الانحدار الحركة من المتوسط - نموذج التفوق

مقدمة إلى نماذج أريما نونزاسونال. أريما p، d، q معادلة التنبؤ نماذج أريما هي، من الناحية النظرية، الفئة الأكثر عمومية من النماذج للتنبؤ السلاسل الزمنية التي يمكن جعلها لتكون ثابتة عن طريق الاختلاف إذا لزم الأمر، وربما بالتزامن مع التحولات غير الخطية مثل التسجيل أو التفريغ إذا لزم الأمر المتغير العشوائي الذي هو عبارة عن سلسلة زمنية ثابت إذا كانت خصائصه الإحصائية ثابتة على مر الزمن سلسلة ثابتة لا يوجد لها اتجاه، وتغيراتها حول المتوسط ​​لها اتساع مستمر، ويتصارع بطريقة متسقة أي أن أنماطها الزمنية العشوائية قصيرة الأمد تبدو دائما بنفس المعنى الإحصائي. ويعني الشرط الأخير أن ارتباطات الترابط الذاتي مع انحرافاتها السابقة عن المتوسط ​​تظل ثابتة بمرور الوقت أو ما يعادلها أن طيف القدرة لا يزال ثابتا بمرور الوقت عشوائي متغير من هذا النموذج يمكن أن ينظر إليه كالمعتاد على أنه مزيج من الإشارة والضوضاء، والإشارة إذا كان أحد هو واضح يمكن أن يكون بات (إرن) من الانعكاس السريع أو البطيء أو التذبذب الجيبى أو التبدع السريع فى الإشارة، كما يمكن أن يكون له مكون موسمي يمكن اعتبار نموذج أريما كمرشح يحاول فصل الإشارة عن الضوضاء، استقراءها في المستقبل للحصول على التنبؤات. ومعادلة التنبؤ أريما لسلسلة زمنية ثابتة هي المعادلة الخطية أي الانحدار من نوع التي تتكون من التنبؤات المتخلفة من المتغير التابع أو التأخر في أخطاء التنبؤ هذه هي قيمة. بريدكتد من Y قيمة ثابتة أو مرجحة لقيمة واحدة أو أكثر من القيم الأخيرة لل Y أو أو مجموع مرجح لقيمة أو أكثر من القيم الأخيرة للأخطاء. إذا كانت المتنبئات تتكون فقط من قيم متخلفة من Y فهي نموذج انحدار تلقائي نقي ذاتي التراجع، والتي هي مجرد حالة خاصة من نموذج الانحدار والتي يمكن تركيبها مع البرمجيات الانحدار القياسية على سبيل المثال، نموذج أول الانحدار الذاتي أر 1 ل Y هو نموذج الانحدار بسيط الذي المتغير المستقل ط s فقط Y تخلفت بفترة واحدة لاغ Y، 1 في ستاتغرافيكس أو YLAG1 في ريجرسيت إذا كان بعض من التنبؤات هي تأخر الأخطاء، نموذج أريما أنها ليست نموذج الانحدار الخطي، لأنه لا توجد طريقة لتحديد الخطأ الماضي الفترة s كمتغير مستقل يجب أن تحسب الأخطاء على أساس فترة إلى فترة عندما يكون النموذج مثبتا على البيانات من وجهة النظر التقنية، فإن مشكلة استخدام الأخطاء المتأخرة كمنبئات هي أن تنبؤات النموذج ليست وظائف خطية من معاملات على الرغم من أنها وظائف خطية من البيانات الماضية لذلك، يجب أن تقدر معاملات في نماذج أريما التي تشمل أخطاء متخلفة من قبل أساليب الأمثل غير الخطية هيل تسلق بدلا من مجرد حل نظام من المعادلات. الاسم المختصر أريما لتقف على السيارات الانحدارية المتكاملة المتوسط ​​المتحرك يتطابق التأخر في السلسلة المستقرة في معادلة التنبؤ بعبارات الانحدار الذاتي، وتسمى فترات التأخير في أخطاء التنبؤ بالمتوسط ​​المتحرك، وسلسلة زمنية تحتاج إلى أن تكون مختلفة لتكون ثابتة ويقال أن تكون نسخة متكاملة من سلسلة ثابتة المشي العشوائي ونماذج الاتجاه العشوائي، ونماذج الانحدار الذاتي، ونماذج التمهيد الأسي كلها حالات خاصة من نماذج أريما. ويصنف نموذج أريما نوناسونال كما أريما p، d، q، حيث p. هو عدد مصطلحات الانحدار الذاتي d. هو عدد الاختلافات غير الموسمية اللازمة ل ستاتيوناريتي، و. q هو عدد أخطاء التنبؤات المتخلفة في معادلة التنبؤ. يتم إنشاء معادلة التنبؤ على النحو التالي أولا، اسمحوا y تدل على الفرق د من Y مما يعني. ملاحظة أن الفرق الثاني من Y د 2 الحالة ليست الفرق من 2 منذ فترات بدلا من ذلك، هو الفرق الأول من أول الفرق الذي هو على التناظرية المنفصلة للمشتقة الثانية، أي تسارع المحلي للسلسلة بدلا من اتجاهها المحلي. من حيث y معادلة التنبؤ العامة هي. هنا يتم تعريف المعلمات المتوسط ​​المتحرك s بحيث تكون علاماتها سلبية في مكافئ ، بعد الاتفاقية التي قدمها بوكس ​​وجينكينز بعض الكتاب والبرمجيات بما في