คำถามติดแท็ก moving-average

2
ตัวอย่างชีวิตจริงของกระบวนการเฉลี่ยเคลื่อนที่
คุณสามารถให้ตัวอย่างชีวิตจริงของอนุกรมเวลาที่กระบวนการเฉลี่ยเคลื่อนที่ที่เป็นระเบียบของได้เช่น มีเหตุผลเบื้องต้นในการเป็นแบบอย่างที่ดีหรือไม่? อย่างน้อยสำหรับฉันกระบวนการตอบโต้อัตโนมัติดูเหมือนจะค่อนข้างง่ายที่จะเข้าใจโดยสังหรณ์ใจในขณะที่กระบวนการ MA ไม่ได้ดูเป็นธรรมชาติตั้งแต่แรกเห็น โปรดทราบว่าฉันไม่สนใจผลลัพธ์ทางทฤษฎีที่นี่ (เช่นทฤษฎีบทของ Woldหรือการกลับหัว)qqqyt=∑i=1qθiεt−i+εt, where εt∼N(0,σ2)yt=∑i=1qθiεt−i+εt, where εt∼N(0,σ2) y_t = \sum_{i=1}^q \theta_i \varepsilon_{t-i} + \varepsilon_t, \text{ where } \varepsilon_t \sim \mathcal{N}(0, \sigma^2) ในฐานะที่เป็นตัวอย่างของสิ่งที่ฉันกำลังมองหาสมมติว่าคุณมีผลตอบแทนหุ้นประจำวัน2) จากนั้นผลตอบแทนหุ้นรายสัปดาห์เฉลี่ยจะมีโครงสร้าง MA (4) เป็นสิ่งประดิษฐ์ทางสถิติอย่างหมดจดrt∼IID(0,σ2)rt∼IID(0,σ2)r_t \sim \text{IID}(0, \sigma^2)

2
ทำไมรุ่นซีรีย์เวลา MA (q) เรียกว่า "ค่าเฉลี่ยเคลื่อนที่"
เมื่อฉันอ่าน "ค่าเฉลี่ยเคลื่อนที่" สัมพันธ์กับอนุกรมเวลาฉันคิดว่าหรืออาจเป็นน้ำหนัก เฉลี่ยเช่น{t-3} (ฉันรู้ว่าสิ่งเหล่านี้เป็นแบบจำลอง AR (3) แต่สิ่งเหล่านี้เป็นสิ่งที่สมองของฉันกระโดดไป) ทำไม MA (q) แบบจำลองสูตรของข้อผิดพลาดหรือ "นวัตกรรม" อะไรมีจะทำอย่างไรกับค่าเฉลี่ยเคลื่อนที่? ฉันรู้สึกเหมือนฉันขาดสัญชาตญาณบางอย่าง( xt - 1+ xt - 2+ xt - 3)3(xเสื้อ-1+xเสื้อ-2+xเสื้อ-3)3\frac{(x_{t-1} + x_{t-2} + x_{t-3})}30.5 xt - 1+ 0.3 xt - 2+ 0.2 xt - 30.5xเสื้อ-1+0.3xเสื้อ-2+0.2xเสื้อ-30.5x_{t-1} + 0.3x_{t-2} + 0.2x_{t-3}{ ϵ }{ε}\{\epsilon\}

4
กระบวนการ MA หรือกระบวนการ AR เหมาะสมภายใต้สถานการณ์ใด
ฉันเข้าใจว่าหากกระบวนการขึ้นอยู่กับค่าของตัวเองก่อนหน้านี้ก็เป็นกระบวนการ AR หากขึ้นอยู่กับข้อผิดพลาดก่อนหน้านี้แสดงว่าเป็นกระบวนการ MA หนึ่งในสองสถานการณ์นี้จะเกิดขึ้นเมื่อใด ใครบ้างมีตัวอย่างที่ชัดเจนที่ให้ความกระจ่างในประเด็นพื้นฐานเกี่ยวกับความหมายของกระบวนการในการสร้างแบบจำลองที่ดีที่สุดในฐานะ MA vs AR?

