Robustas laika sēriju analīze
Robustas laika sēriju analīze piemēro autoregresīvus, vidējās kustības un ARIMA modeļus sērijām, kas satur ārpus novērtējuma vērtības (outliers) vai strukturālas izmaiņas, izmantojot M-novērtējumu vai MM-novērtējumu parastās mazāko kvadrātu metodes vietā, lai daži anomāli novērojumi neizkropļotu pielāgojumu. Tā seko robustās statistikas tradīcijai, kas nostiprināta Maronna, Martin, Yohai un Salibián-Barrera (2019) darbā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Maronna, R. A., Martin, R. D., Yohai, V. J., & Salibián-Barrera, M. (2019). Robust Statistics: Theory and Methods (with R) (2nd ed.). Wiley. ISBN: 978-1119214687
- Peña, D., & Guttman, I. (1988). A Bayesian Approach for Predicting with Outliers. Journal of the American Statistical Association. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Robust Time Series Analysis (M- and MM-estimation based AR / MA / ARIMA). ScholarGate. https://scholargate.app/lv/statistics/robust-time-series
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Analīze par sabrukuma punktuStatistika↔ salīdzināt
- Median Absolute Deviation (MAD) novērtējumsStatistika↔ salīdzināt
- Parastā mazāko kvadrātu (OLS) regresijaEkonometrija↔ salīdzināt
- Robustais lineārais jauktiešu modelisStatistika↔ salīdzināt
- Sn un Qn robustie mēroga novērtētājiStatistika↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →