我通常对物理系统进行敏感性分析。因此,对于一个配置,我有一个答案,我可以建立一个设计的实验,并计算每个参数的灵敏度。
但这一次,我想对一个时间序列进行敏感性分析:如果我改变了一个参数,它可能会在稍后产生影响,而不是立即。我想分析长期的数据,而不仅仅是短期的数据。你知道执行这种分析的现有方法吗?
还是要把时间序列转换成“时段”,分别研究每一时段?
发布于 2023-05-19 09:35:59
对时间序列数据进行敏感性分析需要一种不同的方法。一种方法是使用动态线性模型(DLMs)。DLMs可以捕捉参数随时间变化的影响,并可用于执行灵敏度分析。
另一种方法是采用时间序列模型,如自回归积分移动平均(ARIMA)或季节自回归综合移动平均(SARIMA)对数据进行分析。这些模型可用于识别参数变化对较长时间序列的影响。
否则,您还可以将时间序列拆分为较小的时间段,并分别分析每个时间段。这种方法还可以帮助确定某一特定时期内参数变化的影响。但是,重要的是要记住,这种方法可能无法捕捉时间序列行为的全貌。
https://datascience.stackexchange.com/questions/121565
复制相似问题