glarma: uogólnione liniowe autoregresywne średnie ruchome modele z. Numeryczna tolerancja rozpoznawania liczb, które są mniejsze od określonej tolerancji, jako zero. Modele dla glamy są określone symbolicznie. Typowy model ma postać y (odpowiedź), X (wyrażenia), gdzie y jest wektorem liczby lub wektora odpowiedzi czynników, X to seria terminów, która określa liniowy predyktor odpowiedzi. Należy zauważyć, że pierwsza kolumna X powinna być wektorem 1s jako przecięcie modelu. Cztery wstępne parametry, które należy oszacować, łączy się w delta (beta, phi, theta, alfa). gdzie alfa jest parametrem opcjonalnym w celu uwzględnienia ujemnego modelu dwumianowego. Zauważ, że w funkcji glm. nb z pakietu MASS. ten parametr nazywany jest theta. W przypadku rozkładów Poissona i ujemnych algorytmów dwumianowych łącze logowania jest obecnie używane. W przypadku odpowiedzi dwumianowych logit jest obecnie używany. Generowane liniowe autoregresywne średnie ruchome modele są obliczane w następujący sposób. Linearny predykat odpowiedzi to log (mut) Wt transponuje (Xt) beta przesunięcie Zt. Nieskończona średnia ruchoma z liniowego predykatora to suma Zt (pozostałości gammai (t-i)). Ta nieskończona średnia ruchoma jest obliczana za pomocą autokorektywnych średnich ruchów Zt phi1 (Z (t-1) e (t-1)). fip (Z e (t-p)) theta1 e. thetaq e gdzie p i q są kolejnością phi i theta, a niezerowe opóźnienia wektorów phi i theta mogą być określone przez użytkownika za pomocą argumentów phiLag i thetaLag. Istnieją dwa typy reszt, które mogą być użyte w każdej rekursji, resztki Pearson'a lub wynikowe reszty, a ponadto dla rozkładu dwumianowego można użyć pozostałości tożsamości. Nieskończona średnia ruchoma, Zt. zależy od rodzaju resztek użytych, podobnie jak końcowe parametry uzyskane z filtra. Standaryzacja dawnych obserwowanych kwot jest konieczna, aby uniknąć niestabilności, dlatego użytkownik powinien wybrać odpowiedni typ resztek w zależności od sytuacji. Metoda szacowania parametrów realizowanych w funkcji ma na celu maksymalizację prawdopodobieństwa logowania metodą iteracyjną, począwszy od odpowiednio dobranych wartości początkowych dla parametrów. Począwszy od wartości początkowych delta hat (0) dla wektora aktualizacji parametrów uzyskuje się przy użyciu pierwszej pochodnej delta (k1) delta (k) Omega (deltak) log (deltak), gdzie Omega (delta hat (k)) jest odpowiednio dobrana macierz. Iteracje trwają od k gt 1 aż do uzyskania zbieżności lub liczba iteracji k osiągnie określony przez użytkownika górny limit maksimum iteracji, w którym to przypadku się zatrzyma. Kryterium konwergencji zastosowane w naszym wdrożeniu opiera się na eta. maksymalne wartości bezwzględne pierwszych pochodnych. Kiedy eta jest mniejsza niż określona przez użytkownika gradacja wartości, iteracje są zatrzymane. Istnieją dwie metody optymalizacji prawdopodobieństwa, oceny Newtona-Raphona i Fishera. Użyta metoda jest określona metodą argumentu. Należy zauważyć, że jeśli początkowa wartość parametrów nie jest dobrana dobrze, optymalizacja prawdopodobieństwa może się nie zbliżać. Konieczne jest zachowanie ostrożności przy dopasowywaniu specyfikacji ARMA, ponieważ nie można zidentyfikować parametrów AR i MA, jeśli zamówienia p i q są zbyt duże. Brak algorytmów ujawnia się w algorytmie, aby zoptymalizować prawdopodobieństwo, że nie będzie się zbieżny i czy hessian będzie dokładnie sprawdzał komunikaty ostrzegawcze i kody błędów konwergencji. Podsumowanie funkcji (tj. Summary. glarma) można