autoregressive-models

4熱

1答えて

ここでは、（ログ変換を行った後の）初期データのプロットを示します。直線的な傾向と季節的な傾向の両方があることは明らかです。私は第1と第12の（季節的な）違いを取ることによってこれらの両方に取り組むことができます：diff（diff（data）、12）。その後、結果データのプロットがあります。です。このデータは素晴らしいとは限りません。平均値は一定ですが、時間の経過と共にファンネル効果が見られ

1熱

2答えて

statsmodels select_order関数がARモデルのparamsと異なるのはなぜですか？

import pandas as pd import numpy as np import statsmodels.tsa.api as smt import pandas_datareader.data as web start = '2007-01-01' end = '2015-01-01' get_px = lambda x: web.DataReader(x, 'yahoo

1熱

1答えて

インパルス応答関数（IRF）のgrid.arrange + ggplot2

私はGGplot2 + grid.arrangeを使ったImpulse-Response関数プロット（Vector AutoRegressive Modelから）で作業しています。下に私はあなたに私の実際のプロットとvarsパッケージから元のものを与える。少なくとも両方のプロットを近くに配置するとよいでしょう。あなたはplot(irf(my_var)) 呼び出すときに、実際の出力は、[スタイ

1熱

1答えて

AR（1）モデルの結果のt-統計値はどのようにして得ることができますか？R

時系列データがあり、データを使ってAR（1）モデルを実行しました。私がしたいことは、政策介入の重要性をテストすることです。したがって、私のTSデータは、10年間の治療効果（1984〜1994年）と推定されています。 Rからの私の結果は次のようになります。 >Call: arima(x = data, order = c(1, 0, 0)) Coefficients: ar1 in

0熱

1答えて

季節のARIMAモデルをRに入れるには

シーズンは24時間ごとですが、季節のARIMAモデルに合わせたいと思います。しかし、24時間の季節をRに含めるにはどうすればよいですか？ arima(y, order=c(0,0,2), seasonal=c(0,0,5), method = "ML") しかし、私は正しいだ場合には、ARIMA（0,0,2）（0,0,5）_12モデルですので、私は助けを得ることを望む：これまでのところ、私は次の

0熱

1答えて

時系列チャートの解釈

私はPythonを使って時系列解析を行っていました。私は次のパターンを観察します。 ACFは遅れ12で切り捨てられ、PACFは尾を引くので、これは私がこのシリーズにMA（12）を適合させることを意味するのでしょうか？さて、私は実際にカーブにMA（12）を装着し、私は取得しています次：ほとんどの係数が実際に重要ではありません。私はこれらのナンがどのように出てくるのかよく分かりません。

1熱

1答えて

自己回帰（AR）モデルのモデル次数を推定する

MATLABの関数を使用して、サンプリング周波数1000 Hzの離散時間信号700 msのパワースペクトル密度推定値（PSD）を計算しようとしています。この関数は、PSD推定値を生成するために使用される自己回帰モデルのモデル次数を必要とします。フィットの正確さを予測するには、このモデルの順序をどのように推定できますか。 AIC、BIC、GICのような基準はほとんどないことがわかりましたが、これは

0熱

1答えて

時系列の動的負の二項回帰

私はカウントデータを持っており、データには自己相関と過分散の問題があるため、動的負の二項回帰を使用して時系列解析を行う必要があります。私は使用できるRパッケージをオンラインで検索しましたが、見つけられませんでした。私は助けていただきありがとうございます。私のデータの例： >St1 [1] 17 9 28 7 23 16 17 12 11 16 19 29 5 40 13 27 13 11

0熱

1答えて

Arima（）で静止シリーズを予測する

私は予測練習に取り組んでいます。好ましいモデルは3つの外生変数（Forestalling.1、Forestalling.2、Break）があるARIMA（0,0,1）（0,1,1）4です。私の従属変数はPmeanであり、平均住宅価格であり、外生変数は、法律および財産危機の変化を示すダミー変数である（これらの変数は、以下の値0,1、-1である）。私の最初のアプローチは、オリジナルを差し引いてAri

0熱

1答えて

制限付きR - AICのvarsパッケージ

私はvarsパッケージのカナダデータにベクトル自己回帰モデルを適合させ、t値1.64に基づいて制限しました。 library(vars) data("Canada") var.can1 <- VAR(Canada, p = 2, type = "none") summary(var.can1) VAR Estimation Results: =====================