คำถามติดแท็ก time-series

อนุกรมเวลาเป็นข้อมูลที่สังเกตได้ตลอดเวลา

2
คำอธิบายที่ใช้งานง่ายของ 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 …

7
อนุกรมเวลาสั้น ๆ มีค่าสำหรับการสร้างแบบจำลองหรือไม่?
นี่คือบริบทบางอย่าง ฉันสนใจที่จะพิจารณาว่าตัวแปรสภาพแวดล้อมสองตัว (อุณหภูมิระดับสารอาหาร) ส่งผลต่อค่าเฉลี่ยของตัวแปรตอบสนองในช่วง 11 ปีอย่างไร ภายในแต่ละปีมีข้อมูลจากที่ตั้งมากกว่า 100k แห่ง เป้าหมายคือเพื่อตรวจสอบว่าในช่วง 11 ปีที่ผ่านมาค่าเฉลี่ยของตัวแปรตอบสนองตอบสนองต่อการเปลี่ยนแปลงของตัวแปรสภาพแวดล้อม (เช่นอุณหภูมิที่อบอุ่น + สารอาหารมากกว่าจะ = การตอบสนองมากขึ้น) น่าเสียดายเนื่องจากการตอบสนองคือค่าเฉลี่ย (โดยไม่ได้ดูค่าเฉลี่ยการเปลี่ยนแปลงระหว่างปีปกติจะล้นสัญญาณ) การถดถอยจะเป็น 11 จุดข้อมูล (1 ค่าเฉลี่ยต่อปี) โดยมีตัวแปรอธิบาย 2 ตัว สำหรับฉันแม้แต่การถดถอยเชิงบวกเชิงเส้นก็ยากที่จะพิจารณาว่ามีความหมายเนื่องจากชุดข้อมูลนั้นมีขนาดเล็กมาก (ไม่ตรงกับคะแนน / ตัวแปร 40 คะแนนเว้นแต่ว่าความสัมพันธ์นั้นแข็งแกร่งมาก) ฉันถูกต้องที่จะทำให้สมมติฐานนี้หรือไม่? ใครช่วยเสนอความคิด / มุมมองอื่น ๆ ที่ฉันอาจหายไป? PS: บางประการ: ไม่มีวิธีรับข้อมูลเพิ่มเติมโดยไม่ต้องรอปีเพิ่มเติม ดังนั้นข้อมูลที่มีอยู่คือสิ่งที่เราต้องทำงานด้วย

2
การคำนวณสหสัมพันธ์ (และความสำคัญของสหสัมพันธ์ที่กล่าว) ระหว่างคู่อนุกรมเวลา
ฉันมีอนุกรมเวลาสองตัว S และ T พวกเขามีความถี่เท่ากันและมีความยาวเท่ากัน ฉันต้องการคำนวณ (ใช้ R) ความสัมพันธ์ระหว่างคู่นี้ (เช่น S และ T) และสามารถคำนวณความสำคัญของสหสัมพันธ์ได้ด้วยดังนั้นฉันสามารถระบุได้ว่าความสัมพันธ์นั้นเกิดจากโอกาสหรือไม่ ฉันต้องการทำสิ่งนี้ใน R และกำลังมองหาพอยน์เตอร์ / โครงกระดูกโครงร่างเพื่อเริ่มต้นให้ฉัน

2
การสั่งซื้อชุดเวลาสำหรับการเรียนรู้ของเครื่อง
หลังจากอ่านหนึ่งใน "เคล็ดลับการวิจัย"ของ RJ Hyndman เกี่ยวกับการตรวจสอบความถูกต้องและช่วงเวลาฉันกลับมาที่คำถามเก่า ๆ ของฉันที่ฉันจะพยายามกำหนดที่นี่ แนวคิดก็คือในการจำแนกปัญหาหรือการถดถอยการเรียงลำดับข้อมูลไม่สำคัญและด้วยเหตุนี้kสามารถใช้การตรวจสอบความถูกต้องข้าม -fold ได้ ในทางกลับกันในอนุกรมเวลาการเรียงลำดับข้อมูลมีความสำคัญอย่างยิ่ง แต่เมื่อใช้เครื่องการเรียนรู้รูปแบบให้กับชุดเวลาคาดการณ์กลยุทธ์ร่วมกันคือการก่อร่างใหม่ชุดเป็นชุดของ "พาหะนำเข้าส่งออก" ซึ่งเป็นเวลาทีมีรูปแบบ( Y T - n + 1 , . . . , Y T - 1 , Y เสื้อ ; Y T + 1 ){ y1, . . . , yT}{Y1,...,YT}\{y_1, ..., y_T\}เสื้อเสื้อt( yt - n + …