wykorzystać do uzyskania lub wydrukowania podsumowania wyników. Ogólny rodzaj akcesora ma coef (tj. Coef. glarma), logLik (tj. LogLik. glarma), zamontowany (tj. Equip. glarma), resztki (tj. Residuals. glarma), noże (tj. Nobs. glarma), model. frame. frame. glarma) i extractAIC (tj. extractAIC. glarma) można wykorzystać do wyodrębnienia różnych przydatnych właściwości wartości zwracanej przez glarmę. glarma zwraca obiekt klasy glarma z komponentami: Enhanced PDF (344 KB) Modele serii czasowej są często konstruowane przez łączenie niestacjonarnych efektów, takich jak trendy z procesami stochastycznymi, które uważa się za nieruchome. Chociaż stacjonowanie podstawowego procesu jest zazwyczaj kluczowe dla zapewnienia pożądanych właściwości, a nawet ważności estymatorów statystycznych, istnieją liczne modele serii czasowych, dla których ta stacjonarność nie jest jeszcze sprawdzona. Główną barierą jest to, że najczęściej stosowane metody zakładają, że c3C6 - jednorodność, jest to warunek, który można pogwałcić dla ważnej klasy modelów sterowanych obserwowanymi dyskretnie. Pokazujemy (ścisłą) stacjonarność dla klasy klas Generalizowanych Autoregresywnych Średnia Ruch Ruch (GARMA), która zapewnia elastyczny analog dla modeli ARMA dla danych liczonych, binarnych lub innych dyskretnie. Robimy to z dwóch perspektyw. Po pierwsze, pokazujemy warunki, w których modele GARMA mają unikalną dystrybucję stacjonarną (więc są stacjonarne podczas inicjowania w tej dystrybucji). Ten wynik może stanowić podstawę dla szerokiego wykazania spójności i asymptotycznej normalności estymatorów maksymalnego prawdopodobieństwa dla modeli GARMA. Ponieważ te wnioski nie są natychmiastowe, podejmujemy również drugie podejście. Pokazujemy stacjonarność i ergodyczność zaburzonej wersji modelu GARMA, która wykorzystuje fakt, że model zakłócony jest x3C6 - malejący i natychmiast pociąga za sobą konsekwentne oszacowanie średnich, opóźnionych kowariancji i innych funkcji związanych z procesem perturbowanym. Związujemy się z perturbowanymi i oryginalnymi procesami, pokazując, że model zakłóconych daje szacunkowe parametry, które są arbitralnie zbliżone do tych z oryginalnego modelu. Informacje o artykule Daty Dostępne w Project Euclid: 8 sierpnia 2017 Stały link do tego dokumentu projecteuclid. orgeuclid. ejs1312818919 Identyfikator obiektów cyfrowych doi: 10.121411-EJS627 Woodard, Dawn B. Matteson, David S. Henderson, Shane G. Stacjonarność uogólnionego ruchu autoregresywnego średnie modele. Elektron. J. Statist. 5 (2017), 800-828. doi: 10.121411-EJS627. projecteuclid. orgeuclid. ejs1312818919. Odsyłacze eksportowe 1 Benjamin, M. A. Rigby, R. A. i Stasinopoulos, D. M. (2003). Uogólnione autoregresywne modele średnie ruchome. Dziennik Amerykańskiego Stowarzyszenia Statystycznego 98. 214x2017223. 2 Billingsley, P. (1995). Prawdopodobieństwo i działanie. 3rd ed. Wiley, New York. Mathematical Reviews (MathSciNet): MR1324786 3 Bougerol, P. i Picard, N. (1992). Ścisła stacjonarność uogólnionych procesów autoregresji. Annals of Probability 20. 1714x20171730.4 Brockwell, P. J. i Davis, R. A. (1991). Serie czasowe: teoria i metody. 2nd ed. Springer-Verlag, Nowy Jork. Oceny matematyczne (MathSciNet): MR1093459 5 Chan, K. S. i Ledolter, J. (1995). Monte Carlo Ocena EM dla modeli serii czasowych z liczeniem. Dziennik Amerykańskiego Stowarzyszenia Statystycznego 90. 242x2017252.6 Cox, D. R. (1981). Analiza statystyczna serii czasowych: niektóre ostatnie wydarzenia. Skandynawskie czasopismo statystyczne 8. 