step 10 ：frequency mapafor mapaest mapacalc mapacomb mapaplot mapafit都是mapa包中能实现一部分算法功能的函数
（1）frequency函数是stats中定义的，也就是说它就是一系列的数据里面，某个数据的频数。
（2）mapafor是一个定义了很长的函数。
（3）mapaest也是一个定义用了很长的函数。
（4）mapacalc是mapafor中提到函数，也是独立定义的。
（5）mapacomb和mapaplot是mapacalc中提到。
（6）mapa手册中提到的mapasimple和tsaggr。
-------------------------------------------------------------------------------------------------------------------------------------------
我们需要逐一分析每个函数过程，以及每个函数在这个包中的作用。对于后者，我们需要换一种方法来了解，用现
在的方法，感觉粒度太小了，见得树叶，不见森林，调整关注点的抽象程度，抽象程度上升一下。
还有一点思考就是，一开始，我们是不是就应该首先问的是，mapa是什么，mapa的框架是什么，如果那样思考的
话，我们会更快的学会这个东西吗？虽然，其他的细节的工作，我们也并没有白做，我们了解r代码的诸多细节。
就像，用不同的两种判定方式填九宫格，一个看没个九格里是不是缺某个数，一个看一个小九格里是不是缺一个数。
这与我们完成81格数格的目标并没有矛盾，我们不必要自责。
但是同时，我们会想什么样的人是聪明的人，就是遇到了大问题，迅速的判断出，需要用大九格缺的数去判断，还
是用小九格缺的数去判断，因为一个现实的问题肯定不是完成81格，这里所说的其实就是解决现实问题的效率问题。
现实世界里能完成81格问题的是上帝啊！
-------------------------------------------------------------------------------------------------------------------------------------------
step 11 开始使用mapa软件包
现在回到问题的开始，mapa由Multiple Aggregation Prediction Algorithm缩写而成。
我们去参考下mapa的手册里怎么描述的。
看了手册，我们需要补上两个函数，mapasimple和tsaggr。
R手册中详细描述了软件包中每个函数的定义方式，使用方式。 Arguments描述变元定义，Value描述值含义。
Usage描述函数中变元和Value是如何排放的。这个手册放在每个软件包介绍页面的Reference Manual。耐心
读懂
使用手册是能有效使用函数包的最快捷方式，最需要读懂的是
Description。
---------------------------------------------------------------------------------------------------------------------------------------------
mapa以及各种预测函数包要解决的问题
mapa手册中介绍的admissions是什么意思？
mapa包中会调用forecast中的内容。ensembleBMA函数包是用全体和贝叶斯模型平均做概率预测的。
BootPR是做偏见纠正预测和自回归时间序列的辅助预测。
我有信心对R中的预测主题给出一个轮廓。
我们从手册给出的例子中看到，包调用的code是非常简单的，完成一组功能，三四行代码就能搞定。
对一个函数进行描述时候，手册中会用到Wapper这个词，感觉，这类函数就不具有真正的功能。
在读forecast的手册，感觉现在真正深入到，我想了解的问题的里面了。
同时，我发现一些程序包是针对很具体的问题，那样的程序包对于别人还有意义么。
-------------------------------------------------------------------------------------------------------------------------------------------
时间序列的预测会有用
就我自己接触到过的数据和现实，我觉得，线性的预测模型只能作为一种其他条件下的解决问题的工具，难道是因为
麻木，知识领域太局限，没有见过很直接的很好的现实线性模型。现实中更多的数据可能需要用时间序列去预测，
就社会领域内的数据，大家都知道，春、夏、秋、冬，地球公转一个年，月球公转，一个月度，社会生活中的人们
结算一次工资，一个周次，大家休息两天，人们娱乐、工作的时间安排都受制这些自然的、宗教的规则，而且事实
也是周一，周二，这样特定标示出来的天数，人们的行为也确实不一样。比如，去看游戏在线数据，有很明显的这
样的基础规律。可能还有一些内在时间区间，不是这么被明显的规定出来，需要发现。季节项{St}。
上面一段强调了时间序列的周期性，就拿一款游戏数据为例，随着市场环境的变化，它的各项数据会呈现出明显的
趋势性，初始阶段成功的策略让市场接受了它，各项有效的运营工作让它贡献的在线人数、营收达到顶峰，强有力
市场竞争者的出现让它的各项数据呈现下行趋势。当每个人成为某项东西的趋势影响者时，世界就显得充满了活了。
在市场竞争中这一项是最重要的。如何让自己成为那个影响趋势的人，这个问题很有意思。趋势项{Tt}。
当然含有很多因素影响你看到的数据，假设你都可以将这些东西纳入你的模型，如果能够对自己的预测的准确性有
把握，这对策略调整是十分有帮助的，这一切都取决于你的模型是不是在坚实的现实基础之上。除去{St}{Tt}，时
间序列还有随机项。{Rt}
所以，我的结论就是在社会领域内的预测，时间序列的预测是可以有用的。当然，还需要有效的信息细分。有效的
细分分析会作为预测统计模型后面的下一个主题。时间序列分解就是找到Xt=St+Tt+Rt中的每一项，t（-1,2,3, ...
