Wednesday 13 December 2017

الانتقال من المتوسط - طريقة في الوقت المناسب سلسلة تحليل


إجراء تحليل السلاسل الزمنية باستخدام طريقة المتوسطات الخطية الطريقة يمكنك استخدام هذه الطريقة مع سلسلة زمنية تظهر اتجاهات ومتوسطات متحركة تتضمن أكثر من متوسطين متحركين. أولا، حساب وتخزين المتوسط ​​المتحرك للسلسلة الأصلية. ثم حساب وتخزين المتوسط ​​المتحرك للعمود المخزن سابقا للحصول على المتوسط ​​المتحرك الثاني. لحساب وتخزين المتوسط ​​المتحرك، اختر ستات غ تايم سيريز غ موفينغ أفيراج. أكمل مربع الحوار، اختر التخزين. وحدد المتوسطات المتحركة. حقوق الطبع والنشر 2016 مينيتاب Inc. جميع الحقوق محفوظة. باستخدام هذا الموقع فإنك توافق على استخدام ملفات تعريف الارتباط للتحليلات والمحتوى الشخصي. قراءة سياستنا بيانات التمهيد يزيل التباين العشوائي ويظهر الاتجاهات والمكونات الدورية الكامنة في جمع البيانات التي اتخذت مع مرور الوقت هو شكل من أشكال الاختلاف العشوائي. هناك طرق للحد من إلغاء التأثير بسبب الاختلاف العشوائي. تقنية غالبا ما تستخدم في الصناعة هو تمهيد. هذه التقنية، عندما تطبق بشكل صحيح، يكشف بشكل أكثر وضوحا الاتجاه الكامن، المكونات الموسمية ودورية. هناك مجموعتان متميزتان من طرق التجانس طرق المتوسط ​​طرق التمدد الأسي أخذ المتوسطات هو أبسط طريقة لتسهيل البيانات سنقوم أولا بالتحقيق في بعض أساليب المتوسط، مثل المتوسط ​​البسيط لجميع البيانات السابقة. مدير مستودع يريد أن يعرف كم المورد نموذجي يسلم في 1000 دولار الوحدات. تأخذ هيش عينة من 12 موردا، عشوائيا، والحصول على النتائج التالية: الوسط الحسابي أو متوسط ​​البيانات 10. يقرر المدير استخدام هذا التقدير كمصروف لنفقات مورد نموذجي. هل هذا تقدير جيد أو سيء متوسط ​​الخطأ المئوي هو طريقة للحكم على مدى جودة النموذج هو سنقوم بحساب متوسط ​​الخطأ التربيعي. المبلغ الحقيقي الذي تم إنفاقه ناقص المبلغ المقدر. مربع الخطأ هو الخطأ أعلاه، تربيع. و سس هو مجموع الأخطاء التربيعية. و مس هو متوسط ​​الأخطاء التربيعية. نتائج مس على سبيل المثال النتائج هي: أخطاء خطأ وتربيع التقدير 10 السؤال الذي يطرح نفسه: هل يمكننا استخدام المتوسط ​​للتنبؤ بالدخل إذا كنا نشك في اتجاه A نظرة على الرسم البياني أدناه يظهر بوضوح أننا لا ينبغي أن نفعل ذلك. متوسط ​​يزن جميع الملاحظات السابقة بالتساوي وباختصار، فإننا نذكر أن المتوسط ​​البسيط أو المتوسط ​​لجميع الملاحظات السابقة ليس سوى تقدير مفيد للتنبؤ عندما لا تكون هناك اتجاهات. إذا كانت هناك اتجاهات، استخدم تقديرات مختلفة تأخذ في الاعتبار هذا الاتجاه. ويزن المتوسط ​​جميع الملاحظات السابقة بالتساوي. على سبيل المثال، متوسط ​​القيم 3، 4، 5 هو 4. ونحن نعلم، بطبيعة الحال، أنه يتم حساب المتوسط ​​عن طريق إضافة كل القيم وتقسيم المجموع حسب عدد القيم. طريقة أخرى لحساب المتوسط ​​عن طريق إضافة كل قيمة مقسومة على عدد القيم، أو 33 43 53 1 1.3333 1.6667 4. يسمى المضاعف 13 بالوزن. بشكل عام: شريط فراك مبلغ اليسار (فراك اليمين) X1 اليسار (فراك الحق) X2،. ،، اليسار (فراك يمين) شن. (يسار (يمين فراك)) هي الأوزان، وبطبيعة الحال، فإنها تصل إلى 1.2.1 نماذج المتوسط ​​المتحرك (نماذج ما) نماذج السلاسل الزمنية المعروفة