93x2017115Mathematical Reviews (MathSciNet): MR623586 7 Davis, R. A. Dunsmuir, W. T. M. i Streett, S. B. (2003). Obserwowane modele do obliczeń Poissona. Biometrika 90. 777x2017790.8 Durbin, J. i Koopman, S. J. (2000). Analiza szeregów czasowych obserwacji nie Gaussowskich opartych na modelach przestrzennych stanów z perspektywy klasycznej i Bayesowskiej. Journal of Royal Stastistical Society, seria B 62. 3x201756,9 Ferland, R. Latour, A. i Oraichi, D. (2006). Integer-valued procesu GARCH. Journal of Time Analiza serii 27. 923x2017942.10 Fokianos, K. Rahbek, A. i Tjostheim, D. (2009). Autoregresja Poissona. Dziennik Amerykańskiego Towarzystwa Statystycznego 104. 1430x20171439.11 Fokianos, K. i Tjostheim, D. (2017). Niestosowanie autoregionu Poissona. Przesłano na życzenie od K. Fokianos, www2.ucy. ac. cyfokianos. 12 Fokianos, K. i Tjostheim, D. (2017). Logiczne liniowe autoregresji Poissona. Journal of Multivariate Analysis 102. 563x2017578.13 Hairer, M. (2008). Teoria erwidyczna dla procesów stochastycznych o nieskończoności. Raporty Oberwolfach 5. 4, 2815x20172874. 14 Hairer, M. i Mattingly, J. C. (2006). Ergodiczność równań 2D-Naviera-Stokesa ze zwyrodnianym wymuszeniem stochastycznym. Annale matematyczne 164. 993x20171032.15 Jung, R. C. Kukuk, M. i Liesenfeld, R. (2006). Seria czasowa danych liczbowych: modelowanie, estymacja i diagnostyka. Statystyka obliczeniowa i analiza danych 51. 2350x20172364Mathematical Reviews (MathSciNet): MR2307505 16 LxE9on, L. F. i Tsai, C. (1998). Ocena adekwatności modelu modeli serii regresji Markowa. Biometria 54. 1165x20171175.17 Li, W. K. (1994). Modele serii czasowej oparte na uogólnionych modelach liniowych: kilka dalszych wyników. Biometria 50. 506x2017511. 18 Matteson, D. S. McLean, M. W. Woodard, D. B. i Henderson, S. G. (2017). Prognozowanie Emergency Medical Service określa stawki za przybycie. Okładki statystyk stosowanych 5. 1379x20171406.19 Meitz, M. i Saikkonen, P. (2008). Ergodicity, mieszanie i istnienie momentów klasy klas Markowa z aplikacjami do modeli GARCH i ACD. Teoria ekonometryczna 24. 1291x20171320.20 Meyn, S. P. i Tweedie, R. L. (1993). Łańcuch Markowa i stabilność stochastyczna. Springer-Verlag, London. Przegląd Mathematyczne (MathSciNet): MR1287609 21 Roberts, G. O. i Rosenthal, J. S. (2004). Ogólna przestrzeń stanowa Markov łańcuchy i algorytmy MCMC. Badania prawdopodobieństwa 1. 20x201771,22 Talamantes, J. Behseta, S. i Zender, C. S. (2007). Modelowanie statystyczne danych o gorączce doliny w hrabstwie Kern w Kalifornii. Międzynarodowe Biometeorologia 51. 307x2017313. 23 Thorisson, H. (1995). Metody sprzęgania w teorii prawdopodobieństwa. Skandynawskie czasopismo statystyczne 22. 159x2017182Mathematical Reviews (MathSciNet): MR1339749 24 Tweedie, R. L. (1988). Niekonwencjonalne środki dla łańcuchów Markowa bez założeń o nierozliczalności. Journal of Applied Probability 25. 275x2017285,25 Zeger, S. L. (1988). Model regresji dla szeregów czasowych liczenia. Biometrika 75. 621x2017629.26 Zeger, S. L. i Qqqish, B. (1988). Modele regresji Markowa dla serii czasowych: podejście quasi-prawdopodobieństwo. Biometria 44. 