O que é relação e diferença entre séries temporais e regressão Para modelos e premissas. É correto que os modelos de regressão assumam a independência entre as variáveis de saída para diferentes valores da variável de entrada, enquanto o modelo da série temporal não é o que são algumas outras diferenças Existem várias abordagens para a análise de séries temporais, mas as duas mais conhecidas são as Método de regressão e método Box-Jenkins (1976) ou ARIMA (AutoRegressive Integrated Moving Average). Este documento apresenta o método de regressão. Eu considero o método de regressão muito superior ao ARIMA por três razões principais, eu não entendo bem o método de regressão para séries temporais no site e como é diferente do método Box-Jenkins ou ARIMA. Agradeço se alguém pode dar algumas informações sobre essas questões. Obrigado e considero que realmente acho que esta é uma boa pergunta e merece uma resposta. O link fornecido é escrito por um psicólogo que afirma que algum método de elaboração de casa é uma maneira melhor de fazer análises de séries temporais do que Box-Jenkins. Espero que a minha tentativa de resposta incentive outros, que estão mais bem informados sobre as séries temporais, para contribuir. A partir de sua introdução, parece que Darlington está defendendo a abordagem de apenas ajustar um modelo de AR por mínimos quadrados. Ou seja, se você deseja encaixar o modelo zt alpha1 z cdots alphak z varepsilont para a série de tempo zt, você pode apenas regredir a série zt na série com o atraso 1, o atraso 2 e assim por diante até o atraso k, usando um Regressão múltipla comum. Isso é certamente permitido em R, é mesmo uma opção na função ar. Eu testei isso e tende a dar respostas semelhantes ao método padrão para montar um modelo AR em R. Ele também defende regredir zt em coisas como t ou poderes de t para encontrar tendências. Novamente, isso é absolutamente bom. Muitos livros da série de tempo discutem isso, por exemplo Shumway-Stoffer e Cowpertwait-Metcalfe. Normalmente, uma análise de séries de tempo pode prosseguir nas seguintes linhas: você encontra uma tendência, remova-a e então ajuste um modelo para os resíduos. Mas parece que ele também está defendendo o excesso de ajuste e, em seguida, usando a redução no erro de quadrado médio entre a série ajustada e os dados como evidência de que seu método é melhor. Por exemplo: sinto que os correlogramas agora são obsolescentes. O objetivo principal era permitir que os trabalhadores adivinissem quais modelos se encaixariam melhor nos dados, mas a velocidade dos computadores modernos (pelo menos em regressão se não em modelos temporais) permite que um trabalhador se encaixe apenas em vários modelos e veja exatamente como Cada um se ajusta conforme medido pelo erro quadrático médio. A questão da capitalização sobre o acaso não é relevante para essa escolha, uma vez que os dois métodos são igualmente suscetíveis a esse problema. Esta não é uma boa idéia porque o teste de um modelo é suposto ser o quão bem ele pode prever, não o quão bem ele se adapta aos dados existentes. Em seus três exemplos, ele usa erro de quadrado médio ajustado como seu critério para a qualidade do ajuste. Evidentemente, o modelo excessivo irá fazer uma estimativa na amostra do erro menor, então sua afirmação de que seus modelos são melhores porque eles têm RMSE menor está errado. Em poucas palavras, uma vez que ele está usando o critério errado para avaliar o quão bom é um modelo, ele alcança as conclusões erradas sobre a regressão versus ARIMA. Devo apostar que, se ele tivesse testado a habilidade preditiva dos modelos, o ARIMA teria saído no topo. Talvez alguém possa tentar se tiverem acesso aos livros que ele menciona aqui. Suplementar: para mais informações sobre a ideia de regressão, você pode querer verificar livros da série de tempo anteriores, que foram escritos antes de o ARIMA se tornar o mais popular. Por exemplo, Kendall, Time-Series. 1973, o Capítulo 11 possui um capítulo completo sobre esse método e comparações com o ARIMA. Tanto quanto posso dizer, o autor nunca descreveu seu método home-brew em uma publicação revisada por pares e as referências para e da literatura estatística parecem mínimas e suas principais publicações sobre temas metodológicos remontam aos anos 70. Estritamente falando, nada disso prova qualquer coisa, mas sem tempo suficiente ou experiência para avaliar as reivindicações, eu ficaria extremamente relutante em usar qualquer uma delas. Ndash Gala 18 de julho 13 às 11: 31mike, primeiro instale R (se você ainda não), execute R e instale o pacote TeachingDemos (exatamente como depende do seu sistema), carregue o pacote com a biblioteca (TeachingDemos) e digite loess. demo Para exibir a página de ajuda para ver como executá-lo, você pode rolar para a parte inferior onde o exemplo é e copiar e colar esse código na linha de comando R39s para ver os exemplos e, em seguida, executar com seus próprios dados para explorar ainda mais. Ndash Greg Snow 23 de março 12 às 17:15 Aqui está uma resposta simples, mas detalhada. Um modelo linear se encaixa em um relacionamento através de todos os pontos de dados. Este modelo pode ser de primeira ordem (outro significado de linear) ou polinômio para explicar a curvatura, ou com splines para explicar diferentes regiões com um modelo de governo diferente. Um ajuste LOESS é uma regressão ponderada localmente movida com base nos pontos de dados originais. O que significa que A LOESS se encaixa na entrada dos valores X e Y originais, além de um conjunto de valores de saída X para os quais calcular novos valores de Y (geralmente os mesmos valores de X são usados para ambos, mas muitas vezes menos valores X são usados para pares XY ajustados Devido ao aumento da computação necessária). Para cada valor de saída X, uma porção dos dados de entrada é usada para calcular um ajuste. A porção dos dados, geralmente de 25 a 100, mas tipicamente 33 ou 50, é local, o que significa que é a porção dos dados originais mais próximos de cada valor de saída X específico. É um ajuste em movimento, porque cada valor de saída X requer um subconjunto diferente dos dados originais, com pesos diferentes (veja o próximo parágrafo). Este subconjunto de pontos de dados de entrada é usado para executar uma regressão ponderada, com pontos mais próximos do valor de saída X, com maior peso. Essa regressão geralmente é de segunda ordem ou superior é possível, mas requer maior poder de computação. O valor Y desta regressão ponderada calculada na saída X é usado como o valor dos modelos Y para este valor X. A regressão é recalculada em cada valor de saída X para produzir um conjunto completo de valores de saída Y. Respondido 21 de fevereiro 15 às 21: 08 Indicador de regressão linear O indicador de regressão linear é usado para identificação de tendências e seguimento de tendências de forma semelhante às médias móveis. O indicador não deve ser confundido com Linear Regression Lines, que são linhas retas instaladas em uma série de pontos de dados. O Indicador de Regressão Linear traça os pontos finais de toda uma série de linhas de regressão linear desenhadas em dias consecutivos. A vantagem do Indicador de Regressão Linear sobre uma média móvel normal é que ele tem menos lag que a média móvel, respondendo mais rápido às mudanças na direção. A desvantagem é que é mais propenso a whipsaws. O indicador de regressão linear só é adequado para negociar fortes tendências. Os sinais são feitos de forma semelhante às médias móveis. Use a direção do Indicador de Regressão Linear para entrar e sair das negociações com um indicador de longo prazo como filtro. Vá por muito tempo se o Indicador de Regressão Linear virar ou sair de um curto comércio. Vá curto (ou saia um longo comércio) se o Indicador de Regressão Linear for desativado. Uma variação no acima é entrar em negociações quando o preço cruza o Indicador de Regressão Linear, mas ainda sairá quando o Indicador de Regressão Linear se virar. Passe o mouse sobre os títulos do gráfico para exibir os sinais comerciais. Vá longo L quando o preço cruza acima do Indicador de Regressão Linear de 100 dias enquanto os 300 dias estão aumentando Sair X quando o Indicador de Regressão Linear de 100 dias se virar Vá longo novamente em L quando o preço cruza acima da saída do Indicador de Regressão Linear de 100 dias X quando o Indicador de Regressão Linear de 100 dias se desativa Vá longo L quando o preço cruza acima de 100 dias de Regressão Linear Sair X quando o indicador de 100 dias se desativa Vá longo L quando o Indicador de Regressão Linear de 300 dias aparecer após o preço cruzado acima O indicador de 100 dias sai X quando o indicador de regressão linear de 300 dias é desativado. A divergência de Downish no indicador avisa de uma grande inversão de tendência. Junte-se a nossa lista de discussão Leia o boletim informativo do Diário de negociação Colin Twiggsrsquo, oferecendo análise fundamental da economia e análise técnica dos principais índices do mercado, ouro, petróleo e forex.
No comments:
Post a Comment