المتوسط المتحرك الجزئي المتحرك

تحليل سلسلة الوقت تسا statsmodels. tsa يحتوي على فئات نموذج والوظائف التي هي مفيدة لتحليل سلسلة زمنية. ويشمل هذا حاليا نماذج الانحدار الذاتي المتحد أحادي المتغير (أر) ونماذج الانحدار الذاتي المتجه (فار) ونماذج المتوسط ​​المتحرك المتحد الانحدار الذاتي (أرما). ويتضمن أيضا إحصاءات وصفية للسلاسل الزمنية، على سبيل المثال الارتباط الذاتي، وظيفة الارتباط الذاتي الجزئي و بيريودوغرام، فضلا عن الخصائص النظرية المقابلة من أرما أو العمليات ذات الصلة. ويشمل أيضا أساليب للعمل مع الانحدار الذاتي والانتقال المتوسط ​​متخلفة متعدد الحدود. بالإضافة إلى ذلك، الاختبارات الإحصائية ذات الصلة وبعض وظائف المساعد مفيدة المتاحة. يتم تقدير إما عن طريق دقيقة أو مشروطة الحد الأقصى المحتمل أو المشروط مربعات أقل، إما باستخدام كالمان تصفية أو مرشحات مباشرة. حاليا، يجب أن يتم استيراد الوظائف والطبقات من الوحدة المقابلة، ولكن سيتم توفير الفئات الرئيسية في مساحة الاسم statsmodels. tsa. هيكل الوحدة هو ضمن statsmodels. tsa هو ستاتتولس. الخصائص التجريبية والاختبارات، أسف، باسف، غرانجر السببية، أدف وحدة اختبار الجذر، يجونغ مربع اختبار وغيرها. armodel. عملية الانحدار الذاتي أحادي المتغير، تقدير مع احتمال أقصى المشروط والدقيق والمشروط المربعات الصغرى أريماموديل. عملية أرما أحادية المتغير، تقدير مع الاحتمال الأقصى المشروط والحقيقي الدقيق وناقلات المربعات الصغرى المشروطة، فار. (فار)، وتحليل استجابة النبضات، والتحلل في تباين أخطاء التنبؤ، وأدوات تصور البيانات كالمانف. وفئات تقدير ل أرما ونماذج أخرى مع مل الدقيق باستخدام كلمان تصفية أرمابروسيس. خصائص عمليات أرما مع معلمات معينة، وهذا يشمل أدوات للتحويل بين تمثيل أرما و ما و أر وكذلك أسف و باسف وكثافة طيفية ودالة استجابة النبضة و sandbox. tsa. fftarma مماثلة. على غرار أرمابروسيس ولكن تعمل في مجال الترددات تساتولس. وظائف المساعد إضافية، لإنشاء صفائف من المتغيرات المتخلفة، بناء ريجريسورس للاتجاه، ديتريند وما شابه ذلك. المرشحات. وظيفة مساعد لتصفية السلاسل الزمنية بعض الوظائف الإضافية التي هي مفيدة أيضا لتحليل سلسلة زمنية في أجزاء أخرى من ستاتسموديلز، على سبيل المثال اختبارات إحصائية إضافية. بعض الوظائف ذات الصلة وتتوفر أيضا في ماتلوتليب، نيتيمي، و scikits. talkbox. وقد صممت هذه الوظائف أكثر من أجل استخدامها في معالجة الإشارات حيث تتوفر سلاسل زمنية أطول وتعمل في كثير من الأحيان في مجال الترددات. الإحصاء الوصفي والاختبارات stattools. acovf (س، غير متحيز، ديميان، ففت) الجميع يعرف ما أسف هو الآن حتى أنا لن تضيع الوقت على ذلك مرة أخرى. لنفترض أن لديك 3 نقاط في سلسلة زمنية x3 - x2 - x1. باستخدام أسف ستجد عموما العلاقة بين x1 و