ذلك لغة البرمجة R تعريفها بحيث لديهم علامات زائد بدلا من ذلك عندما يتم توصيل الأرقام الفعلية في المعادلة، لا يوجد أي غموض، ولكن من المهم أن نعرف أي اتفاقية يستخدم البرنامج الخاص بك عندما كنت تقرأ الإخراج غالبا ما يشار إلى المعلمات هناك من قبل أر 1، أر 2، و ما 1، ما 2، إلخ. لتحديد نموذج أريما المناسب ل Y تبدأ بتحديد ترتيب الفرق د الحاجة لاستئناف سلسلة وإزالة الميزات الإجمالية للموسمية، وربما بالتزامن مع التحول الاستقرار التباين مثل قطع الأشجار أو انكماش إذا كنت تتوقف عند هذه النقطة والتنبؤ بأن سلسلة ديفيرنتد ثابت، لديك مجرد تركيب المشي العشوائي أو عشوائية نموذج الاتجاه ومع ذلك، فإن سلسلة ثابتة قد لا تزال لديها أخطاء أوتوكوريلاتد، مما يشير إلى أن بعض عدد من المصطلحات أر p 1 و أو بعض عدد الشروط ما q 1 وهناك حاجة أيضا في معادلة التنبؤ. وتناقش عملية تحديد قيم p و d و q التي هي أفضل لسلسلة زمنية معينة في أقسام لاحقة من الملاحظات التي تكون وصلاتها في أعلى هذه الصفحة، ولكن معاينة لبعض من أنواع نماذج أريما غير الموسمية التي تتم مواجهتها بشكل عام أدناه. أريما 1،0،0 نموذج الانحدار الذاتي من الدرجة الأولى إذا كانت السلسلة ثابتة و أوتوكوريلاتد، وربما يمكن التنبؤ بها كمضاعفة لقيمتها السابقة، بالإضافة إلى ثابت معادلة التنبؤ في هذه الحالة هي. وهذا هو Y تراجع على نفسها تخلفت بفترة واحدة هذا هو أريما 1،0،0 نموذج ثابت إذا كان متوسط ​​Y هو الصفر، ثم لن يتم تضمين المصطلح الثابت. إذا كان المنحدر يكون المعامل 1 موجبا وأقل من 1 في الحجم يجب أن يكون أقل من 1 من حيث الحجم إذا كان Y ثابتا، يصف النموذج سلوك التراجع المتوسط ​​الذي ينبغي التنبؤ فيه بقيمة الفترة التالية لتكون 1 مرة بعيدا عن المتوسط قيمة هذه الفترة إذا كان 1 سالبا، فإنه يتنبأ بسلوك متوسط ​​التراجع بتناوب علامات، أي أنه يتنبأ أيضا بأن Y سيكون أقل من متوسط ​​الفترة التالية إذا كان أعلى من متوسط ​​هذه الفترة. في نموذج الترتيب الذاتي الثاني أريما 2،0،0، سيكون هناك Y t-2 على اليمين كذلك، وهلم جرا اعتمادا على علامات ومقدار المعاملات، يمكن أن يصف نموذج 2،0،0 أريما نظاما له انعكاس متوسط ​​يحدث بطريقة تتأرجح الجيبية، مثل الحركة من كتلة في الربيع الذي يتعرض للصدمات العشوائية. أريما 0،1،0 المشي العشوائي إذا كانت السلسلة Y ليست ثابتة، أبسط نموذج ممكن لأنه هو نموذج المشي العشوائي، والتي يمكن اعتبارها حالة الحد من وهو نموذج أر 1 يكون فيه معامل الانحدار الذاتي مساويا ل 1، أي سلسلة مع انعكاس متوسط ​​بطيء بلا حدود. يمكن كتابة معادلة التنبؤ لهذا النموذج كما. حيث أن المصطلح الثابت هو متوسط ​​التغير من فترة إلى أخرى، أي المدى الطويل الانجراف في Y هذا النموذج يمكن تركيبها باعتبارها عدم اعتراض إعادة نموذج غريسيون الذي يكون فيه الاختلاف الأول لل Y هو المتغير التابع لأنه لا يتضمن إلا اختلافا غير منطقي ومدة ثابتة، يصنف على أنه نموذج أريما 0،1،0 مع ثابت نموذج المشي العشوائي بدون الانجراف سيكون نموذج أريما 0،1،0 بدون نموذج ثابت. أريما 1،1،0 اختلافا عن نموذج الانحدار الذاتي من الدرجة الأولى إذا كانت أخطاء نموذج المشي العشوائي مترابطة تلقائيا، ربما يمكن إصلاح المشكلة بإضافة فاصل واحد للمتغير التابع إلى التنبؤ بمعادلة التنبؤ - أي عن طريق التراجع عن الاختلاف الأول لل Y على نفسه متأخرا بفترة واحدة وهذا من شأنه أن يسفر عن المعادلة التالية للتنبؤ. التي يمكن إعادة ترتيبها. هذا نموذج أولي للانحدار الذاتي مع ترتيب واحد من اختلاف غير منطقي ومدة ثابتة --ie أريما 1،1،0 model. ARIMA 0،1،1 بدون تمهيد أسي بسيط ثابت إستراتيجية أخرى لتصحيح الأخطاء أوتوكوريلاتد في نموذج المشي العشوائي يقترحها نموذج تمهيد الأسي بسيط أذكر أن لبعض السلاسل الزمنية غير المستقرة مثل تلك التي تظهر تقلبات صاخبة حول متوسط ​​متغير ببطء، نموذج المشي العشوائي لا يؤدي فضلا عن المتوسط ​​المتحرك للقيم الماضية وبعبارة أخرى، بدلا من أخذ أحدث الملاحظة كما