الانتقال المتوسط ، غير ثابتة

أنا لا أعرف ما يعني غير محدود البيانات محدودة. لذا سأفترض أنك تعني بيانات غير ثابتة. أساليب التمهيد الأسي بما في ذلك أساليب هولت الشتاء مناسبة ل (بعض أنواع) البيانات غير ثابتة. في الواقع، فهي فقط مناسبة حقا إذا كانت البيانات غير ثابتة. استخدام طريقة تمهيد الأسي على البيانات الثابتة ليست خاطئة ولكن دون المستوى الأمثل. إذا كنت عن طريق تحريك المتوسطات، فإنك تعني التنبؤ باستخدام متوسط ​​متحرك للملاحظات الأخيرة، ثم هذا هو أيضا موافق لبعض أنواع البيانات غير ثابتة. ولكن من الواضح أنها لن تعمل بشكل جيد مع الاتجاهات أو الموسمية. إذا كنت عن طريق تحريك المتوسطات، فإنك تقصد نموذج متوسط ​​متحرك (أي نموذج يتكون من تركيبة خطية من مصطلحات الخطأ السابقة)، فإنك تحتاج إلى سلسلة زمنية ثابتة. يشير ستاتيوناريتي إلى التوحيد في خصائص البيانات. إذا كنت تعرف أن البيانات غير ثابتة، فهذا يعني أن الخصائص المفيدة للبيانات لا يمكن افتراض أنها هي نفسها للمسلسل بأكمله. في ظل هذا الافتراض، لماذا تريد تطبيق نفس الفلتر أو النموذج على السلسلة بأكملها اقتراحي هو البحث عن الخصائص التي تبقى نفسها لتمتد البيانات ومن ثم التغييرات ولكن يبقى مرة أخرى نفسه لتمتد آخر. ثم ابحث عن معايير للانتقال بين اثنين من نطاقات مختلفة من البيانات. بدلا من ذلك، ابحث عن سلسلة ثابتة محليا. أيضا إذا تمهيد هو ما تريد، ثم أود أن أقترح بعض أساليب التمهيد غير المعلمية مثل تجانس النواة. تحرير بعد التعليق الأول: إذا كنت تعرف شكل دقيق من عدم استقرارية، أو يمكن تقريب شكل وظيفي لسلسلة، ثم استخدام خصائص النموذج للتنبؤ الخاص بك. أجاب نوف 20 13 في 13:42 هذه الإجابة مضللة للغاية. هناك سلسلة غير ثابتة يمكن التنبؤ بها جدا، لأن سبب عدم الترابط قد يأتي من الجزء الحتمي. ما يهم هو قوة المكون الحاسم لقوة المكون العشوائي في العموم. على سبيل المثال يت e غوسيان خطأ يمكن تصفيتها بسهولة جدا على الرغم من أن سلسلة تنفجر وغير ثابتة بأي تعريف. نداش كاغداس أوزغينك نوف 20 13 في 14:00 إجابتك 2017 ستاك إكسهانج، Inc8.4 نماذج المتوسط ​​المتحرك بدلا من استخدام القيم السابقة للمتغير المتوقع في الانحدار، يستخدم نموذج المتوسط ​​المتحرك أخطاء التنبؤ السابقة في نموذج تشبه الانحدار. y c ثيت e ثيتا e دوتس ثيتا e، وير إت إس وايت نويز. ونشير إلى هذا على أنه نموذج ما (q). بالطبع، نحن لا نلاحظ قيم إت، لذلك فإنه ليس حقا الانحدار بالمعنى المعتاد. لاحظ أن كل قيمة يت يمكن اعتبارها كمتوسط ​​متحرك مرجح لأخطاء التنبؤ القليلة الماضية. ومع ذلك، ينبغي عدم الخلط بين متوسطات النماذج المتحركة مع تمهيد المتوسط ​​المتحرك الذي ناقشنااه في الفصل 6. ويستخدم نموذج المتوسط ​​المتحرك للتنبؤ بالقيم المستقبلية في حين يستخدم متوسط ​​التحريك المتوسط ​​لتقدير دورة اتجاه القيم السابقة. الشكل 8.6: مثالان للبيانات المستمدة من النماذج المتوسطة المتحركة بمعلمات مختلفة. يسار: ما (1) مع y t 20e t 0.8e t-1. رايت: ما (2) مع y t t - e t-1 0.8e t-2. وفي كلتا الحالتين، يوزع e t عادة الضوضاء البيضاء مع متوسط ​​الصفر والتباين الأول. ويبين الشكل 8.6 بعض البيانات من نموذج ما (1) ونموذج ما (2). تغيير المعلمات theta1، النقاط، نتائج ثيتاق في أنماط سلسلة زمنية مختلفة. كما هو الحال مع نماذج الانحدار الذاتي، والتباين من مصطلح الخطأ وسوف تغير فقط حجم السلسلة، وليس الأنماط. ومن الممكن كتابة أي نموذج أر (p) ثابتة كنموذج ما (إنفتي). على سبيل المثال، باستخدام الاستبدال المتكرر، يمكننا أن نبرهن على ذلك لنموذج أر (1): يبدأ يت أمب phi1y و أمب phi1 (phi1y e) و أمب phi12y phi1 e و أمب phi13y phi12e phi1 e و أمبتكست إند المقدم -1 لوت phi1 لوت 1، فإن قيمة phi1k الحصول على أصغر كما يحصل ك أكبر. حتى في نهاية المطاف نحصل على إيت و phi1 ه phi12 ه phi13 e كدوتس، وهو ما (إنفتي) العملية. النتيجة العكسية تحمل إذا فرضنا بعض القيود على المعلمات ما. ثم يسمى نموذج ما عكسية. وهذا هو، أننا يمكن أن يكتب أي ماه (q) عملية لا يمكن عكسها باعتبارها أر (إنفتي) العملية. نماذج لا تقلب ليست ببساطة لتمكيننا من تحويل نماذج ما إلى نماذج أر. لديهم أيضا بعض الخصائص الرياضية التي تجعلها أسهل للاستخدام في الممارسة العملية. إن قيود العوائق مماثلة لقيود المحطات. للحصول على نموذج ما (1): -1lttheta1lt1. للحصول على نموذج ما (2): -1lttheta2lt1، theta2theta1 غ-1، theta1 - theta2 لوت 1. ظروف أكثر تعقيدا عقد ل qge3. مرة أخرى، R سوف تأخذ الرعاية من هذه القيود عند تقدير النماذج. أنا أبحث عن - أو محاولة لإنشاء - مرشح مع قطعة الحكيمة روتينية المشتقة الثانية في مثل هذه الطريقة التي عندما وضعت على إشارة إدخال غير دورية، والتغييرات في علامة على مشتق الثاني يحدث في أقرب وقت ممكن و مونوتونيسيتي قطعة الحكيمة من المشتقة الثانية (حتى أيضا من المشتقة الأولى والمرشح نفسه) يتم الاحتفاظ سليمة في كل وقت. اسمحوا لي أن أشرح: لدي إشارة غير دورية ثابتة. على هذه الإشارة، أحسب المتوسط ​​المتحرك الثلاثي المرجح (سوما): يبدو متجه الاستجابة النبضية مثل الجزء الموجب من الجيبية، وأوزان المتوسط ​​المتحرك تضيف ما يصل إلى 1. في مرشح فير، أعتقد أن تمرير منخفض منقي. ما أحبه في هذا المرشح هو أن تغيراته في علامة مشتقه الثاني (نقطة الانحناء) تتزامن تقريبا مع الإكتمال المحلي لإشارتي (مثل التحول من محدب إلى مقعر): إذا كنت وضعت خطا على ذلك، فإن الخطوط فإن النقاط الثابتة تتزامن تقريبا مع هذه النقاط الثانية لتحويل الإشارات المشتقة أو نقاط الانحناء للمرشح. أنا أحاول أن أتوقع الشرائح المحدثة باستخدام مشتق 1 و 2 من المرشح: إذا كان سوما آخذ في الانخفاض والمشتق الثاني هو أيضا سلبية، وأنا انتظر المشتق الثاني لتحويل إيجابية، وهذا هو حيث بلدي التنبؤ يتحول إيجابية للإشارة ، ثم في وقت لاحق، عندما سوما هو صعودا، وأنا انتظر تباطؤ: للمشتقة الثانية من سوما للذهاب من الإيجابية إلى السلبية: وهذا هو عندما بلدي التنبؤ يتحول السلبية للإشارة. وهو نظام السببية في الوقت الحقيقي. هذا الفلتر (سوما) له تأخر، ولكن لأن مشتقاته الثانية هي إما ترتفع لفترة من الوقت، أو النزول لبعض الوقت (قطعة الحكيمة روتينية) يمكنني استخدام نقاط الانحناء: ننظر إلى تغيير في علامة على مشتق الثاني، بدلا من مجرد النظر في المنحدر. المسألة مع بلدي سوما هو أن مشتقاته الثانية ليست بالضبط رتيبة قطعة الحكيمة: ثيريس قليلا من الضوضاء حول نقاط التحول. بدلا من تصفية هذه المشتقة الثانية مع مرشح تمريرة منخفضة، هل تعرف أي مرشحات أخرى أن يسجل أفضل على هذه الخاصية أو كيف يمكنك بناء فلتر مع السلوك المطلوب نلقي نظرة على هذه الصورة. والخط الأرجواني في اللوحة العلوية هو خط التمهيد، والخط الرمادي الرفيع هو إشارةي، والخط الأصفر هو متوسط ​​متحرك مرجح الجيب (طول الإطار 14). الدوائر الحمراء على الخط الأصفر هي حيث يبدأ الزخم في الإبطاء: إذا كان الفلتر آخذ في الارتفاع، ثم تلك حيث يتوقف التسارع ويبدأ الارتفاع في الإبطاء، إذا كان الفلتر آخذ في التناقص، الدائرة الحمراء هي حيث تسارع الانخفاض توقف ويبدأ الانخفاض للذهاب أبطأ. ترى أن هذه النقاط تتزامن مع نقاط التحول من سبلينينغ سبلين. الآن هذا هو مثال اختارهم، مما يدل على السلوك المثالي لما أريد تحقيقه. في الواقع، والانتقال بين الزخم المتزايد وقسم الزخم المتناقص من المرشح ليست مفاجئة جدا: هو صاخبة. إذا نظرت إلى الجيبية مع 2pi الفترة، وهذه التحولات أيضا أن تكون صارمة جدا (في pi4، 3pi4، 5pi4 و 7pi4). هل هناك مرشح السببية التي لديها أيضا هذه الخاصية شكرا لك على أي ردود فعل. سأل 9 أكتوبر 13 في 22:21