x2. فمثلا. قيمة الارتباط التي تم الحصول عليها من الناحية الفنية ليست قيمة حقيقية من الارتباط، لأن قيمة x2 من المرجح أن تكون مستوحاة من قيمة x3. لذلك باسف هو ذلك الجزء من الارتباط بين x1 و x2. والتي لا يتم تفسيرها من خلال الارتباط بين x3 في x2. بيانيا، دعونا نقول، ويعطى الارتباط بين x1 و x2 بواسطة مربع بينك (بما في ذلك المربع الأخضر)، ويعطى الارتباط بين x2 و x3 من قبل المربع الأخضر. وبالتالي فإن الارتباط الجزئي بين x1 و x2 هو الارتباط الأصلي ناقص ارتباط x2 و x3 (المربع الأخضر)، الذي هو مجرد بينك بنتاغون. 7.1k فيوس ميدوت عرض أوبفوتس ميدوت نوت فور ريبرودكتيون المزيد من الإجابات اسأل مرة أخرى بيلو. المسائل ذات الصلة كيف يمكنني قراءة الرسم البياني وظيفة الارتباط التلقائي في السلاسل الزمنية هل علاقة ارتباط يعني علاقة سببية أو أعلى فقط خطر يشير الارتباط التلقائي إلى ارتباط سلسلة زمنية مع قيمها السابقة والمستقبلية، ويسمى الارتباط التلقائي أيضا في بعض الأحيان تسمى الارتباط المترابط أو الارتباط التسلسلي ، الذي يشير إلى العلاقة بين أعضاء سلسلة من الأرقام مرتبة في الوقت المناسب. ويمكن اعتبار الارتباط التلقائي الإيجابي شكلا محددا من أشكال الثبات، ويميل النظام إلى البقاء في نفس الحالة من ملاحظة إلى أخرى. على سبيل المثال، احتمال الغد يكون ممطر أكبر إذا اليوم ممطر مما إذا كان اليوم جافة. وغالبا ما ترتبط سلاسل الوقت الجيوفيزيائية السيارات بسبب القصور الذاتي أو عمليات نقل في النظام المادي. ويؤدي الترابط التلقائي إلى تعقيد تطبيق الاختبارات الإحصائية عن طريق تقليل عدد الملاحظات المستقلة، ويؤدي أيضا إلى تعقيد تحديد التباين الكبير أو الترابط المشترك بين السلاسل الزمنية، وهو أمر يمكن التنبؤ به، احتمالي، لأن القيم المستقبلية تعتمد على القيم الحالية والسابقة. ثلاث أدوات لتقييم الترابط التلقائي للوقت (1) مؤامرة التسلسل الزمني (2) مؤامرة مبعثر تأخر أمب (3) وظيفة الارتباط التلقائي. وهناك نمط أوضح لنموذج ما في أسف. ولن يكون لدى أسف ارتباطات ذاتية غير صفرية إلا في حالات التأخر في النموذج. ويأخذ هذا المؤشر في الاعتبار العلاقة بين السلاسل الزمنية وكل من قيمها المتوسطة المتخلفة. وغالبا ما يتم تحديد نموذج ما بشكل أفضل مع أسف بدلا من PACF. For نموذج ما، لا يغلق باسف النظرية، ولكن بدلا من ذلك تناقص نحو 0 بطريقة ما. هذا مفيد للكشف عن النظام من نموذج ريجرسيف السيارات. وهذا هو، فإن باسف لسلسلة زمنية مع تأخر 1 يكون لها قيمة غير صفرية فقط حتى 1، ودالة الارتباط التلقائي الجزئي (باسف) يعطي الارتباط الجزئي لسلسلة زمنية مع القيم المتخلفة الخاصة بها، والسيطرة على قيم وسلسلة زمنية على الإطلاق تأخر أقصر. وهو يتناقض مع وظيفة الترابط التلقائي، التي لا تتحكم في التأخرات الأخرى. وغالبا ما يتم تحديد نموذج أر بشكل