الانحدار الحركة من المتوسط - نموذج في ص

يمكن تقدير عمليات خطأ متوسط ​​الانحدار الذاتي (أخطاء أرما) والنماذج الأخرى التي تنطوي على تأخر في عبارات الخطأ باستخدام عبارات فيت والمحاكاة أو التنبؤ باستخدام عبارات سولف. وغالبا ما تستخدم نماذج أرما لعملية الخطأ للنماذج ذات المخلفات ذات الصلة. يمكن استخدام الماكرو أر لتحديد نماذج مع عمليات خطأ الانحدار الذاتي. يمكن استخدام ماكرو ما لتحديد النماذج مع عمليات الخطأ المتوسط ​​المتوسط. أخطاء الانحدار الذاتي نموذج يحتوي على أخطاء الانحدار الذاتي من الدرجة الأولى، أر (1)، لديه النموذج أثناء عملية خطأ أر (2) يحتوي على النموذج وهكذا دواليك لعمليات أعلى ترتيب. لاحظ أن s مستقلة وموزعة بشكل متطابق ولها قيمة متوقعة من 0. مثال على نموذج مع عنصر أر (2) هو وهكذا دواليك لعمليات أعلى ترتيب. على سبيل المثال، يمكنك كتابة نموذج الانحدار الخطي بسيط مع ما (2) المتوسط ​​المتحرك الأخطاء حيث حيث MA1 و MA2 هي المعلمات المتوسط ​​المتحرك. لاحظ أن RESID. Y يتم تعريفها تلقائيا بواسطة بروك موديل كما يجب استخدام الدالة زلاغ لمناذج ما لاقتطاع عودة العطل. ويضمن ذلك أن تبدأ الأخطاء المتأخرة عند الصفر في طور التأخر ولا تنشر القيم الناقصة عندما تكون متغيرات فترة التأخر مفقودة، وتضمن أن تكون الأخطاء المستقبلية صفرا وليس مفقودة أثناء المحاكاة أو التنبؤ. للحصول على تفاصيل حول وظائف التأخر، راجع القسم لاغ لوجيك. هذا النموذج المكتوب باستخدام ماكرو ما هو كما يلي: النموذج العام لنماذج أرما العملية أرما (p، q) العامة لها النموذج التالي يمكن تحديد نموذج أرما (p، q) كما يلي: حيث أر i و ما j تمثل ومعدلات الانحدار الذاتي والمتوسط ​​المتحرك لمختلف الفواصل الزمنية. يمكنك استخدام أي أسماء تريدها لهذه المتغيرات، وهناك العديد من الطرق المكافئة التي يمكن أن تكون مكتوبة المواصفات. ويمكن أيضا أن يتم تقدير العمليات أرما ناقلات مع بروك نموذج. على سبيل المثال، يمكن تحديد عملية أر (1) ثنائية المتغير لأخطاء المتغيرين الداخليين Y1 و Y2 على النحو التالي: مشكلات التقارب مع نماذج أرما يمكن أن يصعب تقدير نماذج أرما. إذا لم تكن تقديرات المعلمة ضمن النطاق المناسب، تنمو النماذج المتبقية للمتوسط ​​المتحرك بشكل مطرد. ويمكن أن تكون المخلفات المحسوبة للملاحظات اللاحقة كبيرة جدا أو يمكن تجاوزها. ويمكن أن يحدث ذلك إما بسبب استخدام قيم بدء غير ملائمة أو بسبب تكرارات التكرارات بعيدا عن القيم المعقولة. يجب استخدام العناية في اختيار قيم البدء لمعلمات أرما. وتبدأ قيم البداية التي تبلغ 0.001 بالنسبة إلى معلمات أرما إذا كان النموذج يتلاءم مع البيانات جيدا وأن المشكلة مكيفة جيدا. لاحظ أن نموذج ما يمكن في كثير من الأحيان تقريب من قبل نموذج أر عالية الترتيب، والعكس بالعكس. وهذا يمكن أن يؤدي إلى علاقة خطية متداخلة عالية في نماذج أرما مختلطة، والتي بدورها يمكن أن يسبب سوء تكييف خطيرة في الحسابات وعدم استقرار تقديرات المعلمة. إذا كان لديك مشاكل التقارب أثناء تقدير نموذج مع عمليات خطأ أرما، في محاولة لتقدير في الخطوات. أولا، استخدم بيان فيت لتقدير فقط المعلمات الهيكلية مع المعلمات أرما التي عقدت إلى الصفر (أو إلى تقديرات معقولة معقولة إن وجدت). بعد ذلك، استخدم عبارة فيت أخرى لتقدير معلمات أرما فقط، باستخدام قيم المعلمات الهيكلية من التشغيل الأول. وبما أن قيم المعلمات الهيكلية من المرجح أن تكون قريبة من تقديراتها النهائية، فإن تقديرات المعلمة أرما قد تتلاقى الآن. وأخيرا، استخدم بيان فيت آخر لإنتاج تقديرات متزامنة لجميع المعلمات. وبما أن القيم الأولية للمعلمات من المرجح أن تكون قريبة جدا من تقديراتها النهائية المشتركة، ينبغي أن تتلاقى التقديرات بسرعة إذا كان النموذج مناسبا للبيانات. الشروط المبدئية أر يمكن وضع الفواصل الأولية لشروط الخطأ في نماذج أر (p) بطرق مختلفة. طرق بدء تشغيل خطأ الانحدار الذاتي التي تدعمها إجراءات ساسيتس هي التالية: المربعات الصغرى المشروطة (إجراءات أريما و موديل) المربعات الصغرى غير المشروطة (أوتوريغ، أريما، وإجراءات موديل) أقصى احتمال (أوتوريغ، أريما، وإجراءات موديل) يول ووكر (أوتوريغ الإجراء الوحيد) هيلدريث-لو، الذي يحذف أول ملاحظات p (إجراء نموذج فقط) انظر الفصل 8، الإجراء أوتوريغ، للحصول على شرح ومناقشة مزايا مختلف أساليب بدء التشغيل أر (p). يمكن إجراء كلس، أولس، مل، و أوليتيزاتيونس من قبل بروك نموذج. بالنسبة إلى أخطاء أر (1)، يمكن إنتاج هذه التهيئة كما هو مبين في الجدول 18.2. هذه الطرق تعادل في عينات كبيرة. الجدول 18.2 التهيئة التي يتم إجراؤها بواسطة بروك النموذجي: أر (1) الأخطاء يمكن أيضا أن تكون الفواصل الأولية لشروط الخطأ في نماذج ما (q) نموذجا بطرق مختلفة. يتم دعم نماذج بدء خطأ المتوسط ​​المتوسط ​​التالية من خلال إجراءات أريما و موديل: مربعات أقل مشروطة المربعات الصغرى الشرطية طريقة المربعات الصغرى الشرطية لتقدير عبارات الخطأ المتوسط ​​المتوسط ​​ليست الأمثل لأنه يتجاهل مشكلة بدء التشغيل. وهذا يقلل من كفاءة التقديرات، على الرغم من أنها تظل غير متحيزة. ويفترض أن المخلفات الأولية المتأخرة، التي تمتد قبل بدء البيانات، هي صفر، قيمتها المتوقعة غير المشروطة. ويحدث هذا فرقا بين هذه المخلفات ومتبقي المربعات الصغرى المعمم في التباين المتوسط ​​المتحرك، الذي يستمر، خلافا لنموذج الانحدار الذاتي، من خلال مجموعة البيانات. وعادة ما يتقارب هذا الاختلاف بسرعة إلى 0، ولكن بالنسبة لعمليات المتوسط ​​المتحرك غير القابلة للتحويل