Tengo una serie temporal binaria con 1 cuando el automóvil no se mueve y 0 cuando el automóvil se mueve. Quiero hacer un pronóstico para un horizonte temporal de hasta 36 horas por adelantado y para cada hora. Mi primer enfoque fue utilizar un Bayes Naive usando las siguientes entradas: t-24...
Si tenemos una serie de tiempo larga y de alta resolución, con mucho ruido, a menudo tiene sentido agregar los datos a una resolución más baja (digamos, valores diarios a mensuales) para obtener una mejor comprensión de lo que está sucediendo, eliminando efectivamente algunos de el ruido. He visto...
Tengo una serie diaria bastante predecible con estacionalidad semanal. Puedo hacer predicciones que parecen ser bastante precisas (confirmadas por validación cruzada) cuando no hay vacaciones. Sin embargo, cuando hay vacaciones, tengo los siguientes problemas: En mi pronóstico obtengo números...
¿Se pueden convertir todas las series temporales no estacionarias en series temporales estacionarias mediante la aplicación de diferenciación? Además, ¿cómo decide el orden de la diferencia que se aplicará? ¿Simplemente diferencia con los intervalos 1,2 ... ny realiza la prueba de raíz unitaria de...
Estoy ejecutando la siguiente prueba de raíz unitaria (Dickey-Fuller) en una serie de tiempo usando la ur.df()función en el urcapaquete. El comando es: summary(ur.df(d.Aus, type = "drift", 6)) El resultado es: ############################################### # Augmented Dickey-Fuller Test Unit...
Imagine que tenemos dos procesos de series temporales, que son estacionarios, produciendo: .xt,ytxt,ytx_t,y_t ¿Es , también estacionario?zt=αxt+βytzt=αxt+βytz_t=\alpha x_t +\beta y_t∀α,β∈R∀α,β∈R\forall \alpha, \beta \in \mathbb{R} Cualquier ayuda sería apreciada. Yo diría que sí, ya que tiene...
Considere el siguiente gráfico: La línea roja (eje izquierdo) describe el volumen de negociación de una determinada acción. La línea azul (eje derecho) describe el volumen del mensaje de Twitter para ese stock. Por ejemplo, el 9 de mayo (05-09) se realizaron 1.100 millones de intercambios y...
Dadas las siguientes dos series de tiempo ( x , y ; ver más abajo), ¿cuál es el mejor método para modelar la relación entre las tendencias a largo plazo en estos datos? Ambas series de tiempo tienen pruebas significativas de Durbin-Watson cuando se modelan en función del tiempo y ninguna de las...
Nota: esta pregunta es una nueva publicación, ya que mi pregunta anterior tuvo que ser eliminada por razones legales. Al comparar PROC MIXED de SAS con la función lmedel nlmepaquete en R, me topé con algunas diferencias bastante confusas. Más específicamente, los grados de libertad en las...
¿Qué relación y diferencia hay entre series de tiempo y regresión? Para modelos y supuestos , ¿es correcto que los modelos de regresión asuman independencia entre las variables de salida para diferentes valores de la variable de entrada, mientras que el modelo de serie temporal no lo hace? ¿Cuáles...
¿Es mejor diferenciar una serie (suponiendo que la necesite) antes de usar un Arima O mejor usar el parámetro d dentro de Arima? Me sorprendió cuán diferentes son los valores ajustados dependiendo de qué ruta se tome con el mismo modelo y datos. ¿O estoy haciendo algo
Tengo una pregunta / confusión sobre las series estacionarias requeridas para modelar con ARIMA (X). Estoy pensando en esto más en términos de inferencia (efecto de una intervención), pero me gustaría saber si el pronóstico versus la inferencia hace alguna diferencia en la
¿Por qué el análisis de series temporales no se considera un algoritmo de aprendizaje automático (a diferencia de la regresión lineal)? Tanto la regresión como el análisis de series temporales son métodos de pronóstico. Entonces, ¿por qué uno de ellos se considera un algoritmo de aprendizaje pero...
Tengo un conjunto de datos de series temporales en el que estoy tratando de ajustar un Modelo de Markov Oculto (HMM) para estimar el número de estados latentes en los datos. Mi pseudo código para hacer esto es el siguiente: for( i in 2 : max_number_of_states ){ ... calculate HMM with i states...
Estoy tratando de detectar valores anómalos en una serie temporal de datos climáticos con algunas observaciones faltantes. Al buscar en la web encontré muchos enfoques disponibles. De ellos, la descomposición stl parece atractiva, en el sentido de eliminar la tendencia y los componentes...
Usé stl () en R para descomponer los datos de conteo en componentes de tendencia, estacionales e irregulares. Los valores de tendencia resultantes ya no son enteros. Tengo las siguientes preguntas: ¿Es stl () una forma adecuada de desestacionalizar los datos de conteo? Dado que la tendencia...
Me preguntaba cómo se define su "proceso estacionario de segundo orden" en la Introducción a las series de tiempo y pronósticos de Brockwell y Davis : La clase de modelos de series temporales lineales, que incluye la clase de modelos de media móvil autorregresiva (ARMA), proporciona un marco...
Tengo un conjunto de datos que está aumentando claramente a medida que pasa el tiempo (tipo de cambio de una moneda, datos mensuales durante 20 años), mi pregunta es: ¿puedo eliminar la tendencia de los datos y luego diferenciarlos también para hacerlos estacionarios, si la tendencia en sí misma no...
A menudo veo que los autores estiman un modelo de "diferencia logarítmica", p. Ej. log(yt)−log(yt−1)=log(yt/yt−1)=α+βxtlog(yt)−log(yt−1)=log(yt/yt−1)=α+βxt\log (y_t)-\log(y_{t-1}) = \log(y_t/y_{t-1}) = \alpha + \beta x_t Estoy de acuerdo en que esto es apropiado para relacionar con un cambio...
La idea detrás de Recurrent Neural Network (RNN) es clara para mí. Lo entiendo de la siguiente manera: tenemos una secuencia de observaciones ( ) (o, en otras palabras, series de tiempo multivariadas). Cada observación individual es un vector numérico dimensional. Dentro del modelo RNN suponemos...