<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>数据分析 on Sheng Dong&#39;s website</title>
    <link>https://shdong.net/tags/%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90/</link>
    <description>Recent content in 数据分析 on Sheng Dong&#39;s website</description>
    <image>
      <url>https://shdong.net/ptr.png</url>
      <link>https://shdong.net/ptr.png</link>
    </image>
    <generator>Hugo -- gohugo.io</generator>
    <language>en</language>
    <lastBuildDate>Sat, 29 Apr 2023 20:50:34 +0800</lastBuildDate><atom:link href="https://shdong.net/tags/%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>SETAR Model</title>
      <link>https://shdong.net/post/setar-model/</link>
      <pubDate>Sat, 29 Apr 2023 20:50:34 +0800</pubDate>
      
      <guid>https://shdong.net/post/setar-model/</guid>
      <description>&lt;p&gt;SETAR的全称是“Self-Exciting Threshold Auto-Regressive (SETAR) models”，可用于对一个时间序列变量的模式演变进行阶段划分。该模型最早于1977年由Howell Tong提出&lt;sup id=&#34;fnref:1&#34;&gt;&lt;a href=&#34;#fn:1&#34; class=&#34;footnote-ref&#34; role=&#34;doc-noteref&#34;&gt;1&lt;/a&gt;&lt;/sup&gt;。&lt;/p&gt;</description>
    </item>
    
    <item>
      <title>自回归滑动平均模型预测全球CO2浓度变化</title>
      <link>https://shdong.net/post/amra_co2/</link>
      <pubDate>Wed, 27 Apr 2022 03:03:57 +0000</pubDate>
      
      <guid>https://shdong.net/post/amra_co2/</guid>
      <description>&lt;p&gt;自回归滑动平均模型（Autoregressive moving average model，ARMA）是研究时间序列的重要方法，以由自回归模型（简称AR模型）与移动平均模型（简称MA模型）为基础“混合”构成。用AMRA模型预测了在当前趋势下，未来二十年内全球二氧化碳浓度的变化趋势。&lt;/p&gt;
&lt;img src=&#34;https://shdong.net/images/image-20220427030941064.png&#34; alt=&#34;image-20220427030941064&#34; style=&#34;zoom: 33%;&#34; /&gt;
&lt;h1 id=&#34;分析过程&#34;&gt;分析过程&lt;/h1&gt;
&lt;p&gt;数据集：NOAA Earth System Research Laboratories下属的Global Monitoring Laboratory提供的1969年-2022年逐月的二氧化碳浓度变化数据&lt;/p&gt;
&lt;p&gt;&lt;a href=&#34;https://gml.noaa.gov/dv/iadv/graph.php?code=MLO&amp;program=ccgg&amp;type=ts&#34;&gt;数据来源网址&lt;/a&gt;&lt;/p&gt;</description>
    </item>
    
    <item>
      <title>我国海水水质数据分析</title>
      <link>https://shdong.net/post/china_sea_water_data/</link>
      <pubDate>Sun, 24 Apr 2022 01:36:16 +0000</pubDate>
      
      <guid>https://shdong.net/post/china_sea_water_data/</guid>
      <description>&lt;p&gt;环境数据分析课程的大作业，主要目的应用一下课上学到的一些数据分析方法。&lt;/p&gt;
&lt;ol&gt;
&lt;li&gt;通过爬虫获取我国沿海海水水质的监测数据；&lt;/li&gt;
&lt;li&gt;以散点图直观反映水质类别的分布和随时间变化情况；&lt;/li&gt;
&lt;li&gt;将化学需氧量数据转换为正态分布，以海区/省份为分类变量进行单因素方差分析；&lt;/li&gt;
&lt;li&gt;将无机氮数据转换为正态分布，用Pearson分析和线性回归分析考察化学需氧量和无机氮数据的相关性；&lt;/li&gt;
&lt;li&gt;利用机器学习，从多个污染指标数据预测海区分类。&lt;/li&gt;
&lt;/ol&gt;
&lt;img src=&#34;https://shdong.net/images/image-20220424023106157.png&#34; alt=&#34;image-20220424023106157&#34; style=&#34;zoom:25%;&#34; /&gt;</description>
    </item>
    
  </channel>
</rss>