4
การปรับข้อมูลอนุกรมเวลาให้ราบรื่น
ฉันกำลังสร้างแอปพลิเคชัน Android ที่บันทึกข้อมูลมาตรวัดความเร็วในระหว่างการนอนหลับเพื่อวิเคราะห์แนวโน้มการนอนหลับและเลือกให้ผู้ใช้ใกล้เวลาที่ต้องการระหว่างการนอนหลับเบา ฉันได้สร้างส่วนประกอบที่รวบรวมและจัดเก็บข้อมูลรวมถึงการเตือนแล้ว ฉันยังต้องจัดการกับสัตว์ร้ายในการแสดงและบันทึกข้อมูลการนอนหลับอย่างมีความหมายและชัดเจนซึ่งเป็นสิ่งที่ควรนำมาใช้ในการวิเคราะห์ด้วย รูปภาพสองสามภาพบอกสองพันคำ: (ฉันสามารถโพสต์ได้เพียงลิงค์เดียวเนื่องจากเป็นตัวแทนต่ำ) นี่คือข้อมูลที่ไม่มีการกรองผลรวมของการเคลื่อนไหวที่รวบรวมในช่วงเวลา 30 วินาที และข้อมูลเดียวกันเรียบเนียนด้วยการแสดงของฉันเองในการเคลื่อนย้ายเฉลี่ยเรียบ แก้ไข) แผนภูมิทั้งสองแสดงถึงการปรับเทียบ - มีตัวกรอง 'สัญญาณรบกวน' ขั้นต่ำและตัวกรองตัดสูงสุดรวมถึงระดับสัญญาณเรียกเตือน (เส้นสีขาว) น่าเสียดายที่สิ่งเหล่านี้ไม่ได้เป็นคำตอบที่ดีที่สุด - ข้อแรกยากที่จะเข้าใจสำหรับผู้ใช้โดยเฉลี่ยและข้อที่สองซึ่งง่ายต่อการเข้าใจซ่อนสิ่งที่เกิดขึ้นมากมาย โดยเฉพาะอย่างยิ่งค่าเฉลี่ยลบรายละเอียดของแหลมในการเคลื่อนไหว - และฉันคิดว่าสิ่งเหล่านั้นมีความหมาย เหตุใดแผนภูมิเหล่านี้ถึงสำคัญมาก ชุดเวลาเหล่านี้จะปรากฏตลอดทั้งคืนเป็นข้อเสนอแนะให้กับผู้ใช้และจะถูกเก็บไว้สำหรับการตรวจสอบ / วิเคราะห์ในภายหลัง การปรับให้เรียบจะช่วยลดค่าใช้จ่ายในหน่วยความจำ (ทั้ง RAM และที่เก็บข้อมูล) และทำให้การแสดงผลเร็วขึ้นสำหรับโทรศัพท์ / อุปกรณ์ที่ขาดแคลนทรัพยากรเหล่านี้ เห็นได้ชัดว่ามีวิธีที่ดีกว่าในการทำให้ข้อมูลราบรื่นขึ้น - ฉันมีความคิดที่คลุมเครือเช่นการใช้การถดถอยเชิงเส้นเพื่อหาการเปลี่ยนแปลง 'คมชัด' ในการเคลื่อนไหว ฉันต้องการคำแนะนำและข้อมูลเพิ่มเติมก่อนที่จะดำดิ่งลงไปในสิ่งที่สามารถแก้ไขได้อย่างเหมาะสมที่สุด ขอบคุณ!

