Matstat 计量经济学 Matan - 页 2

[Алексей Тарабанов]

Roman:

是的，这基本上是我正在做的一个或多或少的好选择。
在另一个类似的模型上，我有时也会观察到小的分歧，如发散。
但并不像上面的截图那么长，而是相当短的时间。这让我想知道为什么会发生这样的情况。
我曾尝试过这种模式，看到了更长时间的分歧。

所以我不明白这种分歧从何而来。不是一个正确的模型或低质量的源数据。
我不明白行动的逻辑。
要么我应该把初始数据大约调整到正常，
，要么我应该铲除不同的模型。
但要先试着写出这个模型，不是那么容易相信和扔掉的 ))

不适当的模式

[Vladimir]

Roman:

我只是不能理解以下的反常现象，为什么会发生这种情况。
我计算了一个正交模型，它应该比MNC更好。
我得到了起始系数。
然后通过中位数算法调整模型参数（系数），即对离群值的一种稳健性。
该模型定性地描述了初始系列。

什么是 "正交 "模型？你是在对一个正交函数系统进行分解吗？然后看看它们与什么重量正交 - 异常行为可能取决于此。例如，在正交段的边缘。

[Roman]

Vladimir:

什么是 "正交 "模型？
你是在对一个正交函数系统进行分解吗？
然后看看它们有多少重量是正交的--反常行为可能取决于此。
例如，在正交段的边缘。

不，这不是一个函数 分解。
它是一种正交回归，在每一步的计算中，都要计算法线的斜率角（phi）。
法线是指从一条直线到一个点的最短线段。
然后用角度的斜率（phi）来计算模型的系数。

笛卡尔坐标系

正交拟合适应ANC

可能真的会需要检查这些角度在异常位置的值。

[Andrei Trukhanovich]

Roman:

这是一个正交回归，在每个计算步骤中，都要计算法线的倾斜角度（phi）。

所以要用人名来称呼它，而不是编造MSRP或TLS这样的名字。

而如果轴线的尺寸不同，又有什么意义呢？

[Roman]

Andrei Trukhanovich:

所以要像人一样称呼它，而不是编造INPC或TLS这样的名字。

如果轴的尺寸不同，那还有什么意义？

你在说什么呢？
正交回归，正交模型，你困惑了吗？
是的，它是TLS，有一个中位数的细化。
，这些数字是作为一个例子。它们与问题没有关系。
图中的轴线具有相同的尺寸，只是图纸的比例有点不同。
它对理解正交性并不关键。

[Andrei Trukhanovich]

Roman:

正交回归，正交模型，你困惑了吗？

是的，我同意，错了。

[Vladimir]

Roman:

不，它不是一个函数 分解。
它是一种正交回归，在每一步的计算中，都要计算法线的斜率角（phi）。
法线是指从一条直线到一个点的最短线段。
然后用角度的斜率（phi）来计算模型的系数。

笛卡尔坐标系

正交拟合适应ANC

可能真的需要检查，这些角度的值在异常的位置。

https://www.mql5.com/ru/forum/368720#comment_22203978， 图中的底部是 "异常 "发散开始的地方，是在几乎是课程跳跃的地方，回归（线性或非线性--它都是Y作为x的函数的相同表示）被搞砸了，错位急剧增加。而用三角和代数多项式近似的不一致性与连续性的模数成正比（通过Jackson-Stechkin不等式，见wiki "Modulus_continuity"）。函数行为与连续函数行为接近的属性。在该图所示的情况下，不连续模量的离散对应物在零附近急剧增加。

然后你改变扩展中的系数（如果是线性--Y被分解成两个函数：Y1(x)=1；Y2(x)=x，系数为a和b。Y(x)=a+bx)已经很慢了[连续]，有中值平滑。而且，如果你的方法论从跳跃后的任何一点开始近似，或者如果你用一个不那么快的路线移动到同一点来代替跳跃，那么在跳跃中获得的这些系数的值不会急于回到它们本来的数值。

顺便说一下，如果能看到类似于你在https://www.mql5.com/ru/forum/368720/page2#comment_22207994，课程几乎发生了飞跃性变化的特殊情况下的图片，那将是很有趣的。

[Roman]

Vladimir:

https://www.mql5.com/ru/forum/368720#comment_22203978， 数字的下方是 "异常 "分歧开始的地方，是在近程跳跃的地方，回归（线性或非线性--它都是Y作为x的函数的相同表示）被破坏了，错位急剧增加。而用三角和代数多项式近似的不一致性与连续性的模数成正比（通过Jackson-Stechkin不等式，见wiki "Modulus_continuity"）。函数行为与连续函数行为接近的属性。在该图所示的情况下，不连续模量的离散对应物在零附近急剧增加。

然后你改变扩展中的系数（如果是线性--Y被分解成两个函数：Y1(x)=1；Y2(x)=x，系数为a和b。Y(x)=a+bx)已经很慢了[连续]，有中值平滑。而且，如果你的方法论从跳跃后的任何一点开始近似，或者如果你用一个不那么快的路线移动到同一点来代替跳跃，那么在跳跃时获得的这些系数的值不会急于回到它们本来的值。

顺便说一下，如果能看到类似于你在https://www.mql5.com/ru/forum/368720/page2#comment_22207994，课程几乎发生了飞跃性变化的特殊情况的图片，那就很有意思了。

谢谢你清晰而全面的解释!
我也怀疑在跳跃的瞬间出现错位，但我没能正确表述。
由于中值平滑真的被应用了，关于跳跃的记忆，取决于窗口大小， 仍然存在。
我还没有熟悉mql5上的散点图。仍在学习过程中。看到这样的图表也会很有趣。
我不知道我多快能显示出图表，只要我搞清楚坐标，我就会显示。

[Roman]

在没有中值平滑的情况下，在纯系数上，似乎是这样的

但随后你会得到这种恢复模式

已添加。
我忘了澄清，原始数据只是对数，暂时没有转换，以揭示弱点。

[Aleksey Nikolayev]

secret:
对数增量 - 不够好？

你在那里需要多维度的规范。你不可能买到那么便宜的东西)。