توقعات الملاحظة التالية ، فمن الأفضل استخدام متوسط ​​الملاحظات القليلة الأخيرة من أجل تصفية الضوضاء وتقدير المتوسط ​​المحلي بدقة أكبر. يستخدم نموذج التمهيد الأسي البسيط المتوسط ​​المتحرك المرجح أضعافا مضاعفة للقيم السابقة لتحقيق هذا التأثير. ومعادلة التنبؤ يمكن كتابة نموذج التمهيد الأسي البسيط بعدد من الأشكال المكافئة رياضيا واحد منها هو ما يسمى شكل تصحيح الأخطاء الذي يتم فيه تعديل التوقعات السابقة في اتجاه الخطأ الذي ارتكبته. لأن e t-1 Y t - 1 - t-1 حسب التعريف، وهذا يمكن إعادة كتابة as. which هو أريما 0،1،1 مع معادلة التنبؤ المستمر مع 1 1 - وهذا يعني أنه يمكنك تناسب بسيطة سمو الأسي الشيء من خلال تحديده كنموذج أريما 0،1،1 بدون ثابت، ويقابل معامل ما 1 المقدر 1-ناقص ألفا في صيغة سيس تذكر أنه في نموذج سيس، متوسط ​​عمر البيانات في 1 - فإن توقعات الفترة السابقة هي 1 تعني أنها سوف تميل إلى التخلف عن الاتجاهات أو نقاط التحول بحوالي 1 فترة. ويترتب على ذلك أن متوسط ​​عمر البيانات في توقعات الفترة الزمنية السابقة ل أريما 0،1،1 - النموذج الثابت هو 1 1 - 1 لذلك، على سبيل المثال، إذا كان 1 0 8، متوسط ​​العمر 5 كمقاربات 1، يصبح النموذج أريما 0،1،1 بدون ثابت متوسط ​​متحرك طويل الأجل جدا، و كما 1 نهج 0 يصبح نموذج المشي العشوائي دون الانجراف. ما هي أفضل طريقة لتصحيح الارتباط الذاتي إضافة مصطلحات أر أو إضافة شروط ما في النموذجين السابقين نوقشت أعلاه، فإن مشكلة أخطاء أوتوكوريلاتد في نموذج المشي عشوائي تم إصلاحها بطريقتين مختلفتين بإضافة قيمة متخلفة من سلسلة الاختلاف إلى المعادلة أو إضافة قيمة متخلفة من فوريكا ست إيماج النهج الذي هو أفضل قاعدة إبهام لهذا الوضع، والتي سيتم مناقشتها بمزيد من التفصيل في وقت لاحق، هو أن الارتباط الإيجابي الذاتي عادة ما يعامل بشكل أفضل بإضافة مصطلح أر إلى النموذج وعادة ما يعامل الارتباط الذاتي السلبي بواسطة إضافة مصطلح ما في سلسلة الأعمال والوقت الاقتصادي، وغالبا ما تنشأ الارتباط الذاتي السلبي باعتباره قطعة أثرية من الاختلاف بشكل عام، الاختلاف يقلل من الارتباط الذاتي الإيجابي وربما حتى يسبب التحول من الإيجابية إلى السلبية الارتباط الذاتي لذلك، أريما 0،1،1 نموذج، في الذي يكون مصحوبا بفروق ما، غالبا ما يستخدم من نموذج أريما 1،1،0.ARIMA 0،1،1 مع تمهيد أسي بسيط ثابت مع النمو من خلال تنفيذ نموذج سيس كنموذج أريما، المرونة أولا وقبل كل شيء، يسمح معامل ما 1 المقدر أن يكون سلبيا هذا يتوافق مع عامل تمهيد أكبر من 1 في نموذج سيس، والتي عادة ما لا يسمح بها الإجراء سيس نموذج تركيب ثانية أوند، لديك خيار تضمين مصطلح ثابت في نموذج أريما إذا كنت ترغب في ذلك، من أجل تقدير متوسط ​​الاتجاه غير الصفر نموذج أريما 0،1،1 مع ثابت لديه معادلة التنبؤ. ذي فترة واحدة قبل فإن التنبؤات الواردة في هذا النموذج مماثلة تماما لنماذج النموذج سيس إلا أن مسار التنبؤات الطويلة الأجل يكون عادة خطا منحدرا يساوي ميله مو بدلا من خط أفقي. أريما 0،2،1 أو 0، 2،2 بدون تجانس أسي خطي ثابت نماذج تمهيد أسي خطي هي نماذج أريما التي تستخدم فروق نونسوناسيونال بالاقتران مع شروط ما الفرق الثاني لسلسلة Y ليس ببساطة الفرق بين Y وذاته متأخرا بفترتين، بل هو الفرق الأول للفرق الأول - أي التغيير في التغير في Y في الفترة t وهكذا، فإن الفرق الثاني لل Y في الفترة t يساوي Y t - Y t-1 - Y t-1 - Y t-2 Y t - 2Y t-1 Y t-2 الفرق الثاني لوظيفة منفصلة هو أنالوغو s إلى مشتق ثان من وظيفة مستمرة يقيس تسارع أو انحناء في الدالة عند نقطة معينة في الوقت. أريما 0،2،2 نموذج دون ثابت يتوقع أن الفرق الثاني من سلسلة يساوي وظيفة خطية من الماضي اثنين من الأخطاء المتوقعة. وهو يمكن إعادة ترتيب as. where 1 و 2 هي ما 1 و ما 2 معاملات هذا هو خطية الأسية نموذج تمهيد أساسا نفس نموذج هولت s، ونموذج براون هو حالة خاصة ويستخدم أضعافا مضاعفة المتوسطات المتحركة لتقدير كل من المستوى المحلي والاتجاه