คำถามติดแท็ก autocorrelation

ฉันแค่ต้องการตรวจสอบว่าฉันกำลังตีความแปลง ACF และ PACF อย่างถูกต้อง: ข้อมูลสอดคล้องกับข้อผิดพลาดที่เกิดขึ้นระหว่างจุดข้อมูลจริงและการประมาณการที่สร้างขึ้นโดยใช้แบบจำลอง AR (1) ฉันดูคำตอบที่นี่: ประมาณค่าสัมประสิทธิ์ ARMA ผ่านการตรวจ ACF และ PACF หลังจากอ่านแล้วดูเหมือนว่าข้อผิดพลาดนั้นไม่ได้มีความสัมพันธ์กันโดยอัตโนมัต แต่ฉันแค่อยากจะแน่ใจว่าข้อกังวลของฉันคือ: 1. ) ข้อผิดพลาดแรกอยู่ที่ขอบเขต (เมื่อเป็นกรณีนี้ฉันควรยอมรับหรือปฏิเสธว่ามีความสัมพันธ์กันโดยอัตโนมัติที่ล่าช้า 1) 2. ) เส้นแสดงช่วงความมั่นใจ 95% และกำหนดว่ามีความล่าช้า 116 ครั้งที่ฉันคาดหวังไม่เกิน (0.05 * 116 = 5.8 ซึ่งฉันปัดขึ้นเป็น 6) 6 ความล่าช้าจะเกินขอบเขต สำหรับ ACF เป็นกรณีนี้ แต่สำหรับ PACF มีข้อยกเว้นประมาณ 10 ข้อ หากคุณรวมสิ่งเหล่านี้ไว้ที่ชายแดนมันจะเป็น 14 หรือไม่? สิ่งนี้ยังบ่งบอกว่าไม่มีความสัมพันธ์อัตโนมัติหรือไม่ …

10 time-series  arima  interpretation  autocorrelation  acf-pacf 

ฉันกำลังพยายามปรับโมเดลที่ไม่ต่อเนื่องใน R แต่ฉันไม่แน่ใจว่าจะทำอย่างไร ฉันได้อ่านแล้วว่าคุณสามารถจัดระเบียบตัวแปรตามในแถวต่างกันหนึ่งตัวสำหรับแต่ละการสังเกตเวลาและการใช้glmฟังก์ชั่นที่มีลิงค์ logit หรือ cloglog ในแง่นี้ฉันมีสามคอลัมน์: ID, Event(1 หรือ 0 ในแต่ละช่วงเวลา) และTime Elapsed(ตั้งแต่จุดเริ่มต้นของการสังเกต) รวมทั้ง covariates อื่น ๆ ฉันจะเขียนรหัสเพื่อให้พอดีกับรุ่นได้อย่างไร ตัวแปรตามคืออะไร ฉันเดาว่าฉันสามารถใช้Eventเป็นตัวแปรตามและรวมTime Elapsedอยู่ใน covariates แต่สิ่งที่เกิดขึ้นกับID? ฉันต้องการมันไหม ขอบคุณ

10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 

ฉันวางแผนที่จะรวมพิกัดเป็น covariates ในสมการถดถอยเพื่อปรับสำหรับแนวโน้มเชิงพื้นที่ที่มีอยู่ในข้อมูล หลังจากนั้นฉันต้องการทดสอบเศษที่เหลือจากความสัมพันธ์เชิงพื้นที่ในรูปแบบสุ่ม ฉันมีคำถามหลายข้อ: ฉันควรทำการถดถอยเชิงเส้นซึ่งตัวแปรอิสระเพียงอย่างเดียวคือพิกัดและจากนั้นทดสอบส่วนที่เหลือในการเปลี่ยนแปลงเชิงพื้นที่สัมพันธ์หรือฉันควรจะรวมพิกัดไม่เพียงเป็น covariates แต่ยังรวมถึงตัวแปรอื่น ๆ แล้วทดสอบส่วนที่เหลือด้วยxxxYYy หากฉันคาดว่าจะมีแนวโน้มเป็นกำลังสองแล้วรวมไม่เพียงแต่ยัง ,และแต่แล้วบางส่วนของพวกเขา (และ ) มีค่าสูงกว่า threshold - ฉันควรแยกตัวแปรเหล่านั้นที่มีค่าสูงกว่าว่าไม่สำคัญหรือไม่? ฉันจะตีความแนวโน้มได้อย่างไรว่ามันไม่ได้เป็นกำลังสองอีกต่อไปแล้ว?x , yx,Yx,yx yxYxyx2x2x^2Y2Y2y^2x yxYxyY2Y2y^2พีพีpพีพีp ฉันเดาว่าฉันควรจะรักษาพิกัดและเป็น covariates อื่น ๆ และทดสอบพวกเขาในการมีความสัมพันธ์เชิงเส้นกับตัวแปรตามโดยการสร้างแปลงที่เหลือบางส่วน ... แต่เมื่อฉันเปลี่ยนพวกเขา (ถ้าพวกเขาต้องการการแปลง) ที่จะไม่ เป็นแนวโน้มแบบนั้นอีกต่อไป (โดยเฉพาะถ้าฉันรวม ,และสำหรับแนวโน้มกำลังสอง) มันอาจแสดงให้เห็นว่าเช่นต้องการการแปลงในขณะที่xxxYYyx yxYxyx2x2x^2Y2Y2y^2x2x2x^2xxxไม่ได้หรืออย่างนั้น? ฉันจะตอบสนองอย่างไรในสถานการณ์เหล่านี้? ขอบคุณ.

