如果研究者选择的模型不适合真实序列，就可能出现肥尾。检查任何回归模型对真实数据是否充分的标准是残差分布。残差是指真实数据与模型数据的偏差。如果该模型是充分的，那么残差的分布应是正常的。ANC最小化了这些偏差的总和，但残差的分布不一定是正常的，尽管在系列的某些部分可能是正常的。线性回归对有漂移的SB模型有意义，或者在系列的某些部分满足这个模型。如果你知道如何在这些片段结束之前识别它们，那么线性回归就有实际意义。而且，ANC只拾取所选模型的参数--它不保证模型本身的充分性。这就是为什么这不是MNC的错--重要的是选择一个适当的模型和它的正确参数化。而且该模型可以是任何类型的--例如，静止/非静止或不同分布的总和。 imha
如果研究者选择的模型对真实序列来说不够充分，就可能出现肥尾。检验任何回归模型对真实数据是否充分的标准是残差的分布。残差是指真实数据与模型数据的偏差。如果该模型是充分的，那么残差的分布应是正常的。ANC最小化了这些偏差的总和，但残差的分布不一定是正常的，尽管在系列的某些部分可能是正常的。线性回归对有漂移的SB模型有意义，或者在系列的某些部分满足这个模型。如果你知道如何在这些片段结束之前识别它们，那么线性回归就有实际意义。而且，ANC只拾取所选模型的参数--它不保证模型本身的充分性。这就是为什么这不是MNC的错--重要的是选择一个适当的模型和它的正确参数化。而且该模型可以是任何类型的--例如，静止/非静止或不同分布的总和。 imha
我认为，如果自由度的数量很容易，而且依赖性的类型也是先验的，那么问题是什么？
Z.I.我错过了沙漠岛，我想读一些有意义的东西...
我不知道，但这个岛似乎是漂浮在无界线上的...
而民众对自己的不死之身产生了错觉。
我认为。
你能说得更具体些吗？
除其他外，MOC被定位为一种估计研究人员事先选定的函数的最佳参数的方法。
计算这些参数的公式，使实际数据与代理函数的偏差的平方最小化，对各种函数都有推导。
肥胖的尾巴出现在哪里？
请指点我...
如果研究者选择的模型不适合真实序列，就可能出现肥尾。检查任何回归模型对真实数据是否充分的标准是残差分布。残差是指真实数据与模型数据的偏差。如果该模型是充分的，那么残差的分布应是正常的。ANC最小化了这些偏差的总和，但残差的分布不一定是正常的，尽管在系列的某些部分可能是正常的。线性回归对有漂移的SB模型有意义，或者在系列的某些部分满足这个模型。如果你知道如何在这些片段结束之前识别它们，那么线性回归就有实际意义。而且，ANC只拾取所选模型的参数--它不保证模型本身的充分性。这就是为什么这不是MNC的错--重要的是选择一个适当的模型和它的正确参数化。而且该模型可以是任何类型的--例如，静止/非静止或不同分布的总和。 imha
详见https://www.mql5.com/go?link=http://emm.ostu.ru/lect/lect6_2.html[hash]vopros11"检查回归模型是否充分"。
如果研究者选择的模型对真实序列来说不够充分，就可能出现肥尾。检验任何回归模型对真实数据是否充分的标准是残差的分布。残差是指真实数据与模型数据的偏差。如果该模型是充分的，那么残差的分布应是正常的。ANC最小化了这些偏差的总和，但残差的分布不一定是正常的，尽管在系列的某些部分可能是正常的。线性回归对有漂移的SB模型有意义，或者在系列的某些部分满足这个模型。如果你知道如何在这些片段结束之前识别它们，那么线性回归就有实际意义。而且，ANC只拾取所选模型的参数--它不保证模型本身的充分性。这就是为什么这不是MNC的错--重要的是选择一个适当的模型和它的正确参数化。而且该模型可以是任何类型的--例如，静止/非静止或不同分布的总和。 imha
详细情况https://www.mql5.com/go?link=http://emm.ostu.ru/lect/lect6_2.html[hash]vopros11"检查回归模型的充分性"。
这是你为我写的吗？o)
这就是我前几天说的...
FreeLance 19.09.2010 15:52那么，得到一个由多项式近似时的误差经验分布。并将其与正常的进行比较。要特别注意尾部，而不是中央部分。
我们是在讨论选择最佳（在MNC的意义上）多项式参数吗？
或者关于选择他们--但在另一种意义上的最好的人？
或者关于近似的多项式的正确性？
我要求解释MNC计算预选函数参数的低效率（毕竟，厚尾的原因可能在一个不幸的函数中：）。
如果有类似的简单程序来确定这些参数--我很乐意去熟悉它们。
但我对这个问题的表述感到惊讶：既然误差中有尾巴，那么MNC就不好说了......
;)
这里有一个不同的想法被推而广之--
这样的目标函数--误差平方之和--只有 在误差分布本身为正态时才是最优的。
;)
这是你写给我的吗？o)
这就是我前几天所说的...
自由兰斯 19.09.2010 15:52我没有写反对引用的那条，我甚至支持它:)
我并不反对引用，我甚至支持引用 :)
谢谢你对讨论的帮助。
但阿列克谢的问题/答案仍然没有答案。
只有当你确定 未来的误差分布是正常的时候， 才能应用ISC？
比如--知道买入...
;)
只有在你确信 未来的误差分布是正常的情况下才 应用ISC？
;)
似乎是的（根据google :)），如果测量误差是正态分布，MNC是最佳的。对于其他误差分布，有最小模数法（误差由拉普拉斯分布）和最大似然法（一般来说，如果误差分布是已知的）。跨国公司不一定是最好的 :)
然而，在我们的案例中，误差分布仍然是未知的...
FreeLance:
只有在你确定 未来的误差分布是正常的情况下才 应用ANC？
是的，我同意Alexey的观点，高斯情况下的MNC等同于最大似然法。对于其他分布，它给出的结果更糟，甚至更差。我记得，当我在学院学习数学统计学 时，老师的一句标准话，总是让我感到困惑，那就是："由于这样做计算比较容易（!!!!），我们就假设误差分布是高斯的"。很少有人想到，即使是这些方法的创始人（尤其是欧拉）也警告过研究人员，为了计算的简单性而牺牲推理的逻辑性是危险的。因此，替代方法的数学装置发展得很差，人们不得不半心半意地做和发明一切。好在我的父母送我去学习工程:)))
j21,
关于多项式的选择，我个人认为超过三度或四度是没有意义的。
似乎是的（根据google :)），如果测量误差是正态分布，MNC是最佳的。对于其他误差分布，有最小模数法（误差由拉普拉斯分布）和最大似然法（一般来说，如果误差分布是已知的）。跨国公司不一定是最好的 :)
的确，在我们的案例中，误差分布仍然是未知的...
所有这一切意味着我们应该 近似于 "合理的 "函数，而不是什么...
的四级。
;)
让我举个例子来解释
P.S. 为了以防万一，让我解释一下：这个数字清楚地显示了一次强烈的弹射会对MNC造成什么影响。当然，这里的弹射是相当突出的，显然是为了清晰起见。