당신은 데이터가 있다고 가정 , H ∈ { 1 , 2 , … } , 당신의 목표는 모델을 구축하는 것입니다 (예를 들어, F ( X t – 시간 ) ) 예측하는 Y의 t 주어진 X의 t – 시간을 . 구체적으로 데이터가 매일이고 T 가 오늘에 해당 한다고 가정합니다 .{ Y티, Xt – h}티t = h + 1

$\{Y_t,X_{t-h}{\}}_{t=h+1}^T$

$\{Y_t,X_{t-h}\}_{t=h+1}^T$h ∈ { 1 , 2 , … } ,

$h\in \{1,2,\dots \},$

$h \in \{1,2,\ldots\},$에프^( Xt – h)

$\hat{f}(X_{t-h})$

$\hat f(X_{t-h})$와이티

$Y_t$

$Y_t$엑스t – h

$X_{t-h}$

$X_{t-h}$T

$T$

$T$

표본 내 분석은 최대 포함하여 사용 가능한 모든 데이터를 사용하여 모형을 추정 한 다음 모형의 적합치를 실제 실현과 비교하는 것입니다. 그러나이 절차는 일반적인 피팅 알고리즘 (예 : 제곱 오차 또는 가능성 기준 사용)이 큰 예측 오차를 피하기 위해 어려움을 겪는 경향이 있기 때문에 모델의 예측 능력에 대해 지나치게 낙관적 인 그림을 그리는 것으로 알려져 있습니다. 데이터 신호.T

$T$

$T$

YT+1

$Y_{T+1}$

$Y_{T+1}$eT+1≡YT+1−f^(XT+1−h),

$e_{T+1}\equiv Y_{T+1}-\hat{f}(X_{T+1-h}),$

$e_{T+1} \equiv Y_{T+1} - \hat f(X_{T+1-h}),$YT+2

$Y_{T+2}$

$Y_{T+2}${eT+l}Ll=1

$\{e_{T+l}{\}}_{l=1}^L$

$\{e_{T+l}\}_{l=1}^L$

T0<T

$T_0<T$

$T_0 < T$T

$T$

$T${et}Tt=T0+1

$\{e_t{\}}_{t=T_0+1}^T$

$\{e_t\}_{t=T_0+1}^T$

표본의 표본 추출 분석이 모형의 표본 추출 성능을 추정하는 유일한 방법은 아닙니다. 대안으로는 교차 검증 및 정보 기준이 있습니다.

이 모든 문제에 대한 아주 좋은 논의는 7 장에서 제공됩니다.

http://www.stanford.edu/~hastie/local.ftp/Springer/OLD/ESLII_print4.pdf

---

답변