คำถามติดแท็ก unevenly-spaced-time-series

ในสาขาเศรษฐศาสตร์ (ฉันคิดว่า) เรามี ARIMA และ GARCH สำหรับอนุกรมเวลาที่มีระยะห่างเป็นประจำและ Poisson, Hawkes สำหรับการสร้างแบบจำลองกระบวนการจุดดังนั้นวิธีการเกี่ยวกับความพยายามสำหรับการสร้างแบบจำลองอนุกรมเวลาเว้นระยะเวลา ? (หากคุณมีความรู้ในหัวข้อนี้คุณสามารถขยายบทความ wiki ที่เกี่ยวข้องได้ด้วย) Edition (เกี่ยวกับค่าที่หายไปและอนุกรมเวลาที่เว้นระยะไม่สม่ำเสมอ): ตอบกลับความคิดเห็น @Lucas Reis หากช่องว่างระหว่างการวัดหรือตัวแปรการรับรู้เป็นระยะห่างเนื่องจาก (ตัวอย่าง) กระบวนการปัวซงไม่มีที่ว่างสำหรับการทำให้เป็นมาตรฐานแบบนี้ แต่มีขั้นตอนง่าย ๆ : t(i)เป็นดัชนีเวลา i-th ของตัวแปร x (เวลา i-th ของ การทำให้เป็นจริง x), จากนั้นกำหนดช่องว่างระหว่างเวลาของการวัดเป็นg(i)=t(i)-t(i-1), จากนั้นเราทำการแยกg(i)โดยใช้ค่าคงที่c, dg(i)=floor(g(i)/cและสร้างอนุกรมเวลาใหม่ที่มีจำนวนค่าว่างระหว่างการสังเกตแบบเก่าจากอนุกรมเวลาดั้งเดิมiและi+1เท่ากับ dg (i) แต่ปัญหาคือ ขั้นตอนสามารถสร้างอนุกรมเวลาได้อย่างง่ายดายด้วยจำนวนข้อมูลที่หายไปที่ใหญ่กว่าจำนวนการสังเกตดังนั้นการประมาณค่าที่สมเหตุสมผลของค่าการสังเกตที่หายไปอาจเป็นไปไม่ได้และใหญ่เกินไปcลบ "โครงสร้างเวลา / การพึ่งพาเวลา ฯลฯ " ของปัญหาการวิเคราะห์ (กรณีที่รุนแรงจะได้รับโดยการc>=max(floor(g(i)/c))ที่เพียงแค่ยุบอนุกรมเวลาเว้นระยะผิดปกติเป็นระยะห่างปกติ Edition2 (เพื่อความสนุกสนาน): …

45 time-series  garch  poisson-process  point-process  unevenly-spaced-time-series 