1
ทำไมเราถึงสนใจว่ากระบวนการ MA กลับด้านได้หรือไม่?
ฉันมีปัญหาในการทำความเข้าใจว่าทำไมเราถึงสนใจว่ากระบวนการ MA นั้นกลับด้านหรือไม่ โปรดแก้ไขให้ฉันถ้าฉันผิด แต่ฉันสามารถเข้าใจได้ว่าทำไมเราถึงสนใจว่ากระบวนการ AR นั้นเป็นสาเหตุหรือไม่เช่นถ้าเราสามารถ "เขียนซ้ำ" เพื่อพูดเป็นผลรวมของพารามิเตอร์และเสียงสีขาว - เช่นกระบวนการเฉลี่ยเคลื่อนที่ ถ้าเป็นเช่นนั้นเราสามารถเห็นได้อย่างง่ายดายว่ากระบวนการ AR นั้นเป็นสาเหตุ อย่างไรก็ตามฉันมีปัญหาในการทำความเข้าใจว่าทำไมเราสนใจว่าเราสามารถแสดงกระบวนการ MA เป็นกระบวนการ AR ได้หรือไม่โดยแสดงให้เห็นว่ามันกลับไม่ได้ ฉันไม่เข้าใจว่าทำไมเราถึงสนใจ ความเข้าใจใด ๆ จะดีมาก

3
ACF & PACF ระบุลำดับของเงื่อนไข MA และ AR อย่างไร
เป็นเวลามากกว่า 2 ปีแล้วที่ฉันทำงานในซีรีย์ต่างเวลา ฉันได้อ่านบทความมากมายที่ ACF ใช้เพื่อระบุลำดับของคำ MA และ PACF สำหรับ AR มีกฎง่ายๆที่สำหรับ MA ความล่าช้าที่ ACF ปิดทันทีคือลำดับของ MA และในทำนองเดียวกันสำหรับ PACF และ AR นี่คือหนึ่งในบทความที่ฉันติดตามจาก PennState Eberly College of Science คำถามของฉันคือทำไมมันเป็นเช่นนั้น? สำหรับฉัน ACF ยังสามารถให้เทอม AR ได้ ฉันต้องการคำอธิบายของกฎง่ายๆที่กล่าวถึงข้างต้น ฉันไม่สามารถเข้าใจกฎง่ายๆได้อย่างง่ายดาย / ทางคณิตศาสตร์ว่าทำไม - การระบุรูปแบบ AR มักจะทำได้ดีที่สุดด้วย PACF การระบุรูปแบบ MA มักทำได้ดีที่สุดกับ ACF แทนที่จะเป็น PACF โปรดทราบ: - …

2
ช่วยในการเพิ่มความคาดหวังจากกระดาษ: วิธีการรวมการกระจายก่อนหน้า?
คำถามนี้มีพื้นฐานอยู่บนกระดาษหัวข้อ: การสร้างภาพใหม่ในการถ่ายภาพด้วยแสงแบบกระจายโดยใช้แบบจำลองการกระจายการแผ่รังสีแบบคู่ - การกระจาย ลิ้งค์ดาวน์โหลด ผู้เขียนใช้อัลกอริทึม EM ด้วย ล.1l1l_1sparsity normalization ของ vectorไม่รู้จักเพื่อประมาณค่าพิกเซลของรูปภาพ รูปแบบที่ได้รับจากμμ\mu Y= A μ + e(1)(1)y=Aμ+ey=A\mu + e \tag{1} การประมาณการจะได้รับใน Eq (8) เป็น μ^= หาเรื่องm a x lnp ( y| μ)+γLNp ( μ )(2)(2)μ^=arg⁡maxln⁡p(y|μ)+γln⁡p(μ)\hat{\mu} = \arg max {\ln p(y|\mu) + \gamma \ln p(\mu)} \tag{2} ในกรณีของฉันฉันได้ถือว่าเป็นตัวกรองความยาวและคือคูณเวกเตอร์ที่แสดงตัวกรอง ดังนั้น,μμ\muLLLμμ\mathbf{\mu}L × 1L×1L …
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.