Análisis de dependencias no lineales utilizando redes neuronales artificiales
DOI:
https://doi.org/10.17533/udea.redin.13672Palabras clave:
red neuronal autorregresiva, modelado no lineal de series temporales, correlación múltiple, análisis de correlaciones en sistemas no linealesResumen
En este artículo, se desarrolla una nueva técnica para detectar dependencias no lineales en series temporales, basadas en el uso de una red neuronal autorregresiva y el concepto de coeficiente de correlación. Teniendo en cuenta que el modelo de redes neuronales utilizado es capaz de aproximar cualquier función en un dominio compacto, las medidas propuestas son capaces de detectar no-linealidades en los datos. Nuestra técnica es probada para varios conjuntos de datos tanto simulados como reales, y comparada con las funciones clásicas de autocorrelación simple y parcial; los resultados muestran que en los casos lineales, las medidas propuestas tienen un comportamiento similar a las autocorrelaciones simple y parcial, pero en los casos no-lineales ellas son capaces de detectar otras relaciones no-lineales.Descargas
Citas
N. Kasabov. Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering. 2nd ed. Ed. Massachusetts Institute of Technology. 1998. pp. 43- 47.
A. Weigend, N. Gershfeld. Time-Series Prediction: Forecasting the future and understanding the past. Reading, Mass. Ed.Addison-Wesley. 1993. pp. 5-35.
G. E. P. Box, G. M. Jenkins. Time Series Analysis: Forecasting and Control. Ed. Holden–Day Inc. 1970. pp.1-17.
C. Granger, T. Teräsvirta. Modeling Nonlinear Economic Relationships. Ed. Oxford University Press. 1993. pp.25-35. DOI: https://doi.org/10.1093/oso/9780198773191.001.0001
C. Granger, J. Lin. “Using the mutual information coefficient to identify lags in nonlinear models”. Time Ser. Anal. Vol. 15. 1994. pp. 371-384. DOI: https://doi.org/10.1111/j.1467-9892.1994.tb00200.x
C. A. Cardona, J. D. Velásquez. “Selección de características relevantes usando información mutua.” Revista Dyna. Vol.73. 2006. pp. 149-163.
H.A. Nielsen, H. Madsen. “A generalization of some classical time series tools”. Computational Statistics & Data Analysis. Vol. 37. 2000. pp.13-31. DOI: https://doi.org/10.1016/S0167-9473(00)00061-X
H. White. An additional hidden unit test for neglected nonlinearity in multilayer feedforward networks. In Proceedings of the International Joint Conference on Neural Networks. Washington, DC, IEEE Press, NY. 1989. Vol. 2. pp. 451-455. DOI: https://doi.org/10.1109/IJCNN.1989.118281
T. H. Lee, H. White, C. W. J. Granger. “Testing for neglected nonlinearity in time series models.” Journal of Econometrics. Vol. 56. 1993. pp. 269-290. DOI: https://doi.org/10.1016/0304-4076(93)90122-L
T. Teräsvirta, C. F. Lin, C. W. J. Granger. “Power of the neural network linearity test.” Journal of Time Series Analysis. Vol. 14. 1993. pp. 209-220. DOI: https://doi.org/10.1111/j.1467-9892.1993.tb00139.x
H. Tong. Non-linear Time Series, a dynamical system approach, Oxford Statistical Science Series, Ed. Claredon Press Oxford. 1990. pp. 215–238. DOI: https://doi.org/10.1093/oso/9780198522249.003.0005
M. J. Campbell, A. M. Walker. “A survey of statistical work on the mackezie river series of annual Canadian lynx trappings for the years 1821-1934 and a new analysis.” Journal of the Royal Statistical Society: Series A. Statistics in Society. Vol. 140. 1977. pp. 411- 431. DOI: https://doi.org/10.2307/2345277
T. S. Rao, M. M. Gabr. “An introduction to bispectral analysis and bilinear time series models.” Lecture Notes in Statistics. Vol. 24. 1984. pp. 528-535. DOI: https://doi.org/10.1007/978-1-4684-6318-7
G. Zhang. “Time series forecasting using a hybrid ARIMA and neural network model.” Neurocomputing. Vol. 50. 2003. pp. 159-175. DOI: https://doi.org/10.1016/S0925-2312(01)00702-0
M. Ghiassi, H. Saidane. “A dynamic architecture for artificial neural network”. Neurocomputing. Vol. 63. 2005. pp. 397-413. DOI: https://doi.org/10.1016/j.neucom.2004.03.014
M. Cottrell, M. Girard, Y. Girard, M. Mangeas, C. Muller. “Neural modeling for time series: a statistical stepwise method for weight elimination.” IEEE Transactions on Neural Networks. Vol. 6. 1995. pp. 1355-1364. DOI: https://doi.org/10.1109/72.471372
C. de Groot, D. Wurtz. “Analysis of univariate time series with connectionists nets: a case study of two classical examples.” Neurocomputing. Vol. 3. 1991. pp. 177-192. DOI: https://doi.org/10.1016/0925-2312(91)90040-I
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista Facultad de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter