คำถามติดแท็ก stationarity

ฉันเข้าใจว่าอนุกรมเวลาที่อยู่กับที่เป็นค่าคงที่และความแปรปรวนคงที่ตลอดเวลา มีใครช่วยอธิบายหน่อยได้ไหมว่าทำไมเราต้องทำให้แน่ใจว่าชุดข้อมูลของเราอยู่กับที่ก่อนที่เราจะสามารถเรียกใช้โมเดล ARIMA หรือ ARM ที่แตกต่างกันได้ สิ่งนี้ยังนำไปใช้กับโมเดลการถดถอยปกติที่ความสัมพันธ์อัตโนมัติและ / หรือเวลาไม่ใช่ปัจจัยหรือไม่?

92 regression  time-series  stationarity 

นอกเหนือจากการรับความแตกต่างแล้วมีเทคนิคอื่นใดสำหรับการสร้างซีรีส์เวลาที่ไม่หยุดนิ่ง ปกติหนึ่งหมายถึงชุดว่า " บูรณาการของการสั่งซื้อหน้า " ถ้ามันสามารถทำนิ่งผ่านผู้ประกอบการล่าช้าX_t(1−L)PXt(1−L)PXt(1-L)^P X_t

42 time-series  stationarity 

ผมใช้ R, ฉันค้นหาใน Google และได้เรียนรู้ว่าkpss.test(), PP.test()และadf.test()มีการใช้ความรู้เกี่ยวกับ stationarity ของอนุกรมเวลา แต่ฉันไม่ใช่นักสถิติที่สามารถตีความผลลัพธ์ของพวกเขาได้ > PP.test(x) Phillips-Perron Unit Root Test data: x Dickey-Fuller = -30.649, Truncation lag parameter = 7, p-value = 0.01 > kpss.test(b$V1) KPSS Test for Level Stationarity data: b$V1 KPSS Level = 0.0333, Truncation lag parameter = 3, p-value = 0.1 Warning …

30 r  time-series  stationarity  augmented-dickey-fuller  kpss-test 

ฉันสังเกตว่าโดยเฉลี่ยแล้วค่าสัมประสิทธิ์สัมประสิทธิ์สหสัมพันธ์ของเพียร์สันนั้นใกล้เคียงกับการเดินสุ่มคู่ใด ๆ โดยไม่คำนึงถึงความยาวการเดิน0.560.42 มีคนอธิบายปรากฏการณ์นี้ได้ไหม ฉันคาดว่าความสัมพันธ์จะเล็กลงเมื่อความยาวเดินเพิ่มขึ้นเช่นเดียวกับการสุ่มลำดับ สำหรับการทดลองของฉันฉันใช้การสุ่ม gaussian walk พร้อม step เฉลี่ย 0 และเบี่ยงเบนมาตรฐาน step 1 UPDATE: ฉันลืมไปยังศูนย์ข้อมูลที่ว่าทำไมมันเป็นแทน0.560.42 นี่คือสคริปต์ Python เพื่อคำนวณสหสัมพันธ์: import numpy as np from itertools import combinations, accumulate import random def compute(length, count, seed, center=True): random.seed(seed) basis = [] for _i in range(count): walk = np.array(list(accumulate( random.gauss(0, 1) for …

27 time-series  correlation  stationarity  random-walk 

การวิเคราะห์ระหว่างตลาดเป็นวิธีการสร้างแบบจำลองพฤติกรรมของตลาดโดยใช้วิธีการค้นหาความสัมพันธ์ระหว่างตลาดที่แตกต่างกัน บ่อยครั้งที่ความสัมพันธ์ถูกคำนวณระหว่างสองตลาดพูดว่า S&P 500 และสมบัติ 30 ปีของสหรัฐฯ การคำนวณเหล่านี้มักจะไม่ได้ขึ้นอยู่กับข้อมูลราคาซึ่งเห็นได้ชัดสำหรับทุกคนว่ามันไม่เหมาะกับคำจำกัดความของอนุกรมเวลาคงที่ วิธีแก้ปัญหาที่เป็นไปได้ (ใช้การส่งคืนแทน) การคำนวณความสัมพันธ์ซึ่งข้อมูลไม่อยู่นิ่งแม้จะคำนวณทางสถิติที่ถูกต้องหรือไม่ คุณจะบอกว่าการคำนวณสหสัมพันธ์นั้นค่อนข้างไม่น่าเชื่อถือหรือไร้สาระธรรมดา ๆ ?