9 regression  multiple-regression  spatial  autocorrelation 

ฉันมีอนุกรมเวลาของการวัด (ซีรีย์ความสูงหนึ่งมิติ) ในช่วงเวลาการสังเกตกระบวนการวัดลงไปบางจุด ดังนั้นข้อมูลที่ได้คือเวกเตอร์ที่มี NaNs ซึ่งมีช่องว่างในข้อมูล การใช้ MATLAB ทำให้ฉันมีปัญหาเมื่อคำนวณค่าความสัมพันธ์อัตโนมัติ ( autocorr) และการใช้เครือข่ายประสาท ( nnstart) Gaps / NaN เหล่านี้ควรถูกจัดการอย่างไร? ฉันควรนำสิ่งเหล่านี้ออกจากเวกเตอร์หรือไม่ หรือแทนที่รายการของพวกเขาด้วยค่าที่แก้ไขแล้ว? (ถ้าเป็นเช่นนั้นใน MATLAB)

9 time-series  dataset  matlab  autocorrelation  missing-data 

ตัวแปรทั้งสอง (ขึ้นอยู่กับและเป็นอิสระ) แสดงผลของความสัมพันธ์อัตโนมัติ ข้อมูลเป็นอนุกรมเวลาและเครื่องเขียน เมื่อฉันเรียกใช้ส่วนที่เหลือถดถอยจะไม่สัมพันธ์ สถิติ Durbin-Watson ของฉันมีค่ามากกว่าค่าวิกฤตที่สำคัญดังนั้นจึงมีหลักฐานว่าข้อผิดพลาดไม่มีความสัมพันธ์เชิงบวก เมื่อฉันพล็อต ACF เพื่อหาข้อผิดพลาดดูเหมือนว่าไม่มีความสัมพันธ์กันและสถิติ Ljung-Box นั้นเล็กกว่าค่าวิกฤต ฉันสามารถไว้วางใจผลลัพธ์การถดถอยของฉันได้หรือไม่สถิติ t- เชื่อถือได้หรือไม่

9 regression  time-series  autocorrelation 

ฉันกำลังพยายามจำลองการคำนวณที่ SAS และ SPSS ทำเพื่อฟังก์ชั่นความสัมพันธ์อัตโนมัติบางส่วน (PACF) ใน SAS นั้นผลิตผ่าน Proc Arima ค่า PACF เป็นค่าสัมประสิทธิ์ของการตอบกลับอัตโนมัติของชุดดอกเบี้ยบนค่าที่ล่าช้าของชุดข้อมูล ตัวแปรที่ฉันสนใจคือการขายดังนั้นฉันจึงคำนวณ lag1, lag2 ... lag12 และฉันใช้การถดถอย OLS ต่อไปนี้: Yt=a0+a1Yt−1+a2Yt−2+a3Yt−3+…+a12Yt−12.Yt=a0+a1Yt−1+a2Yt−2+a3Yt−3+…+a12Yt−12.Y_t=a_0+a_1Y_{t-1}+a_2Y_{t-2}+a_3Y_{t-3}+\ldots+a_{12}Y_{t-12}. น่าเสียดายที่ค่าสัมประสิทธิ์ที่ฉันได้รับนั้นไม่ใกล้เคียงกับ PACF (ล่าช้า 1 ถึง 12) ที่ SAS หรือ SPSS ให้ ข้อเสนอแนะใด ๆ มีอะไรผิดปกติหรือเปล่า? สิ่งที่อยู่ในใจของฉันคือการประมาณกำลังสองน้อยที่สุดของแบบจำลองนี้อาจไม่เหมาะสมและอาจใช้เทคนิคการประมาณแบบอื่น ขอบคุณล่วงหน้า.

9 time-series  autocorrelation  partial 

ฟังก์ชั่น autocorrelation มีความหมายใด ๆ กับอนุกรมเวลาที่ไม่หยุดนิ่งหรือไม่? อนุกรมเวลาโดยทั่วไปจะถือว่านิ่งก่อน autocorrelation จะใช้สำหรับวัตถุประสงค์กล่องและเจนกินส์

9 time-series  autocorrelation  box-jenkins