Wat is verhouding en verskil tussen tydreekse en regressie vir modelle en aannames. is dit korrek dat die regressiemodelle aanvaar onafhanklikheid tussen die uitset veranderlikes vir verskillende waardes van die insette veranderlike, terwyl die tydreeksmodel nie die geval Wat is 'n paar ander verskille Daar is 'n aantal benaderings tot tydreeksanalise, maar die twee bekendste is die regressie metode en die Box-Jenkins (1976) of metode ARIMA (outoregressiewe geïntegreerde bewegende gemiddelde). Hierdie dokument stel die regressie metode. Ek kyk na die regressie metode baie beter as ARIMA vir drie hoofredes Ek dont nogal verstaan wat die regressie metode vir tydreekse is op die webwerf, en hoe dit verskil van die Box-Jenkins of ARIMA metode. Ek waardeer as iemand 'n paar insigte oor dié vrae kan gee. Dankie en groete Ek dink regtig dit is 'n goeie vraag en 'n antwoord verdien. Die skakel is geskryf deur 'n sielkundige wat beweer dat 'n huis-brou metode is 'n beter manier om dit te doen tydreeksanalise as Box-Jenkins. Ek hoop dat my poging om 'n antwoord andere wat meer ingelig oor tydreekse, sal aanmoedig om by te dra. Van sy bekendstelling, dit lyk soos Darlington is voorspraak die benadering van net pas 'n AR model deur kleinste-kwadrate. Dit is, as jy wil hê dat die model ZT alfa1 Z cdots alphak Z varepsilont om die tydreeks ZT pas, kan jy net agteruitgang die reeks ZT op die reeks met lag 1, lag 2, en so aan tot k lag, met behulp van 'n gewone meervoudige regressie. Dit is beslis toegelaat in R, sy selfs 'n opsie in die ar funksie. Ek het dit getoets het, en dit is geneig om soortgelyke antwoorde op die standaard metode gee vir pas 'n AR-model in R. Hy het ook advokate agteruit ZT op dinge soos t of magte van t om tendense te vind. Weereens, dit is absoluut fyn. Baie van die tyd reeks boeke bespreek dit, byvoorbeeld Shumway-Stoffer en Cowpertwait-Metcalfe. Tipies, kan 'n tydreeksanalise voortgaan met die volgende strekking: jy 'n tendens, verwyder dit, dan pas 'n model om die residue. Maar dit lyk asof hy ook gepleit vir oor-pas en dan met behulp van die afname in die gemiddelde-kwadraat fout tussen die toegeruste reeks en die data as 'n bewys dat sy metode is beter. Byvoorbeeld: Ek voel correlograms is nou verouderende. Hul hoofdoel was om werkers te raai wat modelle die data die beste sal pas, maar die spoed van die moderne rekenaars (ten minste in regressie indien nie betyds-reeks model-pas) kan 'n werker om bloot te pas verskeie modelle en sien presies hoe elkeen pas soos gemeet deur die gemiddelde kwadraat fout. Die kwessie van die kapitalisasie op kans is nie om hierdie keuse relevant, aangesien die twee metodes is ewe vatbaar vir hierdie probleem. Dit is nie 'n goeie idee, want die toets van 'n model is veronderstel om te wees hoe goed dit kan voorspel, nie hoe goed dit pas by die bestaande data. In sy drie voorbeelde, gebruik hy aangepaste wortel gemiddelde-kwadraat fout as sy maatstaf vir die gehalte van die pas. Natuurlik, oor-pas 'n model gaan 'n in-monster skatting van die fout kleiner te maak, sodat sy eis dat sy modelle is beter want hulle het kleiner RMSE is verkeerd. In 'n neutedop, want hy is die gebruik van die verkeerde maatstaf vir die beoordeling van hoe goed 'n model is, bereik hy die verkeerde gevolgtrekkings oor regressie teen ARIMA. ID weddenskap dat as hy die voorspellende vermoë van die modelle in plaas getoets het, ARIMA sou bo uit te kom. Miskien kan iemand dit probeer as hulle toegang tot die boeke wat hy noem hier. Laerskool: Vir meer inligting oor die agteruitgang idee, wil jy dalk om te kyk na ouer tydreekse boeke wat geskryf is voordat ARIMA is die gewildste. Byvoorbeeld, Kendall, tydreekse. 