คำถามติดแท็ก time-series

ข้อดีและข้อเสียของการใช้ LARS [1] เมื่อเทียบกับการใช้โคตรของพิกัดสำหรับการถดถอยเชิงเส้นแบบ L1 ที่เหมาะสมคืออะไร ฉันสนใจในเรื่องของประสิทธิภาพเป็นหลัก (ปัญหาของฉันมักจะNอยู่ในหลักแสนและp<20) อย่างไรก็ตามข้อมูลเชิงลึกอื่น ๆ ก็จะได้รับการชื่นชมเช่นกัน แก้ไข: เนื่องจากฉันได้โพสต์คำถาม, chl ได้ชี้ให้เห็นกระดาษ [2] โดย Friedman และคณะที่พิกัดโคตรถูกแสดงว่าเร็วกว่าวิธีอื่นมาก หากเป็นกรณีนี้ฉันควรเป็นผู้ประกอบการเพียงแค่ลืมเกี่ยวกับ LARS ในความโปรดปรานของการสืบเชื้อสายมาประสานงาน? [1] Efron, Bradley; Hastie เทรเวอร์; Johnstone, Iain และ Tibshirani, Robert (2004) "การถดถอยมุมน้อยที่สุด" พงศาวดารของสถิติ 32 (2): pp 407–499 [2] Jerome H. Friedman, Trevor Hastie, Rob Tibshirani, "เส้นทางการทำให้เป็นมาตรฐานสำหรับตัวแบบเชิงเส้นทั่วไปผ่านพิกัดโคตร", วารสารซอฟท์แวร์สถิติ, อัตรา …

13 regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction 

ฉันกำลังใช้การลดค่าเอกพจน์เป็นเทคนิคการลดขนาด ให้Nเวกเตอร์ของมิติDความคิดคือการแสดงคุณสมบัติในพื้นที่แปลงของมิติ uncorrelated ซึ่งรวมส่วนใหญ่ของข้อมูลของข้อมูลใน eigenvector ของพื้นที่นี้ในลำดับความสำคัญลดลง ตอนนี้ฉันกำลังพยายามใช้ขั้นตอนนี้กับข้อมูลอนุกรมเวลา ปัญหาคือว่าบางส่วนไม่ได้มีความยาวเท่ากันดังนั้นฉันจึงไม่สามารถสร้างnum-by-dimเมทริกซ์และใช้ SVD ได้ ความคิดแรกของฉันคือการวางเมทริกซ์ด้วยเลขศูนย์ด้วยการสร้างnum-by-maxDimเมทริกซ์และเติมช่องว่างด้วยศูนย์ แต่ฉันไม่แน่ใจว่านั่นเป็นวิธีที่ถูกต้องหรือไม่ คำถามของฉันคือคุณจะใช้วิธี SVD ในการลดมิติข้อมูลเป็นอนุกรมเวลาที่มีความยาวต่างกันได้อย่างไร หรือมีวิธีการอื่นที่คล้ายคลึงกันของการเป็นตัวแทน eigenspace มักจะใช้กับอนุกรมเวลา? ด้านล่างเป็นส่วนหนึ่งของรหัส MATLAB เพื่อแสดงแนวคิด: X = randn(100,4); % data matrix of size N-by-dim X0 = bsxfun(@minus, X, mean(X)); % standarize [U S V] = svd(X0,0); % SVD variances = diag(S).^2 / (size(X,1)-1); % …

13 time-series  machine-learning  pca  data-transformation  multivariate-analysis 

