Movendo média estacionária

Processos autoregressivos estacionários (AR), movimentos médios (MA) e estacionários (ARMA) Processo autoregressivo estacionário (AR) Os processos autoregressivos estacionários possuem funções teóricas de autocorrelação (ACFs) que se deterioram em direção a zero, em vez de cortar para zero. Os coeficientes de autocorrelação podem alternar no sinal com freqüência, ou mostram um padrão parecido com a onda, mas em todos os casos, eles caem para zero. Em contraste, os processos AR com a ordem p possuem funções de autocorrelação parcial teórica (PACF) que cortaram a zero após o atraso p. (O tempo de atraso do pico PACF final é igual à ordem AR do processo, p.) Processo médio em movimento (MA) Os ACFs teóricos da MA (média móvel) processam com a ordem q cortaram a zero após o intervalo q, a ordem MA Do processo. No entanto, seus PACFs teóricos se deterioram em direção a zero. (O tempo de atraso do pico ACF final é igual à ordem MA do processo, q.) Processo de mistura estacionária (ARMA) Os processos de mistura estacionária (ARMA) mostram uma mistura de características AR e MA. Tanto o ACF teórico como o PACF caem para zero. Copyright 2017 Minitab Inc. Todos os direitos reservados. Não sei o que significa dados não estacionários significa. Então eu vou assumir que você significa dados não estacionários. Os métodos de suavização exponencial, incluindo os métodos Holt-Winters, são apropriados para (alguns tipos de) dados não estacionários. Na verdade, eles só são realmente apropriados se os dados não forem estacionários. Usar um método de suavização exponencial em dados estacionários não está errado, mas é subóptimo. Se ao mover médias, você quer dizer previsão usando uma média móvel de observações recentes, então isso também está certo para alguns tipos de dados não estacionários. Mas, obviamente, não funcionará bem com tendências ou sazonalidade. Se ao mover médias, você quer dizer um modelo de média móvel (ou seja, um modelo que consiste em uma combinação linear de termos de erro passado), então você precisa de uma série de tempo estacionária. Stationarity refere-se a uniformidade nas propriedades dos dados. Se você sabe que os dados não são estacionários, isso significa que as propriedades úteis dos dados não podem ser assumidas como iguais para toda a série. Sob tal pressuposição, por que você deseja aplicar o mesmo filtro ou modelo à série inteira. Minha sugestão é buscar propriedades que permaneçam iguais para uma extensão de dados e, em seguida, muda, mas novamente permanece o mesmo para outro trecho. Então procure um critério para a transição entre os dois trechos diferentes de dados. Alternativamente, procure por séries locais estacionárias. Além disso, se o alisamento for o que você quer, então sugiro alguns métodos de suavização não paramétricos como o alisamento do kernel. Edite após o primeiro comentário: se você conhece a forma precisa de não-estacionariedade ou pode aproximar uma forma funcional para a série, use as propriedades do formulário para sua previsão. Respondeu 20 de novembro 13 às 13:42 Esta resposta é extremamente enganosa. Existem séries não estacionárias muito previsíveis, porque a causa da não-estacionaridade pode vir da parte determinista. O que importa é o poder do componente determinista para o poder do componente estocástico no todo. Por exemplo, o erro gaussiano pode ser facilmente filtrado, embora a série exploda e não seja estacionária por qualquer definição. Ndash Cagdas Ozgenc 20 de novembro 13 às 14:00 Sua resposta 2017 Stack Exchange, IncConsiderar o processo de ordem infinita MA definido por ytepsilonta (epsilon epsilon.), Onde a é uma constante e os epsilonts são i. i.d. N (0, v) variável aleatória. Qual é a melhor maneira de mostrar que o yt é não-estacionário, eu sei que preciso examinar as raízes características do polinômio de características e então julgar se estão ou não fora do círculo de unidades, mas qual é a melhor maneira de abordar esse problema? Devo tentar reescrever o processo de ordem infinita como um processo de AR de ordem finita ou é mais fácil trabalhar o processo de MA perguntou 19 de outubro 13 às 21:11