1973, Hoofstuk 11 het 'n hele hoofstuk oor hierdie metode en vergelykings om ARIMA. Sover ek kan sê die skrywer nooit sy huis bier metode beskryf in 'n portuurbeoordeelde publikasie en verwysings na en van die statistiese literatuur verskyn minimaal en sy belangrikste publikasies oor metodologiese onderwerpe dateer terug na die 70s. Streng gesproke, nie een van hierdie bewys niks, maar sonder genoeg tyd of kundigheid die eise myself te evalueer, sou ek baie huiwerig om enige gebruik daarvan wees. â € Gala 18 Julie 13 op 11: 31What is die verskil tussen 'n eenvoudige bewegende gemiddelde en 'n eksponensiële bewegende gemiddelde Die enigste verskil tussen hierdie twee tipes bewegende gemiddelde is die sensitiwiteit elkeen toon veranderinge in die gebruik in die berekening data. Meer spesifiek, die eksponensiële bewegende gemiddelde (EMA) gee 'n hoër gewig onlangse pryse as die eenvoudige bewegende gemiddelde (SMA) doen, terwyl die SMA ken gelyke gewig te alle waardes. Die twee gemiddeldes is soortgelyk, want hulle geïnterpreteer word op dieselfde wyse en is beide algemeen gebruik word deur tegniese handelaars uit te stryk prysskommelings. Die SMA is die mees algemene vorm van die gemiddelde gebruik word deur tegniese ontleders en dit word bereken deur die som van 'n stel van pryse te deel deur die totale aantal pryse wat in die reeks. Byvoorbeeld, kan 'n sewe-tydperk bewegende gemiddelde word bereken deur bymekaar te tel die volgende sewe pryse en dan die resultaat te deel deur sewe (die resultaat is ook bekend as 'n rekenkundige gemiddelde gemiddelde). Voorbeeld Gegewe die volgende reeks van pryse: 10, 11, 12, 16, 17, 19, sal 20 Die SMA berekening soos volg lyk: 10111216171920 105 7-tydperk SMA 105/7 15 Sedert EMA plek 'n hoër gewig op onlangse data as op ouer data, hulle is meer reaktief om die nuutste prysveranderings as SMAs is, wat die resultate van EMA meer tydige maak en verduidelik waarom die EMO is die voorkeur-gemiddelde onder baie handelaars. Soos jy kan sien uit die onderstaande grafiek, kan handelaars met 'n kort termyn perspektief nie omgee wat die gemiddelde gebruik, aangesien die verskil tussen die twee gemiddeldes is gewoonlik 'n kwessie van blote sent. Aan die ander kant, moet handelaars met 'n langer termyn perspektief meer aandag gee aan die gemiddelde hulle gebruik omdat die waardes kan wissel deur 'n paar dollar, wat genoeg van 'n prysverskil om uiteindelik bewys invloedryke op besef opbrengste - veral wanneer jy handel 'n groot hoeveelheid vee. Soos met al die tegniese aanwysers. daar is niemand tipe gemiddelde dat 'n handelaar kan gebruik om sukses te waarborg, maar met behulp van trial and error kan jy ongetwyfeld jou comfort vlak met alle vorme van aanwysers en, as gevolg daarvan te verbeter, verhoog jou kans gee wysheid handel besluite. Vir meer inligting oor bewegende gemiddeldes, sien Basics van die beweging Gemiddeldes en basiese beginsels van Geweegde Moving Gemiddeldes. mike, eerste installeer R (as jy dit nog nie gedoen), hardloop R en installeer die TeachingDemos pakket (presies hoe hang af van jou stelsel), laai die pakket met biblioteek (TeachingDemos) tik loess. demo te bring die hulp bladsy om te sien hoe om dit uit te voer, moet jy aan die onderkant waar die voorbeeld is kan blaai en kopieer en plak dit-kode vir R39s command line die voorbeelde te sien, dan hardloop met jou eie data om verder te verken. uitvoering maak Greg Snow 23 Maart 12 by 17:15 Hier is 'n eenvoudige, maar gedetailleerde reaksie. 'N Lineêre model pas 'n verhouding deur al die datapunte. Hierdie model kan eerste orde ( 'n ander betekenis van lineêre) of polinoom om verantwoording te doen kurwe wees, of met latfunksies om verantwoording te doen verskillende streke met 'n ander beheerliggaam model. A loess fiks is 'n plaaslik beweeg geweegde regressie gebaseer op die oorspronklike data punte. Wat is dit dat 'n loess fiks insette die oorspronklike X en Y waardes, plus 'n stel van die produksie X waardes waarvoor die nuwe Y waardes te bereken (gewoonlik dieselfde X waardes word gebruik vir beide, maar dikwels minder X waardes word gebruik vir toegerus XY pare as gevolg van die verhoogde berekening vereis). Vir elke uitset X waarde, is 'n gedeelte van die insette data wat gebruik word om 'n geskikte bereken. Die gedeelte van die data, algemeen 25-100 maar tipies 33 of 50, is plaaslike, wat beteken dat dit is daardie gedeelte van die oorspronklike data naaste aan elke spesifieke uitset X waarde. Dit is 'n bewegende fiks, want elke uitset X waarde 'n ander subset van die oorspronklike data, met verskillende gewigte (sien volgende paragraaf) vereis. Dit subset van insette data punte word gebruik om 'n geweegde regressie te voer, met punte naaste aan die uitset X waarde gegee groter gewig. Dit regressie is gewoonlik eerste orde tweede orde of hoër is moontlik, maar vereis 'n groter berekening krag. Die y-waarde van hierdie geweegde regressie bereken teen die uitset X word gebruik as die modelle