المحلي في سلسلة تتنبأ التوقعات على المدى الطويل من هذا النموذج إلى خط مستقيم الذي يعتمد ميل على الاتجاه المتوسط ​​لوحظ نحو نهاية السلسلة. أريما 1،1،2 دون ثابت منحنى الاتجاه الخطي الأسي تمهيد. ويوضح هذا النموذج في الشرائح المصاحبة على نماذج أريما فإنه يستقلب الاتجاه المحلي في نهاية السلسلة ولكن يسطح بها في آفاق توقعات أطول لإدخال من الممارسة المحافظة، وهي ممارسة لها دعم تجريبي انظر المقال حول لماذا الاتجاه المخفف يعمل من قبل غاردنر وماكنزي ومقال المادة الذهبية من قبل أرمسترونج وآخرون للحصول على التفاصيل. ومن المستحسن عموما التمسك النماذج التي واحد على الأقل من ص و q ليس أكبر من 1، أي لا تحاول أن تناسب نموذج مثل أريما 2،1،2، لأن هذا من المرجح أن يؤدي إلى الإفراط في العمل والقضايا عامل مشترك التي نوقشت بمزيد من التفصيل في الملاحظات على الرياضية هيكل نماذج أريما. تنفيذ جداول البيانات نماذج أريما مثل تلك المذكورة أعلاه سهلة التنفيذ على جدول البيانات معادلة التنبؤ هي مجرد معادلة خطية تشير إلى القيم السابقة من سلسلة زمنية الأصلي والقيم الماضية من الأخطاء وهكذا، يمكنك إعداد جدول بيانات التنبؤ أريما عن طريق تخزين البيانات في العمود ألف، وصيغة التنبؤ الواردة في العمود باء، وبيانات الأخطاء مطروحا منها التنبؤات الواردة في العمود "ج". وستكون صيغة التنبؤ في خلية نموذجية في العمود B مجرد تعبير خطي n يشير إلى القيم في الصفوف السابقة من العمودين A و C مضروبا في معاملات أر أو ما المناسبة المخزنة في خلايا أخرى في جدول البيانات. ARMA Unplugged. This هو الإدخال الأول في سلسلتنا من البرامج التعليمية غير الموصولة التي ننتقل إليها تفاصيل كل من نماذج السلاسل الزمنية التي كنت مألوفة بالفعل، وتسليط الضوء على الافتراضات الكامنة والقيادة المنزل الحدس وراءها. في هذا العدد، ونحن معالجة نموذج أرما حجر الزاوية في النمذجة السلاسل الزمنية على عكس قضايا التحليل السابقة، سنبدأ هنا مع تعريف عملية أرما، تحدد المدخلات والمخرجات والمعلمات وقيود الاستقرار والافتراضات، وأخيرا رسم بعض المبادئ التوجيهية لعملية النمذجة. بالتعريف، المتوسط ​​المتحرك التلقائي الانحداري أرما هو عملية عشوائية ثابتة تتكون من مبالغ من الانحدار الذاتي إكسيل ومتوسطات الحركة المتحركة. بالأحرى، في صياغة بسيطة. إنتاج الملاحظة في الوقت t. is الابتكار، صدمة أو خطأ في الوقت في الوقت t. time سيريز notes. Are مستقلة وموزعة بشكل متطابق. تابع توزيع غاوس. ملاحظة التباين في توزيع الصدمات أي وقت ثابت. باستخدام رموز التحول الخلفي أي يمكننا التعبير عن عملية أرما كما يلي. نحن ننظر نظرة أقرب في صياغة عملية أرما هو مجرد مجموع مرجح من الملاحظات الانتاج السابقة والصدمات، مع عدد قليل من الافتراضات الرئيسية. عملية أرما يولد سلسلة زمنية ثابتة. المتبقي يتبع توزيع غاوس مستقرة. المكونات المعلمة القيم هي الثوابت. المعلمات القيم مما يؤدي إلى عملية أرما ثابتة. ماذا تعني هذه الافتراضات. العملية العشوائية هي نظير لعملية حتمية تصف تطور متغير عشوائي مع مرور الوقت في حالتنا، المتغير العشوائي هو. القيمة التالية هي القيم المستقلة هل هي متطابقة موزعة إذا كان الأمر كذلك، لا ينبغي وصفها من خلال عملية عشوائية، ولكن بدلا من ذلك من خلال نموذج التوزيع الاحتمالي. لحالات حيث القيم ليست مستقلة على سبيل المثال القيمة تعتمد على مسار، نموذج عشوائي مثل أرما هو من أجل التقاط تطور. عملية أرما يلتقط فقط الارتباط التسلسلي أي الترابط التلقائي بين الملاحظات في كلمات واضحة، عملية أرما تلخص قيم الماضي الملاحظات، وليس القيم المربعة أو اللوغاريتمات، إلخ. ويعتمد تبعية النظام الأعلى على عملية مختلفة مثل أرش غارتش، والنماذج غير الخطية، إلخ. وهناك أمثلة عديدة لعملية عشوائية حيث تؤثر القيم السابقة على تلك الموجودة على سبيل المثال، في مكتب المبيعات التي تحصل على طلبات الشراء على أساس مستمر، يتم تحقيق بعضها على أنها مبيعات فازت، وبعضها خسر