5
ฉันจะ detrend อนุกรมเวลาได้อย่างไร
ฉันจะ detrend อนุกรมเวลาได้อย่างไร มันโอเคที่จะเริ่มต้นความแตกต่างและทำการทดสอบ Dickey ฟุลเลอร์และถ้าเป็นเครื่องเขียนเราดีหรือไม่? ฉันยังพบทางออนไลน์ที่ฉันสามารถ detrend ชุดเวลาโดยทำเช่นนี้ใน Stata: reg lncredit time predict u_lncredit, residuals twoway line u_lncredit time dfuller u_lncredit, drift regress lags(0) วิธีที่ดีที่สุดในการทำลายลำดับเวลา

2
เวรกรรมใน microeconometrics เทียบกับเวรกรรมของ granger ในเศรษฐมิติอนุกรมเวลา
ฉันเข้าใจถึงสาเหตุที่ใช้ในเศรษฐศาสตร์จุลภาค (โดยเฉพาะอย่างยิ่ง IV หรือการออกแบบความไม่ต่อเนื่องของการถดถอย) และสาเหตุของ Granger ที่ใช้ในเศรษฐมิติอนุกรมเวลา ฉันจะสัมพันธ์กับอีกวิธีหนึ่งได้อย่างไร ตัวอย่างเช่นฉันได้เห็นวิธีการทั้งสองที่ใช้สำหรับข้อมูลพาเนล (พูดว่า , ) การอ้างอิงถึงเอกสารใด ๆ ในเรื่องนี้จะได้รับการชื่นชมT = 20ยังไม่มีข้อความ= 30N=30N=30T= 20T=20T=20

4
การใช้ ARMA-GARCH จำเป็นต้องใช้เครื่องเขียนหรือไม่?
ฉันจะใช้แบบจำลอง ARMA-GARCH สำหรับอนุกรมเวลาทางการเงินและสงสัยว่าชุดควรจะอยู่กับที่หรือไม่ก่อนที่จะใช้โมเดลดังกล่าว ฉันรู้ที่จะใช้โมเดล ARMA ชุดควรจะอยู่กับที่อย่างไรก็ตามฉันไม่แน่ใจสำหรับ ARMA-GARCH เนื่องจากฉันรวมถึงข้อผิดพลาด GARCH ซึ่งบ่งบอกถึงความผันผวนของการจัดกลุ่มและความแปรปรวนแบบไม่คงที่และแบบไม่คงที่ไม่ว่าจะเปลี่ยนแปลงอะไรก็ตาม . อนุกรมเวลาทางการเงินมักจะอยู่กับที่หรือหยุดนิ่ง? ฉันลองใช้การทดสอบ ADF กับซีรี่ย์ระเหยสองสามตัวและได้ค่า p <0.01 ซึ่งดูเหมือนว่าจะบ่งบอกความคงที่ แต่หลักการของซีรียส์ระเหยนั้นเองบอกเราว่า บางคนสามารถบอกฉันว่าฉันสับสนหรือเปล่า

3
ความคล้ายคลึงกันของสองฟูเรียร์ tranforms ต่อเนื่อง
ในการสร้างแบบจำลองสภาพภูมิอากาศคุณกำลังมองหาโมเดลที่สามารถถ่ายทอดสภาพภูมิอากาศของโลกได้อย่างเพียงพอ ซึ่งรวมถึงรูปแบบการแสดงที่มีลักษณะกึ่งวัฏจักร: สิ่งต่าง ๆ เช่น El Nino Southern Oscillation แต่โดยทั่วไปการตรวจสอบรูปแบบเกิดขึ้นในช่วงเวลาสั้น ๆ ซึ่งมีข้อมูลการสังเกตที่เหมาะสม (ในช่วง 150 ปีที่ผ่านมา) ซึ่งหมายความว่าแบบจำลองของคุณสามารถแสดงรูปแบบที่ถูกต้อง แต่อยู่นอกระยะเช่นการเปรียบเทียบเชิงเส้นเช่นความสัมพันธ์จะไม่เกิดขึ้นเมื่อแบบจำลองนั้นทำงานได้ดี .. การแปลงฟูริเยร์แบบไม่ต่อเนื่องมักใช้เพื่อวิเคราะห์ข้อมูลสภาพภูมิอากาศ ( นี่คือตัวอย่าง ) เพื่อรับรูปแบบวงจรดังกล่าว มีการวัดมาตรฐานของความคล้ายคลึงกันของ DFT สองตัวที่สามารถใช้เป็นเครื่องมือตรวจสอบ (เช่นการเปรียบเทียบระหว่าง DFT สำหรับแบบจำลองและแบบจำลองสำหรับการสังเกต) หรือไม่ มันจะสมเหตุสมผลไหมที่จะใช้อินทิกรัลของค่าต่ำสุดของ DFTs สองมาตรฐานที่กำหนดพื้นที่ (โดยใช้ค่าจริงที่แน่นอน) ฉันคิดว่าสิ่งนี้จะส่งผลให้คะแนนโดยที่x = 1x ∈ [ 0 , 1 ]x∈[0,1]x\in[0,1]x = 1⟹x=1⟹x=1\impliesรูปแบบเหมือนกันทุกประการและx = 0⟹x=0⟹x=0\impliesรูปแบบที่แตกต่างกันโดยสิ้นเชิง ข้อเสียของวิธีการดังกล่าวอาจเป็นอย่างไร