تقريبا فإن التقارب بطيء جدا. لتقليل هذه المشكلة، يجب أن يكون لديك الكثير من البيانات، ويجب أن تكون تقديرات معامل المتوسط ​​المتحرك ضمن النطاق القابل للانعكاس. ويمكن تصحيح هذه المشكلة على حساب كتابة برنامج أكثر تعقيدا. ويمكن إنتاج تقديرات المربعات الصغرى غير المشروطة لعملية ما (1) من خلال تحديد النموذج على النحو التالي: يمكن أن يكون من الصعب تقدير المتوسط ​​المتحرك للأخطاء. يجب أن تفكر في استخدام تقريب أر (p) لعملية المتوسط ​​المتحرك. ويمكن عادة أن تكون عملية المتوسط ​​المتحرك مقاربة بشكل جيد من خلال عملية الانحدار الذاتي إذا لم يتم تمهيد أو اختلاف البيانات. الماكرو أر أر ساس الماكرو أر يولد بيانات البرمجة ل بروك موديل لنماذج الانحدار الذاتي. الماكرو أر هو جزء من برنامج ساسيتس، ولا حاجة إلى تعيين خيارات خاصة لاستخدام الماكرو. يمكن تطبيق عملية الانحدار الذاتي على أخطاء المعادلة الهيكلية أو إلى سلسلة الذاتية نفسها. يمكن استخدام الماكرو أر للأنواع التالية من الانحدار الذاتي: الانحدار الذاتي غير المقيد الانحدار الذاتي المتجه المقيد الانحدار الذاتي المتغير ونيفاريت لرسم نموذج الخطأ في المعادلة كعملية الانحدار الذاتي، استخدم العبارة التالية بعد المعادلة: على سبيل المثال، لنفترض أن Y هو الدالة الخطية ل X1 و X2 و أر (2). يمكنك كتابة هذا النموذج على النحو التالي: يجب أن تأتي المكالمات إلى أر بعد كل المعادلات التي تنطبق عليها العملية. ويؤدي الاستدعاء الكلي السابق، أر (y، 2)، إلى عرض البيانات المبينة في خرج ليست في الشكل 18.58. الشكل 18.58 ليست خیار الخیار لنموذج أر (2) متغیرات أر مسبقة الصیانة ھي متغیرات برنامجیة مؤقتة مستخدمة بحیث تکون تأخیرات البقایا ھي البقایا الصحیحة ولیس تلك التي تم إعادة تعریفھا بواسطة ھذه المعادلة. لاحظ أن هذا يعادل البيانات المكتوبة بشكل صريح في المقطع نموذج عام لنماذج أرما. يمكنك أيضا تقييد المعلمات الانحدار الذاتي إلى صفر عند التأخر المحدد. على سبيل المثال، إذا أردت معلمات الانحدار الذاتي عند الفترات الزمنية 1 و 12 و 13، يمكنك استخدام العبارات التالية: تولد هذه العبارات الإخراج الموضح في الشكل 18.59. الشكل 18.59 ليست مخرجات الخيار لنموذج أر مع تأخيرات في 1 و 12 و 13 قائمة إجراءات نموذج قائمة برمجية البرمجة البرمجية المجمعة كما تم تحليلها PRED. yab x1 c x2 RESID. y PRED. y - ACTUAL. y ERROR. y بريد. y - y OLDPRED. y PRED. y yl1 ZLAG1 (y - بيردي) yl12 ZLAG12 (y - بيردي) yl13 ZLAG13 (y - بيردي) RESID. y PRED. y - ACTUAL. y ERROR. y PRED. y - y هناك الاختلافات على طريقة المربعات الصغرى المشروطة، اعتمادا على ما إذا كانت الملاحظات في بداية السلسلة تستخدم لتسخين عملية أر. وبشكل افتراضي، تستخدم طريقة المربعات الصغرى المشروطة أر جميع الملاحظات وتفترض الأصفار للتخلف الأولي لشروط الانحدار الذاتي. باستخدام الخيار M، يمكنك طلب أن أر استخدام المربعات الصغرى غير المشروطة (أولس) أو أقصى احتمال (مل) طريقة بدلا من ذلك. على سبيل المثال، يتم عرض مناقشات هذه الطرق في القسم أر الشروط الأولية. وباستخدام الخيار مكلس n، يمكنك طلب استخدام أول ملاحظات n لحساب تقديرات الفترات الزمنية الأولية للانحراف الذاتي. في هذه الحالة، يبدأ التحليل بالملاحظة n 1. على سبيل المثال: يمكنك استخدام الماكرو أر لتطبيق نموذج الانحدار الذاتي على المتغير الداخلي، بدلا من مصطلح الخطأ، وذلك باستخدام الخيار تيبيف. على سبيل المثال، إذا كنت ترغب في إضافة الفواصل الخمسة الماضية من Y إلى المعادلة في المثال السابق، يمكنك استخدام أر لإنشاء المعلمات والتخلف باستخدام العبارات التالية: البيانات السابقة توليد الإخراج هو مبين في الشكل 18.60. الشكل 18.60 ليست خرج الخوارزمية لنموذج أر من Y يتنبأ هذا النموذج Y بمزيج خطي من X1 و X2 و اعتراض وقيم Y في أحدث خمس فترات. استخلاص الانحدار غير المقيد للناقلات لنموذج مصطلحات الخطأ لمجموعة من المعادلات كعملية متجه الانحدار الذاتي، استخدم النموذج التالي من ماكرو أر بعد المعادلات: قيمة اسم العملية هي أي اسم تقدمه أر لاستخدامه في صنع أسماء الانحدار الذاتي المعلمات. يمكنك استخدام ماكرو أر لنموذج عدة عمليات أر مختلفة لمجموعات مختلفة من المعادلات باستخدام أسماء عملية مختلفة لكل مجموعة. يضمن اسم العملية أن أسماء المتغيرات المستخدمة فريدة. استخدم قيمة اسم عملية قصيرة للعملية إذا كانت تقديرات المعامل ستكتب إلى مجموعة بيانات الإخراج. يحاول الماكرو أر إنشاء أسماء معلمات أقل من أو يساوي ثمانية أحرف، ولكن هذا يقتصر طول العملية. والذي يستخدم كبادئة لأسماء معلمات أر. القيمة فاريابلليست هي قائمة المتغيرات الذاتية للمعادلات. على سبيل المثال، لنفترض أن أخطاء المعادلات Y1 و Y2 و Y3 يتم إنشاؤها بواسطة عملية الانحدار الذاتي للناقلات من الدرجة الثانية. يمكنك استخدام العبارات التالية: التي تولد التالية ل Y1 و التعليمات البرمجية مشابهة ل Y2 و Y3: يمكن استخدام الأسلوب المربعات الصغرى الشرطية (مكلس أو مكلس n) لعمليات المتجه. يمكنك أيضا استخدام نفس النموذج مع القيود التي مصفوفة معامل تكون 0 في التأخر المحدد. على سبيل المثال، تنطبق العبارات التالية عملية متجه من الدرجة الثالثة على أخطاء المعادلة مع كل المعاملات عند التأخر 2 المقيدة إلى 0 ومع المعاملات عند الفواصل الزمنية 1 و 3 غير المقيدة: يمكنك نموذج السلسلة الثلاثية Y1Y3 باعتبارها عملية الانحدار الذاتي المتجه في المتغيرات بدلا من الأخطاء باستخدام الخيار تيبيف. إذا كنت