01
背景
大家应该在从事软件开发领域工作时间有一段时间之后，就开始有画图的意识，不管是懵懂的学别人还是想更好的让其它人理解自己的一个观点。
所谓“一图胜千言”，我们身处于软件开发这个水很深且要求精确的复杂领域里，要想把事情做好，最基本的是把事情想明白，其次要让相关的人能够明白你要说的东西，进行协作。
特别对于一位架构师来说，
Matlab中用于计算自相关函数的指令是xcorr.比如矩阵A=[1 2 3]; xcorr(A)=3.0000 8.0000 14.0000 8.0000 3.0000 自相关函数是信号间隔的函数，间隔有正负间隔，所以n个长度的信号，有2n-1个自相关函数值，分别描述的是不同信号间隔的相似程度。 比如，上面
转载
2023-11-20 17:18:57
167阅读
corrplot包与ggcorrplot相关图（一）corrplot包与ggcorrplot相关图（二）R语言可视化（十五）：相关性图绘制参数解释：R语言corrplot示例1# install.packages("corrplot")
library(corrplot)
library(ggplot2)
library(ggcorrplot)
data("mtcars")
corr <-
转载
2023-06-25 15:01:21
836阅读
文章目录1 对数收益率时序可视化2 平稳性及白噪声检验2.1 平稳性检验2.2 白噪声检验3 模型定阶3.1 ACF、PACF图定阶3.2 EACF表定阶3.2.1 EACF简表3.2.2 EACF表4 模型拟合5 残差检验6 模型优化7 模型预测 该篇文章实现了对深证综指收益率数据进行ARIMA建模及预测，包括对原始收益数据的处理；平稳性及白噪声检验；ACF/PACF定阶；EACF表定阶；模型
偏相关分析是指当两个变量同时与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程，判定指标是相关系数的R值。在GIS中，偏相关分析也十分常见，我们经常需要分析某一个指数与相关环境参数的相关程度，例如NDVI与气温，降水，地形之间的相关系数。这与我们日常研究息息相关，因此掌握偏相关分析，对我们GISers比较重要。虽然目前网络上有许多教程，但大部分是针对三个变量，且需要收
转载
2024-06-01 07:20:58
107阅读
空间自相关指数又称莫兰指数，是空间分析常采用的指标，但是使用不同软件计算出的莫兰指数有时会不一致，这是因为不同软件设定的默认选项不一样。本篇介绍如何在R语言中计算莫兰指数和局部莫兰指数，使用的工具包为spdep。该包名称是“Spatial Dependence”的缩写，是R语言中专门做空间相关性分析的工具包。在spdep中，计算莫兰指数的过程分为三个步骤，即根据矢量对象创建空间邻接矩阵、根据邻接矩
转载
2023-09-15 21:51:04
885阅读
1 之前说过，运用统计分析常用的观测方式（观测尺度、观测量度）有均值、方差、协方差、自相关、偏相关。但是对于像时间序列这样一维的数据构成特点。有自有的自协方差、自相关和自偏相关，方式和方法也是引用统计分析的度量方式，根据均值为0，方差为常数等特点，略加改变，形成时间序列这种数据特有的一种“自”度量方式。2 关于自协方差这块，我们可以看一下这两个公式： 3 关于自相关这块儿，我们也可
转载
2024-05-14 19:32:43
97阅读
相关分析（二元定距变量的相关分析、二元定序变量的相关分析、偏相关分析和距离相关分析）定义：衡量事物之间，或称变量之间线性关系相关程度的强弱并用适当的统计指标表示出来，这个过程就是相关分析变量之间的关系归纳起来可以分为两种类型，即函数关系和统计关系。相关分析的方法较多，比较直接和常用的一 种是绘制散点图。图形虽然能够直观展现变量之间的相关关系，但不很精确。为了能够更加准确地描述变量之间的线性相关程度
转载
2023-11-07 00:44:22
359阅读
在数据分析与时序数据建模中，自相关图和偏自相关图是非常重要的工具。在这篇博文中，我将详细介绍如何使用 Python 绘制这两种图，并记录我的整个过程，包括环境配置、编译过程、参数调优、定制开发、错误集锦，以及安全加固等方面的内容。
## 环境配置
在开始之前，我们需要确保有正确的环境和依赖包。以下是所需的 Python 版本和依赖包的详细表格：
| 依赖名称 | 版本
什么是时间序列 时间序列简单的说就是各时间点上形成的数值序列，时间序列分析就是通过观察历史数据预测未来的值。在这里需要强调一点的是，时间序列分析并不是关于时间的回归，它主要是研究自身的变化规律的（这里不考虑含外生变量的时间序列）。为什么用python 用两个字总结“情怀”，爱屋及乌，个人比较喜欢python，就用python撸了。能做时间序列的软件很多，S