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

4
อะไรคือความแตกต่างของ "เชิงกล" ระหว่างการถดถอยเชิงเส้นแบบหลายจุดด้วย lags และอนุกรมเวลา
ฉันสำเร็จการศึกษาด้านธุรกิจและเศรษฐศาสตร์ซึ่งกำลังศึกษาระดับปริญญาโทด้านวิศวกรรมข้อมูล ในขณะที่กำลังศึกษาการถดถอยเชิงเส้น (LR) และการวิเคราะห์อนุกรมเวลา (TS) คำถามหนึ่งก็ผุดขึ้นในใจของฉัน เหตุใดจึงต้องสร้างวิธีการใหม่ทั้งหมดเช่นอนุกรมเวลา (ARIMA) แทนที่จะใช้การถดถอยเชิงเส้นหลายเส้นและการเพิ่มตัวแปรที่ล้าหลัง (โดยใช้คำสั่งล่าช้าที่กำหนดโดยใช้ ACF และ PACF) ดังนั้นอาจารย์แนะนำให้ฉันเขียนเรียงความเล็ก ๆ น้อย ๆ เกี่ยวกับปัญหา ฉันจะไม่ขอความช่วยเหลือจากมือเปล่าดังนั้นฉันจึงทำการวิจัยในหัวข้อนี้ ฉันรู้แล้วว่าเมื่อใช้ LR หากการละเมิดสมมติฐานของเกาส์ - มาร์คอฟการถดถอยของ OLS นั้นไม่ถูกต้องและสิ่งนี้เกิดขึ้นเมื่อใช้ข้อมูลอนุกรมเวลา (ความสัมพันธ์อัตโนมัติเป็นต้น) (คำถามอื่นเกี่ยวกับเรื่องนี้สมมุติฐานของจีเอ็มหนึ่งข้อคือตัวแปรอิสระควรแจกแจงตามปกติหรือเพียงแค่ตัวแปรตามเงื่อนไขให้กับตัวแปรอิสระ) ฉันรู้ด้วยว่าเมื่อใช้การถดถอยแบบกระจายแบบกระจายซึ่งเป็นสิ่งที่ฉันคิดว่าฉันเสนอที่นี่และการใช้ OLS เพื่อประเมินค่าพารามิเตอร์ความหลากหลายทางหลายทางระหว่างตัวแปรอาจเกิดขึ้นอย่างชัดเจนดังนั้นการประมาณจึงผิด ในโพสต์ที่คล้ายกันเกี่ยวกับ TS และ LRที่นี่ @IrishStat กล่าวว่า: ... แบบจำลองการถดถอยเป็นกรณีเฉพาะของ Transfer Function Model หรือที่รู้จักกันในชื่อรุ่นการถดถอยแบบไดนามิกหรือรุ่น XARMAX จุดสำคัญคือการระบุรูปแบบในอนุกรมเวลานั่นคือความแตกต่างที่เหมาะสมความล่าช้าที่เหมาะสมของ X โครงสร้าง ARIMA ที่เหมาะสมการระบุที่เหมาะสมของโครงสร้างที่ไม่ระบุรายละเอียดที่กำหนดเช่นพัลส์ระดับเลื่อนแนวโน้มเวลาท้องถิ่นฤดูกาลและการรวม บริษัท …