ترغب في نموذج Y1Y3 كدالة للقيم الماضية من Y1Y3 وبعض المتغيرات الخارجية أو الثوابت، يمكنك استخدام أر لتوليد البيانات لفترات التأخر. اكتب معادلة لكل متغير للجزء نونوتريغريسيف من النموذج ثم قم باستدعاء أر مع الخيار تيبيف. على سبيل المثال، يمكن أن يكون الجزء غير التخريطي للنموذج دالة للمتغيرات الخارجية، أو يمكن أن يكون معلمات اعتراض. إذا لم تكن هناك مكونات خارجية لنموذج الانحدار الذاتي للناقل، بما في ذلك عدم وجود اعتراضات، ثم قم بتعيين صفر لكل من المتغيرات. يجب أن يكون هناك تخصيص لكل من المتغيرات قبل أن يسمى أر. ويوضح هذا المثال المتجه Y (Y1 Y2 Y3) كدالة خطية فقط لقيمته في الفترتين السابقتين ومجهز خطأ ضوضاء أبيض. يحتوي النموذج على 18 (3 3 3 3) معلمات. بناء الجملة من ماكرو أر هناك حالتان من بناء الجملة لل ماكرو أر. عندما لا تكون هناك حاجة إلى قيود على عملية أر ناقلات، وبناء الجملة ماكرو أر الشكل العام يحدد بادئة أر لاستخدامها في بناء أسماء المتغيرات اللازمة لتحديد عملية أر. إذا لم يتم تحديد إندوليست، فإن القائمة الذاتية افتراضيا للاسم. والتي يجب أن تكون اسم المعادلة التي سيتم تطبيق عملية خطأ أر. لا يمكن أن تتجاوز قيمة الاسم 32 حرفا. هو ترتيب عملية أر. تحدد قائمة المعادلات التي ستطبق عليها عملية أر. إذا تم إعطاء أكثر من اسم واحد، يتم إنشاء عملية ناقلات غير مقيدة مع المخلفات الهيكلية من جميع المعادلات المدرجة على النحو المتراجعون في كل من المعادلات. إذا لم يتم تحديدها، افتراضيات إندوليست الاسم. يحدد قائمة التأخيرات التي ستضاف إليها مصطلحات أر. يتم تعيين معاملات المصطلحات في فترات التأخر غير المدرجة إلى 0. يجب أن تكون جميع الفواصل المدرجة أقل من أو تساوي نلاغ. ويجب ألا تكون هناك نسخ مكررة. إذا لم يتم تحديدها، الافتراضي لاغليست لجميع يتخلف 1 خلال نلاغ. يحدد طريقة التقدير لتنفيذها. والقيم الصالحة لل M هي كلس) تقديرات المربعات الصغرى المشروطة (، و أولس) تقديرات المربعات الصغرى غير المشروطة (، و مل) تقديرات االحتمال القصوى (. مكلس هو الافتراضي. يسمح فقط مكلس عندما يتم تحديد أكثر من معادلة واحدة. ولا تدعم طرائق أر و نواقل أر من قبل أر. يحدد أن عملية أر يتم تطبيقها على المتغيرات الذاتية نفسها بدلا من المخلفات الهيكلية للمعادلات. تقييد الانتكاس التلقائي المقيد يمكنك التحكم في المعاملات التي يتم تضمينها في العملية، مع تقييد 0 تلك المعلمات التي لا تتضمنها. أولا، استخدم أر مع الخيار ديفر لإعلان قائمة المتغيرات وتحديد بعد العملية. ثم، استخدام المكالمات أر إضافية لتوليد مصطلحات للمعادلات المحددة مع المتغيرات المحددة في التأخر المحدد. وعلى سبيل المثال، فإن معادلات الخطأ المنتجة هي كما يلي: يشير هذا النموذج إلى أن أخطاء Y1 تعتمد على أخطاء كل من Y1 و Y2 (ولكن ليس Y3) عند كل من الفارقين 1 و 2، وأن الأخطاء في Y2 و Y3 تعتمد على الأخطاء السابقة لجميع المتغيرات الثلاثة، ولكن فقط في تأخر 1. أر بناء الجملة ماكرو للمتجهات المقيدة أر يسمح استخدام بديل من أر لفرض قيود على عملية أر المتجه عن طريق استدعاء أر عدة مرات لتحديد مصطلحات أر مختلفة والتخلف لمختلف المعادلات. المكالمة الأولى لها النموذج العام يحدد البادئة ل أر لاستخدامها في بناء أسماء المتغيرات اللازمة لتعريف عملية أر المتجهات. يحدد ترتيب عملية أر. تحدد قائمة المعادلات التي ستطبق عليها عملية أر. يحدد أن أر ليس لتوليد عملية أر ولكن الانتظار إلى مزيد من المعلومات المحددة في وقت لاحق أر يدعو لنفس القيمة الاسم. المكالمات اللاحقة لها الشكل العام هو نفسه كما في المكالمة الأولى. يحدد قائمة المعادلات التي ستطبق عليها المواصفات الواردة في نداء أر هذا. يمكن فقط أن تظهر الأسماء المحددة في قيمة إندوليست للمكالمة الأولى لقيمة الاسم في قائمة المعادلات في إكليست. تحدد قائمة المعادلات التي ستدرج مخلفاتها الهيكلية المتخلفة كمؤخرات في المعادلات في إكليست. يمكن فقط أن تظهر الأسماء في إندوليست المكالمة الأولى لقيمة الاسم في فارليست. إذا لم يحدد، افتراضات فارليست إلى إندوليست. يحدد قائمة التأخيرات التي ستضاف إليها مصطلحات أر. يتم تعيين معاملات المصطلحات عند التأخيرات غير المدرجة إلى 0. يجب أن تكون جميع الفواصل المدرجة أقل من أو تساوي قيمة نلاغ. ويجب ألا تكون هناك نسخ مكررة. إذا لم يتم تحديدها، لاغليست الافتراضية لجميع يتخلف 1 خلال نلاغ. ما ماكرو ساس ماكرو ماك يولد بيانات البرمجة ل بروك نموذج لنماذج المتوسط ​​المتحرك. ماكرو ما هو جزء من برنامج ساسيتس، ولا حاجة إلى خيارات خاصة لاستخدام الماكرو. ويمكن تطبيق عملية الخطأ المتوسط ​​المتوسط ​​على أخطاء المعادلة الهيكلية. بناء جملة ماكرو ما هو نفس الماكرو أر باستثناء عدم وجود وسيطة تايب. عندما كنت تستخدم ماك و أر وحدات الماكرو مجتمعة، ماكرو ما يجب اتباع ماكرو أر. تنتج عبارات ساسمل التالية عملية خطأ أرما (1، (1 3)) وحفظها في مجموعة البيانات مادات 2. وتستعمل عبارات بروك موديل التالية لتقدير معلمات هذا النموذج باستعمال أقصى بنية للخطأ المحتمل: وترد في الشكل 18.61 تقديرات المعلمات التي ينتجها هذا المدى. الشكل 18.61 تقديرات من أرما (1، (1 3)) العملية هناك حالتان من بناء الجملة ل ماكرو ما. عندما لا تكون هناك حاجة إلى قيود على عملية ما متجه، بناء جملة ماكرو ما النموذج العام يحدد بادئة ل ما لاستخدامها في بناء أسماء المتغيرات اللازمة لتعريف عملية ما وهو إندوليست الافتراضي. هو ترتيب عملية ما. يحدد المعادلات التي سيتم تطبيق عملية ما. إذا تم إعطاء أكثر من