27 correlation  stationarity 

อะไรคือความแตกต่างระหว่างการทดสอบ Kwiatkowski – Phillips – Schmidt – Shin (KPSS) และการทดสอบเพิ่ม Dickey-Fuller (ADF) พวกเขากำลังทดสอบสิ่งเดียวกันหรือไม่? หรือเราจำเป็นต้องใช้มันในสถานการณ์ต่าง ๆ ?

27 time-series  stationarity  unit-root  augmented-dickey-fuller  kpss-test 

ฉันเข้าใจว่าเราควรใช้ ARIMA สำหรับการสร้างแบบจำลองชุดเวลาที่ไม่หยุดนิ่ง นอกจากนี้ทุกสิ่งที่ฉันอ่านบอกว่า ARMA ควรใช้สำหรับอนุกรมเวลาที่อยู่กับที่เท่านั้น สิ่งที่ฉันพยายามจะทำความเข้าใจคืออะไรจะเกิดขึ้นในทางปฏิบัติเมื่อทำการแยกแยะแบบจำลองและสมมติว่าd = 0เป็นอนุกรมเวลาที่ไม่หยุดนิ่ง ตัวอย่างเช่น: controlData <- arima.sim(list(order = c(1,1,1), ar = .5, ma = .5), n = 44) ข้อมูลการควบคุมมีลักษณะดังนี้: [1] 0.0000000 0.1240838 -1.4544087 -3.1943094 -5.6205257 [6] -8.5636126 -10.1573548 -9.2822666 -10.0174493 -11.0105225 [11] -11.4726127 -13.8827001 -16.6040541 -19.1966633 -22.0543414 [16] -24.8542959 -25.2883155 -23.6519271 -21.8270981 -21.4351267 [21] …

23 r  time-series  arima  stationarity 

ฉันเคยเห็นหลายครั้งที่ผู้คนปฏิเสธโมฆะในการทดสอบเพิ่ม Dickey-Fullerแล้วอ้างว่ามันแสดงให้เห็นว่าซีรี่ส์ของพวกเขานั้นอยู่กับที่ (แต่น่าเสียดายที่ฉันไม่สามารถแสดงแหล่งที่มาของการอ้างสิทธิ์เหล่านี้ได้ วารสารหนึ่งฉบับหรืออีกฉบับหนึ่ง) ฉันยืนยันว่ามันเป็นความเข้าใจผิด (การปฏิเสธโมฆะของหน่วยรากนั้นไม่จำเป็นต้องเป็นแบบเดียวกับที่มีชุดเครื่องเขียนโดยเฉพาะอย่างยิ่งเนื่องจากรูปแบบทางเลือกที่ไม่เป็นทางเลือกจะไม่ค่อยถูกตรวจสอบหรือพิจารณาเมื่อทำการทดสอบเช่นนั้น) สิ่งที่ฉันค้นหาคือ: a) ตัวอย่างที่ชัดเจนที่ชัดเจนเกี่ยวกับการอ้างสิทธิ์ (ฉันนึกภาพออกได้สองสามคนตอนนี้ แต่ฉันพนันได้ว่าคนอื่นที่ไม่ใช่ฉันจะมีสิ่งที่ดีกว่าที่ฉันคิดไว้) มันอาจเป็นคำอธิบายของสถานการณ์ที่เฉพาะเจาะจงอาจมีข้อมูล (จำลองหรือจริงทั้งสองมีข้อดี) หรือ b) ข้อโต้แย้งที่น่าเชื่อถือว่าทำไมการปฏิเสธในส่วนที่เพิ่มขึ้นของ Dickey-Fuller ควรถูกมองว่าเป็นการสร้างความคงที่ (หรือแม้กระทั่งทั้งคู่ (ก) และ (ข) หากคุณรู้สึกฉลาด)

