Ich habe kürzlich nach Möglichkeiten gesucht, Zeitreihen auf diese Weise neu abzutasten
- Erhalten Sie ungefähr die Autokorrelation langer Speicherprozesse.
- Behalten Sie den Bereich der Beobachtungen bei (zum Beispiel ist eine neu abgetastete Zeitserie von ganzen Zahlen immer noch eine Zeitserie von ganzen Zahlen).
- Kann bei Bedarf nur einige Skalen betreffen.
Ich habe das folgende Permutationsschema für eine Zeitreihe mit der Länge :
- Bin die Zeitreihe durch Paare von aufeinanderfolgenden Beobachtungen (es gibt solcher Bins). Flip jeder von ihnen ( dh Index von
1:2
bis2:1
) unabhängig mit einer Wahrscheinlichkeit . - Bin die erhaltene Zeitreihe durch aufeinanderfolgende Beobachtungen (es gibt 2 N - 2 solcher Bins). Reverse jeder von ihnen ( dh Index von bis ) independelty mit einer Wahrscheinlichkeit von 1 / 2
1:2:3:4
4:3:2:1
. - Wiederholen Sie den Vorgang mit Behältern der Größe , 16 , ..., 2 N - 1 immer Umkehren der Behälter mit einer Wahrscheinlichkeit von 1 / 2 .
Dieser Entwurf war rein empirisch und ich suche nach Arbeiten, die bereits über diese Art der Permutation veröffentlicht worden wären. Ich bin auch offen für Vorschläge für andere Permutationen oder Resampling-Schemata.
time-series
bootstrap
resampling
permutation-test
gui11aume
quelle
quelle
4:3:2:1
Antworten:
Auf der mathematischen Seite wurde eine Menge Arbeit in Gruppen wie dieser geleistet, aber ein Großteil davon ist für Sie möglicherweise irrelevant. Das obige Bild habe ich einer kürzlich gestellten MO-Frage zu den maximalen Untergruppen des iterierten Kranzprodukts entnommen.
quelle