اسم واحد، يتم استخدام تقدير كلس لعملية المتجه. يحدد الفترات الزمنية التي ستضاف فيها مصطلحات ما. يجب أن تكون جميع الفترات المدرجة أقل من أو تساوي نلاغ. ويجب ألا تكون هناك نسخ مكررة. إذا لم يتم تحديدها، الافتراضي لاغليست لجميع يتخلف 1 خلال نلاغ. يحدد طريقة التقدير لتنفيذها. والقيم الصالحة لل M هي كلس) تقديرات المربعات الصغرى المشروطة (، و أولس) تقديرات المربعات الصغرى غير المشروطة (، و مل) تقديرات االحتمال القصوى (. مكلس هو الافتراضي. يسمح فقط مكلس عندما يتم تحديد أكثر من معادلة واحدة في إندوليست. ما ماكرو سينتاكس فور كونستروكتد فيكتور موفينغ-أفيراج يسمح باستخدام بديل ل ما فرض قيود على عملية ما المتجه عن طريق استدعاء ما عدة مرات لتحديد شروط ما المختلفة والتخلف عن المعادلات المختلفة. المكالمة الأولى لديها النموذج العام يحدد بادئة ل ما لاستخدامها في بناء أسماء المتغيرات اللازمة لتعريف عملية ما المتجه. يحدد ترتيب عملية ما. يحدد قائمة المعادلات التي سيتم تطبيق عملية ما. يحدد أن ما ليس لتوليد عملية ما ولكن هو الانتظار للحصول على مزيد من المعلومات المحددة في ما لاحق يدعو لنفس القيمة الاسم. المكالمات اللاحقة لها الشكل العام هو نفسه كما في المكالمة الأولى. تحدد قائمة المعادلات التي ستطبق عليها المواصفات الواردة في هذه الدعوة. تحدد قائمة المعادلات التي ستدرج مخلفاتها الهيكلية المتخلفة كمؤخرات في المعادلات في إكليست. تحدد قائمة التأخيرات التي ستضاف إليها مصطلحات ما. مقدمة إلى أريما: النماذج غير التقليدية أريما (p، d، q) التنبؤ بالمعادلة: نماذج أريما هي، من الناحية النظرية، الفئة الأكثر عمومية من النماذج للتنبؤ بسلسلة زمنية والتي يمكن أن تكون 8220stationary8221 عن طريق الاختلاف (إذا لزم الأمر)، وربما بالتزامن مع التحولات غير الخطية مثل قطع الأشجار أو تفريغ (إذا لزم الأمر). المتغير العشوائي الذي هو عبارة عن سلسلة زمنية ثابت إذا كانت خصائصه الإحصائية ثابتة على مر الزمن. سلسلة ثابتة لا يوجد لديه اتجاه، والاختلافات حول المتوسط ​​لها اتساع مستمر، وأنه يتلوى بطريقة متسقة. أي أن أنماطها الزمنية العشوائية القصيرة الأجل تبدو دائما بنفس المعنى الإحصائي. ويعني الشرط الأخير أن علاقاته الذاتية (الارتباطات مع انحرافاته السابقة عن المتوسط) تظل ثابتة على مر الزمن، أو على نحو مكافئ، أن طيف القدرة لا يزال ثابتا على مر الزمن. ويمكن أن ينظر إلى متغير عشوائي لهذا النموذج (كالمعتاد) على أنه مزيج من الإشارة والضوضاء، والإشارة (إذا كانت ظاهرة) يمكن أن تكون نمطا للانعكاس السريع أو البطيء، أو التذبذب الجيبية أو بالتناوب السريع في الإشارة ، ويمكن أن يكون لها أيضا عنصر موسمي. ويمكن النظر إلى نموذج أريما على أنه 8220filter8221 يحاول فصل الإشارة عن الضوضاء، ومن ثم يتم استقراء الإشارة إلى المستقبل للحصول على التنبؤات. ومعادلة التنبؤ أريما لسلسلة زمنية ثابتة هي معادلة خطية (أي الانحدار من نوع) تكون فيها المتنبؤات متخلفة عن المتغير التابع والتخلفات المتراكمة في أخطاء التنبؤ. وهذا هو: القيمة المتوقعة ل Y قيمة ثابتة ومرجحة لقيمة واحدة أو أكثر من القيم الأخيرة Y ومجموع مرجح لقيمة أو أكثر من القيم الأخيرة للأخطاء. إذا كانت المتنبئات تتكون فقط من قيم متخلفة من Y. هو نموذج الانحدار الذاتي النقي (8220self-regressed8221) النموذج، وهو مجرد حالة خاصة من نموذج الانحدار والتي يمكن تركيبها مع برامج الانحدار القياسية. على سبيل المثال، نموذج الانحدار الذاتي الأول (8220AR (1) 8221) ل Y هو نموذج انحدار بسيط يتغير فيه المتغير المستقل فقط بفترة واحدة (لاغ (Y، 1) في ستاتغرافيكس أو YLAG1 في ريجرسيت). إذا كان بعض المتنبؤات متخلفة من الأخطاء، وهو نموذج أريما فإنه ليس نموذج الانحدار الخطي، لأنه لا توجد طريقة لتحديد 8220 فترة قصيرة 8217s error8221 كمتغير مستقل: يجب أن تحسب الأخطاء على أساس فترة إلى فترة عندما يتم تركيب النموذج على البيانات. ومن وجهة النظر التقنية، فإن مشكلة استخدام الأخطاء المتأخرة كمنبئات هي أن التنبؤات النموذجية 8217s ليست دالات خطية للمعاملات. رغم أنها وظائف خطية للبيانات السابقة. لذلك، يجب تقدير المعاملات في نماذج أريما التي تتضمن أخطاء متخلفة بطرق التحسين غير الخطية (8220hill-التسلق 8221) بدلا من مجرد حل نظام المعادلات. اختصار أريما لتقف على السيارات والانحدار المتكامل المتحرك المتوسط. ويطلق على الفترات المتأخرة في السلسلة المعيارية في معادلة التنبؤ مصطلحات كوتورغريسغريسيفيكوت، ويطلق على "أخطاء أخطاء التنبؤ" مصطلحات متوسط ​​التكلفة، ويقال إن السلسلة الزمنية التي يجب أن تكون مختلفة لتكون ثابتة، هي عبارة عن نسخة متقاربة من سلسلة ثابتة. نماذج المشي العشوائي ونماذج الاتجاه العشوائي، ونماذج الانحدار الذاتي، ونماذج التجانس الأسي كلها حالات خاصة لنماذج أريما. ويصنف نموذج أريما نوناسونال على أنه نموذج كوتاريما (p، d، q) كوت حيث: p هو عدد مصطلحات الانحدار الذاتي، d هو عدد الاختلافات غير الموسمية اللازمة للاستبانة، و q هو عدد الأخطاء المتوقعة في التنبؤات معادلة التنبؤ. يتم بناء معادلة التنبؤ على النحو التالي. أولا، اسمحوا y تدل على الفرق د من Y. مما يعني: لاحظ أن الفرق الثاني من Y (حالة d2) ليس الفرق من 2 منذ فترات. بدلا من ذلك، هو الفرق الأول من الأول الفرق. وهو التناظرية منفصلة من مشتق الثاني، أي تسارع المحلي للسلسلة بدلا من الاتجاه المحلي. من حيث y. معادلة التنبؤ العامة هي: هنا يتم تعريف المعلمات المتوسطة المتحركة (9528217s) بحيث تكون علاماتها