Ero Välillä Liikkuvan Keskiarvon Ja Lineaarisen Regression

Mike, asenna ensin R, jos et ole jo tehnyt sitä, suorita R ja asenna TeachingDemos-paketti tarkalleen miten se riippuu järjestelmästäsi, lataa paketti kirjastoon TeachingDemos kirjoittamalla sitten avusta sivun nähdäksesi, kuinka voit suorittaa sen, voit selata Pohja, jossa esimerkki on ja kopioi ja liitä koodi R: n komentoriville nähdäksesi esimerkkejä, sitten ajaa omia tietojasi tutkimalla edelleen Greg Snow Mar 23 12 klo 17 15. Tässä on yksinkertainen mutta yksityiskohtainen vastaus. Lineaarinen Malli sopii suhdetta kaikkien datapisteiden kautta. Tämä malli voi olla ensimmäinen tilaus toinen lineaarisen tai polynomin merkitys kaarevuuden huomioon ottamiseksi tai splineillä huomioon eri alueet, joilla on eri hallintomalli. LOESS sopivuus on paikallisesti liikkuva painotettu regression Joka perustuu alkuperäisiin datapisteisiin. Mitä tämä tarkoittaa. LOESS sopii sisääntuloon alkuperäiset X - ja Y-arvot sekä joukon lähtö-X-arvoja, joille voidaan laskea uusia Y-arvoja, yleensä samat X-arvot käytetään molemmissa mutta usein vähemmän X Arvot ar Käytetään asennetuissa XY-pareissa tarvittavan lisääntyneen laskennan takia. Jokaisen ulostulon X-arvon osalta syötteen datan osaa käytetään sovituksen laskemiseen Tietojen osuus, yleensä 25-100 mutta tyypillisesti 33 tai 50, on paikallinen, Eli se osa alkuperäisestä datasta, joka on lähempänä kullekin tietylle lähdön X-arvolle. Se on liikkuva sovitus, koska jokaisen lähdön X-arvon vaatii alkuperäisen datan eri alijoukko, ja eri painot ovat seuraavassa kappaleessa. Tämä syöttötietopisteiden osajoukko on Jota käytetään painotetun regressiivin suorittamiseen ja pisteitä, jotka ovat lähempänä tuotettua X-arvoa, joka on suurempi paino Tämä regressio on yleensä ensimmäisen kertaluvun toinen tai suurempi järjestys mutta vaatii suurempaa laskentatehoa Tämän painotetun regressiodin Y-arvoa laskettuna lähtöteoksessa X käytetään Kuten mallin s Y-arvo tätä X-arvoa varten. Regressio lasketaan uudestaan ​​jokaiselle X-arvoa tuottaen täyden sarjan lähtö-Y-arvoja. Vastattu Feb 21 15 at 21 08. Ero siirtymästä keskimääräistä aikasarja func Arvo laskee arvon ja sen aikasarjan liukuvan keskiarvon välisen eron. Parametrit ------------------ Data Analysoitavat tiedot Tämä on tyypillisesti datasarjan kenttä tai laskettu arvo Arvo Periodi Sisältää keskimäärin syötettävien tietoelementtien lukumäärän, mukaan lukien nykyinen arvo Esimerkiksi 3 jakso sisältää nykyisen arvon ja kaksi edellistä arvoa. Function Value ------------- ----------- Aikasarjan liukuva keskiarvo lasketaan sovittamalla lineaarinen regressiolinja annettujen jaksojen arvojen yli ja määrittämällä tämän rivin nykyinen arvo. Lineaarinen regressiolinja on suora viiva, joka On mahdollisimman lähellä kaikkia annettuja arvoja. Datasarjan alussa olevaa aikasarjan keskimääräistä liikkumavaraa ei ole määritelty, ennen kuin annetaan riittävästi arvoja tietyn ajan täyttämiseksi. Huomaa, että aikasarjojen liikkuva keskiarvo poikkeaa suuresti muista tyypeistä Liikkuvia keskiarvoja sillä, että nykyinen arvo seuraa viimeaikaista datan kehitystä, ei todellista keskiarvoa Tiedot Tämän vuoksi tämän toiminnon arvo voi olla suurempi tai pienempi kuin kaikki käytettävät arvot, jos datan trendi yleensä kasvaa tai pienenee. Liikkuvan keskiarvon ero on siirrettävä keskiarvo, joka on vähennetty nykyisestä arvosta. Uusi ----------- Siirryttävät keskiarvot ovat hyödyllisiä tasoittaakseen meluisia raakatietoja, kuten päivittäisiä hintoja. Hintatiedot voivat vaihdella suuresti päivästä toiseen, hämmentäenkö hinta nousu tai lasku ajan myötä Tarkastelemalla hintojen liukuvaa keskiarvoa voidaan nähdä yleisempi kuva taustalla olevista suuntauksista. Koska liikkuvia keskiarvoja voidaan käyttää näkemään trendejä, niitä voidaan myös käyttää nähdäksesi, ovatko tiedot kääntäneet trendin. Tämä tekee eron Liikkumaton keskiarvo hyödyllinen korostaa, missä tiedot ovat hajoamassa trendistä. Mitkä ovat suhde ja ero aikasarjojen ja regression välillä. Malleille ja oletuksille on oikein, että regressiomallit olettavat itsenäisyyden