问题标签 [autoregressive-models]

抱歉，如果这是一个简单的问题/错误，但是当我尝试使用 statsmodels.tsa AR 预测时间序列时，预测会很快超过我拥有的数据。这不取决于模型的顺序或用于拟合 AR 模型的数据长度。

我究竟做错了什么？

所以我读到可以将 AR 模型拟合到 EEG 数据，然后使用 AR 系数作为对数据进行聚类或分类的特征：例如 Mohammadi 等人，使用 AR 模型进行 EEG 信号的人员识别，2006 年。

作为质量控制步骤和解释的帮助，我想直观地看到拟合模型产生/模拟的时间序列类型。如果我正在做 K 均值或其他分类，这也将允许我展示原型模型。

然而，我似乎能够产生的只是噪音！

朝着我想要的方向迈出的任何一步都将受到欢迎。

绘制时：

我正在尝试使用 Matlab 提供的 NARX 神经网络解决方案来解决时间序列问题。我试图了解如何预测实际值，但我得到的结果几乎是完美的！错误是如此之小，以至于我不确定我是否真的在预测。我只是想确保我做的一切都是正确的！

基本上，我使用 GUI 解决方案用一些样本训练网络。然后我使用以下脚本用新样本测试神经网络：

我得到的图表几乎与原始目标时间序列函数相同。误差非常小，唯一的区别是图 (Y) 向左移动了 2 个样本。但是，我真的在预测吗？

这是图表的一部分：

提前致谢！

更新：实际的预测图向右而不是向左移动。preparets 函数（蓝色）提供的目标发生在之前！所以它并没有表明它实际上是在预测。

我正在尝试使用 R 中的 auto.arima 函数来拟合 arima 模型。即使数据是非平稳的，结果也会显示顺序 (0,0,0)。

auto.arima(x,近似值=真)

具有非零均值的 ARIMA(0,0,0)

有人可以建议为什么会出现这样的结果吗？顺便说一句，我仅在 10 个数据点上运行此功能。

我正在使用带有 vars 包的季度数据开发一个 VAR 模型。要指定自回归器，此包中的 VAR 函数为您提供了两种选择。您可以让 R 为您选择最佳延迟，直至您使用“lag.max”设置的最大值。在这种情况下，鉴于我有季度数据，我会将其设置为 4。但是，我不清楚这个函数在多大程度上真正以这种方式选择了最佳滞后。似乎每次我这样做时，R 似乎都会选择前 3 个季度滞后。理论和实践表明，Lag 4 通常比其他的更好，因为它吸收了季节性（季度数据）。现在，指定滞后的另一种方法是使用“p”参数。因此，如果您声明 p = 1。它将执行第一个滞后。但是，如果你这样做 p = 4; 它不会只做第四个滞后（我想要的那个）。反而，它完成所有四个滞后到第 4 个（滞后 1、滞后 2、滞后 3、滞后 4）。如何仅使用 Lag 4 指定？这不可能吗，因为它正在破坏 VAR 模型的实际结构？

我有一个回归：*yt=β1+β2*xi+ei*，n=23，“x”是 AR(1)：

xi = c + ∅x(i-1) + ηi , 其中 ηi~N(0,1) , x0~N(c/(1-∅),1/(1-∅^2) , c=2 , ∅=0.6

第一部分，创建 x 是可以的：

如何使用此回归创建 y：*yt=β1+β2*xi+ei*

和 β1=0.913 和 β2= 0.015

我有大约 10000 个时间序列。

我想使用 auto.arima 功能http://www.inside-r.org/packages/cran/forecast/docs/auto.arima

我想测试我的 auto.arima 模型对 10000 个时间序列的准确性。我推迟了 20% 的数据点（如果您看到 40 个样本中的样本，我将推迟 8 个），然后让 auto.arima 预测。然后我可以将生成的 8 个值与实际的 8 个值进行比较。
但是有没有一种正式的方法来测试 ARIMA 模型的准确性？我的方法正确吗？

样本时间序列 1

时间序列 2

我想在 MATLAB 或 Python 中创建两个向量时间序列，如下所示。 Variances = 1和0.7，分别。

我将如何去做...我知道对于 X(t)，我可以在 MATLAB 中编写以下代码：

有人可以提供有关如何Y(t)在 MATLAB 和/或 Python 中进行操作的见解。谢谢！

我想知道 AR 系数是否有一个“经验法则”范围（或更具体的东西）来表明一个过程是否强烈地还原、均值还原、随机游走等。任何建议将不胜感激。例如：假设我在 AR(1) 分位数回归中给定水平的 AR 系数（假设线不交叉）是：

1. 0.05 = 1.02
2. 0.15 = 0.95
3. 0.50 = 0.72
4. 0.85 = 0.25
5. 0.95 = 1.5

毋庸置疑，该过程在 0.05 和 0.95 处充当随机游走，但其余范围呢？

以下是我使用 PROC AUTOREG 构建 GARCH 模型的 SAS 程序：

我在 2 个不同版本的 SAS 中使用相同的数据库运行相同的程序：

1) 基础 SAS

2) ETS SAS；

两者都给出了不同的 GARCH 估计，尽管 AUTOREG 估计是相同的。请帮助为什么会这样以及如何获得相同的输出？