1019x20171031.Generalizowane modele ruchowe autoregresywne Uwaga: Przed użyciem należy zawsze zapoznać się z odnośnikami i wprowadzić niezbędne korekty. Zwróć uwagę na nazwy, kapitalizację i daty. Dziennik Amerykańskiego Towarzystwa Statystycznego Opis: Dzisiejsze wydanie Journal of American Statistical Association (JASA) od dawna uważane jest za pierwszy dziennik nauk statystycznych. Indeks cytowania naukowego informował, że JASA był najbardziej cytowanym dziennikiem w naukach matematyki w latach 1991-2001, z 16 457 cytowaniami, ponad 50 razy większymi od następnych najbardziej wysoko cytowanych czasopism. Artykuły w JASA skupiają się na zastosowaniach statystycznych, teorii i metodach w naukach o charakterze ekonomicznym, społecznym, fizycznym, inżynieryjnym i zdrowotnym oraz o nowych metodach edukacji statystycznej. Zakres: 1922-2017 (tom 18, nr 137 - tom 106, nr 496) Ruchoma ściana przedstawia okres czasu między ostatnim wydaniem dostępnym w JSTOR a opublikowanym ostatnio wydaniem czasopisma. Ruchome ściany są zazwyczaj reprezentowane w latach. W rzadkich przypadkach wydawca zdecydował się na zerową ruchomą ścianę, więc ich aktualne problemy są dostępne w JSTOR wkrótce po publikacji. Uwaga: Przy obliczaniu ruchomej ściany rok bieżący nie jest liczony. Na przykład, jeśli bieżący rok to rok 2008, a dziennik ma pięcioletnią ruchomą ścianę, dostępne są artykuły z roku 2002. Terminy związane ze ścianami ruchomymi Ścianki stałe: czasopisma, w których nie ma nowych woluminów dodawanych do archiwum. Zaabsorbowane: czasopisma połączone z innym tytułem. Complete: Czasopisma, które nie są już publikowane lub zostały połączone z innym tytułem. Tematyka: Matematyka Nauki, Statystyka Kolekcje: Mathematics Statistics Kolekcja Legacy, Kolekcja Statystyki Matematyki, Kolekcja Sztuki I Kolekcja Zbiorów, Korporacyjna Forget Access Inicjatywa Kolekcja Poprzednia strona niedostępna Klasa ogólnych modeli autoregresji średniej ruchomej (GARMA) jest rozwijana, która rozszerza jedyną jednostkę Gaussa Model szeregowy ARMA do elastycznego modelu obserwacji opartego na nieagańskich danych szeregowych. Zakłada się, że zmienna zależna ma rozkład dystonencjalny rodziny warunkowej ze względu na przeszłość procesu. Szacowanie modelu jest przeprowadzane za pomocą algorytmu najmniejszych kwadratów. Właściwości modelu, w tym stacjonarność i momenty krańcowe, są albo wyprowadzane bezpośrednio lub badane przy użyciu symulacji Monte Carlo. Przedstawiono relację modelu GARMA do innych modeli, w tym modele autoregresji Zegera i Qaqisha, ruchomych średnich modeli Li oraz reparametryczny, uogólniony autoregresywny, warunkowy heteroskrętny model GARCH (dostarczający formuły czwartej chwili marginesu, która nie została wcześniej wyprowadzona) . Model wykazuje zastosowanie modelu GARMA z ujemnym rozkładem warunku dwumianowego do dobrze znanego zbioru danych dotyczących liczby polio. Miniatury strony JSTOR jest częścią ITHAKA, organizacji non-profit, która pomaga środowiskowi akademickemu wykorzystywać technologie cyfrowe w celu zachowania historii naukowej oraz do rozwijania badań i nauczania w sposób zrównoważony. copy2000-2017 ITHAKA. Wszelkie prawa zastrzeżone. JSTORreg, logo JSTOR, JPASSreg i ITHAKAreg są zarejestrowanymi znakami towarowymi firmy ITHAKA. glarma: uogólnione modele średnich ruchów autoregresywnych Linear z. Numeryczna tolerancja rozpoznawania liczb, które są mniejsze od określonej tolerancji, jako zero. Modele dla glamy są określone symbolicznie. Typowy model ma postać y (odpowiedź), X (wyrażenia), gdzie y jest wektorem liczby lub wektora odpowiedzi czynników, X to seria terminów, która określa liniowy predyktor odpowiedzi. Należy zauważyć, że pierwsza kolumna X powinna być wektorem 1s jako przecięcie modelu. Cztery wstępne