นี่เป็นคำถามที่ค่อนข้างสั่นคลอน แต่ฉันมีความสนใจอย่างจริงจังในคำตอบ ฉันทำงานในโรงพยาบาลจิตเวชและมีข้อมูลสามปีเก็บทุกวันทั่ววอร์ดเกี่ยวกับระดับความรุนแรงในวอร์ดนั้น เห็นได้ชัดว่ารูปแบบที่เหมาะกับข้อมูลเหล่านี้คือรูปแบบอนุกรมเวลา ฉันต้องทำคะแนนให้แตกต่างกันเพื่อให้เป็นปกติมากขึ้น ฉันพอดีกับโมเดล ARMA กับข้อมูลที่แตกต่างกันและแบบที่ดีที่สุดที่ฉันคิดว่าเป็นโมเดลที่มีความต่างระดับหนึ่งและลำดับอัตโนมัติสัมพันธ์แรกที่ล่าช้า 2 คำถามของฉันคืออะไรฉันสามารถใช้แบบจำลองนี้เพื่ออะไร อนุกรมเวลาดูเหมือนว่ามีประโยชน์เสมอในตำราเรียนเมื่อมันเกี่ยวกับประชากรกระต่ายและราคาน้ำมัน แต่ตอนนี้ฉันได้ทำของตัวเองผลลัพธ์ดูเหมือนเป็นนามธรรมจนทึบแสงอย่างสมบูรณ์ คะแนนที่แตกต่างนั้นมีความสัมพันธ์ซึ่งกันและกันที่ lag 2 แต่ฉันไม่สามารถแนะนำให้ทุกคนตื่นตัวได้ในสองวันหลังจากเกิดเหตุการณ์ร้ายแรงในทุกกรณี หรือฉัน

13 time-series  forecasting 

นี่เป็นคำถามที่ค่อนข้างทั่วไป: ฉันมักจะพบว่าการใช้แบบจำลองที่แตกต่างกันหลายแบบมีประสิทธิภาพสูงกว่าแบบจำลองเดียวเมื่อพยายามทำนายอนุกรมเวลาจากตัวอย่าง มีเอกสารที่ดีที่แสดงให้เห็นว่าการรวมกันของแบบจำลองจะดีกว่าแบบจำลองเดียวหรือไม่? มีวิธีปฏิบัติที่ดีที่สุดในการรวมหลายรุ่นหรือไม่ อ้างอิงบางส่วน: Hui Zoua, Yuhong Yang "การรวมตัวแบบอนุกรมเวลาสำหรับการพยากรณ์" International Journal of Forecasting 20 (2004) 69–84

13 time-series  modeling  model-comparison 

ฉันเคยใช้การจูนโมเดลcaretแต่แล้วก็รันโมเดลอีกครั้งโดยใช้gbmแพ็คเกจ ฉันเข้าใจว่าcaretแพ็กเกจที่ใช้gbmและเอาต์พุตควรเหมือนกัน อย่างไรก็ตามการทดสอบการทำงานอย่างรวดเร็วโดยใช้data(iris)แสดงความแตกต่างในรูปแบบประมาณ 5% โดยใช้ RMSE และ R ^ 2 เป็นตัวชี้วัดการประเมินผล ฉันต้องการค้นหาประสิทธิภาพของแบบจำลองที่ดีที่สุดโดยใช้caretแต่เรียกใช้อีกครั้งgbmเพื่อใช้ประโยชน์จากแผนการพึ่งพาบางส่วน รหัสด้านล่างสำหรับการทำซ้ำ คำถามของฉันจะเป็น: 1) เหตุใดฉันจึงเห็นความแตกต่างระหว่างแพ็คเกจทั้งสองนี้ถึงแม้ว่าพวกเขาจะเหมือนกัน (ฉันเข้าใจว่าพวกมันสุ่ม แต่ 5% ค่อนข้างแตกต่างกันมากโดยเฉพาะอย่างยิ่งเมื่อฉันไม่ได้ใช้ชุดข้อมูลที่ดีirisสำหรับการสร้างแบบจำลองของฉัน) . 2) มีข้อดีหรือข้อเสียในการใช้ทั้งสองแพคเกจหรือไม่ 3) ไม่เกี่ยวข้อง: การใช้irisชุดข้อมูลที่ดีที่สุดinteraction.depthคือ 5 แต่สูงกว่าที่ฉันได้อ่านควรจะใช้สูงสุดfloor(sqrt(ncol(iris)))ซึ่งควรจะเป็น 2 นี่เป็นกฎง่ายๆหรือเข้มงวดหรือไม่? library(caret) library(gbm) library(hydroGOF) library(Metrics) data(iris) # Using caret caretGrid <- expand.grid(interaction.depth=c(1, 3, 5), n.trees = (0:50)*50, shrinkage=c(0.01, 0.001), n.minobsinnode=10) metric …

