20.01.2015 Aufrufe

Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse

Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse

Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

Kapitel 3. Lokal polynomiale Modellierung Seite 55<br />

wie beim lokal konstanten Modell. Zwar existieren durchaus “hellere” und “dunklere”<br />

Flächen, diese s<strong>in</strong>d bei näherer Betrachtung aber nicht e<strong>in</strong>heitlich ausgefüllt<br />

son<strong>der</strong>n “gemustert”. Es ist daher eher unwahrsche<strong>in</strong>lich, auf Basis <strong>der</strong> Betrachtung<br />

nächster Nachbarn für e<strong>in</strong>en Anfragepunkt den optimalen Parameterwert zu<br />

erhalten.<br />

−1<br />

−1<br />

20<br />

−0.5<br />

15<br />

−0.5<br />

15<br />

x 2<br />

0<br />

10<br />

x 2<br />

0<br />

10<br />

0.5<br />

5<br />

0.5<br />

5<br />

1<br />

−1 −0.5 0 0.5 1<br />

x 1<br />

1<br />

−1 −0.5 0 0.5 1<br />

x 1<br />

(a) Lokal konstant<br />

(b) Lokal l<strong>in</strong>ear<br />

Abbildung 3.8: Optimale Zahl nächster Nachbarn bei lokal konstantem und lokal<br />

l<strong>in</strong>earen Modell<br />

Diese Vermutung bestätigt sich beim Versuch, mit <strong>der</strong> gleichen Methode wie im<br />

vorigen Abschnitt den Parameter <strong>der</strong> Zahl <strong>der</strong> nächsten Nachbarn lokal zu variieren.<br />

Beim Ramp-Hill-Datensatz kann e<strong>in</strong>e Verbesserung <strong>der</strong> Vorhersage durch <strong>lokale</strong><br />

Variation <strong>der</strong> Zahl nächster Nachbarn beim lokal konstanten Modell erzielt werden,<br />

beim lokal l<strong>in</strong>earen Modell versagt diese Technik jedoch.<br />

Stellt man ähnliche Versuche bei <strong>der</strong> Modellierung chaotischer Attraktoren an, so<br />

zeigen sich dort selbst beim lokal konstanten Modell ke<strong>in</strong>e zusammenhängenden<br />

Bereiche mit gleicher optimaler Zahl nächster Nachbarn. E<strong>in</strong>e <strong>lokale</strong> Variation dieses<br />

Parameters br<strong>in</strong>gt daher meist ke<strong>in</strong>e Verbesserung <strong>der</strong> Vorhersage, im Gegenteil:<br />

häufig bewirkt die <strong>lokale</strong> Variation e<strong>in</strong>e Verschlechterung des Modells verglichen mit<br />

e<strong>in</strong>er optimalen globalen Wahl <strong>der</strong> Parameter. E<strong>in</strong>e Betrachtung im Detail zeigt, dass<br />

zwar für viele Punkte gute Parameter gewählt werden, jedoch immer e<strong>in</strong> nicht zu<br />

vernachlässigen<strong>der</strong> Prozentsatz existiert, wo die Methode <strong>der</strong> <strong>lokale</strong>n Parameterwahl<br />

versagt und dies letztlich den Fehler nach oben treibt. Auch die <strong>lokale</strong> Variation des<br />

Parameters λ <strong>der</strong> exponentiellen Metrik (3.19) ergibt e<strong>in</strong> ähnliches Ergebnis: bei<br />

e<strong>in</strong>igen wenigen Datensätzen ist die Variation erfolgreich, meist aber ergeben sich<br />

ähnliche o<strong>der</strong> schlechtere Ergebnisse verglichen mit <strong>der</strong> optimalen globalen Wahl des<br />

Parameters.<br />

Diese Beobachtungen decken sich mit e<strong>in</strong>er Untersuchung <strong>in</strong> [3], wo herkömmli-

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!