35
个编辑
更改
跳到导航
跳到搜索
第74行：
第74行： + + 第95行：
第97行： − Among other types of non-linear time series models, there are models to represent the changes of variance over time (heteroskedasticity). These models represent autoregressive conditional heteroskedasticity (ARCH) and the collection comprises a wide variety of representation (GARCH, TARCH, EGARCH, FIGARCH, CGARCH, etc.). Here changes in variability are related to, or predicted by, recent past values of the observed series. This is in contrast to other possible representations of locally varying variability, where the variability might be modelled as being driven by a separate time-varying process, as in a doubly stochastic model. − − 在其他的非线性时间序列模型中，有一些模型可以表示方差随时间的变化(异方差)。这些模型有ARCH模型，其中包括GARCH，TARCH，EGARCH，FIGARCH，CGARCH 等等。在这里，变异性的变化与观测系列的最近过去的值有关，或者是预测的。这与局部变化的其他可能表现形式形成对比，在这种情况下，变化可能被模拟为由一个单独的时变过程驱动，如双重随机模型。 − In recent work on model-free analyses, wavelet transform based methods (for example locally stationary wavelets and wavelet decomposed neural networks) have gained favor. Multiscale (often referred to as multiresolution) techniques decompose a given time series, attempting to illustrate time dependence at multiple scales. See also [[Markov switching multifractal]] (MSMF) techniques for modeling volatility evolution.+ − In recent work on model-free analyses, wavelet transform based methods (for example locally stationary wavelets and wavelet decomposed neural networks) have gained favor. Multiscale (often referred to as multiresolution) techniques decompose a given time series, attempting to illustrate time dependence at multiple scales. See also Markov switching multifractal (MSMF) techniques for modeling volatility evolution. − +
无编辑摘要
===时间序列分析的预测功能===
===时间序列分析的预测功能===
在统计学中，预测是统计学的推理环节的一部分。有一种推理方法是预测推理，这种预测可以与几种统计学推理方法混合使用。统计学的预测方法之一是将部分样本数值扩大到整体去分析。这不一定与随着时间的推移所作的预测相同。当信息跨越时间传递，通常是传递到特定的时间点，推测特定时间点信息的状态的个过程就被称为预测。
在统计学中，预测是统计学的推理环节的一部分。有一种推理方法是预测推理，这种预测可以与几种统计学推理方法混合使用。统计学的预测方法之一是将部分样本数值扩大到整体去分析。这不一定与随着时间的推移所作的预测相同。当信息跨越时间传递，通常是传递到特定的时间点，推测特定时间点信息的状态的个过程就被称为预测。
推测特定时间点的信息可通过以下方式完成：
* 为完成随机模拟而建立完整的统计模型能产生时间序列的替代版本，会反映未来在非特定时间段内可能发生的情况。
* 为完成随机模拟而建立完整的统计模型能产生时间序列的替代版本，会反映未来在非特定时间段内可能发生的情况。
* 时间序列预测通常使用自动化的统计软件包和编程语言，例如 Julia、 Python、 r、 SAS、 SPSS 等。
* 时间序列预测通常使用自动化的统计软件包和编程语言，例如 Julia、 Python、 r、 SAS、 SPSS 等。
研究数据对过往的数据点的非线性依赖关系是有趣的，主要是它有产生混沌时间序列的可能性。然而，更重要的是，使用来自非线性模型的预测优于来自线性模型的预测。例如非线性自回归外生模型的预测准确度优于线性的回顾模型。
研究数据对过往的数据点的非线性依赖关系是有趣的，主要是它有产生混沌时间序列的可能性。然而，更重要的是，使用来自非线性模型的预测优于来自线性模型的预测。例如非线性自回归外生模型的预测准确度优于线性的回顾模型。
在其他的非线性时间序列模型中，有一些模型可以表示方差随时间的变化(异方差)。这些模型有ARCH模型，其中包括GARCH，TARCH，EGARCH，FIGARCH，CGARCH等模型。在这里，差异性的变化与观测到的过往值有关，或者是预测值。在这种情况下，变化可能被模拟为由一个单独的时变过程驱动，如双重随机模型。
在最近的无模型分析工作中，基于小波变换的方法(如局部平稳小波和小波分解神经网络)得到了广泛的关注。多尺度(通常称为多分辨率)技术分解给定的时间序列，试图说明在多个尺度上的时间依赖。参见马尔可夫切换多重分形(MSMF)建模波动演化技术。
在最近的无模型分析工作中，基于小波变换的方法(如局部平稳小波和小波分解神经网络)得到了广泛的关注。多尺度(通常称为多分辨率)技术分解给定的时间序列能说明在多个尺度上的时间依赖。具体参见马尔可夫切换多重分形(MSMF)建模波动演化技术。
A [[Hidden Markov model]] (HMM) is a statistical Markov model in which the system being modeled is assumed to be a Markov process with unobserved (hidden) states. An HMM can be considered as the simplest [[dynamic Bayesian network]]. HMM models are widely used in [[speech recognition]], for translating a time series of spoken words into text.
A [[Hidden Markov model]] (HMM) is a statistical Markov model in which the system being modeled is assumed to be a Markov process with unobserved (hidden) states. An HMM can be considered as the simplest [[dynamic Bayesian network]]. HMM models are widely used in [[speech recognition]], for translating a time series of spoken words into text.