diff muunneltavat muuttujat Kun taas aikasarjamalli ei t Mitkä ovat muutamia eroja. On useita lähestymistapoja aikasarjan analyysiin, mutta kaksi tunnetuinta ovat regressiomenetelmä ja Box-Jenkins 1976 tai ARIMA AutoRegressive Integrated Moving Average method Tässä asiakirjassa esitellään regressiomenetelmä, jonka mielestä regressiomenetelmä on huomattavasti parempi kuin ARIMA kolmesta suuresta syystä. En ymmärrä, mitä aikasarjojen regressiomenetelmä on verkkosivustolla ja miten se eroaa Box-Jenkinsistä Tai ARIMA-menetelmä Arvostan, jos joku voi antaa joitakin näkemyksiä näistä kysymyksistä. Kiitos ja tervehdys. Olen todella sitä mieltä, että tämä on hyvä kysymys ja ansaitsee vastauksen Lähetetty linkki on kirjoittanut psykologi, joka väittää, että jotkut kotimassa menetelmä on Parempi tapa tehdä aikasarja-analyysiä kuin Box-Jenkins Toivon, että vastaukseni yrittää kannustaa muita, jotka ovat ajan tasalla tuntemattomia, osallistumaan. Oduction, näyttää siltä, ​​että Darlington puolustaa lähestymistapaa, jonka mukaan vain AR-mallin asentaminen vähiten neliöille. Jos haluat asentaa mallin zt alpha1 z cdots alphak z varepsilont - ohjelmaan zt-aikasarjaan, voit vain regressoida sarjan zt Sarjassa, jossa on viive 1, viive 2 ja niin edelleen viivästykseen k käyttäen tavallista moninkertaista regressiota Tämä on varmasti sallittua R: ssä, se on jopa vaihtoehto ar-toiminnossa, jonka testasin sen, ja se pyrkii antamaan samanlaisia Vastaa AR-mallin oletusmene - telmään R: ssä. Se myös kannattaa regressiivistää zt: ää, kuten t tai t voimia, etsiä trendit uudelleen Tämä on aivan hienoa Useita aikasarjakirjoista keskustellaan tästä, esimerkiksi Shumway-Stofferista ja Cowpertwaitista - Metcalfe Tyypillisesti aikasarja-analyysi voi edetä seuraavien viivojen avulla, kun havaitset trendin, poista se ja sovita malli jäljelle jääviin. Mutta näyttää siltä, ​​että hän myös puolustaa liian sovitettua ja sitten vähentää keskiarvoa, Neliövirhe asetetun sarjan ja d: n välillä Ne osoittavat, että hänen menetelmänsä on parempi Esimerkiksi. Olen sitä mieltä, että korrelaatiot ovat vanhentuneita. Heidän ensisijainen tarkoitus oli antaa työntekijöille mahdollisuus arvata, mitkä mallit sopivat parhaiten datan, mutta nykyaikaisten tietokoneiden nopeus ainakin regressiossa, ellei aikasarjassa Mallin sovittaminen mahdollistaa työntekijän yksinkertaisen sovituksen useisiin malleihin ja tarkalleen kuinka kukin sopii mitattuna keskimääräisellä neliövirheellä. Salkun pääomituksen ongelma ei ole merkityksellinen tässä valinnassa, koska molemmat menetelmät ovat yhtä alttiita tästä ongelmasta. Tämä on Ei ole hyvä idea, koska mallin testin pitäisi olla kuinka hyvin se voi ennustaa, ei kuinka hyvin se sopii olemassa oleviin tietoihin Kolmessa esimerkissäan hän käyttää korjattua juuri keskiarvo-neliövirheä hänen kriteerinsä laadun sovittamiseksi Tietenkin yli sovitettu malli tulee tekemään virheen näytteen virheen pienemmäksi, joten hänen väitteensä, jonka mukaan hänen mallinsa ovat parempia, koska heillä on pienempi RMSE, on väärä. Pähkinänkuoressa, koska hän käyttää väärää kriteeriäKuinka hyvä malli on, hän päätyy vääriin johtopäätöksiin regressiota vastaan ​​ARIMA: n vetoa siitä, että jos hän olisi testannut mallien ennustavan kyvyn, ARIMA olisi tullut esille. Ehkä joku voi kokeilla sitä, jos heillä on pääsy Hän mainitsee tässä. Lisätarvikkeita enemmän regressioideasta saatat haluta tarkistaa aikaisempia aikasarjoja sisältäviä kirjoja, jotka on kirjoitettu ennen kuin ARIMA on tullut suosituin Esimerkiksi Kendall, Time Series 1973, luku 11 sisältää tämän luvun koko luvun ja vertailut ARIMA . Sikäli kuin voin kertoa, että kirjailija ei ole koskaan kuvannut kotimuotomenetelmää vertaisarvioidussa julkaisussa ja viittaukset tilastolliseen kirjallisuuteen ja siitä tulevat viittaavat minimaalisiin ja hänen metodologisiin aiheisiin liittyvät tärkeimmät julkaisut ovat peräisin 70-luvulta. Tarkkaan ottaen yksikään tästä Todistaa kaiken, mutta ilman tarpeeksi aikaa tai asiantuntemusta arvioida vaatimuksia itse, olisin erittäin haluton käyttää mitään Gala heinäkuu 18 13 klo 11 31.