它们提供了建模样本中统计相关性的唯一独立累积量式描述。例如,最大正值为≈ 0.65,与第一个和第二个变量中的抛物线相对应的是:两者都靠近中心的统计无效性。最大负isa≈ -0.82,表示随着第一个变量的增长,第二个变量的减少。五、 上下文相关建模下一步是尝试利用时间相邻值之间的统计相关性:基于上下文表示历史,例如一些以前的值,或提取有关过去的关键信息,例如在一些降维方法中,如PCA:对应于方差矩阵的最大特征值。为了简单和降维,我们将研究(x,x)对,因为xh的相关性要弱得多。我们已经将前一对视为上下文(d=4):xt=(x(t),x(t),x(t- 1) ,x(t- 1) )或之前的两对(d=6):xt=(x(t),x(t),x(t- 1) ,x(t- 1) ,x(t-2) ,x(t- 2) )对于t=1。n其中是n- 1或n- 2相应地。图5给出了最大考虑模型(d=6,m=9,10coef)最重要的100个系数。每个都是独立的,并具有特定含义:校正ajQdi=1fji(xi),以在[0,1]上初始均匀密度-提供观察数据样本中统计相关性的唯一描述。不只是随机噪声的结果,σ≈ ρ=1时为0.012(在[0,1]d上的均匀密度),在该样品中超过几十倍。图6显示了m=9阶2(右,10coef系数)和类似的阶1(左,10coef系数)的结果。尤其是order 2模型提供了一个非常完美的协议:≈ 80%的情况下,实际观测值位于最小预测区域(ρ=10的红边界)。
|