그렇다면 지난 기간의 고주파 데이터가 저주파 데이터를 기반으로 구축된 회귀 모델의 정확도에 어떤 영향을 미칠 수 있는지에 대해서는 이 방향으로 살펴보고 싶습니다. 또 다른 옵션은 회귀를 위해 불균일한 시간 그리드를 사용하는 것입니다. Elder에 적용하고 더 낮은 시간 프레임 데이터가 있는 경우 이것이 합리적이며 그러한 모델이 최소한 다음 순서가 될 것이라는 의심이 있습니다. 크기가 더 정확합니다. 그리고 아마도 수익성이 있습니다)))
(비균일 그리드의 경우 수치 적분 방법 과먼 유추를 그릴 수 있습니다. 친숙한 사람들은 가우스 그리드를 선택하면같은 수의 노드입니다.)
이 외에도 회귀 오류 기능으로 작업하는 것은 매우 흥미로울 것입니다. 왠지 손이 안가는데...
간단히 말해서, 아이디어는 우리가 최소화하고 있는 전통적인 함수 대신 가중 제곱합(오차 제곱의 합)을 취하는 것입니다. 가중은 시간의 제곱근에 반비례합니다. 차분 자기회귀 방정식이 더 작은 오차를 줄 수 있도록 보장할 것입니다. 시간이 지남에 따라 계열의 예측 값에 더 가까울수록 평균 오차를 줄이는 법칙은 계열 자체의 동작과 일치합니다(기억하십시오. 히스토리 깊숙이 데이터의 분산은 sqrt(t) 로 증가합니다.
결과는 마우스보다 더 부드럽고 정확해야 합니다. 이것은 직관 수준에서 지금까지 모두이지만 그러한 문제에서 거의 실패하지 않습니다))
아마도 누군가가 그것을 확인할 것입니까? 나는 모든 것을하는 데 30 분 또는 1 시간이 걸릴 것이라는 것을 이해하지만 토요일 ...
이 외에도 회귀 오류 기능으로 작업하는 것은 매우 흥미로울 것입니다. 왠지 손이 안가는데...
간단히 말해서, 아이디어는 우리가 최소화하고 있는 전통적인 함수 대신 가중 제곱합(오차 제곱의 합)을 취하는 것입니다. 가중은 시간의 제곱근에 반비례합니다. 우리는 차분 자기회귀 방정식이 더 작은 오차를 줄 것이고, 시간적으로 우리가 계열의 예측된 값에 더 가까울수록 평균 오차를 줄이는 법칙은 계열 자체의 동작과 일치할 것이라는 점을 달성할 것입니다(기억하십시오. 히스토리 깊숙이 데이터의 분산은 sqrt(t) 로 증가합니다.
결과는 마우스보다 더 부드럽고 정확해야 합니다. 이것은 직관 수준에서 지금까지 모두이지만 그러한 문제에서 거의 실패하지 않습니다))
아마도 누군가가 그것을 확인할 것입니까? 나는 모든 것을하는 데 30 분 또는 1 시간이 걸릴 것이라는 것을 이해하지만 토요일 ...
흠
빨간색 행이 있는 것 같습니다. 이것은 파란색의 파생물입니다.
고려하면 공식이 표시되지 않습니까? 그러면 즉시 명확해집니다.
hpf(lambda = 13) dx hp1 @hp13_d 다른 람다가 있는 Hodrick Prescott 필터
hpf(람다 = 200) dx hp2 @hpn_d
hp1_d = hpn_d - hp13_d ' 두 소음의 차이
hp1_d_D = d(hp1_d) 노이즈 게인
흠
빨간색 행이 있는 것 같습니다. 이것은 파란색의 파생물입니다.
그리고 있습니다. 나는 이것이 어떻게 일어났는지 이해하지 못한다:
그리고 있습니다. 나는 이것이 어떻게 일어났는지 이해하지 못한다:
계량경제학 에서 생산할 지점이 왜 그렇게 많은지 이해가 되지 않습니다...
결과 시리즈에 대해 - 적어도 어떻게 든 변태 ... 비 고정 성이 모든 곳에서 나타날 것입니다 ... 단지 다르게 보일 것입니다 ...