المبيعات، وعدد قليل انسكب إلى الشهر التالي ونتيجة لذلك، في أي شهر معين، وبعض من الحالات فازت المبيعات تنشأ كما رفقس أو هي تكرار المبيعات من الأشهر السابقة. ما هي الصدمات والابتكارات أو أخطاء الخطأ. هذا هو السؤال الصعب، والجواب لا يقل الخلط لا يزال، دعونا s محاولة إعطائها في كلمات بسيطة، مصطلح الخطأ في نموذج معين هو الصيد-أ ل دلو لجميع الاختلافات التي لا يفسرها النموذج. فتحت دعونا نضعها بطريقة مختلفة في أي نظام معين، وهناك ربما عشرات من المتغيرات التي تؤثر على تطور ولكن النموذج يلتقط عدد قليل منهم، وسوف حزمة الباقي كما مصطلح خطأ في صيغته i. Still فقدت دعنا نستخدم مثالا لعملية سعر السهم، وهناك ربما مئات من العوامل التي تدفع مستوى السعر إلى أعلى، بما في ذلك. التوزيعات والإعلانات سبليت. قوائم الأرباح تقارير. المحاسبة والاستحواذ أنشطة ما. الأحداث القانونية، على سبيل المثال التهديد الدعاوى القضائية الطبقة. النموذج، من خلال التصميم، هو تبسيط واقع معقد، لذلك كل ما نترك خارج النموذج هو تلقائيا المجمعة في مصطلح الخطأ. عملية أرما يفترض أن الجماعية تأثير كل هذه العوامل يتصرف بشكل أو بآخر مثل الضوضاء الغوسية. لماذا نهتم بالصدمات الماضية. على عكس نموذج الانحدار، قد يحدث حدوث التحفيز على سبيل المثال صدمة تأثير على المستوى الحالي، وربما المستقبل لي فيلس على سبيل المثال، حدث الشركات مثل نشاط ما يؤثر على سعر السهم شركة وندرلينغ، ولكن التغيير قد يستغرق بعض الوقت ليكون لها تأثيرها الكامل، كما المشاركين في السوق استيعاب تحليل المعلومات المتاحة والرد وفقا لذلك. هذا يطرح السؤال لا ر والقيم الماضية من الناتج لديها بالفعل الصدمات الماضي information. YES، ويتم حساب تاريخ الصدمات بالفعل في مستويات الانتاج الماضية نموذج أرما يمكن أن تمثل فقط كنموذج نقي التلقائي ريجرسيف أر، ولكن متطلبات التخزين من هذا النظام في لانهائية هذا هو السبب الوحيد لتشمل عنصر ما لإنقاذ على التخزين وتبسيط صياغة. أخيرا، يجب أن تكون عملية أرما ثابتة للتباين الهامشي غير المشروط للوجود. ملاحظة في مناقشتي أعلاه، وأنا لا تميز بين مجرد عدم وجود جذر وحدة في المعادلة المميزة و ستراتاريتي من العملية هي ذات الصلة، ولكن عدم وجود جذر وحدة ليست ضمان ستراتياري ستيل لتر، يجب أن يكون جذر الوحدة داخل وحدة الدائرة لتكون دقيقة. لخص الصورة ما قمنا به حتى الآن أولا فحصنا عملية أرما ثابتة، جنبا إلى جنب مع صيغتها والمدخلات والافتراضات ومتطلبات التخزين بعد ذلك، أظهرنا أن عملية أرما تتضمن قيمها الانتاجية الترابط التلقائي والصدمات التي واجهتها في وقت سابق في الانتاج الحالي وأخيرا، أظهرنا أن عملية أرما ثابتة تنتج سلسلة زمنية مع متوسط ​​مستقر المدى الطويل والتباين. في تحليل البيانات لدينا، قبل أن نقترح وهو نموذج أرما، يجب علينا التحقق من افتراض ستاتياريتي ومتطلبات الذاكرة المحدودة. في حالة سلسلة البيانات يظهر اتجاها حتميا، ونحن بحاجة لإزالة دي الاتجاه ذلك أولا، ومن ثم استخدام المخلفات ل أرما. في حالة مجموعة البيانات معارض اتجاه عشوائي مثل المشي العشوائي أو الموسمية، ونحن بحاجة للترفيه أريما SARIMA. Finally، و كوريلوغرام أي أسف باسف يمكن استخدامها لقياس متطلبات الذاكرة من النموذج يجب أن نتوقع إما أسف أو باك F للتساوي بسرعة بعد بعض التأخر إن لم يكن، وهذا يمكن أن يكون علامة على عدم وجود قطبية أو نمط طويل الأجل مثل ARFIMA. ARIMA التنبؤ مع إكسيل و R. Hello اليوم أنا ذاهب إلى المشي لكم من خلال مقدمة إلى أريما نموذج ومكوناته، فضلا عن شرح موجز لطريقة بوكس-جينكينز لكيفية تحديد نماذج أريما وأخيرا، أنا خلقت تنفيذ إكسيل باستخدام R، والتي سوف تظهر لك كيفية إعداد واستخدام. Autoregressive المتوسط ​​المتحرك نماذج أرما يستخدم نموذج المتوسط ​​المتحرك للانحدار الذاتي للنمذجة والتنبؤ بالعمليات التسلسلية الثابتة والستوكاستية وهو مزيج من تقنيتين إحصائيتين تم تطويرهما من قبل وهما نموذجي الانحدار الانحداري والانحدار المتوسط ​​المتحرك، وقد وصفه في الأصل بيتر ويتل في عام 1951 جورج إب بوكس و غويليم جينكينز شعبية النموذج في عام 1971 من خلال تحديد خطوات منفصلة لنموذج تحديد وتقدير والتحقق وسيتم وصف هذه العملية في وقت لاحق كمرجع. سنبدأ من خلال إدخال في نموذج أرما من خلال مكوناته المختلفة، أر، و ما نماذج ثم تقديم تعميم شعبية من نموذج أرما، أريما الانحدار الانحداري المتكامل المتحرك المتوسط ​​والتنبؤ ومواصفات نموذج الخطوات وأخيرا، سوف أشرح تنفيذ إكسيل أنا خلقت وكيفية واستخدامه لجعل التنبؤات سلسلة الوقت الخاص بك. النماذج أوتورغريسيف. ويستخدم نموذج الانحدار الذاتي لوصف العمليات العشوائية والعمليات متغيرة الوقت ويحدد متغير الناتج يعتمد خطيا على قيمه السابقة. وصف النموذج as. Xt ج مجموع فارفي، شت - i varepsilont. Where varphi1، لدوتس، فارفي فارفي هي معلمات النموذج، C ثابت، و فاريبسيلونت هو مصطلح الضوضاء البيضاء. أساسا، ما يصفه النموذج هو لأي قيمة معينة X ر يمكن تفسيره من خلال وظائف قيمته السابقة بالنسبة إلى نموذج بمعلمة واحدة، يفسر فارفي 1 X t بقيمته السابقة X t-1 والخطأ العشوائي فاريبسيلونت بالنسبة إلى نموذج يحتوي على أكثر من معلمة، على سبيل المثال فارفي 2 X t تعطى بواسطة X t-1 X t-2 والخطأ العشوائي varepsilont. Moving متوسط ​​Model. The المتوسط ​​المتحرك تم استخدام نموذج ما في كثير من الأحيان لنمذجة سلسلة زمنية أحادية المتغير ويعرف باسم. Tt موت فاريبسيلونت theta1، فاريبسيلون لدوتس ثيتاق، فاريبسيلون. مو هو متوسط ​​السلاسل الزمنية. ثيتا، لدوتس، ثيتاق هي معلمات النموذج. فاريبسيلون، فاريبسيلون، لدوتس هي عبارة عن خطأ في الضوضاء البيضاء. ق هو ترتيب المتوسط ​​المتحرك. نموذج المتوسط ​​المتحرك هو الانحدار الخطي للقيمة الحالية للسلسلة بالمقارنة مع مصطلحات فاريبسيلونت في الفترة السابقة، t فاريبسيلون على سبيل المثال ، ويوضح نموذج ما من ف 1 س ر من قبل فاريبسيلونت خطأ الحالي في نفس الفترة وقيمة الخطأ الماضي، فاريبسيلون لنموذج من النظام 2 س 2، و X ر هو موضح من قبل قيم الخطأ اثنين الماضية، فاريبسيلون و فاريبسيلون وتستخدم مصطلحات أر p و ما q في نموذج أرما، الذي سيتم عرضه الآن. معدل الانتحار المتحرك. نموذج الانتحال المتحرك المتوسطي يستخدمان متعددو الحدود، أر p و ما q ويصف عملية عشوائية ثابتة لا توجد عملية ثابتة تغيير عند التحول في الزمان والمكان، وبالتالي فإن عملية ثابتة لديها متوسط ​​ثابت والتباين وغالبا ما يشار إلى نموذج أرما من حيث الحدودية، أرما p، q يتم كتابة تدوين النموذج. x c فاريبسيلونت سوم فارفي 1 X سوم ثيتاي varepsilon. electing وتقدير والتحقق من النموذج هو موضح من قبل طريقة بوكس-جينكينز. Box - جينكينز طريقة لتحديد نموذج. الأدناه هو أكثر من الخطوط العريضة لطريقة بوكس ​​جينكينز، كما العملية الفعلية لإيجاد هذه القيم يمكن أن تكون ساحقة جدا دون حزمة إحصائية ورقة إكسل المدرجة في هذه الصفحة تحدد تلقائيا أفضل نموذج المناسب. الخطوة الأولى من طريقة بوكس ​​جينكينز هو تحديد نموذج وتشمل الخطوة تحديد الموسمية، والاختلاف إذا لزم الأمر وتحديد النظام من p و q عن طريق رسم الارتباط الذاتي ووظائف الارتباط الذاتي الجزئي. بعد تحديد النموذج، فإن الخطوة التالية هي تقدير المعلمات يستخدم تقدير المعلمة الحزم الإحصائية وخوارزميات الحساب للعثور على أفضل المعلمات المناسبة. بمجرد اختيار المعلمات، فإن الخطوة الأخيرة يتم التحقق من نموذج يتم فحص نموذج عن طريق اختبار لمعرفة ما إذا كان النموذج يتوافق مع سلسلة ثابتة أحادية المتغير ثابتة على يجب أن تؤكد أيضا أن البقايا مستقلة عن بعضها البعض ويظهر المتوسط ​​المستمر والتباين مع مرور الوقت، والذي يمكن القيام به عن طريق إجراء اختبار لجونغ بوكس ​​أو مرة أخرى بالتآمر الارتباط الذاتي والعلاقة الذاتية الجزئية للمتبقي. ملاحظة الخطوة الأولى تشمل التحقق من ل موسمية إذا كانت البيانات التي تعمل مع يحتوي على الاتجاهات الموسمية، والفرق من أجل جعل البيانات ثابتة هذه الخطوة الاختلاف يعمم نموذج أرما في نموذج أريما، أو الانحدار الانحداري المتكامل المتوسط ​​المتحرك، حيث المتكاملة يتوافق مع خطوة الاختلاف. التي تتحرك المتكاملة المتكاملة متوسط ​​النماذج. نموذج أريما لديه ثلاثة معلمات، p، d، q من أجل تحديد نموذج أرما لتشمل مصطلح الاختلاف، نبدأ بإعادة ترتيب نموذج أرما القياسي لفصل X تيكس اللثي و اللاتكس فاريبسيلونت من الجمع. 