LegközelebbKövetkező útmutató
WFST dekódolás a beszédfelismerésben
Műszaki
Műszaki ÚTMUTATÓ
A stacionárius idősorok stabil statisztikai viselkedést mutatnak az időben, például állandó átlaggal és autokovariancia szerkezettel gyenge stacionaritás mellett.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
A különbségek eltávolíthatják a sztochasztikus trendeket, míg az ADF és KPSS tesztek kiegészítő bizonyítékot szolgáltatnak, amelyek nullhipotéziseit óvatosan kell értelmezni.
A stacionaritás azt jelenti, hogy a releváns eloszlási tulajdonságok nem változnak az idő múlásával. A szigorú stacionaritás megköveteli, hogy a teljes együttes eloszlás invariáns legyen az időeltolódások során. Az idősoros modellekben általánosan használt gyenge stacionaritás állandó átlagot, véges állandó varianciát és autokovarianciát igényel, amely csak a késleltetéstől függ, nem pedig a naptári időtől. Sok előrejelzési modell stacionárius vagy transzformált sorozatokra támaszkodik, mivel a változó szintek és függőségek megbízhatatlanná tehetik a történelmi kapcsolatokat. A differenciálás kiszámítja az y_t - y_(t-1) értéket, és eltávolíthatja a sztochasztikus trendet. A szezonális különbségek kivonják az y_t - y_(t-s) értékeket, ahol s a ciklus hossza, a szezonális perzisztencia kezelésére. A differenciálás különbözik a detrendálástól: egy determinisztikus trend modellezhető és eltávolítható, míg az egységgyökér-szerű folyamatok különbségeket igényelhetnek. A túlzott eltérés szükségtelen zajt és autokorrelációt idézhet elő. Használjon cselekményeket és kontextust, valamint teszteket az átalakítások irányítására. Az Augmented Dickey-Fuller (ADF) teszt egységgyökér nullhipotézissel rendelkezik; az elutasítás elmulasztása nem az egységgyök bizonyítéka, különösen korlátozott teljesítmény esetén. A KPSS teszt a stacionaritást használja nullaként, a szint- vagy trendstacionaritás változataival. Ellentétes nullpontjaik kiegészítik egymást. Például, ha az ADF nem utasítja el, míg a KPSS elutasítja, az egyszerű stacionaritás ellen szól, de a tesztek érzékenyek a késleltetésekre, a determinisztikus kifejezésekre, a minta hosszára és a szerkezeti törésekre. A transzformáció után vizsgáljuk meg, hogy az átlag és a variancia stabilnak tűnik-e, megmaradnak-e a szezonális mintázatok, és megfelelő-e a reziduális függés a tervezett modellhez. A vizsgálati eredmény nem választja ki mechanikusan a különbségi sorrendet. Őrizze meg a transzformációkat az inverz előrejelzéshez, és ne szivárogjon be a jövőbeli megfigyelések a paraméterek kiválasztásába. A stacionaritás a folyamat vagy az átalakult folyamat tulajdonsága, nem pedig egyetlen p-érték által garantált címke. A későbbi megfigyelések előrejelzési teljesítménye továbbra is annak gyakorlati ellenőrzése, hogy a választott reprezentáció támogatja-e a tervezett horizontot.
Egy hipotetikus havi sorozat folyamatosan emelkedik. Az első különbségek levonják az előző havi értéket minden aktuális értékből, így a szinttrend hónapról-hónapra váltott változásokká, amelyek stabilabbak lehetnek.
Az ADF teszt nem utasítja el az egységgyök nullát, míg a KPSS elutasítja a stacionaritási nullát. Ezek az eredmények együttesen támogatják a nonstacionaritás vizsgálatát, de önmagában egyik teszt sem igazolja a helyes transzformációt.
A determinisztikus trendű sorozatokat időbeli trend illesztésével és a reziduális viselkedés elemzésével detrendáljuk, míg a differencia-stacionárius sorozatok differenciálást igényelhetnek; az adatfolyamat tájékoztatja, hogy melyik megközelítés a megfelelő.
Egyszeri differenciálás után az elemző ábrázolja a transzformált sorozatot, és ellenőrzi a variancia, a szezonális mintázatok és az autokorrelációt. A második különbséget a rendszer nem alkalmazza automatikusan, csak azért, mert a teszt p-értéke kényelmetlen marad.
Az idősoros munkafolyamatoknak a stacionaritási teszteket a diagramokkal, a folyamatismerettel és az előrejelzés érvényesítésével kell kombinálniuk, ahelyett, hogy egyetlen sikeres/nem megfelelő eredményre hagyatkoznának. Az elemzők rögzíthetik az eltérő sorrendet, szezonális időszakot és determinisztikus kifejezéseket, majd ellenőrizhetik, hogy az inverz transzformációk megőrzik-e az előrejelzés értelmezését. A törések és a változó variancia figyelése segít azonosítani, ha egy korábban stacionárius ábrázolás már nem fér el. Amint több adat érkezik, tesztelje újra és hasonlítsa össze az előrejelzéseket a későbbi gördülő ablakokon. A jó jelentések elmagyarázzák, hogy mit és miért alakítottak át, így a későbbi felhasználók megkülönböztethetik a stabil modellfeltevést az összes jövőbeli adat ellenőrzött tulajdonságától.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A stacionárius idősorok stabil statisztikai viselkedést mutatnak az időben, például állandó átlaggal és autokovariancia szerkezettel gyenge stacionaritás mellett. A különbségek eltávolíthatják a sztochasztikus trendeket, míg az ADF és KPSS tesztek kiegészítő bizonyítékot szolgáltatnak, amelyek nullhipotéziseit óvatosan kell értelmezni.
A gyenge stacionaritás megköveteli, hogy a kovariancia az elválasztási késleltetéstől függjön, nem pedig az abszolút időpozíciótól.
Az első különbségtétel az y_t - y_(t-1) függvényt alkalmazza, az egymást követő változtatásokra összpontosítva.
Az ADF null értéke egységgyök; az alternatíva a stacionaritás a meghatározott determinisztikus feltételek mellett.
A KPSS a szint- vagy trendstacionaritást nullaként kezeli, kiegészítve az ADF egységgyökér nullát.
A szezonális különbségek a megfigyeléseket s lépésenként hasonlítják össze, ahol s a ciklus hossza.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
WFST dekódolás a beszédfelismerésben
Műszaki