--------------------------------------------------------------------------------------------------------------------------------------------
step 12 时间序列分析基本概念回顾
为了把学过的概率统计概念都回顾起来，我觉得可以在一张图里面把他们之间的逻辑关系展示出来。
相互关联的概念、定义用什么图比较好呢？
我自己的兴趣十分广泛，记不清从那儿看来的一句话是说如果你对某一件事情感兴趣，那么你很有可能具备做某件
事情很核心的能力，自己还没有发展出来，某件事情很厉害的能力，倒是发现了只要是用于交流的，看起来很高深
的东西，描绘它们的词语都有十分确切的描述或是定义。在这里我想把概率统计相关的概念定义都梳理出来，方面
自己学习，也请大家指正。
概率统计下面依然有很多分支，那就先把问题都缩小到时间序列的范围之内吧。（待完成）
回答开始的问题，用什么图比较好，初步看了下用SDL能表现复杂的逻辑过程，就用SDL画概念关系图吧。
突然觉得，我好像达·芬奇啊，萌萌哒~
概念快理清了，但是更重要的是，一些概念演进过程中的一些看起来很凑巧的东西，很凑巧的让一些概念很完美 ，
（比如，为什么AR(p),MR(q)是那样定义的），我 自己的推断是这种凑巧背后不是有学术，就是有应用上的需求，咱们
尽量把他们阐明。用什么方式还在思考中。
图一：时间序列的基本概念：
整理我的数理工具箱
在概率统计里面，我们很熟知一些概念，期望，方差，相关性系数，就是所谓的统计性质，概念被开发出来的意义就
在于使用，具有普遍的意义，比如期望，可以很简单的理解成平均数，也能是在概率条件下的一种值。突然发现自己
这些概念的意义有些盲点，比如，参数的估计，不同的估计的方法，回归的方法，模型得到的过程，感觉这一套东
西是
有完整系统的方法论的，大家都知道到，在最初级的高中的统计知识里面有的概念，在进入高等数学以后，随着
关注量变的复杂（矩阵、时间序列）各种各样的子学科都发展出来，我想做的事情是抓出，统计方法里面最重要的那
部分，以时间序列分析为例，每种不同的分支会不一样，但是总归是有一样的地方。我们希望把它理清楚。各种各样
的检验，各种各样的回归，各种各样的估计，各种各样的模型，应该如何选模型，选估计的方法，选回归的方法，选
检验的方法，这都是想要做出可靠的模型必须回答的问题。我接下去想做的就是整理出一种逻辑，从问题领域变化，
会导致我们选择的方法有什么变化，比如，到决策论里面，我们用的方法会有什么变，我们为什么会产生贝叶斯相关
的一系列方法，就是觉得这里面是有很严格的逻辑的，要不然，多少辈的人们为啥要花精力去费神费力的研究这些东
西。就从我自己研究一点经管里面总结出来的问题解决工具来看，很多的概念，像什么东西，像一个点和一个无穷大
的集合体，比如，“竞争情报分析”的“三维分析法”将它分为了三块“市场”“能力”“时间”，“市场”下面又分出了“宏观”
“中观”“微观”，等等，逐一详细的分下去，形成成套的分析方法。这里“竞争情报分析”扮演了一个点的角色。但是，
可以肯定的是如果从另外的层面去看问题，比如对公司进行“财务分析”，“竞争情报分析”将扮演新的这种框架下低一
些级别的点；所以总的来看，“竞争情报分析”这个概念可以被人自由的运用，它可以向克莱因瓶上的一个点，即在外
面，也在里面。我这里强调的就是从应用的角度去观看概率统计的方法，理出一套套路，武术是有套路的吧，当然实
战不能按套路来，我想得到的就是，理出这样一种东西，当你明白你面对的是一个小屁孩，你就不用准备多少老谋
深算，理出这种东西不犯杀鸡用牛刀的错误。我可以举个很贴近实际的例子，你想知道某天付费用户的平均消费量，
