Análisis Práctico de Series Temporales

Índice

A

• tipo de datos abstracto, Construir un universo de simulación que funcione por sí mismo
• precisión, rendimiento frente a, Consideraciones sobre el rendimiento en el ajuste y servicio de modelos de series temporales
• ACF(ver función de autocorrelación)
• tablas actuariales, La medicina como problema de series temporales
• modelo de regresión aditiva, el paquete Prophet de código abierto de Facebook
• modelado basado en agentes, Construir un universo de simulación que funcione por sí mismo
• agregación
  • Marco interno de previsión de Google, Agregación temporal y desagregación geográfica/conceptual
  • de los datos de la administración pública, sobremuestrear y agregar los datos a medida que los recorremos
• Conjunto de datos AirPassengers, Intuición, La función de autocorrelación parcial
  • Visualizaciones2D, Visualizaciones 2D-2D
  • Visualizaciones3D, Visualizaciones 3D-3D
  • Suavizado de datos, Suavizado exponencial
• Criterio de información de Akaike (AIC), Elección de parámetros para un modelo AR(p)
• parámetro alfa (factor de suavizado), Suavizado exponencial
• AlphaVantage, Obtener y Explorar Datos Financieros
• Servicio de predicción de series temporales de Amazon, Más recursos, Predicción como servicio
• AnomalyDetection (paquete de Twitter),Paquete AnomalyDetection de códigoabierto de Twitter-Paquete AnomalyDetection de código abierto de Twitter
• Modelo AR(p), Utilizar el álgebra para comprender las restricciones de los procesos AR
  • elegirparámetros para, Elegir parámetros para un modelo AR(p)-Elegirparámetros para un modelo ...