Y waarde vir hierdie X waarde. Die regressie is recomputed by elke uitset X waarde tot 'n volledige stel van die produksie Y waardes te produseer. antwoord 21 Februarie 15 by 21: 08Linear Regressie aanwyser Die lineêre regressie aanwyser gebruik vir tendens identifikasie en tendens volgende in 'n soortgelyke wyse aan bewegende gemiddeldes. Die aanwyser moet nie verwar word met lineêre regressie Lines wat reguit lyne toegerus om 'n reeks van data punte is. Die lineêre regressie aanwyser plotte die eindpunte van 'n hele reeks van lineêre getrek op agtereenvolgende dae regressielyne. Die voordeel van die lineêre regressie aanwyser oor 'n normale bewegende gemiddelde is dat dit minder lag as die bewegende gemiddelde, reageer vinniger op veranderinge in die rigting. Die nadeel is dat dit meer geneig is tot whipsaws. Die lineêre regressie aanwyser is slegs geskik vir die handel sterk tendense. Seine geneem in 'n soortgelyke wyse aan bewegende gemiddeldes. Gebruik die rigting van die lineêre regressie aanwyser om te betree en die uitgang ambagte met 'n aanwyser langer termyn as 'n filter. Gaan lank as die lineêre regressie aanwyser opdaag of verlaat 'n kort handel. Gaan kort (of verlaat 'n lang handel) as die lineêre regressie aanwyser draai af. 'N Variasie op die bogenoemde is om ambagte te voer wanneer die prys gaan oor die lineêre regressie aanwyser, maar nog steeds verlaat wanneer die lineêre regressie aanwyser draai af. Voorbeeld Muis oor grafiek onderskrifte te handel seine te vertoon. Gaan lank L wanneer die prys kruise bo die 100-dag lineêre regressie aanwyser terwyl die 300-dag styg afrit X wanneer die 100-dag lineêre regressie aanwyser draai afgaan lank weer by L wanneer die prys kruise bo die 100-dag lineêre regressie aanwyser afrit X wanneer die 100-dag lineêre regressie aanwyser draai afgaan lang L wanneer die prys kruise bo 100-dag lineêre regressie afrit X wanneer die 100-dag aanwyser draai afgaan lang L wanneer die 300-dag lineêre regressie aanwyser opdaag nadat die prys bo gekruis die 100-dag aanwyser afrit X wanneer die 300-dag lineêre regressie aanwyser draai af. Lomp divergensie op die aanwyser waarsku van 'n groot tendens omkeer. In by ons poslys Lees Colin Twiggs Trading Dagboek nuusbrief, met opvoedkundige artikels oor handel, tegniese ontleding, aanwysers en nuwe sagteware updates. The verskil van Gemiddeld (Time Series) funksie Moving bereken die verskil tussen 'n waarde en sy tydreekse bewegende gemiddelde. Parameters ------------------ data Die data te analiseer. Dit is tipies 'n stuk grond in 'n datareeks of 'n berekende waarde. Tydperk Die aantal bars van data in die gemiddelde sluit, insluitend die huidige waarde. Byvoorbeeld, 'n tydperk van 3 sluit die huidige waarde en die twee vorige waardes. Funksiewaarde ------------------------ Die tydreekse bewegende gemiddelde word bereken deur pas 'n lineêre regressielyn oor die waardes vir die gegewe tydperk, en dan die bepaling die huidige waarde vir daardie lyn. 'N Lineêre regressie-lyn is 'n reguit lyn wat so naby aan al die gegewe waardes as moontlik. Die tydreekse bewegende gemiddelde aan die begin van 'n data-reeks is nie gedefinieer totdat daar genoeg waardes om die gegewe tydperk te vul. Let daarop dat 'n tydreeks bewegende gemiddelde verskil grootliks van ander vorme van bewegende gemiddeldes in dat die huidige waarde volg die onlangse tendens van die data, nie 'n werklike gemiddelde van die data. As gevolg hiervan, kan die waarde van hierdie funksie groter of minder as al die waardes wat gebruik word as die tendens van die data oor die algemeen is die verhoging of verlaging wees. Die verskil van die bewegende gemiddelde is die bewegende gemiddelde afgetrek van die huidige waarde. Gebruik ----------- bewegende gemiddeldes is nuttig vir glad lawaaierige rou data, soos daaglikse pryse. Prys data kan baie wissel van dag-tot-dag, verberg of die prys op of af gaan met verloop van tyd. Deur te kyk na die bewegende gemiddelde van die prys, kan 'n meer algemene beeld van die onderliggende tendense gesien word. Sedert bewegende gemiddeldes kan gebruik word om tendense te sien, kan hulle ook gebruik word om vas te stel of data is gemaal die tendens. Dit maak die verskil van die bewegende gemiddelde nuttig vir die klem op waar die data weg van die tendens te breek.
No comments:
Post a Comment