那么！在现在的技术条件下，你不用，选取一个样本，去估计整体的情况！同样，如果你面临的是要建立一个对响应
时间有很高要求的高并发系统，就不能指望，不懂Paxos，或者，只是单枪匹马就能实现它。
概率统计的四个套路逐一就是：抽样，估计，检验，决策。
图二：概率统计的方法（UML-Class）
---------------------------------------------------------------------------------------------------------------------------------------------
我或者我的团队想做的预测
我觉得在时间序列Xt=St+Tt+Rt中最值得关注的是第二部分Tt，趋势部分。
当我面临一个问题或者一种现象，我能够告诉客户，在这样这样的情况下适宜用（1）分段（2）回归（3）逐步平均
中的哪种方式进行分段；在你现在这种策略下，将会怎样，在你新的策略下会怎样，会有多大的可能性。在某一种
策略下你有可能损失多少，比如Y，我的模型显示就是这样的，我会在真实结果出来之前就告诉他这件事情，同时，
我会告诉他，根据我的研究，如果依据我的某一种策略你将避免Y的损失，前提是我的策略的价值是5%Y，你得向我
付费，于是你能避免95%Y的损失，你总是划算的；或者，如果采取这样的策略，你将未来的某段时间内增加收入
X，前提是购买我的策略。
我看了下学术界更关注的，就以时间序列为例，是Rt部分，显得不可捉摸，勾起他们好奇心的那个部分。
step 13 forecast包和mapa包如何做时间序列预测的
先说变元的意义：y是；ppy是时间序列的fh是预测期间；
fh是预测期间，初始值
ppy；
ifh是更低一级别的预测期间
初始值1；
comb有两种值“mean”和“median”；
conf.lvl是指置信水平用c（a，b）定义的；
hybrid标示是否提供混合
预测，如果minimumAL>1,minimumAL ETS就启用；
minimumAL的意义是；
MaximumAL的意义是；
Paral的意义是；
display的意义是；
outplot的意义是；
值的意义：
PI是对给定的置信水平作出的预测区间。
MSE是mean squared error。
MAE是mean absolute error。
MSE和MAE都是再看预测值和真实值之间的距离，一个是平均的二次距离，后一个是平均的绝对距离。
infor表示在预测值集合里面的实际值，
outfor是没在预测值集合里面的实际值。对预测模型用三个维度进行
分类，用函数
model（XYZ）表示，X（- {A , M ,Z}、Y（- {N , A , Ad , M , Md , Z}、Z（- {N , A , Ad , M , Md , Z}，
其中，N代表None，A代表Additive，M代表multiplicative，Z代表automatically selected，d代表rtrend implies
damped；其中，X表示错误类型，Y表示趋势的类型，Z表示期间的类型。
GPL是什么意思？
都是在学习别人的东西，当具备了什么之后，就可以独立做出自己的东西了呢？
-------------------------------------------------------------------------------------------------------------------------------------------
jg-xs1
京公网安备 11010802022788号
论坛法律顾问：王进律师
知识产权保护声明
免责及隐私声明
发帖
雷达卡