باسم نماذج أريما قد تشمل مصطلحات الانحدار الذاتي و المتوسط ​​المتحرك المتوسط. في الأسبوع الأول، تعلمنا مصطلح الانحدار الذاتي في نموذج سلسلة زمنية للمتغير x t قيمة متخلفة من x t. على سبيل المثال، مصطلح الانحدار الذاتي 1 تأخر هو x t-1 (مضروبا في معامل). يحدد هذا الدرس مصطلحات المتوسط ​​المتحرك. متوسط ​​المتوسط ​​المتحرك في نموذج السلاسل الزمنية هو خطأ سابق (مضروبا في معامل). واسمحوا (W أوفيرزيت N (0، sigma2w))، بمعنى أن w t هي متطابقة، موزعة بشكل مستقل، ولكل منها توزيع طبيعي يعني 0 و نفس التباين. (1) هو (شت مو وت theta1w) نموذج المتوسط ​​المتحرك الثاني، الذي يشير إليه ما (2) هو (شت مو wtta1w theta2w) ، التي يرمز إليها ما (q) هو (شت مو وت theta1w ثيتاو w النقاط ثيتاكو) ملاحظة. العديد من الكتب المدرسية والبرامج البرمجية تحدد النموذج مع علامات سلبية قبل الشروط. هذا لا يغير الخصائص النظرية العامة للنموذج، على الرغم من أنه لا يقلب علامات جبري لقيم معامل المقدرة و (غير مسقوفة) المصطلحات في صيغ ل أكفس والتباينات. تحتاج إلى التحقق من البرنامج للتحقق مما إذا كانت العلامات السلبية أو الإيجابية قد استخدمت من أجل كتابة النموذج المقدر بشكل صحيح. يستخدم R إشارات إيجابية في نموذجه الأساسي، كما نفعل هنا. الخصائص النظرية لسلسلة زمنية مع ما (1) نموذج لاحظ أن القيمة غير صفرية الوحيدة في أسف النظري هو تأخر 1. جميع أوتوكوريلاتيونس الأخرى هي 0. وبالتالي عينة أسف مع ارتباط ذاتي كبير فقط في تأخر 1 هو مؤشر لنموذج ما (1) ممكن. للطلاب المهتمين، والبراهين من هذه الخصائص هي ملحق لهذه النشرة. مثال 1 افترض أن نموذج ما (1) هو x t 10 w t .7 w t-1. حيث (الوزن الزائد N (0،1)). وبالتالي فإن معامل 1 0.7. وتعطى أسف النظرية من قبل مؤامرة من هذا أسف يتبع. المؤامرة فقط أظهرت هو أسف النظري ل ما (1) مع 1 0.7. ومن الناحية العملية، لن توفر العينة عادة مثل هذا النمط الواضح. باستخدام R، قمنا بمحاكاة n 100 قيم عينة باستخدام النموذج x t 10 w t .7 w t-1 حيث w t إيد N (0،1). لهذه المحاكاة، وتتبع مؤامرة سلسلة زمنية من بيانات العينة. لا يمكننا أن نقول الكثير من هذه المؤامرة. وتأتي العينة أسف للبيانات المحاكاة. ونحن نرى ارتفاع في التأخر 1 تليها عموما القيم غير الهامة للتخلف الماضي 1. لاحظ أن العينة أسف لا يطابق النمط النظري لل ما الأساسية (1)، وهو أن جميع أوتوكوريلاتيونس للتخلف الماضي 1 سيكون 0.ويمكن أن يكون لعينة مختلفة عينة أسف مختلفة قليلا مبينة أدناه، ولكن من المرجح أن يكون لها نفس السمات العامة. الخصائص النظرية لسلسلة زمنية مع نموذج ما (2) بالنسبة للنموذج ما (2)، تكون الخصائص النظرية كما يلي: لاحظ أن القيم غير الصفرية الوحيدة في أسف النظرية هي للتخلف 1 و 2. أوتوكوريلاتيونس للتخلف العالي هي 0 لذلك، فإن عينة أسف مع أوتوكوريلاتيونس كبيرة في التأخر 1 و 2، ولكن أوتوكوريلاتيونس غير هامة لفترات أعلى يشير إلى احتمال ما (2) نموذج. إيد N (0،1). المعاملات هي 1 0.5 و 2 0.3. لأن هذا هو ما (2)، فإن أسف النظرية لها قيم غير صفرية فقط في التأخر 1 و 2. قيم أوتوكوريلاتيونس غير نازيرو هي مؤامرة من أسف النظري يتبع. وكما هو الحال دائما تقريبا، فإن بيانات العينة لن تتصرف تماما تماما كما