1 - مجموع ألفاي L ط شت 1 سوم ثيتاي L i varepsilont. Where L هو عامل تأخر و ألفاي ثيتاي فاريبسيلونت هي الانحدار الذاتي والمتوسط ​​المتحرك المعلمات، وشروط الخطأ، على التوالي. نحن الآن جعل افتراض أول متعدد الحدود من وظيفة، 1 - مجموع ألفاي L ط لديه جذر وحدوي للتعدد د يمكننا بعد ذلك إعادة كتابته إلى النموذج التالي. أريما يعبر عن عامل متعدد الحدود مع ب - د ويعطينا 1 - مجموع في L ط 1 - L د شت 1 مجموع ثيتاي L i varepsilont. Lastly، ونحن تعميم نموذج إضافي بإضافة مصطلح الانجراف، والذي يعرف نموذج أريما كما أريما p، د، ف مع الانجراف فراك. 1 - مجموع في L ط 1 - L د شت دلتا 1 سوم ثيتاي L i varepsilont. With نموذج يعرف الآن، يمكننا عرض نموذج أريما كما اثنين من أجزاء منفصلة، ​​واحدة غير ثابتة وغيرها من التوزيعات الثابتة الإحساس المشترك واسعة لا يتغير عندما تحول في الزمان أو الفضاء نموذج غير ثابت. 1 - مجموع في L أنا يت 1 سوم ثيتاي L i varepsilont. Forecasts يمكن الآن أن يتم على يت باستخدام طريقة التنبؤ الانحدار الذاتي المعمم. بعد أن ناقشنا أرما ونماذج أريما، ننتقل الآن إلى كيف يمكننا استخدامها في العملية تطبيقات لتوفير التنبؤ لقد بنيت تنفيذ مع إكسيل باستخدام R لجعل توقعات أريما فضلا عن خيار لتشغيل محاكاة مونت كارلو على نموذج لتحديد احتمال التنبؤات. إكسيل التنفيذ وكيفية استخدامها. قبل استخدام ورقة، يجب تحميل R و ريكسيل من موقع ستاتكون إذا كان لديك بالفعل R تثبيت، يمكنك فقط تحميل ريكسيل إذا كنت لا ر لديك R تثبيت، يمكنك تحميل راندفريندس الذي يحتوي على أحدث نسخة من R و ريكسيل يرجى ملاحظة، ريكسيل يعمل فقط على 32bit إكسيل للحصول على ترخيص غير تجاري إذا كان لديك 64 بت إكسيل مثبتا، سيكون لديك للحصول على ترخيص تجاري من Statconn. It من المستحسن تحميل أصدقاء الصداقة لأنه يجعل لأسرع وأسهل إنستال لاتيون ولكن إذا كان لديك بالفعل R وترغب في تثبيته يدويا، اتبع الخطوات التالية. تثبيت يدويا RExcel. To تثبيت ريكسيل والحزم الأخرى لجعل R العمل في إكسيل، أول فتح R كمسؤول عن طريق النقر بزر الماوس الأيمن على في وحدة التحكم R، قم بتثبيت ريكسيل عن طريق كتابة العبارات التالية. أوامر أعلاه سوف تثبيت ريكسيل على جهازك. الخطوة التالية هي لتثبيت ركوم، وهو حزمة أخرى من ستاتكون لحزمة ريكسيل لتثبيت هذا، اكتب ما يلي الأوامر، والتي سوف أيضا تثبيت تلقائيا رسكبروكسي اعتبارا من R الإصدار 2 8 0.With هذه الحزم المثبتة، يمكنك الانتقال إلى وضع الاتصال بين R و Excel. Although ليس من الضروري تثبيت، حزمة مفيد لتحميل هو رسمدر، وضعت بواسطة جون فوكس رسمر يخلق القوائم R التي يمكن أن تصبح القوائم في إكسيل تأتي هذه الميزة بشكل افتراضي مع تثبيت الصداقات ويجعل العديد من الأوامر R المتوفرة في إكسيل. اكتب الأوامر التالية إلى R لتثبيت رسد r. We يمكن إنشاء الارتباط إلى R و Excel. Note في الإصدارات الأخيرة من ريكسيل يرصد هذا الاتصال مع بسيطة انقر نقرا مزدوجا فوق الملف المقدم ActivateRExcel2010، لذلك يجب أن تحتاج فقط إلى اتباع هذه الخطوات إذا قمت بتثبيت يدويا R و ريكسيل أو إذا كان لسبب ما لم يتم إجراء اتصال أثناء تثبيت الأصدقاء. إنشاء اتصال بين R و Excel. Open كتاب جديد في إكسيل وانتقل إلى خيارات خيارات screen. Click خيارات ثم الوظائف الإضافية يجب أن تشاهد قائمة من جميع في الوظائف الإضافية النشطة وغير النشطة لديك حاليا انقر فوق الزر غو في الجزء السفلي. في مربع الحوار الوظائف الإضافية، سترى كل الوظائف الإضافية التي قمت