时间序列分析 - 版本历史

2024年5月7日 (二) 03:26 思无涯咿呀咿呀

2024-05-07T03:26:19Z

2023年2月13日 (一) 12:05 TYcl20

2023-02-13T12:05:31Z

2023年2月12日 (日) 14:48 TYcl20

2023-02-12T14:48:17Z

2023年2月12日 (日) 14:29 TYcl20

2023-02-12T14:29:10Z

2023年2月12日 (日) 14:21 TYcl20

2023-02-12T14:21:35Z

2023年2月12日 (日) 12:21 TYcl20

2023-02-12T12:21:37Z

显示更改

2023年2月11日 (六) 14:49 TYcl20

2023-02-11T14:49:27Z

显示更改

2023年2月11日 (六) 14:43 TYcl20

2023-02-11T14:43:38Z

2023年2月11日 (六) 13:25 TYcl20

2023-02-11T13:25:24Z

显示更改

2023年2月8日 (三) 13:13 TYcl20

2023-02-08T13:13:11Z

@@ 第592行： / 第592行： @@
 [[Category:Mathematical and quantitative methods (economics)]]
 [[Category:Machine learning]]
-[[Category:待整理页面]]
+[[Category:待润色]]

←上一版本		2023年2月13日 (一) 12:05的版本
第586行：		第586行：

	*[http://www.itl.nist.gov/div898/handbook/pmc/section4/pmc4.htm Introduction to Time series Analysis (Engineering Statistics Handbook)] — A practical guide to Time series analysis.		*[http://www.itl.nist.gov/div898/handbook/pmc/section4/pmc4.htm Introduction to Time series Analysis (Engineering Statistics Handbook)] — A practical guide to Time series analysis.
−	*参考文献

	{{DEFAULTSORT:Time Series}}		{{DEFAULTSORT:Time Series}}

←上一版本		2023年2月12日 (日) 14:48的版本
第586行：		第586行：

	*[http://www.itl.nist.gov/div898/handbook/pmc/section4/pmc4.htm Introduction to Time series Analysis (Engineering Statistics Handbook)] — A practical guide to Time series analysis.		*[http://www.itl.nist.gov/div898/handbook/pmc/section4/pmc4.htm Introduction to Time series Analysis (Engineering Statistics Handbook)] — A practical guide to Time series analysis.
		+	*参考文献

	{{DEFAULTSORT:Time Series}}		{{DEFAULTSORT:Time Series}}

@@ 第484行： / 第484行： @@
+*
-= 重叠图  =
+=== 重叠图 ===
 * 编织图
 * 线图
@@ 第490行： / 第490行： @@
+*
-= 分离图 =
+=== 分离图 ===
 * 地平线图
 * 简化线图(小倍数)
@@ 第522行： / 第522行： @@
 ===参考文献===
 *{{Citation
   | author-link = George E. P. Box

@@ 第369行： / 第369行： @@
 * 自回归模型参数
+*
-* 相关积分相关密度相关熵近似熵小波熵色散熵涨落色散熵高阶方法边际可预测动力学相似性指数状态空间相异性度量李亚普诺夫指数排列方法
+* 相关积分
+*
 * 本地流

@@ 第74行： / 第74行： @@
 ===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。
 * 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。
@@ 第95行： / 第97行： @@
 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。
-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.
+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.