ฉันประทับใจในforecastแพ็คเกจR เช่นเดียวกับzooแพ็คเกจสำหรับอนุกรมเวลาที่ผิดปกติและการแก้ไขค่าที่หายไป ใบสมัครของฉันอยู่ในพื้นที่ของการพยากรณ์การจราจร Call Center เพื่อให้ข้อมูลเกี่ยวกับวันหยุดสุดสัปดาห์เป็น (เกือบ) zooเสมอหายไปซึ่งสามารถจัดการได้เป็นอย่างดีโดย นอกจากนี้บางจุดที่ขาดหายไปอาจหายไปฉันแค่ใช้ R NAเพื่อจุดนั้น สิ่งที่เป็นทุกมายากลที่ดีของแพคเกจการคาดการณ์เช่นeta(), auto.arima()ฯลฯ ดูเหมือนจะคาดหวังธรรมดาtsวัตถุเช่น equispaced อนุกรมเวลาไม่ได้มีข้อมูลที่ขาดหายไป ฉันคิดว่าแอปพลิเคชันในโลกแห่งความเป็นจริงสำหรับซีรี่ย์เวลาที่เท่ากันเท่านั้นนั้นมีอยู่จริง แต่สำหรับความเห็นของฉันนั้นมี จำกัด ปัญหาของการต่อเนื่องไม่กี่NAค่าจะสามารถแก้ไขได้อย่างง่ายดายโดยใช้ใด ๆ ของฟังก์ชั่นการแก้ไขที่นำเสนอในเช่นเดียวกับzoo forecast::interpหลังจากนั้นฉันก็ทำการพยากรณ์ คำถามของฉัน: ไม่มีใครแนะนำวิธีแก้ปัญหาที่ดีกว่า? (คำถามหลักของฉัน)อย่างน้อยที่สุดในโดเมนแอปพลิเคชันของฉันการคาดคะเนปริมาณการใช้งานศูนย์บริการข้อมูล (และเท่าที่ฉันสามารถจินตนาการได้ว่าโดเมนปัญหาอื่น ๆ ส่วนใหญ่) อนุกรมเวลาไม่เท่ากัน อย่างน้อยเราก็มีรูปแบบ "วันทำการ" ที่เกิดขึ้นซ้ำ ๆ หรือบางอย่าง อะไรคือวิธีที่ดีที่สุดในการจัดการสิ่งนั้นและยังคงใช้เวทย์มนตร์เท่ห์ ๆ ของแพ็คเกจพยากรณ์? ฉันควรเพียงแค่ "บีบอัด" อนุกรมเวลาเพื่อเติมวันหยุดสุดสัปดาห์ทำการพยากรณ์แล้ว "ขยาย" ข้อมูลอีกครั้งเพื่อแทรกค่า NA ในวันหยุดสุดสัปดาห์อีกครั้งหรือไม่ (นั่นจะเป็นความอัปยศฉันคิดว่า?) มีแผนใดที่จะทำให้แพ็คเกจพยากรณ์ใช้งานได้กับแพคเกจอนุกรมเวลาที่ผิดปกติอย่างสวนสัตว์หรือ ถ้าใช่เมื่อใดและถ้าไม่ทำไมไม่ ฉันค่อนข้างใหม่ต่อการคาดการณ์ (และสถิติโดยทั่วไป) …

16 r  time-series  forecasting  missing-data  unevenly-spaced-time-series 

ฉันยังไม่ชัดเจนในการคำนวณ cointegration ด้วยอนุกรมเวลาที่ผิดปกติ (ควรใช้แบบทดสอบ Johansenกับ VECM) ความคิดเริ่มต้นของฉันคือการทำให้ซีรีส์เป็นแบบปกติและแก้ไขค่าที่หายไปแม้ว่าจะมีอคติในการประมาณค่า มีวรรณกรรมในเรื่องนี้บ้างไหม?

15 time-series  cointegration  unevenly-spaced-time-series 

ในงานวิจัยทางเศรษฐศาสตร์การเงินมันเป็นเรื่องธรรมดามากที่จะตรวจสอบความสัมพันธ์ระหว่างอนุกรมเวลาทางการเงินที่จะใช้รูปแบบของข้อมูลรายวัน ตัวแปรมักจะทำให้โดยการบันทึกความแตกต่างเช่น; LN ( P T ) - LN ( P T - 1 )I(0)I(0)I(0)ln(Pt)−ln(Pt−1)ln⁡(Pt)−ln⁡(Pt−1)\ln(P_t)-\ln(P_{t-1}) อย่างไรก็ตามข้อมูลรายวันหมายความว่ามีจุดข้อมูลในแต่ละสัปดาห์และวันเสาร์และวันอาทิตย์จะหายไป ดูเหมือนจะไม่ได้กล่าวถึงในวรรณคดีประยุกต์ที่ฉันรู้ นี่คือคำถามที่เกี่ยวข้องอย่างใกล้ชิดที่ฉันมีที่มาจากการสังเกตนี้:555 สิ่งนี้มีคุณสมบัติเป็นข้อมูลที่เว้นระยะไม่สม่ำเสมอหรือไม่แม้ว่าตลาดการเงินจะปิดทำการในช่วงสุดสัปดาห์ ถ้าเป็นเช่นนั้นจะมีผลต่อความถูกต้องของผลลัพธ์เชิงประจักษ์ที่ยังไม่ได้รวบรวมไว้ในเอกสารจำนวนมหาศาลที่ไม่สนใจเรื่องนี้อย่างไร

