Matstat エコノメトリックス マタン - ページ 2

[Алексей Тарабанов]

Roman:

そうですね、基本的には多かれ少なかれ良い選択肢としてやっていることです。
また、別の似たようなモデルでも、ダイバージェンスのような小さな乖離を観察することがあります。
しかし、上のスクリーンショットのように長引くことはなく、かなり短時間で終了します。どうしてそうなるのか、不思議に思いました。
このモデルを試したところ、さらに乖離が長引いた。

ですから、この乖離がどこから来るのか、私には理解できません。正しいモデルでない、または低品質のソースデータである。
行動の論理が理解できない。
初期データをおおよそ正常に調整するべきか、
、違うモデルをかき集めるべきか、どちらかです。
しかし、このモデルを最初に書いてみてください、信じて捨てるのはそう簡単ではありません ))

不適切なモデル

[Vladimir]

Roman:

ただ、次の異常が理解できない、なぜこうなるのか。
MNCより優れているとされる直交モデルを計算してみた。
開始係数を取得しました。
そして、モデルのパラメータ（係数）は、中央値アルゴリズムによって調整されます。
このモデルは初期系列を定性的に記述している。

直交」モデルとは？直交関数の系で分解しているのですか？そして、どの重さに直交しているかを調べると、異常な振る舞いが出てくるかもしれません。例えば、直交セグメントのエッジで。

[Roman]

Vladimir:

直交」モデルとは？
直交関数の系で分解しているのですか？
そして、それらがどれだけの重みで直交しているかを見てください。異常な振る舞いは、それに依存しているかもしれません。
例えば、直交セグメントのエッジで。

いいえ、機能分解では ありません。
直交回帰であり、計算の各ステップにおいて、法線の傾きの角度（phi）を計算する。
法線とは、ある線からある点までの最短距離のことです。
そして、その角度の傾き（phi）を使って、モデルの係数を計算する。

直交座標系

直交フィットANCフィット

おそらく、変則的な場所でのこれらの角度の値を確認する必要があるでしょう。
。

[Andrei Trukhanovich]

Roman:

これは直交回帰で、各計算ステップで法線の傾き角（phi）を計算する。

だから、MSRPやTLSのような名前を発明するのではなく、人間の名前で呼んでください。

また、軸の寸法が異なる場合、どのような意味があるのでしょうか？

[Roman]

Andrei Trukhanovich:

だから、INPCやTLSのようなでっち上げの名前ではなく、人間の名前で呼んでください。

とか、軸の寸法が違うのに意味があるのか？

何を言ってるんだ？
直交回帰、直交モデル、迷っていませんか？
そうです、TLSです、メジアンのリファインです。
数字は例として取り上げました。問題とは関係ないのです。
図中の軸は同じ次元のもので、図面の縮尺が少し違うだけなんです。
直交性を理解する上で重要ではありません。

[Andrei Trukhanovich]

Roman:

直交回帰、直交モデル、迷っていませんか？

そうですね、間違っていますね。

[Vladimir]

Roman:

いいえ、関数分解では ありません。
直交回帰であり、計算の各ステップにおいて、法線の傾きの角度（phi）を計算する。
法線とは、ある線からある点までの最短距離のことです。
そして、その角度の傾き（phi）を使って、モデルの係数を計算する。

直交座標系

直交フィットANCフィット

おそらく、異常な場所でのこれらの角度の値を実際に確認する必要がある。
。

https://www.mql5.com/ru/forum/368720#comment_22203978、 図の下は「異常な」発散が始まる場所です。ほぼコースジャンプで、回帰（線形か非線形か-それはすべてxの関数としてのYの同じ表現です）が狂い、ずれが劇的に増加します。そして、三角多項式と代数多項式の両方による近似の不整合性は連続性の係数に比例する（Jackson-Stechkinの不等式による、wiki "Modulus_continuity" を参照のこと）。関数の振る舞いが連続関数の振る舞いに近接する性質。この図の場合、不連続弾性率の離散対応値はゼロ付近で急激に増加する。

次に、展開の係数を変更します（線形であれば、Yは2つの関数：Y1(x) = 1; Y2(x) = xに分解され、係数はa、bです。Y(x)=a+bx)は、中央値平滑化で既に遅い[連続]です。また、ジャンプで得られた係数の値は、ジャンプ後の任意の地点から近似を開始した場合や、ジャンプを同じ地点へのそれほど速くないコース移動に置き換えた場合にも、その値に戻ることはありません。

ところで、コースがほとんど飛躍的に変化した特殊なケースについて、https://www.mql5.com/ru/forum/368720/page2#comment_22207994、同じような写真をご覧いただけると面白いと思います。

[Roman]

Vladimir:

https://www.mql5.com/ru/forum/368720#comment_22203978、 図の下は「異常な」発散が始まる場所です。コースジャンプに近いところで、回帰（線形でも非線形でも、xの関数としてのYの表現はすべて同じです）が台無しになり、ズレが劇的に大きくなるところです。そして、三角多項式と代数多項式の両方による近似の不整合性は連続性の係数に比例する（Jackson-Stechkinの不等式による、wiki "Modulus_continuity" を参照）。関数の振る舞いが連続関数の振る舞いに近接する性質。この図の場合、不連続弾性率の離散対応値はゼロ付近で急激に増加する。

次に、展開の係数を変更します（線形であれば、Yは2つの関数：Y1(x) = 1; Y2(x) = xに分解され、係数はa、bです。Y(x)=a+bx)は、中央値平滑化で既に遅い[連続]です。また、ジャンプで得られた係数の値は、ジャンプ後の任意の地点から近似を開始した場合や、ジャンプを同じ地点へのそれほど速くないコース移動に置き換えた場合にも、その値に戻ることはありません。

ところで、コースがほとんど飛躍的に変化した特殊なケースについて、https://www.mql5.com/ru/forum/368720/page2#comment_22207994 にあげたような写真があると面白いかもしれませんね。

明晰で包括的なご説明をありがとうございました
また、ジャンプの瞬間のズレも疑ったのですが、正しく定式化することができませんでした。
中央値平滑化が本当に適用されているので、ウィンドウサイズによる ジャンプに関する記憶は残っている。
mql5での散布図はまだ使いこなせていない。まだ勉強中です。そのようなグラフも見てみると面白いかもしれませんね。
グラフをお見せできるのはいつになるかわかりませんが、座標がわかり次第、お見せしたいと思います。

[Roman]

中央値平滑化なしで、純粋な係数の場合、真となるようです。

と思ったら、この回復パターン

追加されました。
はっきりさせるのを忘れていましたが、生データは弱点を明らかにするために、とりあえず変換せずに対数にしているだけです。

[Aleksey Nikolayev]

secret:
対数インクリメントではダメなのか？

そこには多次元的な正常性が必要なんですね。そんなに安く買えませんよ（笑)。