Tag Archives: 时间序列

R语言分布滞后线性和非线性模型(DLNM)分析空气污染(臭氧)、温度对死亡率时间序列数据的影响

分布滞后非线性模型(DLNM)表示一个建模框架,可以灵活地描述在时间序列数据中显示潜在非线性和滞后影响的关联。

R语言计量经济学:工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断

两阶段最小二乘法(2SLS)回归拟合的线性模型是一种常用的工具变量估计方法。

Python用时变马尔可夫区制转换(Markov regime switching)自回归模型分析经济时间序列

本文提供了一个在统计模型中使用马可夫转换模型模型的例子,来复现Kim和Nelson(1999)中提出的一些结果。

R语言经济学:动态模型平均(DMA)、动态模型选择(DMS)预测原油价格时间序列

简要地提供了在经济学中使用模型平均和贝叶斯方法的论据,使用了动态模型平均法(DMA),并与ARIMA、TVP等方法进行比较。希望对经济和金融领域的从业人员和研究人员有用。

R语言时变向量自回归(TV-VAR)模型分析时间序列和可视化

在心理学研究中,个人主体的模型正变得越来越流行。原因之一是很难从人之间的数据推断出个人过程。另一个原因是,由于移动设备无处不在,从个人获得的时间序列变得越来越多。

R语言时间序列:ARIMA / GARCH模型的交易策略在外汇市场预测应用

最近,我们继续对时间序列建模进行探索,研究时间序列模型的自回归和条件异方差族。我们想了解自回归移动平均值(ARIMA)和广义自回归条件异方差(GARCH)模型。它们在量化金融文献中经常被引用。

在r语言中使用GAM(广义相加模型)进行电力负荷时间序列分析

在绘制的时间序列中可以看到两个主要的季节性:每日和每周。我们在一天中有48个测量值,在一周中有7天,因此这将是我们用来对响应变量进行建模的自变量–电力负荷。

Python中利用长短期记忆模型LSTM进行时间序列预测分析 – 预测电力负荷数据

LSTM(或长期短期存储器网络)允许分析具有长期依赖性的顺序或有序数据。当涉及到这项任务时,传统的神经网络不足,在这方面,LSTM将用于预测这种情况下的电力消耗模式。

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498