18 time-series  unit-root  stationarity  augmented-dickey-fuller 

พิจารณากระบวนการ AR ที่เป็นศูนย์กลาง (2)โดยที่เป็นกระบวนการเสียงสีขาวมาตรฐาน เพียงเพื่อประโยชน์ของความเรียบง่ายให้ฉันโทรและ a มุ่งเน้นไปที่รากของสมการลักษณะเฉพาะฉันได้ เงื่อนไขแบบคลาสสิกในตำรามีดังต่อไปนี้: ฉันพยายามที่จะแก้ปัญหาด้วยตนเอง (ด้วยความช่วยเหลือของ Mathematica) ความไม่เท่าเทียมกันในรากเช่นระบบได้รับเพียงXt=ϕ1Xt−1+ϕ2Xt−2+ϵtXt=ϕ1Xt−1+ϕ2Xt−2+ϵtX_t=\phi_1X_{t-1}+\phi_2X_{t-2}+\epsilon_tϵtϵt\epsilon_tϕ1=bϕ1=b\phi_1=bϕ2=aϕ2=a\phi_{2}=az1,2=−b±b2+4a−−−−−−√2az1,2=−b±b2+4a2az_{1,2}=\frac{-b\pm\sqrt{b^2+4a}}{2a}{|a|&lt;1a±b&lt;1{|a|&lt;1a±b&lt;1\begin{cases}|a|<1 \\ a\pm b<1 \end{cases}⎧⎩⎨|−b−b2+4a√2a|&gt;1|−b+b2+4a√2a|&gt;1{|−b−b2+4a2a|&gt;1|−b+b2+4a2a|&gt;1\begin{cases}|\frac{-b-\sqrt{b^2+4a}}{2a}|>1 \\ |\frac{-b+\sqrt{b^2+4a}}{2a}|>1\end{cases}a±b&lt;1a±b&lt;1a \pm b<1เงื่อนไขที่สาม ( ) สามารถกู้คืนได้โดยเพิ่มโซลูชันสองรายการก่อนหน้าให้กับแต่ละอื่น ๆ ที่ได้รับที่ผ่านการพิจารณาสัญญาณบางอย่างกลายเป็นหรือไม่ หรือฉันกำลังหาทางแก้ปัญหา?|a|&lt;1|a|&lt;1|a|<1a+b+a−b&lt;2⇒a&lt;1a+b+a−b&lt;2⇒a&lt;1a+b+a-b<2 \Rightarrow a<1|a|&lt;1|a|&lt;1|a|<1

17 self-study  stationarity  arma 

กำลังคิดเกี่ยวกับการใช้เครือข่ายประสาทที่เกิดขึ้นอีกสำหรับการพยากรณ์อนุกรมเวลา โดยพื้นฐานแล้วพวกเขาใช้การเรียงลำดับของการถดถอยอัตโนมัติแบบไม่ใช่เชิงเส้นทั่วไปเมื่อเปรียบเทียบกับแบบจำลอง ARMA และ ARIMA ซึ่งใช้การถดถอยเชิงเส้นแบบอัตโนมัติ หากเรากำลังทำการถดถอยอัตโนมัติแบบไม่เป็นเชิงเส้นมันยังคงจำเป็นสำหรับอนุกรมเวลาที่จะหยุดนิ่งและเราจะต้องดำเนินการแตกต่างจากวิธีที่เราทำในแบบจำลอง ARIMA หรือไม่? หรือตัวละครที่ไม่ใช่เชิงเส้นของแบบจำลองให้ความสามารถในการจัดการกับอนุกรมเวลาที่ไม่หยุดนิ่งหรือไม่? ที่จะนำคำถามอีกวิธี: ข้อกำหนดความคงที่ (ในค่าเฉลี่ยและความแปรปรวน) สำหรับโมเดล ARMA และ ARIMA เนื่องจากความจริงที่ว่าโมเดลเหล่านี้เป็นแบบเส้นตรงหรือเป็นเพราะอย่างอื่นหรือไม่

17 time-series  autoregressive  nonlinear  stationarity 

เวอร์ชั่นสั้น: ฉันมีอนุกรมเวลาของข้อมูลสภาพภูมิอากาศที่ฉันกำลังทดสอบหาอยู่กับที่ จากการวิจัยก่อนหน้านี้ฉันคาดหวังรูปแบบพื้นฐาน (หรือ "การสร้าง" เพื่อที่จะพูด) ข้อมูลที่จะมีคำดักจับและแนวโน้มเวลาเชิงเส้นเชิงบวก ในการทดสอบข้อมูลเหล่านี้สำหรับความคงที่ฉันควรใช้การทดสอบ Dickey-Fuller ที่มีการสกัดกั้นและแนวโน้มเวลาเช่นสมการ # 3หรือไม่ ∇ yเสื้อ= α0+ α1t + δYt - 1+ uเสื้อ∇Yเสื้อ=α0+α1เสื้อ+δYเสื้อ-1+ยูเสื้อ\nabla y_t = \alpha_0+\alpha_1t+\delta y_{t-1}+u_t หรือฉันควรใช้การทดสอบ DF ที่มีเพียงการสกัดกั้นเพราะความแตกต่างแรกของสมการที่ฉันเชื่อว่าการจำลองนั้นมีเพียงการสกัดกั้น? รุ่นยาว: ตามที่ระบุไว้ข้างต้นฉันมีอนุกรมเวลาของข้อมูลสภาพภูมิอากาศที่ฉันกำลังทดสอบหาอยู่กับที่ จากการวิจัยก่อนหน้านี้ฉันคาดหวังว่าแบบจำลองที่อยู่ภายใต้ข้อมูลจะมีระยะเวลาการสกัดกั้นแนวโน้มเชิงเส้นเวลาเชิงบวกและคำผิดพลาดบางส่วนที่กระจายตามปกติ กล่าวอีกนัยหนึ่งฉันคาดหวังว่าแบบจำลองพื้นฐานจะมีลักษณะดังนี้: Yเสื้อ= a0+ a1t + βYt - 1+ uเสื้อYเสื้อ=a0+a1เสื้อ+βYเสื้อ-1+ยูเสื้อy_t = a_0 + a_1t + \beta y_{t-1} + u_t ที่มีการกระจายตามปกติ …