转载
2024-08-25 12:50:45
29阅读
python进阶教程机器学习深度学习 进入正文 声明：本文所讲的时间序列分析并不是指pandas的时间序列处理方法，pandas时间序列处理更缺确切地说时间序列的可视化、窗口移动操作等一些操作的统称。本文所讲的时间序列分析指的是一种算法，一种通过序列本身所潜在的规律去预测未来某个时刻可能发生的状况
转载
2024-07-25 16:36:57
59阅读
r语言实现自相关分析和偏相关分析自相关分析为什么要做自相关分析：对数据进行建模前首先要对数据有一个大致的理解，自相关分析可以帮助人们看出数据是否平稳，时间序列是否存在某种变化的趋势。自相关简介：自相关是指同一时间序列在不同时刻取值的相关程度，假设有时间序列xt，t=1,2,3,…，则在此时刻 t 和 t+n 之间的相关即为 n 阶自相关，其定义如下：通俗上说，就是把一列数据按照滞后数拆成两列数据，
转载
2023-06-25 13:04:47
559阅读
# R语言中的自相关残差图及其重要性
在统计建模和数据分析中，残差分析是一个至关重要的步骤。特别是自相关残差分析，可以帮助我们识别模型是否适当拟合了数据。在这篇文章中，我们将深入探讨如何使用R语言绘制自相关残差图，并提供相关的代码示例。我们还将讨论其在实际应用中的重要意义。
## 自相关残差
在回归分析中，残差是指观测值与预测值之间的差异。自相关残差是指残差之间的相关性，特别是在时间序列数据
目录一、定义1.1 概念引入1.2 自相关定义1.3 一个小例子 二、性质三、Matlab 仿真四、应用一、定义1.1 概念引入 要描述两个信号之间的相似性，仅用 “很像”、“不太像” 等的描述就显得十分模糊，因此就需要一个指标定量描述信号间的相似程度。根据 “相关函数” 那篇文章可以知道，相关函数的物理意义就是用于定量描述两个随机信
转载
2023-10-31 17:13:30
137阅读
在数据分析和机器学习的领域，自相关图是一个重要的工具，用于分析时间序列数据，帮助我们理解数据的规律和模式。今天，我将向大家分享如何在 Python 中绘制序列自相关图。下面的内容将包括环境准备、集成步骤、配置详解、实战应用、排错指南以及性能优化。
### 环境准备
在开始之前，我们需要确保开发环境的正确设置。这里我简单列出了兼容的技术栈，同时提供了一个版本兼容性矩阵，帮助大家检查相关工具和库的
# R语言实现空间自相关分析指南
## 引言
空间自相关分析是地理信息系统（GIS）和空间数据分析中的一个重要概念。它用于研究空间数据中变量之间的关系，特别是变量在空间上是否存在显著的相关性。本文将指导您如何在R语言中实现空间自相关分析，包括所需的步骤和代码示例。
## 流程概述
为方便理解，以下是进行空间自相关分析的基本流程。
| 步骤 | 描述
原创
2024-08-30 05:05:30
367阅读
什么是时间序列 时间序列简单的说就是各时间点上形成的数值序列，时间序列分析就是通过观察历史数据预测未来的值。在这里需要强调一点的是，时间序列分析并不是关于时间的回归，它主要是研究自身的变化规律的（这里不考虑含外生变量的时间序列）。为什么用python用两个字总结“情怀”，爱屋及乌，个人比较喜欢python，就用python撸了。能做时间序列的软件很多，SAS
# R语言自相关检验科普文章
自相关检验是时间序列分析中的重要步骤之一，它有助于我们了解数据的结构以及变量之间的关系。在R语言中，我们可以使用多种方法进行自相关检验，比如自相关函数（ACF）和偏自相关函数（PACF）。本文将介绍自相关检验的基本概念，并通过示例代码为您展示如何使用R进行自相关检验。
## 自相关的定义
自相关（Autocorrelation）是指同一变量在不同时间点之间的相关
原创
2024-08-19 07:27:07
187阅读
摘 要 空间关联现象普遍存在于地理学的研究之中。笔者首先从对地理学第一定律的阐释出发，说明了空间集聚产生的原因以及使用经典统计可能带来地理研究中的错误结 论，指出研究空间关联的必要性与实际意义；进而分别从国外研究和国内研究两个角度，较为详尽地回顾了空间关联研究的发展过程，从中得出结论：当前空间关联 的研究日趋成熟，应用逐渐广泛；国内研究起步较晚，但已逐渐显示出乐观的研究与应用前景。在对
转载
2024-10-09 21:07:48
64阅读
在数据分析和时间序列分析中，绘制偏自相关图（PACF）是一个重要的步骤。它能够帮助我们了解一个时间序列数据中，当前值与之前值之间的相关性关系。今天，我想和大家分享的是关于如何在 Python 中绘制偏自相关图的过程，以及在这个过程中我遇到的一些问题和解决方案。
### 问题背景
在我们的实际业务中，时间序列数据的分析始终扮演着重要角色，诸如销售预测、用户行为分析等。为了更好地挖掘时间序列的潜在