13 r  caret  gbm  matrix  linear-algebra  logistic  modeling  logit  ordered-logit  r  confidence-interval  survival  population  weibull  classification  separation  hypothesis-testing  correlation  statistical-significance  p-value  python  r  data-visualization  r  regression  multiple-regression  chi-squared  multivariate-analysis  distributions  random-variable  experiment-design  distributions  poisson-regression  residuals  excel  time-series  garch  var  survival  modeling  cox-model  interaction  r  pca  normality-assumption 

เมื่อการสร้างแบบจำลองอนุกรมเวลาหนึ่งมีความเป็นไปได้ที่จะ (1) แบบจำลองโครงสร้างความสัมพันธ์ของข้อผิดพลาดเช่นกระบวนการ AR (1) กระบวนการ (2) รวมถึงตัวแปรขึ้นอยู่กับ lagged เป็นตัวแปรอธิบาย (ทางด้านขวามือ) ฉันเข้าใจว่าบางครั้งพวกเขาก็มีเหตุผลมากมายที่ต้องไปเพื่อ (2) อย่างไรก็ตามวิธีการมีเหตุผลอะไรที่จะทำอย่างใดอย่างหนึ่ง (1) หรือ (2) หรือทั้งสองอย่าง?

13 time-series  autocorrelation  residuals  lags 

ฉันมีข้อมูลยอดขายรายวันสำหรับผลิตภัณฑ์ซึ่งเป็นไปตามฤดูกาล ฉันต้องการบันทึกฤดูกาลตามโมเดลการถดถอย ฉันได้อ่านว่าหากคุณมีข้อมูลรายไตรมาสหรือรายเดือนในกรณีนี้คุณสามารถสร้างตัวแปรจำลอง 3 และ 11 ตัวตามลำดับ - แต่ฉันสามารถจัดการกับข้อมูลรายวันได้หรือไม่ ฉันมีข้อมูลรายวันสามปี ตัวแปรอิสระคือจุดราคาแฟล็กการส่งเสริมการขาย (ใช่ / ไม่ใช่) และอุณหภูมิ ตัวแปรตามคือยอดขายของผลิตภัณฑ์นั้น ฉันไม่ได้กำลังมองหาโมเดลอนุกรมเวลาเนื่องจากฉันใช้โมเดลการถดถอยหลายแบบ

13 regression  time-series  multiple-regression  categorical-data 

ในกรณีนี้ฉันหมายถึงวันที่ทะเลสาบค้าง วันที่ "ice-on" นี้เกิดขึ้นปีละครั้ง แต่บางครั้งก็ไม่เกิดขึ้นเลย (หากฤดูหนาวอบอุ่น) ดังนั้นในหนึ่งปีทะเลสาบอาจหยุดในวันที่ 20 (มกราคม 20) และอีกปีหนึ่งก็อาจไม่หยุดเลย เป้าหมายคือการหาไดรเวอร์ของวันที่น้ำแข็ง ตัวทำนายจะเป็นสิ่งต่าง ๆ เช่นอุณหภูมิอากาศฤดูใบไม้ร่วง / ฤดูหนาวในแต่ละปี ปีอาจเป็นเครื่องทำนายแนวโน้มเชิงเส้นในระยะยาว 1) จำนวนเต็ม "วันของปี" เป็นตัวแปรตอบกลับที่สมเหตุสมผล (ถ้าไม่ใช่คืออะไร) 2) เราควรจัดการกับปีที่ทะเลสาบไม่เคยแข็งตัวอย่างไร? แก้ไข: ฉันไม่รู้ว่ามารยาทคืออะไรที่นี่ แต่ฉันคิดว่าฉันโพสต์ผลลัพธ์ของคำแนะนำที่ฉันได้รับ นี่คือกระดาษที่เปิดการเข้าถึง ฉันได้รับผลตอบรับที่ดีเกี่ยวกับวิธีการใช้ขอบคุณ @pedrofigueira และ @cboettig แน่นอนข้อผิดพลาดเป็นของฉันเอง