النظرية. قمنا بمحاكاة n 150 قيم عينة للنموذج x t 10 w t .5 w t-1 .3 w t-2. حيث w t إيد N (0،1). وتأتي سلسلة المسلسلات الزمنية للبيانات. كما هو الحال مع مؤامرة سلسلة زمنية ل ما (1) عينة البيانات، لا يمكن أن أقول الكثير من ذلك. وتأتي العينة أسف للبيانات المحاكاة. النمط هو نموذجي في الحالات التي قد يكون نموذج ما (2) مفيدة. هناك اثنين من ارتفاع كبير إحصائيا في التأخر 1 و 2 تليها القيم غير الهامة للتخلف الأخرى. لاحظ أنه نظرا لخطأ أخذ العينات، فإن عينة أسف لا تتطابق مع النمط النظري بالضبط. أسف للجنرال ما (q) النماذج A خاصية نماذج ما (q) بشكل عام هو أن هناك أوتوكوريلاتيونس غير الصفرية للفواصل q الأولى و أوتوكوريلاتيونس 0 لجميع التأخر غ س. عدم تفرد الاتصال بين قيم 1 و (rho1) في ما (1) نموذج. في نموذج ما (1)، لأي قيمة 1. فإن المعاملة 1 المتبادلة تعطي نفس القيمة كمثال، تستخدم 0.5 ل 1. ثم استخدم 1 (0.5) 2 ل 1. تحصل على (rho1) 0.4 في كلتا الحالتين. لتلبية التقييد النظري يسمى العكوسة. فإننا نقيد نماذج ما (1) التي لها قيم ذات قيمة مطلقة أقل من 1. وفي المثال الذي أعطيت للتو، ستكون قيمة 0،5 قيمة معلمة مسموح بها، بينما لن تكون 1 10،5 2. قابلية نماذج ما يقال إن نموذج ما قابل للانعكاس إذا كان معادلا جبريا لنموذج أر غير محدود. من خلال التقارب، ونحن نعني أن معاملات أر تنخفض إلى 0 ونحن نعود إلى الوراء في الوقت المناسب. القابلية للانعكاس هي قيود مبرمجة في برامج السلاسل الزمنية المستخدمة لتقدير معاملات النماذج بشروط ما. انها ليست شيئا أننا تحقق في في تحليل البيانات. يتم إعطاء معلومات إضافية حول تقييد إنفرتيبيليتي ل ما (1) نماذج في الملحق. نظرية النظرية المتقدمة. وبالنسبة لنموذج ما (q) مع أسف محدد، لا يوجد سوى نموذج واحد قابل للانعكاس. والشرط الضروري للعكس هو أن للمعاملات قيم مثل المعادلة 1- 1 y-. - q y q 0 لديها حلول ل y التي تقع خارج دائرة الوحدة. رمز R للأمثلة في المثال 1، قمنا بتخطيط أسف النظري للنموذج x t 10 w t. 7w t-1. ومن ثم محاكاة n 150 قيم من هذا النموذج ورسم التسلسل الزمني للعينة و أسف العينة للبيانات المحاكية. وكانت الأوامر R المستخدمة في رسم أسف النظرية: acfma1ARMAacf (ماك (0.7)، lag. max10) 10 تأخر من أسف ل ما (1) مع thta1 0.7 متخلفة 0: 10 يخلق متغير اسمه التأخر التي تتراوح من 0 إلى 10. مؤامرة (1)، و xlemc1 (1، 10)، ييلبر، تيله، أسف الرئيسي ل ما (1) مع theta1 0.7) أبلين (h0) يضيف محور أفقي إلى المؤامرة يحدد الأمر الأول أسف ويخزن في كائن اسمه acfma1 (اختيارنا من الاسم). تتخطى مؤامرات الأمر المؤامرة (الأمر الثالث) مقابل قيم أكف للتخلف من 1 إلى 10. تسمي معلمة يلب المحور الصادي وتضع المعلمة الرئيسية عنوانا على المؤامرة. لمعرفة القيم العددية لل أسف ببساطة استخدام acfma1 الأمر. وقد أجريت المحاكاة والمؤامرات مع الأوامر التالية. xcarima. sim (n150، قائمة (ماك (0.7))) يحاكي n 150 القيم من ما (1) xxc10 يضيف 10 لجعل المتوسط ​​10. الافتراضية الافتراضية المحاكاة يعني 0. مؤامرة (x، تايب، مينسيمولاتد ما (1) البيانات) أسف (x، زليمك (1،10)، ميناكف لبيانات العينة المحاكاة) في المثال 2، قمنا بتخطيط أكف النظري للنموذج شت 10 w .5 w t-1 .3 w t-2. ومن ثم محاكاة