซึ่งหมายความว่าการทิ้งตัวแปรระดับการศึกษาจากตัวแบบไม่ใช่ตัวเลือกที่ดี γγ\gamma มีความสัมพันธ์สูงระหว่างตัวแปรระดับการศึกษาหลายอย่างและฉันคิดว่าสิ่งนี้กำลังสร้างความสัมพันธ์อัตโนมัติขนาดใหญ่ในเครือข่าย MCMC ของฉัน พล็อตการวินิจฉัยนี้แสดงให้เห็นถึงวิถีลูกโซ่ (ซ้าย) และผลสัมพันธ์อัตโนมัติ (ขวา): จากผลของความสัมพันธ์อัตโนมัติฉันได้ขนาดตัวอย่างที่มีประสิทธิภาพ 60-120 จาก …

10 autocorrelation  multilevel-analysis  mcmc  jags 

การทดสอบ Durbin-Watson จะทดสอบความสัมพันธ์แบบอัตโนมัติของส่วนที่เหลือที่ล่าช้า 1 แต่จะทำการทดสอบความสัมพันธ์แบบอัตโนมัติที่ความล่าช้า 1 โดยตรง นอกจากนี้คุณสามารถทดสอบความสัมพันธ์อัตโนมัติที่ lag 2,3,4 และมีการทดสอบ portmanteau ที่ดีสำหรับการ autocorrelation ที่ความล่าช้าหลายครั้งและรับกราฟที่ดีและตีความง่าย [เช่นฟังก์ชัน acf () ใน R] Durbin-Watson นั้นไม่เข้าใจง่ายและมักให้ผลลัพธ์ที่สรุปไม่ได้ ดังนั้นทำไมจึงใช้ นี่เป็นแรงบันดาลใจจากคำถามนี้เกี่ยวกับความไม่ลงรอยกันของการทดสอบ Durbin-Watson บางอย่าง แต่แยกออกจากกันอย่างชัดเจน

10 time-series  autocorrelation 

ฉันมีปัญหาเล็กน้อยในการทำความเข้าใจเส้นประสีน้ำเงินในภาพต่อไปนี้ของฟังก์ชั่นความสัมพันธ์อัตโนมัติ: มีคนให้คำอธิบายง่ายๆกับฉันว่าพวกเขาบอกอะไรฉัน

10 r  time-series  autocorrelation 

ฉันมีชุดข้อมูลที่สัญชาตญาณเชิงประจักษ์บอกว่าฉันควรคาดหวังว่าจะมีฤดูกาลประจำสัปดาห์ (เช่นพฤติกรรมในวันเสาร์และวันอาทิตย์นั้นแตกต่างจากส่วนที่เหลือของสัปดาห์) หลักฐานนี้ควรเป็นจริงกราฟกราฟความสัมพันธ์แบบอัตโนมัติไม่ควรให้ฉันระเบิดที่ความล่าช้าทวีคูณของ 7 หรือไม่? นี่คือตัวอย่างของข้อมูล: data = TemporalData[{{{2012, 09, 28}, 19160768}, {{2012, 09, 19}, 19607936}, {{2012, 09, 08}, 7867456}, {{2012, 09, 15}, 11245024}, {{2012, 09, 04}, 0}, {{2012, 09, 21}, 24314496}, {{2012, 09, 12}, 11233632}, {{2012, 09, 03}, 9886496}, {{2012, 09, 09}, 9122272}, {{2012, 09, 24}, 23103456}, {{2012, 09, …

10 time-series  autocorrelation  forecasting 

ฉันอาจจะผสมแนวความคิดอนุกรมเวลาและไม่ใช่อนุกรมเวลา แต่อะไรคือความแตกต่างระหว่างตัวแบบการถดถอยที่แสดงถึงสหสัมพันธ์แบบอนุกรมและแบบจำลองที่แสดงรูตหน่วย นอกจากนี้ทำไมคุณสามารถใช้การทดสอบ Durbin-Watson เพื่อทดสอบความสัมพันธ์แบบอนุกรม แต่ต้องใช้การทดสอบ Dickey-Fuller สำหรับรากหน่วย (หนังสือเรียนของฉันบอกว่านี่เป็นเพราะการทดสอบ Durbun Watson ไม่สามารถใช้ได้ในรุ่นที่มีความล่าช้าในตัวแปรอิสระ)

10 time-series  autocorrelation  unit-root