13 regression  time-series  survival  data-transformation  recurrent-events 

ฉันกำลังทำการพยากรณ์ใน R โดยใช้แพ็คเกจการพยากรณ์ของ Rob Hyndman กระดาษที่อยู่ในแพคเกจที่สามารถพบได้ที่นี่ ในกระดาษหลังจากอธิบายอัลกอริทึมการพยากรณ์อัตโนมัติผู้เขียนใช้อัลกอริทึมในชุดข้อมูลเดียวกัน อย่างไรก็ตามหลังจากการประเมินทั้งการทำให้เรียบแบบเอ็กซ์โปเนนเชียลและแบบจำลอง ARIMA พวกเขาสร้างข้อความที่ฉันไม่เข้าใจ (หน้า 17): โปรดทราบว่าเกณฑ์ข้อมูลไม่สามารถเปรียบเทียบกันได้ ฉันคิดว่าข้อดีของการใช้ AIC สำหรับการเลือกแบบจำลองคือเราสามารถเปรียบเทียบค่า AIC จากแบบจำลองที่แตกต่างกันได้ตราบใดที่มีการประมาณโดยใช้ชุดข้อมูลเดียวกัน สิ่งนี้ไม่ถูกต้องหรือ เรื่องนี้เป็นเรื่องที่น่าสนใจเป็นพิเศษสำหรับฉันในขณะที่ฉันกำลังวางแผนในการรวมการคาดการณ์จากคลาสรุ่นต่างๆ (เช่นการทำให้เรียบแบบเอกซ์โพเนนเชียลและ ARIMA) โดยใช้ที่เรียกว่าน้ำหนัก Akaike (ดู Burnham and Anderson, 2002) อ้างอิง Burnham, KP, & Anderson, DR (2002) การเลือกรูปแบบและการอนุมานหลายรูปแบบ: วิธีการเชิงทฤษฎีและสารสนเทศ Springer Verlag

13 time-series  forecasting  model-selection  aic 

มันจะดีกว่าที่จะแตกต่างชุด (สมมติว่ามันต้องการ) ก่อนที่จะใช้ Arima หรือดีกว่าที่จะใช้พารามิเตอร์ d ภายใน Arima? ฉันรู้สึกประหลาดใจที่ความแตกต่างของค่าที่ติดตั้งนั้นขึ้นอยู่กับเส้นทางที่ถ่ายด้วยแบบจำลองและข้อมูลเดียวกัน หรือฉันกำลังทำอะไรผิดพลาด? install.packages("forecast") library(forecast) wineindT<-window(wineind, start=c(1987,1), end=c(1994,8)) wineindT_diff <-diff(wineindT) #coefficients and other measures are similar modA<-Arima(wineindT,order=c(1,1,0)) summary(modA) modB<-Arima(wineindT_diff,order=c(1,0,0)) summary(modB) #fitted values from modA A<-forecast.Arima(modA,1)$fitted #fitted from modB, setting initial value to the first value in the original series B<-diffinv(forecast.Arima(modB,1)$fitted,xi=wineindT[1]) plot(A, col="red") lines(B, …

13 r  time-series  arima 

ฉันมีปัญหาในการหาสิ่งที่แถบช่วงในความplot.stlหมายที่แท้จริง ฉันพบโพสต์ของ Gavin ในคำถามนี้และอ่านเอกสารเช่นกันฉันเข้าใจว่าพวกเขาบอกขนาดสัมพัทธ์ของส่วนประกอบที่สลายตัว แต่ฉันก็ยังไม่แน่ใจว่าพวกมันทำงานอย่างไร เช่น: ข้อมูล: บาร์เล็ก ๆ , ไม่มีสเกลตามฤดูกาล: เต็มบาร์, มีสเกลตั้งแต่ -0.6 ถึง 0.2 แนวโน้ม: บาร์เล็ก ๆ อีกอัน (ดูเหมือนจะเท่ากับข้อมูล), ไม่มีสเกลที่เหลือ: บาร์ขนาดกลางที่มีสเกลตั้งแต่ -1.5 ถึง 0.5 ฉันไม่เข้าใจว่าอะไรคือพื้นฐานของความสัมพันธ์และทำไมเทรนด์จึงไม่มีขนาด ฉันลองstlและdecomposeมีผลลัพธ์เหมือนกันสำหรับวิธีการคูณและการบวก

