Statistiques et Big Data time-series

1

Décomposition additive vs multiplication

Ma question est vraiment simple mais ce sont celles qui m'ont vraiment :) Je ne sais pas vraiment comment évaluer si une série temporelle spécifique doit être décomposée en utilisant un additif ou une méthode de décomposition multiplicative. Je sais qu'il y a des indices visuels pour les distinguer les …

9 time-series mathematical-statistics variance-decomposition

2

R détecter une tendance à l'augmentation / à la baisse des séries chronologiques

J'ai beaucoup de séries chronologiques avec des périodes: jour, semaine ou mois. Avec la stl()fonction ou avec, loess(x ~ y)je peux voir à quoi ressemblent les tendances de séries chronologiques particulières. J'ai besoin de détecter si la tendance des séries chronologiques augmente ou diminue. Comment gérer ça? J'ai essayé de …

9 r time-series trend

1

Montage d'un coefficient DLM variable dans le temps

Je veux adapter un DLM avec des coefficients variant dans le temps, c'est-à-dire une extension de la régression linéaire habituelle, .yt= θ1+ θ2X2yt=θ1+θ2x2y_t = \theta_1 + \theta_2x_2 J'ai un prédicteur ( ) et une variable de réponse ( y t ), des captures annuelles de poissons marins et intérieurs respectivement …

9 r regression time-series dlm dynamic-regression

2

Couplage des informations de séries chronologiques à partir de sources avec plusieurs résolutions / échelles spatiales

J'ai de nombreuses images raster satellite disponibles à partir de différents capteurs. De ceux-ci, les plus grossiers ont une résolution temporelle très abondante. Les rasters à résolution moyenne ont tendance à avoir moins de dates d'acquisition, mais un certain degré d'informations est toujours disponible. Les plus fines résolutions ont une …

9 time-series machine-learning predictive-models multivariate-regression

1

Modèle de Markov caché pour la prédiction d'événements

Question : La configuration ci-dessous est-elle une implémentation sensée d'un modèle de Markov caché? J'ai un ensemble de données d' 108,000observations (prises sur une période de 100 jours) et approximativement des 2000événements tout au long de la période d'observation. Les données ressemblent à la figure ci-dessous où la variable observée …

9 time-series machine-learning predictive-models markov-chain hidden-markov-model

1

Évaluation des performances de prédiction de séries chronologiques

J'ai un modèle dynamique de Naive Bayes formé sur quelques variables temporelles. La sortie du modèle est la prédiction de P(Event) @ t+1, estimée à chacun t. L'intrigue de P(Event)versus timeest indiquée dans la figure ci-dessous. Dans cette figure, la ligne noire représente P(Event)comme prévu par mon modèle; la ligne …

9 time-series probability prediction model-comparison model-evaluation

2

Prévisions ARIMA avec saisonnalité et tendance, résultat étrange

alors que j'entre dans la prévision avec des modèles ARIMA, j'essaie de comprendre comment je peux améliorer une prévision basée sur ARIMA en fonction de la saisonnalité et de la dérive. Mes données sont les séries chronologiques suivantes (sur 3 ans, avec une tendance claire à la hausse et une …

9 r time-series forecasting arima seasonality

1

Déformation temporelle dynamique et normalisation

J'utilise Dynamic Time Warping pour faire correspondre une "requête" et une courbe "modèle" et j'ai eu un succès raisonnable jusqu'à présent, mais j'ai quelques questions de base: J'évalue une «correspondance» en évaluant si le résultat DTW est inférieur à une valeur seuil que je trouve heuristiquement. Est-ce l'approche générale pour …

9 time-series normalization functional-data-analysis

3

Distinction conceptuelle entre hétéroscédasticité et non-stationnarité

J'ai du mal à distinguer les concepts de scédasticité et de stationnarité. Si je comprends bien, l'hétéroscédasticité correspond à des variabilités différentes dans les sous-populations et la non-stationnarité est une moyenne / variance changeante au fil du temps. S'il s'agit d'une compréhension correcte (quoique simpliste), la non-stationnarité est-elle simplement un …

9 time-series heteroscedasticity stationarity intuition

2

Comment utilisez-vous le lissage exponentiel simple dans R?