1
การพยากรณ์อนุกรมเวลาของ Arima (auto.arima) ที่มีตัวแปรที่แปลกประหลาดหลายตัวใน R
ฉันต้องการดำเนินการคาดการณ์ตามแบบอนุกรมเวลา ARIMA หลายรุ่นพร้อมกับตัวแปรที่แปลกประหลาดหลายตัว เนื่องจากฉันไม่ใช่ทักษะที่เกี่ยวข้องกับสถิติและ RI ที่ไม่ต้องการเก็บไว้เป็นเรื่องง่ายที่สุดเท่าที่จะทำได้ (การพยากรณ์แนวโน้ม 3 เดือนก็เพียงพอแล้ว) ฉันมีอนุกรมเวลา 1 ชุดและอนุกรมเวลาตัวทำนาย 3-5 ชุดข้อมูลรายเดือนทั้งหมดไม่มีช่องว่าง "ขอบฟ้า" ในเวลาเดียวกัน ฉันพบฟังก์ชัน auto.arima และถามตัวเองว่านี่จะเป็นวิธีการแก้ปัญหาที่เหมาะสมสำหรับปัญหาของฉันหรือไม่ ฉันมีราคาสินค้าโภคภัณฑ์ที่แตกต่างและราคาของผลิตภัณฑ์ที่ทำจากพวกเขา ข้อมูลดิบทั้งหมดไม่อยู่นิ่ง แต่ผ่านความแตกต่างในการสั่งซื้อครั้งแรกพวกเขาทั้งหมดกลายเป็นข้อมูลนิ่ง ADF, KPSS ระบุสิ่งนี้ (ซึ่งหมายความว่าฉันได้ทดสอบการรวมระบบแล้วใช่ไหม) คำถามของฉันคือ: ฉันจะใช้สิ่งนี้กับฟังก์ชั่น auto.arima และ ARIMA เป็นวิธีการที่ถูกต้องได้อย่างไร? ppl บางคนแนะนำให้ฉันใช้ VAR แล้ว แต่เป็นไปได้ไหมกับ ARIMA ด้วย? ตารางต่อไปนี้เป็นข้อมูลของฉัน ที่จริงแล้วชุดข้อมูลขึ้นไป 105 ข้อสังเกต แต่ 50 แรกจะทำ เทรนด์และฤดูกาลเป็นที่สนใจอย่างชัดเจนที่นี่ ขอบคุณสำหรับคำแนะนำและความช่วยเหลือ! เฟรดริก
14 r  time-series  arima 

1
วิธีการตีความความสัมพันธ์อัตโนมัติ
ฉันคำนวณความสัมพันธ์อัตโนมัติในข้อมูลอนุกรมเวลาเกี่ยวกับรูปแบบการเคลื่อนที่ของปลาตามตำแหน่ง: X ( x.ts) และY ( y.ts) เมื่อใช้ R ฉันจะใช้งานฟังก์ชั่นต่อไปนี้และสร้างแปลงต่อไปนี้: acf(x.ts,100) acf(y.ts,100) คำถามของฉันคือฉันจะตีความแปลงเหล่านี้ได้อย่างไร ข้อมูลใดที่จำเป็นสำหรับการรายงานรูปแบบใด ๆ ฉันท่องอินเทอร์เน็ตและยังไม่พบวิธีรัดกุมที่อธิบายได้อย่างมีประสิทธิภาพ นอกจากนี้คุณจะตัดสินใจจำนวนความล่าช้าที่ถูกต้องในการใช้งานได้อย่างไร ฉันใช้ 100 แต่ฉันไม่แน่ใจว่ามันมากเกินไป

1
การสร้างแบบจำลองอนุกรมเวลาของข้อมูลวงกลม
ฉันกำลังสร้างแบบจำลอง ARIMA สำหรับข้อมูลลม / คลื่น ฉันกำลังสร้างแบบจำลองแยกสำหรับตัวแปรแต่ละตัว ตัวแปรสองตัวที่ฉันต้องจำลองคือคลื่นและทิศทางลม ค่าอยู่ในหน่วยองศา (0-360 °) เป็นไปได้หรือไม่ที่จะสร้างแบบจำลองของข้อมูลประเภทนี้ที่ช่วงค่าเป็นแบบวงกลม? ถ้าไม่ใช่คลาสรุ่นใดที่เหมาะที่สุดสำหรับข้อมูลประเภทนี้?

1
ความแปรปรวนในระยะยาวคืออะไร?
ความแปรปรวนในระยะยาวในขอบเขตของการวิเคราะห์อนุกรมเวลาได้กำหนดไว้อย่างไร ฉันเข้าใจว่ามันถูกใช้ในกรณีที่มีโครงสร้างความสัมพันธ์ในข้อมูล ดังนั้นกระบวนการสโตแคสติกของเราจะไม่เป็นตระกูลX1,X2…X1,X2…X_1, X_2 \dots iid ตัวแปรสุ่ม แต่เป็นการกระจายตัวเท่านั้น ฉันขออ้างอิงมาตรฐานเพื่อแนะนำแนวคิดและปัญหาที่เกี่ยวข้องกับการประมาณค่าได้ไหม

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