14 time-series  econometrics  finance  macroeconomics  unevenly-spaced-time-series 

ฉันได้อ่านเกี่ยวกับ Dynamic Time Warping (DTW) เมื่อไม่นานมานี้ ฉันประหลาดใจมากที่ไม่มีวรรณกรรมเลยในการใช้ DTW กับซีรี่ย์เวลาที่ผิดปกติหรืออย่างน้อยฉันก็หาไม่เจอ ใครช่วยให้ฉันอ้างอิงถึงบางสิ่งที่เกี่ยวข้องกับปัญหานั้นหรือแม้กระทั่งการใช้งานได้หรือไม่

10 time-series  correlation  distance  unevenly-spaced-time-series 

ฉันพยายามวิเคราะห์ช่วงเวลารอคอยของอนุกรมเวลาของราคาหุ้นสองแห่ง ในการวิเคราะห์อนุกรมเวลาปกติเราสามารถทำ Cross Correlaton, VECM (Granger Causality) อย่างไรก็ตามวิธีการหนึ่งจะจัดการเดียวกันในอนุกรมเวลาเว้นระยะไม่สม่ำเสมอ สมมติฐานคือเครื่องมือหนึ่งนำไปสู่อีกอันหนึ่ง ฉันมีข้อมูลสำหรับสัญลักษณ์ทั้งสองถึงไมโครวินาที ฉันดูแพ็คเกจ RTAQ และลองใช้ VECM RTAQ นั้นเพิ่มเติมในอนุกรมเวลาที่ไม่เปลี่ยนแปลงในขณะที่ VECM ไม่สำคัญในช่วงเวลาเหล่านี้ > dput(STOCKS[,])) structure(c(29979, 29980, 29980, 29980, 29981, 29981, 29991, 29992, 29993, 29991, 29990, 29992), .Dim = c(6L, 2L), .Dimnames = list(NULL, c("Pair_Bid", "Calc_Bid" )), index = structure(c(1340686178.55163, 1340686181.40801, 1340686187.2642, 1340686187.52668, 1340686187.78777, 1340686189.36693), …

10 r  time-series  cross-correlation  unevenly-spaced-time-series 

ฉันมีข้อมูลสำหรับประชากรปลาจำนวนหนึ่งที่สุ่มตัวอย่างในช่วงเวลาประมาณ 5 ปี แต่ในรูปแบบที่ผิดปกติมาก บางครั้งมีเดือนระหว่างตัวอย่างบางครั้งมีหลายตัวอย่างในหนึ่งเดือน นอกจากนี้ยังมีจำนวน 0 จำนวน วิธีจัดการกับข้อมูลดังกล่าว? ฉันสามารถวาดกราฟได้อย่างง่ายดายใน R แต่กราฟไม่สว่างโดยเฉพาะเพราะมันเป็นหลุมเป็นบ่อมาก ในแง่ของการสร้างแบบจำลอง - ด้วยสปีชีส์ที่จำลองเป็นฟังก์ชั่นของสิ่งต่าง ๆ - อาจเป็นโมเดลผสม ยินดีต้อนรับการอ้างอิงหรือความคิดใด ๆ รายละเอียดบางอย่างในการตอบสนองต่อความคิดเห็น มีประมาณ 15 ชนิด ฉันกำลังพยายามที่จะรับความคิดเกี่ยวกับแนวโน้มหรือฤดูกาลของปลาแต่ละตัวและดูว่าสปีชีส์สัมพันธ์กันอย่างไร (ลูกค้าของฉันต้องการตารางที่มีความสัมพันธ์อย่างง่าย ๆ ) เป้าหมายคือการอธิบายและการวิเคราะห์ไม่ใช่การทำนาย การแก้ไขเพิ่มเติม: ฉันพบบทความนี้โดย K. Rehfield และคณะซึ่งแนะนำให้ใช้เมล็ดเกาส์เซียนเพื่อประเมิน ACF สำหรับอนุกรมเวลาที่ผิดปกติอย่างมาก http://www.nonlin-processes-geophys.net/18/389/2011/npg-18-389-2011.pdf

