Perguntas com a marcação «time-series»

Em um aplicativo de mineração de texto, uma abordagem simples é usar a heurística para criar vetores como representações esparsas compactas dos documentos. Isso é bom para a configuração do lote, onde o corpus inteiro é conhecido a priori, pois o i d f requer o corpus inteirotf−idftf−idftf-idfidfidfidf idf(t)=log|D||{d:t∈d}|idf(t)=log⁡|D||{d:t∈d}| \mathrm{idf}(t) …

11 time-series  text-mining 

Dada uma série temporal, pode-se estimar a função de autocorrelação e plotá-la, por exemplo, como mostrado abaixo: O que é então possível ler sobre as séries temporais, dessa função de autocorrelação? É possível, por exemplo, raciocinar sobre a estacionariedade das séries temporais? Editado : Aqui incluí o ACF da série …

11 time-series  autocorrelation 

Eu tenho um modelo estocástico usado para simular séries temporais de algum processo. Estou interessado no efeito de alterar um parâmetro para um valor específico e quero mostrar a diferença entre as séries temporais (por exemplo, modelo A e modelo B) e algum tipo de intervalo de confiança baseado em …

11 time-series  predictive-models  markov-process 

Eu tenho o número total de chamadas recebidas a cada semana e as plotei em um gráfico, com quase três anos. Pelo visto, parece que houve uma queda maciça no Natal, que parece não ter se recuperado, parece que houve uma mudança radical nos pedidos. Existe um teste que eu …

11 time-series  statistical-significance  change-point 

Estou trabalhando com um processo de dois estados com xtxtx_t em { 1 , - 1 }{1,−1}\{1, -1\} para t = 1 , 2 , …t=1,2,…t = 1, 2, \ldots A função de autocorrelação é indicativa de um processo com memória longa, ou seja, exibe um decaimento da lei de …

11 time-series  predictive-models  autocorrelation 

Me deparei com uma imagem de um protótipo de aplicativo que encontra alterações significativas ("tendências" - não picos / outliers) nos dados de tráfego: Quero escrever um programa (Java, opcionalmente R) capaz de fazer o mesmo - mas como minhas habilidades estatísticas estão um pouco enferrujadas, preciso aprofundar-me neste tópico …

11 time-series  change-point 

Eu gostaria de fazer uma análise de intervenção para quantificar os resultados de uma decisão política sobre as vendas de álcool ao longo do tempo. No entanto, sou bastante novo na análise de séries temporais, por isso tenho algumas perguntas para iniciantes. Um exame da literatura revela que outros pesquisadores …

11 time-series  multivariate-analysis  arima  intervention-analysis 

Então, o que eu li sobre o profeta do Facebook é que basicamente divide a série temporal em tendência e sazonalidade. Por exemplo, um modelo aditivo seria escrito como: 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 

Qual é a melhor maneira de dividir dados de séries temporais em conjuntos de trem / teste / validação, onde o conjunto de validação seria usado para o ajuste de hiperparâmetros? Temos três anos de dados de vendas diárias e nosso plano é usar 2015-2016 como dados de treinamento e, …

11 time-series  cross-validation  validation 

O mgcvpacote para Rpossui duas funções para ajustar as interações do produto tensorial: te()e ti(). Entendo a divisão básica do trabalho entre os dois (ajustando uma interação não linear versus decompondo essa interação em efeitos principais e uma interação). O que não entendo é o porquê te(x1, x2)e ti(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 

A ideia por trás da Rede Neural Recorrente (RNN) é clara para mim. Entendo da seguinte maneira: Temos uma sequência de observações ( ) (ou, em outras palavras, séries temporais multivariadas). Cada observação única é um vetor numérico dimensional. No modelo RNN, assumimos que a próxima observação é uma função …

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

Plotamos o seguinte código com a função stl (Decomposição Sazonal de Séries Temporais de Loess): plot(stl(ts(rnorm(144), frequency=12), s.window="periodic")) Ele mostra uma variação sazonal significativa com dados aleatórios inseridos no código acima (função rnorm). Variação significativa é vista toda vez que é executada, embora o padrão seja diferente. Dois desses padrões …

11 time-series  seasonality  loess 

Enquanto trabalhamos com séries temporais, às vezes detectamos e removemos a sazonalidade usando análise espectral. Sou realmente um iniciante em séries temporais e estou confuso por que alguém gostaria de remover a sazonalidade da série cronológica original? A remoção da sazonalidade não distorce os dados originais? Quais são os benefícios …

11 time-series  seasonality 

Um processo é estritamente estacionário se a distribuição conjunta de X t 1 , X t 2 , . . . , X t m é a mesma que a distribuição conjunta de X t 1 + k , X t 2 + K , . . . , X …

11 time-series  autocorrelation  stochastic-processes  stationarity 

Dada uma série (observada) com , existe um teste estatístico para testar a hipótese nula de que (ou seja, a propriedade 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