17 time-series  stationarity  unit-root  augmented-dickey-fuller 

ฉันทำงานในชุดข้อมูลที่มีอยู่ในแพคเกจelectricity R TSAจุดประสงค์ของฉันคือการตรวจสอบว่าarimaแบบจำลองจะเหมาะสมกับข้อมูลนี้หรือไม่และในที่สุดก็พอดี ดังนั้นฉันจึงดำเนินการดังนี้: 1: พล็อตอนุกรมเวลาซึ่งส่งผลให้กราฟต่อไปนี้: 2: ฉันต้องการที่จะใช้ log ของelectricityเพื่อรักษาความแปรปรวนและหลังจากนั้นซีรีส์ที่แตกต่างกันตามความเหมาะสม แต่ก่อนทำเช่นนั้น ชุดข้อมูลดั้งเดิมโดยใช้การทดสอบadf(เพิ่มยิ่งขึ้นดิกกี้) และน่าประหลาดใจมันส่งผลดังนี้: รหัสและผลลัพธ์: adf.test(electricity) Augmented Dickey-Fuller Test data: electricity Dickey-Fuller = -9.6336, Lag order = 7, p-value = 0.01 alternative hypothesis: stationary Warning message: In adf.test(electricity) : p-value smaller than printed p-value ตามความคิดเกี่ยวกับอนุกรมเวลาของผู้เริ่มต้นของฉันฉันคิดว่ามันหมายความว่าข้อมูลนั้นเป็นข้อมูลนิ่ง (p-value ขนาดเล็กปฏิเสธสมมติฐานว่างของความไม่คงที่) แต่ดูพล็อตทีฉันไม่พบวิธีนี้สามารถนิ่ง ใครบ้างมีคำอธิบายที่ถูกต้องสำหรับเรื่องนี้?

16 r  time-series  stationarity 

ข้อกำหนดความคงที่ของการใช้การถดถอยกับข้อผิดพลาด ARIMA (การถดถอยแบบไดนามิก) สำหรับการอนุมานคืออะไร? โดยเฉพาะผมมีความไม่หยุดนิ่งตัวแปรผลอย่างต่อเนื่องที่ไม่หยุดนิ่งทำนายอย่างต่อเนื่องตัวแปรและชุดรักษาตัวแปรหุ่นx_bฉันต้องการทราบว่าการรักษานั้นมีความสัมพันธ์กับการเปลี่ยนแปลงของตัวแปรผลลัพธ์ที่มากกว่าข้อผิดพลาดสองมาตรฐานจากการเปลี่ยนแปลงศูนย์หรือไม่YYyxaxax_axขxขx_b ฉันไม่แน่ใจว่าฉันต้องการสร้างความแตกต่างให้กับซีรี่ส์เหล่านี้ก่อนดำเนินการถดถอยด้วยการทำโมเดลข้อผิดพลาด ARIMA หรือไม่ ในคำตอบของคำถามอื่นIrishStat กล่าวว่าwhile the original series exhibit non-stationarity this does not necessarily imply that differencing is needed in a causal model.จากนั้นเขาก็จะเพิ่ม เข้าไปunwarranted usage [of differencing] can create statistical/econometric nonsenseอีก SAS คู่มือการใช้งานที่แสดงให้เห็นว่ามันจะปรับรูปแบบการถดถอยพอดีกับข้อผิดพลาด ARIMA แบบไม่หยุดนิ่งโดยไม่ต้อง differencing ตราบใดที่เหลือจะไม่หยุดนิ่ง: โปรดทราบว่าข้อกำหนดของความคงที่จะมีผลกับชุดเสียง หากไม่มีตัวแปรอินพุตชุดการตอบกลับ (หลังจากแตกต่างและลบด้วยค่าเฉลี่ย) และชุดเสียงจะเหมือนกัน อย่างไรก็ตามหากมีอินพุตชุดเสียงเป็นส่วนที่เหลือหลังจากเอาเอฟเฟกต์ของอินพุตออก ไม่มีข้อกำหนดว่าชุดข้อมูลป้อนเข้าสู่โหมดนิ่ง หากอินพุตเป็นแบบไม่คงที่ชุดตอบสนองจะเป็นแบบไม่คงที่แม้ว่ากระบวนการสัญญาณรบกวนอาจหยุดนิ่ง เมื่อใช้ชุดอินพุตแบบไม่ต่อเนื่องคุณสามารถปรับตัวแปรอินพุตก่อนโดยไม่มีแบบจำลอง …