10 time-series  multilevel-analysis  unevenly-spaced-time-series 

ฉันถามคำถามนี้ไปที่ StackOverflow และแนะนำให้ถามที่นี่ ฉันมีชุดข้อมูล accelerometer 3D สองชุดที่มีช่วงเวลาต่างกัน (นาฬิกาเริ่มต้นในเวลาที่แตกต่างกันโดยมีการคืบเล็กน้อยเล็กน้อยในช่วงเวลาการสุ่มตัวอย่าง) รวมถึงมีช่องว่างขนาดต่าง ๆ มากมาย (เนื่องจากความล่าช้าที่เกี่ยวข้องกับการเขียนแยก อุปกรณ์แฟลช) accelerometers ฉันใช้มีราคาไม่แพงGCDC X250-2 ฉันใช้เครื่องวัดความเร่งเพื่อให้ได้ประโยชน์สูงสุดดังนั้นข้อมูลจึงมีจุดรบกวนที่สำคัญ อนุกรมเวลาแต่ละชุดมีจุดข้อมูลประมาณ 2 ล้านจุด (มากกว่าหนึ่งชั่วโมงที่ 512 ตัวอย่าง / วินาที) และมีประมาณ 500 เหตุการณ์ที่น่าสนใจโดยที่เหตุการณ์ทั่วไปครอบคลุมตัวอย่าง 100-150 ตัวอย่าง (แต่ละ 200-300 มิลลิวินาที) หลายเหตุการณ์เหล่านี้ได้รับผลกระทบจากการขาดข้อมูลในระหว่างการเขียนแฟลช ดังนั้นข้อมูลนั้นไม่ได้บริสุทธิ์และไม่ได้สวยมากนัก แต่การตรวจลูกตาของฉันแสดงให้เห็นอย่างชัดเจนว่ามันมีข้อมูลที่ฉันสนใจ มาตรวัดความเร่งอยู่ในสภาพแวดล้อมที่คล้ายกัน แต่อยู่ในระดับปานกลางเท่านั้นซึ่งหมายความว่าฉันสามารถบอกด้วยตาเปล่าว่าเหตุการณ์ใดที่ตรงกับมาตรความเร่งแต่ละตัว แต่ฉันก็ไม่ประสบความสำเร็จเท่าที่เคยทำมา เนื่องจากข้อ จำกัด ทางกายภาพอุปกรณ์ต่าง ๆ ก็ถูกติดตั้งในทิศทางที่แตกต่างกันซึ่งแกนไม่ตรงกัน แต่พวกมันอยู่ใกล้กับมุมฉากที่สุดเท่าที่ฉันจะทำได้ ตัวอย่างเช่นสำหรับ accelerometers 3 แกน A …

10 time-series  correlation  unevenly-spaced-time-series 

ตัดต่อไปนี้จะนำมาจากบทความนี้ ฉันเป็นมือใหม่ในการบู๊ตสแตรปและพยายามที่จะใช้การบู๊ตสแปปปิ้งแบบกึ่งพารามิเตอร์แบบกึ่งพารามิเตอร์และแบบไม่มีพารามิเตอร์สำหรับแบบจำลองเชิงเส้นผสมกับR bootแพ็คเกจ รหัส R นี่คือRรหัสของฉัน: library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, indices){ data <- data[indices, ] mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out <- boot(data=Cultivation, statistic=boot.fn, R=99) …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

ฉันมีXTSอนุกรมเวลาที่เว้นระยะผิดปกติ(มีPOSIXctค่าเป็นประเภทดัชนี) ฉันจะสร้างซีรีย์เวลาใหม่ที่สุ่มตัวอย่างในช่วงเวลา 10 นาทีได้อย่างไร แต่แต่ละช่วงเวลาตัวอย่างจะถูกจัดให้สอดคล้องกับรอบเวลา (13:00:00, 13:10:00, 13:20:00, ... ) . หากช่วงเวลาการสุ่มตัวอย่างไม่ตรงกับค่าซีรี่ส์ดั้งเดิมฉันต้องการใช้ช่วงเวลาก่อนหน้า

9 r  time-series  sampling  unevenly-spaced-time-series