parametry, które należy oszacować, łączy się w delta (beta, phi, theta, alfa). gdzie alfa jest parametrem opcjonalnym w celu uwzględnienia ujemnego modelu dwumianowego. Zauważ, że w funkcji glm. nb z pakietu MASS. ten parametr nazywany jest theta. W przypadku rozkładów Poissona i ujemnych algorytmów dwumianowych łącze logowania jest obecnie używane. W przypadku odpowiedzi dwumianowych logit jest obecnie używany. Generowane liniowe autoregresywne średnie ruchome modele są obliczane w następujący sposób. Linearny predykat odpowiedzi to log (mut) Wt transponuje (Xt) beta przesunięcie Zt. Nieskończona średnia ruchoma z liniowego predykatora to suma Zt (pozostałości gammai (t-i)). Ta nieskończona średnia ruchoma jest obliczana za pomocą autokorektywnych średnich ruchów Zt phi1 (Z (t-1) e (t-1)). fip (Z e (t-p)) theta1 e. thetaq e gdzie p i q są kolejnością phi i theta, a niezerowe opóźnienia wektorów phi i theta mogą być określone przez użytkownika za pomocą argumentów phiLag i thetaLag. Istnieją dwa typy reszt, które mogą być użyte w każdej rekursji, resztki Pearson'a lub wynikowe reszty, a ponadto dla rozkładu dwumianowego można użyć pozostałości tożsamości. Nieskończona średnia ruchoma, Zt. zależy od rodzaju resztek użytych, podobnie jak końcowe parametry uzyskane z filtra. Standaryzacja dawnych obserwowanych kwot jest konieczna, aby uniknąć niestabilności, dlatego użytkownik powinien wybrać odpowiedni typ resztek w zależności od sytuacji. Metoda szacowania parametrów realizowanych w funkcji ma na celu maksymalizację prawdopodobieństwa logowania metodą iteracyjną, począwszy od odpowiednio dobranych wartości początkowych dla parametrów. Począwszy od wartości początkowych delta hat (0) dla wektora aktualizacji parametrów uzyskuje się przy użyciu pierwszej pochodnej delta (k1) delta (k) Omega (deltak) log (deltak), gdzie Omega (delta hat (k)) jest odpowiednio dobrana macierz. Iteracje trwają od k gt 1 aż do uzyskania zbieżności lub liczba iteracji k osiągnie określony przez użytkownika górny limit maksimum iteracji, w którym to przypadku się zatrzyma. Kryterium konwergencji zastosowane w naszym wdrożeniu opiera się na eta. maksymalne wartości bezwzględne pierwszych pochodnych. Kiedy eta jest mniejsza niż określona przez użytkownika gradacja wartości, iteracje są zatrzymane. Istnieją dwie metody optymalizacji prawdopodobieństwa, oceny Newtona-Raphona i Fishera. Użyta metoda jest określona metodą argumentu. Należy zauważyć, że jeśli początkowa wartość parametrów nie jest dobrana dobrze, optymalizacja prawdopodobieństwa może się nie zbliżać. Konieczne jest zachowanie ostrożności przy dopasowywaniu specyfikacji ARMA, ponieważ nie można zidentyfikować parametrów AR i MA, jeśli zamówienia p i q są zbyt duże. Brak algorytmów ujawnia się w algorytmie, aby zoptymalizować prawdopodobieństwo, że nie będzie się zbieżny i czy hessian będzie dokładnie sprawdzał komunikaty ostrzegawcze i kody błędów konwergencji. Podsumowanie funkcji (tj. Summary. glarma) można wykorzystać do uzyskania lub wydrukowania podsumowania wyników. Ogólny rodzaj akcesora ma coef (tj. Coef. glarma), logLik (tj. LogLik. glarma), zamontowany (tj. Equip. glarma), resztki (tj. Residuals. glarma), noże (tj. Nobs. glarma), model. frame. frame. glarma) i extractAIC (tj. extractAIC. glarma) można wykorzystać do wyodrębnienia różnych przydatnych właściwości wartości zwracanej przez glarmę. glarma zwraca obiekt klasy glarma z komponentami:
No comments:
Post a Comment