n 150 قيم من هذا النموذج ورسم التسلسل الزمني للعينة و أسف العينة للبيانات المحاكية. كانت الأوامر R المستخدمة acfma2ARMAacf (ماك (0.5،0.3)، lag. max10) acfma2 متخلفة 0: 10 مؤامرة (تأخر، acfma2، زليمك (1،10)، يلابر، تيبه، أسف الرئيسي ل ما (2) مع ثيتا 0.5، (h0) xcarima. sim (n150، قائمة (ماك (0.5، 0.3))) xxc10 مؤامرة (x، تيب، الرئيسية مقلد ما (2) سلسلة أسف (x، زليمك (1،10) ميناكف لمحاكاة ما (2) البيانات) الملحق: دليل على خصائص ما (1) للطلاب المهتمين، وهنا هي البراهين للخصائص النظرية للنموذج ما (1). الفرق: النص (شت) النص (wt theta1 w) 0 النص (وت) النص (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) عندما h 1، التعبير السابق 1 ث 2. لأي h 2، التعبير السابق 0 والسبب هو أنه، بحكم تعريف استقلالها. E (w w w j) 0 لأي k j. علاوة على ذلك، لأن w w t يعني 0، E (w j w j) E (w j 2) w 2. لسلسلة زمنية، تطبيق هذه النتيجة للحصول على أسف المذكورة أعلاه. نموذج ما لا يمكن عكسه هو واحد التي يمكن أن تكون مكتوبة كنموذج لانهائية أجل أر التي تتقارب بحيث معاملات أر تتلاقى إلى 0 ونحن نتحرك بلا حدود مرة أخرى في الوقت المناسب. تثبت جيدا إنفرتيبيليتي ل ما (1) نموذج. ثم نستبدل العلاقة (2) ل w t-1 في المعادلة (1) (3) (زت وت theta1 (z - theta1w) wttata1z - theta2w) في الوقت t-2. المعادلة (2) يصبح نحن ثم بديلا العلاقة (4) ل w t-2 في المعادلة (3) (زت وت ثيتا z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) إذا كان علينا أن نواصل ( (زت وت theta1 z - theta21z thta31z - theta41z النقاط) لاحظ مع ذلك أنه إذا كان 1 1، فإن المعاملات ضرب ضرب من z زيادة (بلا حدود) في الحجم ونحن نعود إلى الوراء في زمن. ولمنع ذلك، نحتاج إلى 1 لتر 1. هذا هو شرط لنموذج ما (1) قابل للانعكاس. لانهائية النظام ما نموذج في الأسبوع 3، نرى جيدا أن أر (1) نموذج يمكن تحويلها إلى أمر لانهائي ما نموذج: (شت - mu وت phi1w نقاط phi21w phik1 ث النقاط مجموع phij1w) هذا الجمع من الماضي شروط الضوضاء البيضاء هو معروف كما التمثيل السببي لل أر (1). وبعبارة أخرى، x t هو نوع خاص من ما مع عدد لا حصر له من المصطلحات تعود في الوقت المناسب. وهذا ما يسمى أمر لا حصر له ما أو ما (). أمر محدود ما هو أمر لانهائي أر وأي أمر محدود أر هو أمر لانهائي ما. أذكر في الأسبوع 1، لاحظنا أن شرط ل أر ثابتة (1) هو أن 1 lt1. يتيح حساب فار (x t) باستخدام التمثيل السببي. هذه الخطوة الأخيرة تستخدم حقيقة أساسية حول السلسلة الهندسية التي تتطلب (phi1lt1) وإلا فإن السلسلة تتباعد. نافيغاتيونميثودس لتحليل السلاسل الزمنية يقدم مينيتاب العديد من التحليلات التي تمكنك من تحليل السلاسل الزمنية. وتشمل هذه التحليلات بسيطة التنبؤ وأساليب التمهيد، وأساليب تحليل الارتباط، ونمذجة أريما. على الرغم من أن تحليل الارتباط يمكن أن يتم بشكل منفصل عن نمذجة أريما، يعرض مينيتاب أساليب الترابط كجزء من نمذجة أريما. طرق بسيطة للتنبؤ والتجانس إن نماذج التنبؤ البسيطة وطرق التجانس البسيطة في سلسلة عادة ما تكون سهلة الملاحظة في مؤامرة سلسلة زمنية للبيانات. ويقوم هذا النهج بتحليل البيانات إلى أجزاءها المكونة، ثم يمتد تقديرات المكونات في المستقبل لتوفير