13 r  time-series 

หากคุณสามารถวัดอนุกรมเวลาของการสังเกตที่ระดับใด ๆ ของความแม่นยำในเวลาและเป้าหมายของการศึกษาของคุณคือการระบุความสัมพันธ์ระหว่าง X และ Y จะมีเหตุผลเชิงประจักษ์ใด ๆ สำหรับการเลือกระดับการรวมที่เฉพาะเจาะจงมากกว่าหรือควร ทางเลือกนั้นขึ้นอยู่กับทฤษฎีและ / หรือข้อ จำกัด ในทางปฏิบัติ? ฉันมีคำถามย่อยสามคำถามสำหรับคำถามหลักนี้: การแปรผันที่ไม่ใช่แบบสุ่มใน X หรือ Y ในระดับที่มากกว่าเหตุผลเพียงพอที่จะเลือกการรวมกลุ่มที่เล็กกว่า (ที่ไม่ใช่แบบสุ่มใด ๆ เป็นรูปแบบชั่วคราวของการสังเกต)? การเปลี่ยนแปลงในความสัมพันธ์ระหว่าง X และ Y ในระดับที่เล็กกว่าของการรวมเหตุผลเพียงพอที่จะปรับหน่วยการวิเคราะห์ที่มีขนาดเล็กลงหรือไม่? หากรูปแบบบางรูปแบบเป็นที่ยอมรับได้ใครจะเป็นผู้ตัดสินว่ารูปแบบนั้นมากเกินไปเท่าใด ผู้คนสามารถอ้างถึงข้อโต้แย้งที่พวกเขารู้สึกว่าน่าสนใจ / ถูกนิยามไว้อย่างดีสำหรับการวิเคราะห์หนึ่งหน่วยเหนืออีกเรื่องหนึ่งไม่ว่าจะด้วยเหตุผลเชิงประจักษ์หรือเหตุผลเชิงทฤษฎี? ฉันตระหนักดีถึงปัญหาหน่วยพื้นที่ที่แก้ไขได้ในการวิเคราะห์เชิงพื้นที่ ( Openshaw 1984 ) ฉันไม่ได้อ้างว่าเป็นผู้เชี่ยวชาญเกี่ยวกับเนื้อหา แต่ทั้งหมดที่ฉันคิดว่าจนถึงตอนนี้ก็คือการวิเคราะห์หน่วยที่เล็กกว่านั้นดีกว่าเสมอเพราะมีโอกาสน้อยที่จะยอมรับการเข้าใจผิดทางนิเวศวิทยา ( Robinson 1950 ) หากมีการอ้างอิงหรือคำตอบที่เกี่ยวข้องโดยตรงกับหน่วยทางภูมิศาสตร์รวมฉันจะขอบคุณคำตอบนั้นเช่นกัน

13 time-series  aggregation  disaggregation 

ฉันมีผู้เขียนโค้ดอิสระหลายคนที่พยายามระบุเหตุการณ์ในอนุกรมเวลา - ในกรณีนี้ดูวิดีโอการสนทนาแบบตัวต่อตัวและมองหาพฤติกรรมที่ไม่เกี่ยวกับภาษา (เช่นพยักหน้า) และการเข้ารหัสเวลาและหมวดหมู่ของแต่ละรายการ เหตุการณ์ ข้อมูลนี้อาจได้รับการพิจารณาว่าเป็นชุดข้อมูลที่ไม่ต่อเนื่องโดยมีอัตราการสุ่มตัวอย่างสูง (30 เฟรม / วินาที) หรือเป็นอนุกรมเวลาต่อเนื่องแล้วแต่ว่างานใดจะใช้งานได้ง่ายกว่า ฉันต้องการคำนวณความน่าเชื่อถือระหว่างผู้ประเมินบางอย่าง แต่ฉันคาดว่าจะมีความไม่แน่นอนเมื่อเกิดเหตุการณ์ขึ้น นั่นคือฉันคาดหวังว่า coder หนึ่งอาจยกตัวอย่างเช่นโค้ดที่การเคลื่อนไหวบางอย่างเริ่มต้นขึ้นภายในหนึ่งวินาทีหลังจากที่ตัวแปลงสัญญาณอื่นคิดว่ามันเริ่มต้นขึ้น สิ่งเหล่านี้เป็นเหตุการณ์ที่เกิดขึ้นน้อยมากหากสิ่งนั้นช่วยได้ โดยทั่วไปแล้วอย่างน้อยหลายวินาที (หลายร้อยเฟรมวิดีโอ) ระหว่างเหตุการณ์ มีวิธีที่ดีของการประเมินความน่าเชื่อถือระหว่างผู้ประเมินที่มีลักษณะที่ทั้งสองเหล่านี้ชนิดของข้อตกลงและความขัดแย้ง (1) ทำผู้ประเมินเห็นด้วยกับสิ่งที่เหตุการณ์ที่เกิดขึ้น (ถ้ามี) และ (2) พวกเขาไม่เห็นด้วยในเมื่อมันเกิดขึ้น? ข้อที่สองมีความสำคัญต่อฉันเพราะฉันสนใจที่จะดูเวลาของเหตุการณ์เหล่านี้เทียบกับสิ่งอื่น ๆ ที่เกิดขึ้นในการสนทนาเหมือนกับที่คนอื่นพูดกัน การฝึกมาตรฐานในสาขาของฉันดูเหมือนจะแบ่งสิ่งต่าง ๆ ออกเป็นชิ้นเวลาพูด 1/4 ของวินาทีหรือมากกว่านั้นรวมเหตุการณ์ที่ผู้ทำโค้ดแต่ละคนรายงานต่อเวลาชิ้นจากนั้นคำนวณคัปปาของโคเฮนหรือการวัดที่คล้ายกัน แต่ตัวเลือกระยะเวลาการแบ่งเป็นแบบเฉพาะกิจและฉันไม่ได้รับความคิดที่ดีเกี่ยวกับความไม่แน่นอนในช่วงเวลาของเหตุการณ์ ความคิดที่ดีที่สุดที่ฉันมีมาจนถึงตอนนี้คือฉันสามารถคำนวณกราฟความน่าเชื่อถือบางชนิดได้ สิ่งที่คล้ายคัปปาเป็นฟังก์ชั่นของขนาดของหน้าต่างที่ฉันพิจารณาสองเหตุการณ์ว่าถูกให้รหัสในเวลาเดียวกัน ฉันไม่แน่ใจจริงๆว่าจะไปจากที่นั่น ...