그렇다면 지난 기간의 고주파 데이터가 저주파 데이터를 기반으로 구축된 회귀 모델의 정확도에 어떤 영향을 미칠 수 있는지에 대해서는 이 방향으로 살펴보고 싶습니다. 또 다른 옵션은 회귀를 위해 불균일한 시간 그리드를 사용하는 것입니다. Elder에 적용하고 더 낮은 시간 프레임 데이터가 있는 경우 이것이 합리적이며 그러한 모델이 최소한 다음 순서가 될 것이라는 의심이 있습니다. 크기가 더 정확합니다. 그리고 아마도 수익성이 있습니다)))
(비균일 그리드의 경우 수치 적분 방법 과 먼 유추를 그릴 수 있습니다. 친숙한 사람들은 가우스 그리드를 선택하면 같은 수의 노드입니다.)
이 외에도 회귀 오류 기능으로 작업하는 것은 매우 흥미로울 것입니다. 왠지 손이 안가는데...
간단히 말해서, 아이디어는 우리가 최소화하고 있는 전통적인 함수 대신 가중 제곱합(오차 제곱의 합)을 취하는 것입니다. 가중은 시간의 제곱근에 반비례합니다. 차분 자기회귀 방정식이 더 작은 오차를 줄 수 있도록 보장할 것입니다. 시간이 지남에 따라 계열의 예측 값에 더 가까울수록 평균 오차를 줄이는 법칙은 계열 자체의 동작과 일치합니다(기억하십시오. 히스토리 깊숙이 데이터의 분산은 sqrt(t) 로 증가합니다.
결과는 마우스보다 더 부드럽고 정확해야 합니다. 이것은 직관 수준에서 지금까지 모두이지만 그러한 문제에서 거의 실패하지 않습니다))
아마도 누군가가 그것을 확인할 것입니까? 나는 모든 것을하는 데 30 분 또는 1 시간이 걸릴 것이라는 것을 이해하지만 토요일 ...
이 외에도 회귀 오류 기능으로 작업하는 것은 매우 흥미로울 것입니다. 왠지 손이 안가는데...
간단히 말해서, 아이디어는 우리가 최소화하고 있는 전통적인 함수 대신 가중 제곱합(오차 제곱의 합)을 취하는 것입니다. 가중은 시간의 제곱근에 반비례합니다. 우리는 차분 자기회귀 방정식이 더 작은 오차를 줄 것이고, 시간적으로 우리가 계열의 예측된 값에 더 가까울수록 평균 오차를 줄이는 법칙은 계열 자체의 동작과 일치할 것이라는 점을 달성할 것입니다(기억하십시오. 히스토리 깊숙이 데이터의 분산은 sqrt(t) 로 증가합니다.
결과는 마우스보다 더 부드럽고 정확해야 합니다. 이것은 직관 수준에서 지금까지 모두이지만 그러한 문제에서 거의 실패하지 않습니다))
아마도 누군가가 그것을 확인할 것입니까? 나는 모든 것을하는 데 30 분 또는 1 시간이 걸릴 것이라는 것을 이해하지만 토요일 ...
어떤 공식이 있습니까?
추론이 가능하지만
계량경제학에서 생산할 지점이 왜 그렇게 많은지 이해가 되지 않습니다...
결과 시리즈에 대해 - 적어도 어떻게 든 변태 ... 비 고정 성이 모든 곳에서 나타날 것입니다 ... 단지 다르게 보일 것입니다 ...
문제는 주어진 예에서 비정상성이 사라지고 어디로 갔는지 명확하지 않다는 것입니다.
예제 사이에서 사라졌습니다(분명히 Hodrick 또는 다른 곳의 문제임) ... 그렇지 않으면 시리즈가 외관상 고정적이지 않습니다 ...
또는 (동일한 경우) 이전에 나타나는 것을 가져 와서 선두로 사용하려고 했습니까 ... 이것은 한 번일 수 없습니다 .. 어딘가에 오류가 있습니다 ...
문제는 주어진 예에서 비정상성이 사라지고 어디로 갔는지 명확하지 않다는 것입니다.
나는 ss (ss - kloz) red 50, blue 10))의 예를 보았습니다) ... 유사점이 있습니다 ... 워커의 잼 ... 용광로에 ...
비정상이 사라진다고 판단한 이유는?