أفضل مع نموذج التحقق من المعطيات (باسف). أما بالنسبة لنموذج أر، فإن نظام باسف النظري ينقطع عن ترتيب النموذج. وتغلق العبارة يعني أنه من الناحية النظرية، تساوي أوتوكوريلاتيونس الجزئية 0، . وبعبارة أخرى، فإن عدد الوصلات الجزئية غير الصفرية يعطي ترتيب نموذج أر. حسب ترتيب النموذج نعني التأخر الأكثر تطرفا من x الذي يستخدم كمؤشر. وقدم هذه الوظيفة من قبل كليفلاند في عام 1972 لسلسلة زمنية ثابتة منفصلة. هناك 2 طرق لتقدير إاسف. 1) تقدير الطيف من البيانات عن طريق تمهيد بيريوديغرام، مع الأخذ بالمثل من التقدير ومن ثم حساب تحويل فورييه. 2) تقريب النموذج من خلال عملية أر مناسبة، وتقدير المعلمات من هذا النموذج باستخدام المعادلات يول ووكر. وتعرف أوتوكوريلاتيونس عكسية من سلسلة زمنية لتكون أوتوكوريلاتيونس المرتبطة معكوس الكثافة الطيفية للسلسلة. ويمكن تقديرها بحساب الارتباطات التلقائية المرتبطة بعكس تقدير الكثافة الطيفية. وتنشأ طريقتان مختلفتان لتقدير الارتباطات العكسية التلقائية من طريقتين مختلفتين لتقدير الكثافة الطيفية - التراجع والتجانس النسبي. وتستعمل تقديرات الارتباطات التلقائية العكسية للمساعدة في تحديد نموذج شاذ ومتحرك ومتوسط ​​للتجربة التلقائية للسلسلة ولتقديم تقديرات أولية تقريبية للمعلمات للبحث المتكرر عن الحد الأقصى لوظيفة الاحتمال. وتطبق التقنيات التي تمت مناقشتها على قراءات تركيز العمليات الكيميائية، وقياسات سرعة الرياح، والبيانات الزلزالية القمر. 1.9k المشاهدات ميدوت عرض أوبفوتس ميدوت نوت فور ريبرودكتيون ميدوت الإجابة التي طلبتها بريرنا Tyagi2.2 وظيفة الارتباط الذاتي الجزئي (باسف) نسخة للطباعة بشكل عام، فإن الارتباط الجزئي هو ارتباط شرطي. وهي العلاقة بين متغيرين على افتراض أننا نعرف ونأخذ في الاعتبار قيم بعض المتغيرات الأخرى. على سبيل المثال، النظر في سياق الانحدار الذي متغير الاستجابة y و x 1. x 2. و x 3 هي متغيرات التنبؤ. العلاقة الجزئية بين y و x 3 هي العلاقة بين المتغيرات المحددة مع الأخذ بعين الاعتبار كيفية ارتباط كل من y و x 3 ب x 1 و x 2. في الانحدار، يمكن العثور على هذا الارتباط الجزئي من خلال ربط المتبقي من اثنين من الانحدارات المختلفة: (1) الانحدار الذي نتوقع ذ من x 1 و x 2. (2) الانحدار الذي نتوقع x 3 من x 1 و x 2. في الأساس، ونحن نربط أجزاء y و x 3 التي لا تنبأ بها x 1 و x 2. وبشكل أكثر رسمية، يمكننا تحديد الارتباط الجزئي الذي تم وصفه فقط على أنه لاحظ أن هذه هي الطريقة التي يتم بها تفسير معلمات نموذج الانحدار. التفكير في الفرق بين تفسير نماذج الانحدار: (y beta0 beta1x2 تكست y beta0beta1xbeta2x2) في النموذج الأول، يمكن تفسير 1 على أنها التبعية الخطية بين x 2 و y. في النموذج الثاني، 2 سوف تفسر على أنها التبعية الخطية بين x 2 و y مع التبعية بين x و y تمثل