Trong lĩnh vực kinh tế (tôi nghĩ), chúng tôi có ARIMA và GARCH cho chuỗi thời gian cách đều đặn và Poisson, Hawkes để mô hình hóa các quy trình điểm, vì vậy, về các nỗ lực mô hình hóa chuỗi thời gian cách đều (không đều) - có (ít nhất) bất kỳ thực tiễn phổ biến nào ?
(Nếu bạn có một số kiến thức trong chủ đề này, bạn cũng có thể mở rộng bài viết wiki tương ứng .)
Phiên bản (về các giá trị bị thiếu và chuỗi thời gian cách nhau không đều):
Trả lời bình luận của @Lucas Reis. Nếu khoảng cách giữa các phép đo hoặc biến thực hiện được đặt cách nhau do (ví dụ) quá trình Poisson thì không có nhiều chỗ cho loại chính quy này, nhưng nó tồn tại thủ tục đơn giản: t(i)
là chỉ số thời gian thứ i của biến x (thời gian thứ i của thực hiện x), sau đó xác định khoảng cách giữa các lần đo như g(i)=t(i)-t(i-1)
, sau đó chúng tôi rời rạc g(i)
sử dụng liên tục c
, dg(i)=floor(g(i)/c
và tạo ra chuỗi thời gian mới với số các giá trị trống giữa các quan sát cũ từ chuỗi thời gian ban đầu i
và i+1
tương đương để DG (i), nhưng vấn đề là điều này thủ tục có thể dễ dàng tạo ra chuỗi thời gian với số lượng dữ liệu bị thiếu lớn hơn số lượng quan sát, do đó, việc ước tính hợp lý các giá trị quan sát bị thiếu có thể là không thể và quá lớnc
xóa "cấu trúc thời gian / sự phụ thuộc thời gian, v.v." của vấn đề được phân tích (trường hợp cực đoan được đưa ra bằng cách lấy c>=max(floor(g(i)/c))
mà chỉ đơn giản thu gọn chuỗi thời gian cách đều đặn thành khoảng cách đều đặn
Phiên bản 2 (chỉ để giải trí): Kế toán hình ảnh cho các giá trị bị thiếu trong chuỗi thời gian cách nhau không đều hoặc thậm chí là trường hợp của quá trình điểm.
t(i)
- thời gian x[t(i)],x[t(i+1)],x[t(i+2)]...
và t(j+1)-t(j)
không đổi. Dữ liệu được thu thập trong một trang viên phân tán hoặc không đồng bộ.