Please enable JavaScript.

Coggle requires JavaScript to display documents.

MGR (Prognozowanie Szeregów Czasowych (Wstęp (Proces analizy (Wstępna…

- - - - Średnia Ruchoma
        
        predykcja rowna średniej kilku ostanich wartości
      - Proste Wygładzanie (Simple Exp Smoothing)
        
        predykcja rowna sredniej wazonej ostanich wartosci (nowsze wieksza waga)
      - Model Liniowy Trendu Holta (Holt’s Linear Trend Model)
        
        jak SES + uzwględnia trend
      - Model Holta Wintera
        
        uzywa trendu i sezonowości
        
        apply exponential smoothing to the seasonal components in addition to level and trend.
      - ARIMA
        
        3 parametry:
        
        d is the degree of differencing(number of times the data have had past values subtracted)
        
        p is the order of the autoregressive model(number of time lags)
        
        q is the order of moving average model. We will discuss more about these parameters in next section.
        
        The ARIMA forecasting for a stationary time series is nothing but a linear (like a linear regression) equation.
        
        Parameter Tuning
        
        Sprawdzenie Stacjonarności
        
        Dickey Fuller test
        
        Usunięcie Trendu
        
        poprzez odjęcie sredniej ruchomej
        
        Usunięcie Sezonowości
        
        Prognozowanie
        
        ACF and PACF plot
        
        AR model
        
        MA model
        
        Combined model
      - SARIMAX
        
        takes into account the seasonality of the time series
      - Naiwne Podejście
        
        kazda predykcja rowna ostatniej wartosci
    - - Czemu?
        
        Ograniczenia metod klasycznych
        
        Co wnosi MLP?
        
        Co wnoszą RNN?
  - - - usuwanie trendu poprzez odejmowanie średniej ruchomej
      - Warunki
        
        The mean of the time series should not be a function of time. It should be constant.
        
        The variance of the time series should not be a function of time.
        
        THe covariance of the ith term and the (i+m)th term should not be a function of time.
      - Po co
        
        We make the series stationary to make the variables independent. Variables can be dependent in various ways, but can only be independent in one way. So, we will get more information when they are independent. Hence the time series must be stationary.
        If the time series is not stationary, firstly we have to make it stationary. For doing so, we need to remove the trend and seasonality from the data. To learn more about stationarity you can refer this article: https://www.analyticsvidhya.com/blog/2015/12/complete-tutorial-time-series-modeling/
    - - Trend
      - Sezonowość
      - Cykliczność
      - Błąd Rezydualny
    - - eksperckie, postaw przed spojrzeniem na dane, żeby uniknąć biasu. potem je waliduj robiąc
  - - - Zdefiniuj problem i co chcesz prognozować, na jaki okres
      - Zbierz dane i określ ich rodzaj
      - Wstępna analiza eksploracyjna
        
        zawsze zacznij od grafów
      - Wybranie i dopasowanie modelu
      - Wykorzystanie i ocena jakości predykcji modelu
    - - proste (tylko 1 zmienna)
        
        Therefore they will extrapolate trend and seasonal patterns, but they ignore all other information such as marketing initiatives, competitor activity, changes in economic conditions, and so on.
        
        Modele Dekompozycji
        
        Modele wygładzania wykładniczego
        
        Modele ARIMA
        
        wykorzystujące tylko historyczne obserwacje zmiennej prognozowanej (poprzez ekstrapolację), nie starają się użyć zmiennych zewnętrznych/prognostycznych (i tym samym szukać czynników wpływających na zachowanie zmiennej prognozowanej)
      - modele wyjaśniające
        
        trudniejsze (ze zmiennymi zewnętrznymi starającymi się wyjaśnić zachowanie szeregu)
      - modele mieszane
        
        łączą analize szeregów czasowych i zmiennych objaśniających
        
        Modele Regresji Dynamicznej
        
        Modele danych panelowych
        
        longitudinal models, transfer function models, and linear system models (assuming that f is linear
      - ktory wybrac? zalezy czego oczekujesz, jakie dane, specyfika problemu