سلبية في المعادلة، وفقا للاتفاقية 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 8217s الاتفاقية التي يستخدمها البرنامج الخاص بك عندما كنت تقرأ الإخراج. في كثير من الأحيان يتم الإشارة إلى المعلمات هناك من قبل أر (1)، أر (2)، 8230، و ما (1)، ما (2)، 8230 الخ لتحديد نموذج أريما المناسب ل Y. تبدأ من خلال تحديد ترتيب الاختلاف (د) الحاجة إلى توثيق السلسلة وإزالة الخصائص الإجمالية للموسمية، ربما بالاقتران مع تحول استقرار التباين مثل قطع الأشجار أو الانقسام. إذا كنت تتوقف عند هذه النقطة والتنبؤ بأن سلسلة ديفيرنتد ثابت، لديك مجرد تركيب المشي العشوائي أو نموذج الاتجاه العشوائي. ومع ذلك، قد لا تزال السلسلة المستقرة ذات أخطاء ذات علاقة ذاتية، مما يشير إلى أن هناك حاجة إلى بعض المصطلحات أر (p 8805 1) أندور بعض مصطلحات ما (q 8805 1) في معادلة التنبؤ. ستتم مناقشة عملية تحديد قيم p و d و q الأفضل لسلسلة زمنية معينة في الأقسام اللاحقة من الملاحظات (التي توجد روابطها في أعلى هذه الصفحة)، ولكن معاينة لبعض الأنواع من نماذج أريما نونسونالونال التي تواجه عادة ما يرد أدناه. أريما (1،0،0) من الدرجة الأولى نموذج الانحدار الذاتي: إذا كانت السلسلة ثابتة و أوتوكوريلاتد، وربما يمكن التنبؤ بها باعتبارها متعددة من قيمتها السابقة، بالإضافة إلى ثابت. معادلة التنبؤ في هذه الحالة هي 8230 الذي يتراجع Y على نفسه متأخرا بفترة واحدة. هذا هو 8220ARIMA (1،0،0) ثابت 8221 نموذج. إذا كان متوسط ​​Y هو الصفر، فإن المصطلح الثابت لن يتم تضمينه. إذا كان معامل الانحدار 981 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 8217s للفترة التالية لتكون 981 1 مرة بعيدا عن متوسط ​​هذه الفترة قيمة 8217s. وإذا كان 981 1 سلبيا، فإنه يتنبأ بسلوك التراجع عن طريق تبديل الإشارات، أي أنه يتوقع أيضا أن يكون Y أقل من متوسط ​​الفترة التالية إذا كان أعلى من متوسط ​​هذه الفترة. في نموذج الانحدار الذاتي من الدرجة الثانية (أريما (2،0،0))، سيكون هناك مصطلح T-2 على اليمين كذلك، وهكذا. واعتمادا على علامات ومقدار المعاملات، يمكن أن يصف نموذج أريما (2،0،0) نظاما له انعكاس متوسط ​​يحدث بطريقة تتأرجح جيبيا، مثل حركة الكتلة في فصل الربيع الذي يتعرض للصدمات العشوائية . أريما (0،1،0) المشي العشوائي: إذا كانت السلسلة Y ليست ثابتة، أبسط نموذج ممكن لذلك هو نموذج المشي العشوائي، والتي يمكن اعتبارها حالة الحد من نموذج أر (1) التي الانتكاس الذاتي معامل يساوي 1، أي سلسلة مع بلا حدود بطيئة متوسط ​​الانعكاس. ويمكن كتابة معادلة التنبؤ لهذا النموذج على النحو التالي: حيث يكون المصطلح الثابت هو متوسط ​​التغير من فترة إلى أخرى (أي الانجراف الطويل الأجل) في Y. ويمكن تركيب هذا النموذج كنموذج انحدار لا اعتراض يقوم فيه الفرق الأول من Y هو المتغير التابع. وبما أنه يشمل (فقط) اختلافا غير منطقي ومدة ثابتة، فإنه يصنف على أنه نموذج كوتاريما (0،1،0) مع ثابت. كوت نموذج المشي العشوائي بدون الانجراف سيكون أريما (0،1، 0) نموذج بدون نموذج أريسترجيسد من الدرجة الأولى (1-1،0): إذا كانت أخطاء نموذج المشي العشوائي مترابطة تلقائيا، ربما يمكن إصلاح المشكلة بإضافة فاصل واحد للمتغير التابع إلى معادلة التنبؤ - أي وذلك بتراجع الفارق الأول من Y على نفسه متأخرا بفترة واحدة. وهذا من شأنه أن يسفر عن معادلة التنبؤ التالية: التي يمكن إعادة ترتيبها إلى هذا هو نموذج الانحدار الذاتي من الدرجة الأولى مع ترتيب واحد من اختلاف غير منطقي ومدة ثابتة - أي. وهو نموذج أريما (1،1،0). أريما (0،1،1) دون تمهيد الأسي المستمر المستمر: اقترح استراتيجية أخرى لتصحيح الأخطاء أوتوكوريلاتد في نموذج المشي العشوائي من قبل نموذج تمهيد الأسي بسيط. تذكر أنه بالنسبة لبعض السلاسل الزمنية غير المستقرة (مثل تلك التي تظهر تقلبات صاخبة حول متوسط ​​متباينة ببطء)، فإن نموذج المشي العشوائي لا يؤدي فضلا عن المتوسط ​​المتحرك للقيم السابقة. وبعبارة أخرى، فبدلا من أخذ الملاحظة الأخيرة كتوقعات الملاحظة التالية، من 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. يمكن كتابة معادلة التنبؤ لنموذج التمهيد الأسي البسيط في عدد من الأشكال المكافئة رياضيا. واحد منها هو ما يسمى 8220 خطأ التصحيح 8221 النموذج، الذي يتم تعديل التوقعات السابقة في اتجاه الخطأ الذي قدمه: لأن ه ر - 1 ذ ر - 1 - 374 ر - 1 حسب التعريف، يمكن إعادة كتابة هذا كما في : وهو أريما (0،1،1) مع معادلة التنبؤ المستمر مع 952 1 1 - 945. وهذا يعني أنه يمكنك تناسب تمهيد الأسي بسيط من خلال تحديده كنموذج أريما (0،1،1) دون ثابت، ويقدر معامل ما (1) المقدر 1-ناقص ألفا في صيغة سيس. نذكر أن متوسط ​​عمر البيانات في التنبؤات قبل فترة واحدة هو 945 1 في نموذج سيس، وهذا يعني أنها سوف تميل إلى التخلف عن الاتجاهات أو نقاط التحول بنحو 1 945 فترات. ويترتب على ذلك أن متوسط ​​عمر البيانات في التنبؤات السابقة بفترة زمنية واحدة لنموذج أريما (0،1،1) بدون نموذج ثابت هو 1 (1 - 952 1). إذا، على سبيل المثال، إذا كان 952 1 0.8، متوسط ​​العمر هو 5. كما 952 1 النهج 1، يصبح النموذج أريما (0،1،1) بدون ثابت متوسط ​​متحرك طويل الأجل جدا، و 952 1 النهج 0 يصبح نموذج المشي العشوائي دون الانجراف. ما هو أفضل طريقة لتصحيح الارتباط الذاتي: إضافة المصطلحات أر أو إضافة مصطلحات ما في النموذجين السابقين نوقش أعلاه، تم إصلاح مشكلة أخطاء أوتوكوريلاتد في نموذج المشي العشوائي بطريقتين مختلفتين: عن طريق إضافة قيمة متخلفة من سلسلة مختلفة إلى المعادلة أو إضافة قيمة متأخرة لخطأ التنبؤ. النهج الذي هو أفضل قاعدة من الإبهام لهذا الوضع، والتي سيتم مناقشتها بمزيد من التفصيل في وقت لاحق، هو أن الارتباط الذاتي الإيجابي عادة ما يعامل بشكل أفضل عن طريق إضافة مصطلح أر إلى النموذج وعادة ما يعامل الارتباط الذاتي السلبي عن طريق إضافة ما المدى. في سلسلة الأعمال والاقتصاد الزمني، وغالبا ما تنشأ الارتباط الذاتي السلبي باعتباره قطعة أثرية من الاختلاف. (بشكل عام، يقلل الاختلاف من الارتباط الذاتي الإيجابي وربما يتسبب في التحول من الارتباط الذاتي الموجب إلى السالب). لذلك، فإن نموذج أريما (0،1،1)، الذي يكون فيه الاختلاف مصحوبا بمصطلح ما، غالبا ما يستخدم من أريما (1،1،0) نموذج. أريما (0،1،1) مع تمهيد الأسي المستمر المستمر مع النمو: من خلال تنفيذ نموذج سيس كنموذج أريما، كنت في الواقع كسب بعض المرونة. أولا وقبل كل شيء، ويسمح معامل ما (1) المقدرة لتكون سلبية. وهذا يقابل عامل تمهيد أكبر من 1 في نموذج سيس، وهو ما لا يسمح به عادة إجراء تركيب نموذج سيس. ثانيا، لديك خيار إدراج مدة ثابتة في نموذج أريما إذا كنت ترغب في ذلك، من أجل تقدير متوسط ​​الاتجاه غير الصفر. ويشتمل نموذج أريما (0،1،1) الثابت على معادلة التنبؤ: إن التنبؤات ذات الفترة الواحدة من هذا النموذج متشابهة نوعيا مع نموذج نموذج سيس، إلا أن مسار التنبؤات الطويلة الأجل عادة ما يكون (المنحدر يساوي مو) بدلا من خط أفقي. أريما (0،2،1) أو (0،2،2) دون تمهيد أسي خطية ثابتة: نماذج التجانس الأسية الخطية هي نماذج أريما التي تستخدم اثنين من الاختلافات نونسوناسونال بالتزامن مع الشروط ما. والفرق الثاني لسلسلة Y ليس مجرد الفرق بين Y وتخلف نفسها بفترتين، وإنما هو الفرق الأول من الاختلاف الأول - أي. التغيير في تغيير Y في الفترة t. وبالتالي، فإن الفارق الثاني من Y في الفترة t يساوي (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. والفرق الثاني من الدالة المنفصلة يشبه مشتق ثان من دالة مستمرة: يقيس الدالة كوتاكسيليركوت أو كوتكورفاتوريكوت في الدالة عند نقطة معينة من الزمن. ويتنبأ نموذج أريما (0،2،2) دون توقع ثابت بأن الفارق الثاني من السلسلة يساوي دالة خطية لآخر خطأين متوقعين: يمكن إعادة ترتيبهما على النحو التالي: حيث يكون 952 1 و 952 2 هما (1) و ما (2) معاملات. هذا هو نموذج التجانس الأسي العام الخطية. أساسا نفس نموذج Holt8217s، و Brown8217s نموذج هو حالة خاصة. ويستخدم المتوسطات المتحركة المرجح أضعافا مضاعفة لتقدير كل من المستوى المحلي والاتجاه المحلي في هذه السلسلة. تتلاقى التوقعات على المدى الطويل من هذا النموذج مع خط مستقيم يعتمد ميله على متوسط ​​الاتجاه الملحوظ نحو نهاية السلسلة. أريما (1،1،2) دون ثابت خطي الاتجاه الاتجاه الأسي تمهيد. ويوضح هذا النموذج في الشرائح المصاحبة على نماذج أريما. فإنه يستقلب الاتجاه المحلي في نهاية السلسلة ولكن تسطح بها في آفاق التنبؤ أطول لإدخال مذكرة من المحافظة، وهي الممارسة التي لديها الدعم التجريبي. انظر المقال على كوهي في ذي تريند تريند وركسكوت غاردنر أند ماكنزي أند ذي كوغولدن رولكوت أرتيسترونغ إت آل. للتفاصيل. فمن المستحسن عموما التمسك النماذج التي لا يقل عن واحد من p و q لا يزيد عن 1، أي لا تحاول أن تناسب نموذج مثل أريما (2،1،2)، وهذا من المرجح أن يؤدي إلى الإفراط في تجهيز وكومكومون-فاكتوركوت القضايا التي نوقشت بمزيد من التفصيل في الملاحظات على الهيكل الرياضي لنماذج أريما. تنفيذ جدول البيانات: من السهل تنفيذ نماذج أريما مثل تلك الموضحة أعلاه على جدول بيانات. ومعادلة التنبؤ هي مجرد معادلة خطية تشير إلى القيم السابقة للسلاسل الزمنية الأصلية والقيم السابقة للأخطاء. وهكذا، يمكنك إعداد جدول بيانات تنبؤ أريما عن طريق تخزين البيانات في العمود ألف، وصيغة التنبؤ في العمود باء، والأخطاء (البيانات ناقص التنبؤات) في العمود C. وستكون صيغة التنبؤ في خلية نموذجية في العمود باء ببساطة تعبير خطي 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. تنبؤات أريما مع إكسيل و R هيلو توداي سأرشدك من خلال مقدمة إلى نموذج أريما ومكوناته، فضلا عن شرح موجز لطريقة بوكس ​​جينكينز لكيفية تحديد نماذج أريما. وأخيرا، قمت بإنشاء تنفيذ إكسيل باستخدام R، الذي I8217ll تظهر لك كيفية إعداد واستخدام. نماذج المتوسط ​​المتحرك للإنحدار الذاتي (أرما) يستخدم نموذج المتوسط ​​المتحرك للإنحدار الذاتي للنمذجة والتنبؤ بعمليات السلاسل الزمنية الثابتة والمؤقتة. هو مزيج من اثنين من التقنيات الإحصائية المتقدمة سابقا، والانحدار الذاتي (أر) والمتوسط ​​المتحرك (ما) نماذج ووصفها في الأصل بيتر ويتل في عام 1951. جورج E. P. قام بوكس ​​وجويليم جينكينز بنشر النموذج في عام 1971 من خلال تحديد خطوات منفصلة لنمذجة تحديد الهوية والتقدير والتحقق. وسيتم وصف هذه العملية في وقت لاحق كمرجع. سنبدأ بإدخال نموذج أرما من خلال مكوناته المختلفة، أر، و ما نماذج ثم تقديم تعميم شعبية من نموذج أرما، أريما (الانحدار الانحداري المتكامل المتوسط ​​المتحرك) والتنبؤ ومواصفات نموذج الخطوات. وأخيرا، سأشرح تطبيق إكسيل الذي قمت بإنشائه وكيفية استخدامه لجعل توقعات سلسلة الوقت الخاصة بك. نماذج الانحدار الذاتي يستخدم نموذج الانحدار الذاتي لوصف العمليات العشوائية والعمليات المتغيرة للوقت ويحدد متغير الناتج يعتمد خطيا على قيمه السابقة. تم وصف النموذج على النحو التالي: شت c سوم فارفي، شت-i فاريبسيلونت حيث varphi1، لدوتس، فارفيفارفي هي معلمات النموذج، C ثابت، و فاريبسيلونت هو مصطلح الضوضاء البيضاء. أساسا، ما يصفه النموذج هو لأي قيمة معينة X (t). يمكن تفسيره بوظائف قيمته السابقة. بالنسبة لنموذج مع معلمة واحدة، يتم تفسير فارفي 1. X (t) قيمته السابقة X (t-1) و فاريبسيلونت خطأ عشوائي. بالنسبة إلى نموذج يحتوي على أكثر من معلمة، على سبيل المثال، يتم إعطاء فارفي 2. X (t) بواسطة X (t-1). X (t-2) و فاريبسيلونت خطأ عشوائي. نموذج المتوسط ​​المتحرك يستخدم نموذج المتوسط ​​المتحرك (ما) في كثير من الأحيان لنمذجة السلاسل الزمنية أحادية المتغير ويعرف على النحو التالي: شت مو فاريبسيلونت theta1، فاريبسيلون لدوتس ثيتاق، فاريبسيلون مو هو متوسط ​​السلاسل الزمنية. ثيتا، لدوتس، ثيتاق هي معلمات النموذج. فاريبسيلونت، فاريبسيلون، لدوتس هي الأخطاء خطأ الضوضاء البيضاء. q هو ترتيب نموذج المتوسط ​​المتحرك. نموذج المتوسط ​​المتحرك هو الانحدار الخطي للقيمة الحالية للسلسلة مقارنة مع مصطلحات فاريبسيلونت في الفترة السابقة، t. فاريبسيلون. على سبيل المثال، يتم شرح نموذج ما من س 1. X (t) عن طريق الخطأ الحالي فاريبسيلونت في نفس الفترة وقيمة الخطأ الماضي، فاريبسيلون. بالنسبة لنموذج من النظام 2 (ف 2)، يتم شرح X (t) بقيم الخطأ السابقة، فاريبسيلون و فاريبسيلون. يتم استخدام المصطلحات أر (p) و ما (q) في نموذج أرما، الذي سيتم عرضه الآن. الانحدار الذاتي المتوسط ​​المتحرك النموذج الانحدار الذاتي يستخدم نموذج المتوسط ​​المتحرك مجموعتين متعددتي الحدود، أر (p) و ما (q) ويصف عملية عشوائية عشوائية. ولا تتغير العملية الثابتة عندما تتحول في الزمان والمكان، وبالتالي فإن العملية الثابتة لها متوسط ​​ثابت والتباين. وغالبا ما يشار إلى نموذج أرما من حيث تعدد الحدود، أرما (p، q). يتم كتابة تدوين النموذج: شت c فاريبسيلونت سوم فارفي 1 X سوم ثيتاي فاريبسيلون يتم وصف اختيار وتقدير والتحقق من النموذج من قبل عملية بوكس ​​جينكينز. طريقة بوكس-جينكينز لتعريف النموذج فيما يلي أكثر من مخطط لطريقة بوكس-جينكينز، حيث أن العملية الفعلية لإيجاد هذه القيم يمكن أن تكون ساحقة تماما بدون حزمة إحصائية. ورقة إكسيل المضمنة في هذه الصفحة تحدد تلقائيا أفضل نموذج مناسب. الخطوة الأولى من طريقة بوكس-جنكينز هي تحديد النموذج. وتشمل الخطوة تحديد الموسمية، والاختلاف إذا لزم الأمر، وتحديد ترتيب p و q عن طريق رسم الترابط الذاتي ووظائف الترابط الذاتي الجزئي. بعد تحديد النموذج، فإن الخطوة التالية هي تقدير المعلمات. يستخدم تقدير المعلمة الحزم الإحصائية وخوارزميات الحساب للعثور على أفضل المعلمات المناسبة. وبمجرد اختيار المعلمات، فإن الخطوة الأخيرة هي التحقق من النموذج. ويتم فحص النموذج بالاختبار لمعرفة ما إذا كان النموذج يتوافق مع سلسلة زمنية ثابتة أحادية المتغير. كما ينبغي للمرء أن يؤكد أن البقايا مستقلة عن بعضها البعض وأن تظهر متوسطا ثابتا وتباينا على مر الزمن، وهو ما يمكن القيام به عن طريق إجراء اختبار لجونغ بوكس ​​أو مرة أخرى للتخطيط للعلاقة الذاتية والترابط الذاتي الجزئي للمخلفات. لاحظ الخطوة الأولى تنطوي على التحقق من الموسمية. إذا كانت البيانات التي تعمل مع يحتوي على الاتجاهات الموسمية، يمكنك 8220difference8221 من أجل جعل البيانات ثابتة. وتؤدي خطوة الاختلاف هذه إلى تعميم نموذج أرما في نموذج أريما أو المتوسط ​​المتحرك المتكامل الانحداري الذاتي حيث يتوافق 8216Integrated8217 مع خطوة الاختلاف. نماذج الانحدار الذاتي المتكامل الانحدار الذاتي يحتوي نموذج أريما على ثلاث معلمات، p، d، q. من أجل تحديد نموذج أرما لتشمل مصطلح الاختلاف، نبدأ بإعادة ترتيب نموذج أرما القياسي لفصل X (t) اللاتكس و اللاتكس فاريبسيلونت من الجمع. (1 - مجموع ألفاي لي) شت (1 مجموع ثيتاي لي) فاريبسيلونت حيث L هو عامل تأخر و ألفاي. thetai. فاريبسيلونت هي الانحدار الذاتي والمتوسط ​​المتحرك المعلمات، وشروط الخطأ، على التوالي. نحن الآن جعل افتراض أول متعدد الحدود من وظيفة، (1 - مجموع ألفاي لي) لديه جذر وحدوي للتعدد د. ثم يمكننا إعادة كتابته إلى ما يلي: نموذج أريما يعبر عن عامل متعدد الحدود مع ب - د ويعطينا: (1 - مجموع في لي) (1 - L) د شت (1 مجموع ثيتاي لي) فاريبسيلونت وأخيرا، فإننا تعميم نموذج آخر بإضافة مصطلح الانجراف، الذي يعرف نموذج أريما كما أريما (p، d، q) مع الانجراف فراك. (1 - سوم في لي) (1 - L) د شت دلتا (1 سوم ثيتاي لي) فاريبسيلونت مع نموذج يعرف الآن، يمكننا عرض نموذج أريما كما منفصلة أجزاء، واحدة غير ثابتة وغيرها من ثابت واسع النطاق ثابتة (لا يتغير توزيع الاحتمالات المشتركة عندما يتحول في الزمان والمكان). نموذج غير ثابت: نموذج ثابت ثابت واسع: (1 - مجموع في لي) يت (1 مجموع ثيتاي لي) فاريبسيلونت ويمكن الآن التنبؤات على يت باستخدام طريقة التنبؤ الانحدار الذاتي المعمم. الآن بعد أن ناقشنا نموذجي أرما و أريما، ننتقل الآن إلى كيف يمكننا استخدامها في التطبيقات العملية لتوفير التنبؤ. إيف بنيت تنفيذ مع إكسيل باستخدام R لجعل توقعات أريما فضلا عن خيار لتشغيل محاكاة مونت كارلو على نموذج لتحديد احتمال التنبؤات. تنفيذ إكسيل وكيفية استخدامها قبل استخدام ورقة، يجب تحميل R و ريكسيل من موقع ستاتكون. إذا كان لديك بالفعل R تثبيت، يمكنك فقط تحميل ريكسيل. إذا لم يكن لديك R تثبيت، يمكنك تحميل راندفريندس الذي يحتوي على أحدث نسخة من R و ريكسيل. يرجى ملاحظة، ريكسيل يعمل فقط على 32bit إكسيل لرخصة غير التجارية. إذا كان لديك 64 بت إكسيل مثبتة، سيكون لديك للحصول على رخصة تجارية من ستاتكون. فمن المستحسن لتحميل راندفريندس لأنه يجعل أسرع وأسهل التركيب ولكن إذا كان لديك بالفعل R وترغب في تثبيته يدويا، اتبع الخطوات التالية. تثبيت يدويا ريكسيل لتثبيت ريكسيل والحزم الأخرى لجعل R العمل في إكسيل، أول فتح R كمسؤول عن طريق النقر بزر الماوس الأيمن على. exe. في وحدة التحكم R، قم بتثبيت ريكسيل عن طريق كتابة العبارات التالية: الأوامر أعلاه سوف تثبيت ريكسيل على الجهاز الخاص بك. الخطوة التالية هي تثبيت ركوم، وهي حزمة أخرى من ستاتكون لحزمة ريكسيل. لتثبيت هذا، اكتب الأوامر التالية، والتي سيتم أيضا تثبيت رسكبروكسي تلقائيا من الإصدار R 2.8.0. مع تثبيت هذه الحزم، يمكنك الانتقال إلى إعداد الاتصال بين R و إكسيل. على الرغم من أن ليس من الضروري للتركيب، حزمة مفيد لتحميل هو رسمدر، التي وضعتها جون فوكس. رسمر يخلق القوائم R التي يمكن أن تصبح القوائم في إكسيل. وتأتي هذه الميزة بشكل افتراضي مع تثبيت "أصدقاء الصداقة" ويجعل العديد من الأوامر R متوفرة في إكسيل. اكتب الأوامر التالية إلى R لتثبيت رسدر. يمكننا إنشاء الارتباط إلى R و إكسيل. ملاحظة في الإصدارات الأخيرة من ريكسيل يتم هذا الاتصال مع بسيطة انقر نقرا مزدوجا فوق ملف. bat المقدمة ActivateRExcel2010، لذلك يجب أن تحتاج فقط إلى اتباع هذه الخطوات إذا قمت بتثبيت يدويا R و ريكسيل أو إذا لسبب ما لم يتم إجراء الاتصال خلال تثبيت الأصدقاء. إنشاء الاتصال بين R و إكسيل فتح كتاب جديد في إكسيل وانتقل إلى شاشة الخيارات. انقر فوق خيارات ثم الوظائف الإضافية. يجب أن تشاهد قائمة بجميع الوظائف الإضافية النشطة وغير النشطة لديك حاليا. انقر على الزر غو في الأسفل. في مربع الحوار الوظائف الإضافية، سترى جميع مراجع الوظيفة الإضافية التي قمت بإجرائها. انقر على استعراض. انتقل إلى المجلد ريكسيل، وعادة ما تقع في C: بروغرام فليزركسيلسلس أو شيء مماثل. العثور على RExcel. xla إضافة في وانقر فوقه. الخطوة التالية هي إنشاء مرجع من أجل وحدات الماكرو التي تستخدم R للعمل بشكل صحيح. في مستند إكسيل، أدخل ألت F11. سيؤدي هذا إلى فتح إكسيلس فبا إديتور. الذهاب إلى أدوات المراجع - gt، والعثور على مرجع ريكسيل، ريكسلفبليب. ريكسيل يجب أن تكون الآن جاهزة للاستخدام باستخدام ورقة إكسل الآن أن R و ريكسيل تكوينها بشكل صحيح، وقتها للقيام ببعض التنبؤ فتح ورقة التنبؤ وانقر فوق تحميل الملقم. هذا هو لبدء خادم ركوم وأيضا تحميل الوظائف اللازمة للقيام التنبؤ. سوف يظهر صندوف حوار. حدد الملف itall. R المضمنة في الورقة. يحتوي هذا الملف على الوظائف التي تستخدمها أداة التنبؤ. وقد وضعت معظم الوظائف الواردة من قبل البروفيسور ستوفر في جامعة بيتسبرغ. أنها توسع قدرات 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 في عمود البيانات. حدد نطاق البيانات، وانقر بزر الماوس الأيمن وحدد نطاق الاسم. اسم النطاق كبيانات. بعد ذلك، تعيين وتيرة البيانات الخاصة بك في الخلية C6. يشير التكرار إلى الفترات الزمنية للبيانات. إذا كان أسبوعيا، فإن التردد سيكون 7. شهري سيكون 12 بينما ربع سنوي سيكون 4، وهلم جرا. أدخل الفترات المقبلة للتنبؤ. لاحظ أن نماذج أريما تصبح غير دقيقة تماما بعد عدة تنبؤات تردد متعاقبة. قاعدة جيدة من الإبهام لا تتجاوز 30 خطوة كما أي شيء الماضي التي يمكن أن تكون غير موثوقة إلى حد ما. هذا يعتمد على حجم مجموعة البيانات الخاصة بك كذلك. إذا كان لديك بيانات محدودة، فمن المستحسن أن تختار عدد الخطوات خطوة إلى الأمام أصغر. بعد إدخال البيانات الخاصة بك، وتسمية ذلك، وتحديد التردد المطلوب والخطوات إلى الأمام للتنبؤ، انقر فوق تشغيل. قد يستغرق الأمر بعض الوقت حتى تتم عملية التنبؤ. وبمجرد الانتهاء، سوف تحصل على القيم المتوقعة إلى الرقم الذي حددته، والخطأ القياسي للنتائج، واثنين من الرسوم البيانية. واليسار هي القيم المتوقعة التي تم رسمها مع البيانات، في حين يحتوي الحق على تشخيص مفيد يضم مخلفات موحدة، والعلاقة الذاتية للمخلفات، ومؤامرة غ من البقايا، ورسم إحصاءات ليجون بوكس ​​لتحديد ما إذا كان النموذج مجهزا بشكل جيد. أنا لن تحصل على الكثير من التفاصيل حول الطريقة التي تبحث عن نموذج مجهز بشكل جيد، ولكن على الرسم البياني أسف كنت لا تريد أي (أو الكثير) من المسامير تأخر عبور الخط الأزرق المنقطة. على مؤامرة ز، والمزيد من الدوائر التي تمر من خلال الخط، وأكثر تطبيع وأفضل تركيب النموذج هو. أما بالنسبة لمجموعات البيانات الكبيرة، فقد يعبر ذلك الكثير من الدوائر. وأخيرا، اختبار يجونغ بوكس ​​هو مقال في حد ذاته ومع ذلك، والمزيد من الدوائر التي هي فوق الخط الأزرق المنقطة، وأفضل النموذج هو. إذا كانت نتيجة التشخيص لا تبدو جيدة، يمكنك محاولة إضافة المزيد من البيانات أو البدء في نقطة مختلفة أقرب إلى النطاق الذي تريد التنبؤ به. يمكنك بسهولة مسح النتائج التي تم إنشاؤها عن طريق النقر على أزرار القيم المتوقعة. وهذا في الوقت الحالي، عمود التاريخ لا تفعل أي شيء آخر للرجوع اليها، ولكن ليس من الضروري للأداة. إذا وجدت الوقت، سوء العودة وإضافة ذلك يظهر الرسم البياني المعروض الوقت الصحيح. قد تتلقى أيضا خطأ عند تشغيل التوقعات. ويرجع ذلك عادة إلى وظيفة أن يجد أفضل المعلمات غير قادر على تحديد النظام الصحيح. يمكنك اتباع الخطوات المذكورة أعلاه لمحاولة ترتيب بياناتك بشكل أفضل لكي تعمل الوظيفة. آمل أن تحصل على استخدام للخروج من أداة حفظ 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 عند استخدامها مع الأمامية مثل إكسيل. كود، ورقة عمل إكسيل وملف. bas أيضا على جيثب هنا.