13 time-series  reliability  agreement-statistics 

คำถามนี้อาจง่ายเกินไป สำหรับแนวโน้มชั่วคราวของข้อมูลฉันต้องการค้นหาจุดที่การเปลี่ยนแปลง "ฉับพลัน" เกิดขึ้น ตัวอย่างเช่นในรูปแรกที่แสดงด้านล่างฉันต้องการค้นหาจุดเปลี่ยนแปลงโดยใช้วิธีการทางสถิติ และฉันต้องการที่จะใช้วิธีการดังกล่าวกับข้อมูลอื่น ๆ ที่จุดเปลี่ยนไม่ชัดเจน (เช่นรูปที่ 2) ดังนั้นจึงมีวิธีการร่วมกันสำหรับวัตถุประสงค์ดังกล่าวหรือไม่

13 time-series  trend  change-point 

ฉันสงสัยว่า "กระบวนการคงที่ลำดับที่สอง" ของเขาถูกกำหนดในบทนำของ Brockwell และ Davis ' เกี่ยวกับอนุกรมเวลาและการพยากรณ์ : คลาสของโมเดลอนุกรมเวลาเชิงเส้นซึ่งรวมถึงคลาสของโมเดล autoregressive moving-average (ARMA) เป็นกรอบสำหรับการศึกษากระบวนการคงที่ทั่วไป ในความเป็นจริงกระบวนการคงที่ลำดับที่สองทุกอันอาจเป็นกระบวนการเชิงเส้นหรือสามารถแปลงเป็นกระบวนการเชิงเส้นได้โดยการลบส่วนประกอบที่กำหนดขึ้นได้ ผลลัพธ์นี้เรียกว่าการสลายตัวของ Wold และมีการกล่าวถึงในส่วนที่ 2.6 ในวิกิพีเดีย , กรณีของคำสั่งคงที่อันดับสองนั้นเกิดขึ้นเมื่อข้อกำหนดของ stationarity ที่เข้มงวดถูกนำไปใช้กับคู่ของตัวแปรสุ่มจากอนุกรมเวลาเท่านั้น แต่ฉันคิดว่าหนังสือเล่มนี้มีคำจำกัดความที่แตกต่างจากของ Wikipedia เพราะหนังสือเล่มนี้ใช้คำสั้น ๆ สำหรับการเขียนแบบมุมกว้างในขณะที่ Wikipedia ใช้คำว่า stationarity แบบสั้นเพื่อความชัดเจนที่เข้มงวด ขอบคุณและขอแสดงความนับถือ!

13 time-series