16 regression  time-series  arima  stationarity 

ในทางปฏิบัติจะประเมินได้อย่างไรว่ากระบวนการ AR (P) ไม่หยุดนิ่งหรือไม่? วิธีการตรวจสอบการสั่งซื้อสำหรับรุ่น AR และ MA?

15 time-series  stochastic-processes  arma  stationarity 

ฉันกำลังต่อสู้กับความนิ่งในหัวอยู่พักหนึ่ง ... นี่เป็นวิธีที่คุณคิดเกี่ยวกับมันหรือไม่? ความคิดเห็นใด ๆ หรือความคิดเพิ่มเติมจะได้รับการชื่นชม กระบวนการที่อยู่กับที่เป็นกระบวนการที่สร้างค่าอนุกรมเวลาเช่นค่าเฉลี่ยการกระจายและความแปรปรวนถูกเก็บไว้อย่างคงที่ การพูดอย่างเคร่งครัดนี้เป็นที่รู้จักกันในรูปแบบที่อ่อนแอของความคงอยู่หรือความแปรปรวนร่วม / หมายถึงความนิ่ง รูปแบบที่อ่อนแอของ stationarity คือเมื่ออนุกรมเวลามีค่าคงที่และความแปรปรวนตลอดเวลา มาพูดง่ายๆว่าผู้ปฏิบัติงานบอกว่าอนุกรมเวลาที่อยู่กับที่เป็นแบบที่ไม่มีแนวโน้ม - มีความผันผวนรอบค่าเฉลี่ยคงที่ ความแปรปรวนระหว่างความล่าช้าที่แตกต่างกันเป็นค่าคงที่มันไม่ได้ขึ้นอยู่กับตำแหน่งที่แน่นอนในอนุกรมเวลา ตัวอย่างเช่นความแปรปรวนร่วมระหว่าง t และ t-1 (ความล่าช้าในการสั่งซื้อครั้งแรก) ควรจะเหมือนกันเสมอ (สำหรับช่วงเวลาระหว่าง 1960-1970 เช่นเดียวกับช่วงเวลาตั้งแต่ 1965-1975 หรือช่วงเวลาอื่น ๆ ) ในกระบวนการที่ไม่หยุดนิ่งไม่มีค่าเฉลี่ยในระยะยาวซึ่งชุดข้อมูลจะเปลี่ยนกลับ ดังนั้นเราจึงกล่าวว่าอนุกรมเวลาที่ไม่หยุดนิ่งไม่ได้หมายถึงการย้อนกลับ ในกรณีนั้นความแปรปรวนขึ้นอยู่กับตำแหน่งสัมบูรณ์ในอนุกรมเวลาและความแปรปรวนไปที่อินฟินิตี้เมื่อเวลาผ่านไป เทคนิคการพูดความสัมพันธ์อัตโนมัติจะไม่สลายไปตามกาลเวลา แต่ในตัวอย่างเล็ก ๆ พวกเขาหายไป - แม้ว่าจะช้า ในกระบวนการคงที่แรงกระแทกเป็นแบบชั่วคราวและกระจาย (สูญเสียพลังงาน) เมื่อเวลาผ่านไป พวกเขาไม่ได้มีส่วนร่วมกับค่าอนุกรมเวลาใหม่ ตัวอย่างเช่นบางสิ่งที่เคยเกิดขึ้นมาแล้วเมื่อนานมาแล้ว (นานพอ) เช่นสงครามโลกครั้งที่สองมีผลกระทบ แต่มันเป็นซีรีย์เวลาวันนี้เหมือนกับสงครามโลกครั้งที่สองไม่เคยเกิดขึ้นเราจะบอกว่าการสูญเสียพลังงาน หรือกระจายไป ความคงที่มีความสำคัญอย่างยิ่งเนื่องจากทฤษฎีเศรษฐมิติแบบคลาสสิกหลาย ๆ …

14 time-series  stationarity  intuition