Je suis débutant en R, pourriez-vous expliquer comment utiliser ses dans le package de prévision de la prévision R ? Je voudrais choisir le nombre de périodes initiales et la constante de lissage. d <- c(3,4,41,10,9,86,56,20,18,36,24,59,82,51,31,29,13,7,26,19,20,103,141,145,24,99,40,51,72,58,94,78,11,15,17,53,44,34,12,15,32,14,15,26,75,110,56,43,19,17,33,26,40,42,18,24,69,18,18,25,86,106,104,35,43,12,4,20,16,8) J'ai 70 périodes, je voudrais utiliser 40 périodes pour l'initiale et 30 pour la …

9 r time-series forecasting

1

Comment comparer les événements observés aux événements attendus?

Supposons que j'ai un échantillon de fréquences de 4 événements possibles: Event1 - 5 E2 - 1 E3 - 0 E4 - 12 et j'ai les probabilités attendues que mes événements se produisent: p1 - 0.2 p2 - 0.1 p3 - 0.1 p4 - 0.6 Avec la somme des fréquences …

9 r statistical-significance chi-squared multivariate-analysis exponential joint-distribution statistical-significance self-study standard-deviation probability normal-distribution spss interpretation assumptions cox-model reporting cox-model statistical-significance reliability method-comparison classification boosting ensemble adaboost confidence-interval cross-validation prediction prediction-interval regression machine-learning svm regularization regression sampling survey probit matlab feature-selection information-theory mutual-information time-series forecasting simulation classification boosting ensemble adaboost normal-distribution multivariate-analysis covariance gini clustering text-mining distance-functions information-retrieval similarities regression logistic stata group-differences r anova confidence-interval repeated-measures r logistic lme4-nlme inference fiducial kalman-filter classification discriminant-analysis linear-algebra computing statistical-significance time-series panel-data missing-data uncertainty probability multivariate-analysis r classification spss k-means discriminant-analysis poisson-distribution average r random-forest importance probability conditional-probability distributions standard-deviation time-series machine-learning online forecasting r pca dataset data-visualization bayes distributions mathematical-statistics degrees-of-freedom

3

Quel modèle peut être utilisé lorsque l'hypothèse de variance constante est violée?

Puisque nous ne pouvons pas ajuster le modèle ARIMA lorsque l'hypothèse de variance constante est violée, quel modèle peut être utilisé pour ajuster les séries temporelles univariées?

9 time-series modeling forecasting arima

4

Comment ajuster un modèle pour une série chronologique contenant des valeurs aberrantes

J'ai ajusté le modèle ARIMA (5,1,2) en utilisant la auto.arima()fonction dans R et en regardant l'ordre, nous pouvons dire que ce n'est pas le meilleur modèle à prévoir. Si des valeurs aberrantes existent dans la série de données, quelle est la méthode pour adapter un modèle à ces données?

9 r time-series forecasting outliers arima

2

Bootstrap paramétrique, semi-paramétrique et non paramétrique pour les modèles mixtes

Les greffes suivantes sont extraites de cet article . Je suis novice dans le bootstrap et j'essaie d'implémenter le bootstrap paramétrique, semi-paramétrique et non paramétrique pour le modèle mixte linéaire avec le R bootpackage. Code R Voici mon Rcode: library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + …

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

1

Quel modèle pour un ensemble de données difficile? (des centaines de séries chronologiques avec beaucoup d'imbrication)

J'ai un ensemble de données assez compliqué à analyser, et je ne peux pas trouver une bonne solution pour cela. Voici la chose: 1. les données brutes sont essentiellement des enregistrements de chants d'insectes. Chaque chanson est composée de plusieurs rafales et chaque rafale est constituée de sous-unités. Tous les …

9 time-series mixed-model repeated-measures random-effects-model

Questions marquées «time-series»