بالفعل. ويعرف الترابط الذاتي الجزئي بين x t و t t-h بالنسبة إلى سلسلة زمنية على أنه الترابط الشرطي بين x t و x t-h. مشروط على x t-h1. x t-1. مجموعة الملاحظات التي تأتي بين النقاط الزمنية t و ث. وسيتم تعريف الترابط الذاتي الجزئي من الدرجة الأولى بحيث يساوي الترابط الذاتي من الدرجة الأولى. أما الترابط الذاتي الجزئي الثاني (الترتيب) فهو العلاقة بين القيمتين بفترتين زمنيتين مشروطتين بمعرفة القيمة فيما بينهما. (بالمناسبة، فإن التباينين ​​في القاسم سوف يساوي كل منهما الآخر في سلسلة ثابتة.) الترابط الذاتي الجزئي من أجل الترتيب الثالث (لاغ) هو، وهكذا، لأي تأخر. عادة، يتم استخدام التلاعب المصفوفة المرتبطة مصفوفة التباين المشترك للتوزيع متعدد المتغيرات لتحديد تقديرات أوتوكوريلاتيونس الجزئية. بعض الحقائق المفيدة حول أنماط باسف و أسف غالبا ما يتم تحديد نموذج أر بشكل أفضل مع باسف. بالنسبة لنموذج أر، يتم إيقاف تشغيل باسف النظري قبل ترتيب النموذج. وتعني العبارة "أوفتوريلاتيونس" من الناحية النظرية أن التعادل الذاتي الجزئي يساوي 0 بعد تلك النقطة. وبعبارة أخرى، فإن عدد الوصلات الجزئية غير الصفرية يعطي ترتيب نموذج أر. حسب ترتيب النموذج نعني التأخر الأكثر تطرفا من x الذي يستخدم كمؤشر. مثال. في الدرس 1.2، حددنا نموذج أر (1) لسلسلة زمنية من الأعداد السنوية من الزلازل في جميع أنحاء العالم ذات حجم زلزالي أكبر من 7.0. وفيما يلي نموذج باسف لهذه السلسلة. ويلاحظ أن قيمة الفارق الزمني الأولى ذات دلالة إحصائية، في حين أن الترابط الذاتي الجزئي لجميع الفواصل الزمنية الأخرى غير ذو دلالة إحصائية. وهذا يشير إلى نموذج أر (1) ممكن لهذه البيانات. وغالبا ما يتم تحديد نموذج ما مع آسف بدلا من باسف. بالنسبة لنموذج ما، لا يغلق باسف النظري، ولكن بدلا من ذلك يتناقص نحو 0 بطريقة ما. وهناك نمط أوضح لنموذج ما في أسف. ولن يكون لدى أسف ارتباطات ذاتية غير صفرية إلا في حالات التأخر في النموذج. يتضمن الدرس 2.1 عينة أسف التالية لسلسلة ما (1) المحاكية. لاحظ أن الترابط الذاتي الأول ذو دلالة إحصائية في حين أن جميع أوتوكوريلاتيونس لاحقة ليست كذلك. وهذا يشير إلى نموذج ما (1) ممكن للبيانات. مذكرة نظرية. النموذج المستخدم للمحاكاة كان x t 10 w t 0.7 w t-1. من الناحية النظرية، فإن الترابط الذاتي الأول 1 (1 1 2) .7 (1.7 2) .4698 و أوتوكوريلاتيونس لجميع التأخرات الأخرى 0. النموذج الأساسي المستخدم في المحاكاة (1) في الدرس 2.1 كان 10 طن بالوزن 0.7 w t -1. وفيما يلي نظرية باسف (الترابط الذاتي الجزئي) لهذا النموذج. لاحظ أن نمط التدرج تدريجيا إلى 0. R ملاحظة: تم إنشاء باسف فقط أظهرت في R مع هذين الأمرين: ma1pacf أرماكف (ما c (.7)، lag. max 36، باكفترو) مؤامرة (ma1pacf، تايه، الرئيسية النظرية باسف من ما (1) مع ثيتا 0.7) الملاحة