Statistiques et Big Data time-series

1

Incrémental IDF (Inverse Document Frequency)

Dans une application d'exploration de texte, une approche simple consiste à utiliser l' heuristique pour créer des vecteurs sous forme de représentations compactes et clairsemées des documents. C'est très bien pour le réglage par lots, où l'ensemble du corpus est connu a priori, car l' i d f nécessite l'ensemble …

11 time-series text-mining

1

Que lire de la fonction d'autocorrélation d'une série chronologique?

Étant donné une série chronologique, on peut estimer la fonction d'autocorrélation et la représenter, par exemple, comme indiqué ci-dessous: Que peut-on alors lire sur la série temporelle, à partir de cette fonction d'autocorrélation? Est-il par exemple possible de raisonner sur la stationnarité des séries temporelles? Modifié : Ici, j'ai inclus …

11 time-series autocorrelation

1

Intervalles de confiance pour la différence dans les séries chronologiques

J'ai un modèle stochastique utilisé pour simuler des séries chronologiques de certains processus. Je m'intéresse à l'effet de changer un paramètre à une valeur spécifique et je veux montrer la différence entre la série chronologique (par exemple le modèle A et le modèle B) et une sorte d'intervalle de confiance …

11 time-series predictive-models markov-process

1

Déterminer si le changement dans une série chronologique est statistiquement significatif

J'ai le nombre total d'appels reçus chaque semaine et les ai tracés sur un graphique, remontant à près de 3 ans. À l'œil nu, il semble qu'il y ait eu une baisse massive de Noël, qui ne semble pas avoir récupéré, il semble qu'il y ait eu un changement radical …

11 time-series statistical-significance change-point

1

Prédire les processus à longue mémoire

Je travaille avec un processus à deux états avec dans pourXtXtx_t{ 1 , - 1 }{1,-1}\{1, -1\}t = 1 , 2 , …t=1,2,…t = 1, 2, \ldots La fonction d'autocorrélation est indicative d'un processus à mémoire longue, c'est-à-dire qu'elle affiche une décroissance de la loi de puissance avec un exposant …

11 time-series predictive-models autocorrelation

2

Détecter les changements dans les séries chronologiques

Je suis tombé sur une image d'un prototype d'application qui trouve des changements importants ("tendances" - pas des pics / valeurs aberrantes) dans les données de trafic: Je veux écrire un programme (Java, éventuellement R) qui est capable de faire de même - mais parce que mes compétences statistiques sont …

11 time-series change-point

3

Analyse d'intervention avec des séries temporelles multidimensionnelles

J'aimerais faire une analyse d'intervention pour quantifier les résultats d'une décision politique sur les ventes d'alcool au fil du temps. Je suis assez nouveau dans l'analyse des séries chronologiques, cependant, j'ai donc quelques questions pour les débutants. Un examen de la littérature révèle que d'autres chercheurs ont utilisé ARIMA pour …

11 time-series multivariate-analysis arima intervention-analysis

4

Prophet de Facebook est-il différent d'une régression linéaire?

Donc, ce que j'ai lu sur le prophète de Facebook, c'est qu'il décompose essentiellement la série chronologique en tendance et en saisonnalité. Par exemple, un modèle additif s'écrirait comme suit: y( t ) = g( t ) + s ( t ) + h ( t ) + ety(t)=g(t)+s(t)+h(t)+et y(t) …

11 regression machine-learning time-series prophet

3

Fractionnement des données de séries chronologiques en ensembles de train / test / validation

Quelle est la meilleure façon de diviser les données de séries chronologiques en ensembles train / test / validation, où l'ensemble de validation serait utilisé pour le réglage d'hyperparamètre? Nous avons 3 ans de données de vente quotidiennes, et notre plan est d'utiliser 2015-2016 comme données de formation, puis échantillonner …

11 time-series cross-validation validation

1

R / mgcv: Pourquoi les produits tenseurs te () et ti () produisent-ils des surfaces différentes?

