Как вы правильно заметили, мы можем использовать линейную регрессию с данными временных рядов, если:
- Включение лаговых терминов в качестве регрессоров не создает проблемы коллинеарности.
- И регрессоры, и объясненная переменная являются стационарными.
- Ваши ошибки не связаны друг с другом.
- Применяются другие допущения линейной регрессии.
Автокорреляция не является единственным наиболее важным допущением в линейной регрессии. Если автокорреляция присутствует, последствия следующие:
- Смещение: Ваша «линия наилучшего соответствия», скорее всего, будет далеко, потому что это будет быть оттянутым от «истинной линии» из-за влияния отстающих ошибок.
- Несоответствие: Учитывая вышесказанное, ваши выборочные оценки вряд ли сойдутся с параметрами совокупности.
- Неэффективность: Хотя теоретически возможно, ваши остатки вряд ли будут гомоскедастами c, если они автокоррелированы. Таким образом, ваши доверительные интервалы и ваши проверки гипотез будут ненадежными.
Хотя нейронная сеть Long Term Memory является типом рекуррентной нейронной сети (RNN). RNN используют предыдущие события времени для информирования более поздних. Например, чтобы классифицировать, какое событие происходит в mov ie, модель должна использовать информацию о предыдущих событиях. RNN работают хорошо, если для решения данной задачи требуется только последняя информация. Если проблема требует долгосрочных зависимостей, RNN будет пытаться смоделировать ее. LSTM был разработан для изучения долгосрочных зависимостей. Он запоминает информацию на длительные периоды.
Чтобы сосредоточиться на 1-й последовательности. Модель использует особенность временной шкалы с индексом 0 и пытается предсказать цель временной шкалы с индексом 1. Затем она использует особенность временной шкалы с индексом 1 и пытается предсказать цель временной шкалы. по индексу 2 и т. д. c. Функция 2-й последовательности сдвинута на 1 временной интервал от функции 1-й последовательности, функция 3-й последовательности смещена на 1 временной интервал от 2-й последовательности и т. Д. c. С помощью этой процедуры мы получаем много более коротких последовательностей, которые сдвигаются на одну временную полосу.