بها انقر على تصفح. نقل إلى مجلد ريكسيل، وتقع عادة في C بروغرام فليزركسيلسلس أو شيء مماثل العثور على الوظيفة الإضافية وانقر فوقه. الخطوة التالية هي إنشاء مرجع من أجل وحدات الماكرو التي تستخدم R للعمل بشكل صحيح في المستند إكسيل الخاص بك، أدخل ألت F11 سيؤدي هذا إلى فتح إكسيل s فبا محرر الذهاب إلى أدوات - المراجع، والعثور على ريكسيل يجب أن يكون ريكسلفبليب ريكسيل الآن جاهزة للاستخدام. باستخدام ورقة إكسل. الآن أن R و ريكسيل تكوينها بشكل صحيح، انها ق وقت للقيام ببعض التنبؤ. فتح ورقة التنبؤ وانقر فوق تحميل خادم هذا هو لبدء خادم ركوم وأيضا تحميل الوظائف اللازمة للقيام بالتنبؤ سيتم فتح مربع حوار حدد ملف إيتال R المضمنة مع ورقة يحتوي هذا الملف على وظائف أداة التنبؤات معظم الوظائف التي تم تطويرها من قبل أستاذ ستوفر في جامعة بيتسبرغ أنها توسيع قدرات من R وتعطينا بعض الرسوم البيانية التشخيصية مفيدة جنبا إلى جنب مع الإخراج التنبؤ لدينا وهناك أيضا وظيفة لتحديد تلقائيا أفضل المعلمات المناسب من نموذج أريما. بعد تحميل الخادم، أدخل البيانات الخاصة بك في عمود البيانات حدد نطاق البيانات، انقر بزر الماوس الأيمن وحدد اسم نطاق اسم النطاق ك Data. Next تعيين تردد البيانات في الخلية C6 يشير التردد إلى الفترات الزمنية للبيانات الخاصة بك إذا كان الأسبوع لي، فإن التردد سيكون 7 شهري سيكون 12 بينما ربع سنوي سيكون 4، وهلم جرا. تحديد الفترات المقبلة للتنبؤ علما بأن نماذج أريما تصبح غير دقيقة تماما بعد عدة تنبؤات تردد متتالية قاعدة جيدة من الإبهام لا تتجاوز 30 خطوة مثل أي شيء الماضي التي يمكن أن تكون غير موثوق بها إلى حد ما هذا يعتمد على حجم مجموعة البيانات الخاصة بك كذلك إذا كان لديك بيانات محدودة المتاحة، فمن المستحسن أن تختار خطوات أصغر إلى الأمام number. After إدخال البيانات الخاصة بك، تسمية ذلك، وتحديد المطلوب التردد والخطوات المقبلة للتنبؤ، انقر فوق تشغيل قد يستغرق بعض الوقت للتنبؤ إلى process. Once انها الانتهاء، سوف تحصل على القيم المتوقعة إلى الرقم الذي حددته، والخطأ القياسي للنتائج، واثنين من الرسوم البيانية اليسار هو والقيم المتوقعة المتوقعة مع البيانات، في حين أن الحق يحتوي على التشخيص مفيد يضم بقايا موحدة، والترابط الذاتي من المخلفات، مؤامرة ز من بقايا والإحصاءات لجونغ بوكس ​​الرسم البياني لتحديد ط f نموذج جيد تركيبها. لقد فاز الحصول على الكثير من التفاصيل حول كيف يمكنك البحث عن نموذج مجهز بشكل جيد، ولكن على الرسم البياني أسف كنت لا تريد أي أو الكثير من المسامير تأخر عبور فوق الخط الأزرق المنقطة على غ أكثر من الدوائر التي تمر من خلال خط، وأكثر تطبيع وأفضل تركيب النموذج هو لمجموعة البيانات أكبر هذا قد يعبر الكثير من الدوائر وأخيرا، فإن اختبار لجونغ بوكس ​​هو مقال في حد ذاته ومع ذلك، والمزيد من الدوائر التي هي فوق الخط الأزرق المنقطة، وأفضل نموذج هو. إذا كانت نتيجة التشخيص لا تبدو جيدة، قد حاولت إضافة المزيد من البيانات أو البدء في نقطة مختلفة أقرب إلى النطاق الذي تريد التنبؤ. يمكنك بسهولة مسح النتائج التي تم إنشاؤها بواسطة بالنقر على أزرار القيم الواضحة المتوقعة. وهذا الأمر في الوقت الحالي، فإن عمود التاريخ لا يفعل أي شيء آخر غير المرجع الخاص بك، ولكنه ليس ضروريا للأداة إذا وجدت الوقت، سأعود وأضيف أنه حتى الرسم البياني المعروض يظهر الوقت الصحيح قد تتلقى أيضا خطأ عندما r توقظ توقعات هذا عادة ما يرجع إلى وظيفة أن يجد أفضل المعلمات غير قادر على تحديد النظام الصحيح يمكنك اتباع الخطوات المذكورة أعلاه لمحاولة وترتيب البيانات الخاصة بك بشكل أفضل لوظيفة للعمل. أتمنى أن تحصل على استخدام للخروج من أداة انها حفظت لي الكثير من الوقت في العمل، والآن كل ما علي القيام به هو إدخال البيانات، تحميل الملقم وتشغيله وآمل أيضا هذا يظهر لك كيف R رهيبة يمكن أن يكون، وخصوصا عندما تستخدم مع الأمامية مثل Excel. Code، ورقة عمل إكسيل والملف هي أيضا على جيثب هنا.