Le mgcvpackage pour Ra deux fonctions pour ajuster les interactions des produits tensoriels: te()et ti(). Je comprends la division de base du travail entre les deux (ajustement d'une interaction non linéaire vs décomposition de cette interaction en effets principaux et interaction). Ce que je ne comprends pas, c'est pourquoi te(x1, …

11 r gam mgcv conditional-probability mixed-model references bayesian estimation conditional-probability machine-learning optimization gradient-descent r hypothesis-testing wilcoxon-mann-whitney time-series bayesian inference change-point time-series anova repeated-measures statistical-significance bayesian contingency-tables regression prediction quantiles classification auc k-means scikit-learn regression spatial circular-statistics t-test effect-size cohens-d r cross-validation feature-selection caret machine-learning modeling python optimization frequentist correlation sample-size normalization group-differences heteroscedasticity independence generalized-least-squares lme4-nlme references mcmc metropolis-hastings optimization r logistic feature-selection separation clustering k-means normal-distribution gaussian-mixture kullback-leibler java spark-mllib data-visualization categorical-data barplot hypothesis-testing statistical-significance chi-squared type-i-and-ii-errors pca scikit-learn conditional-expectation statistical-significance meta-analysis intuition r time-series multivariate-analysis garch machine-learning classification data-mining missing-data cart regression cross-validation matrix-decomposition categorical-data repeated-measures chi-squared assumptions contingency-tables prediction binary-data trend test-for-trend matrix-inverse anova categorical-data regression-coefficients standard-error r distributions exponential interarrival-time copula log-likelihood time-series forecasting prediction-interval mean standard-error meta-analysis meta-regression network-meta-analysis systematic-review normal-distribution multiple-regression generalized-linear-model poisson-distribution poisson-regression r sas cohens-kappa

2

Quelle est l'intuition derrière un réseau neuronal récurrent de mémoire à court terme (LSTM)?

L'idée derrière le réseau neuronal récurrent (RNN) est claire pour moi. Je le comprends de la manière suivante: nous avons une séquence d'observations ( ) (ou, en d'autres termes, des séries temporelles multivariées). Chaque observation est un vecteur numérique à dimensions. Dans le modèle RNN, nous supposons que la prochaine …

11 time-series neural-networks predictive-models intuition rnn

2

Pourquoi la fonction stl donne une variation saisonnière significative avec des données aléatoires

J'ai tracé le code suivant avec la fonction stl (décomposition saisonnière des séries chronologiques par Loess): plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) Il montre une variation saisonnière importante avec des données aléatoires mises dans le code ci-dessus (fonction rnorm). Une variation importante est observée à chaque exécution, bien que le modèle soit différent. …

11 time-series seasonality loess

2

Pourquoi devrions-nous supprimer la saisonnalité d'une série chronologique?

En travaillant avec des séries chronologiques, nous détectons et supprimons parfois la saisonnalité à l'aide de l'analyse spectrale. Je suis un vrai débutant dans les séries chronologiques, et je ne comprends pas pourquoi on voudrait supprimer la saisonnalité de la série chronologique originale? La suppression de la saisonnalité ne déforme-t-elle …

11 time-series seasonality

2

Si une série chronologique est stationnaire du second ordre, cela signifie-t-il qu'elle est strictement stationnaire?

Un processus est strictement stationnaire si la distribution conjointe de est la même que la distribution conjointe de pour tout , pour tout et pour tout .X t 1 , X t 2 , . . . , X t m X t 1 + k , X t 2 …

11 time-series autocorrelation stochastic-processes stationarity

1

Test de la propriété markov dans une série chronologique

Étant donné une série temporelle (observée) avec , existe-t-il un test statistique pour tester l'hypothèse nulle que (c'est-à-dire la propriété markov)?XtXtX_tXt∈ { 1 , . . . , n }Xt∈{1,...,n}X_t\in\{1,...,n\}P( Xt|Xt - 1, Xt - 2, . . ., X1) = P( Xt|Xt -1)P(Xt|Xt-1,Xt-2,...,X1)=P(Xt|Xt-1)P(X_t|X_{t-1},X_{t-2},...,X_1)=P(X_t|X_{t-1})

11 time-series hypothesis-testing markov-process

Questions marquées «time-series»