Time Series 简明教程

对于平稳时间序列，自回归模型将时间“t”处的变量值视为其之前“p”时间步的值的线性函数。数学上可以写成以下形式：

y_ {t} = \:C+\:\phi_{1}y_{t-1}\:+\:\phi_{2}Y_{t-2}…​\phi_{p}y_{t-p}+\epsilon_{t}

我无法使用 Gemini 翻译任何内容。

其中，“p”是自回归趋势参数

\epsilon_ {t} 是白噪声，并且

y_ {t-1}，y_ {t-2} \:\: …y_ {t-p} 表示先前的时期变量的值。

可以使用多种方法校准 p 的值。找到“p”的适当值的一种方法是绘制自相关图。

Note - 在对数据执行任何分析之前，我们应该以 8:2 的可用总数据集比率将数据分割为训练和测试，因为测试数据只能找出我们模型的准确性，并且假设在作出预测之前我们无法获得该数据。对于时间序列，数据点的序列非常重要，因此在分割数据时应记住不要丢失顺序。

自相关图或相关图显示变量与其自身在先前的时步关系。它使用 Pearson 相关并且显示 95% 置信区间内的相关。让我们看看我们数据的“温度”变量是怎样的。