التنبؤات. يمكنك الاختيار من بين الأساليب الثابتة لتحليل الاتجاه والتحلل، أو الأساليب الديناميكية للمتوسط ​​المتحرك، والتجانس الأسي المزدوج والمزدوج، وطريقة الشتاء. أساليب ثابتة لديها أنماط التي لا تتغير مع مرور الوقت أساليب ديناميكية لديها أنماط التي تتغير مع مرور الوقت ويتم تحديث التقديرات باستخدام القيم المجاورة. يمكنك استخدام طريقتين في الجمع. وهذا يعني أنه يمكنك اختيار طريقة ثابتة لنموذج مكون واحد وطريقة ديناميكية لنموذج مكون مختلف. على سبيل المثال، يمكنك تناسب اتجاه ثابت باستخدام تحليل الاتجاهات وديناميكيا نموذج المكون الموسمية في المخلفات باستخدام طريقة الشتاء. أو، يمكنك تناسب نموذج موسمي ثابت باستخدام التحلل وديناميكيا نموذج مكون الاتجاه في المخلفات باستخدام التجانس الأسي المزدوج. يمكنك أيضا تطبيق تحليل الاتجاه والتحلل معا بحيث يمكنك استخدام مجموعة أوسع من نماذج الاتجاه التي تقدمها تحليل الاتجاه. ومن عيوب طرق الجمع أن فترات الثقة للتنبؤات غير صحيحة. ويقدم الجدول التالي، لكل طريقة من الطرق، موجزا ورسم بياني لملاءمة وتوقعات البيانات المشتركة. تحليل الاتجاهات يناسب نموذج الاتجاه العام لبيانات السلاسل الزمنية. الاختيار بين الخطية، التربيعية، الأسي النمو أو الاضمحلال، ونماذج S - منحنى الاتجاه. استخدم هذا الإجراء لتتناسب مع الاتجاه عندما لا يكون هناك عنصر موسمي في السلسلة الخاصة بك. التوقعات: طول: طويل الملف الشخصي: تمديد خط الاتجاه التحلل يفصل سلسلة مرات في مكونات الاتجاه الخطي، والمكونات الموسمية، والخطأ. اختيار ما إذا كان العنصر الموسمي هو المضافة أو المضاعفة مع هذا الاتجاه. استخدم هذا الإجراء للتنبؤ عندما يكون هناك عنصر موسمي في السلسلة أو عندما تريد فحص طبيعة الأجزاء المكونة. التوقعات: طول: طويل الملف الشخصي: الاتجاه مع نمط الموسمية المتحرك المتوسط ​​ينعم البيانات الخاصة بك عن طريق المتوسطات الملاحظات متتالية في سلسلة. يمكنك استخدام هذا الإجراء عندما لا يكون لديك بيانات مكون الاتجاه. إذا كان لديك عنصر موسمي، فحدد طول المتوسط ​​المتحرك ليساوي طول الدورة الموسمية. التوقعات: طول: الملف الشخصي القصير: خط مسطح واحد الأسي تجانس ينعم البيانات الخاصة بك باستخدام الأمثل خطوة واحدة إلى الأمام أريما (0،1،1) صيغة التنبؤ. هذا الإجراء يعمل بشكل أفضل دون اتجاه أو عنصر موسمي. المكون الديناميكي الوحيد في نموذج المتوسط ​​المتحرك هو المستوى. التوقعات: طول: الملف الشخصي القصير: خط مسطح مزدوجة الأسي تجانس ينعم البيانات الخاصة بك باستخدام الأمثل خطوة واحدة قبل أريما (0،2،2) صيغة التنبؤ. هذا الإجراء يمكن أن تعمل بشكل جيد عندما يكون هناك اتجاه ولكن يمكن أيضا أن تكون بمثابة طريقة التمهيد العام. مزدوجة الأسي تجانس يحسب تقديرات ديناميكية لمكونين: المستوى والاتجاه. التوقعات: طول: الملف الشخصي القصير: خط مستقيم مع المنحدر يساوي تقدير الاتجاه الماضي وينترس الطريقة ينعم البيانات الخاصة بك عن طريق هولت الشتاء الشتاء الأسي. استخدام هذا الإجراء عندما يكون هناك اتجاه والموسمية، مع هذين العنصرين إما أن تكون مضافة أو مضاعفة. وينترس طريقة حساب التقديرات الديناميكية لثلاثة مكونات: المستوى، والاتجاه، والموسمية. توقعات: طول: قصيرة إلى متوسطة الملف الشخصي: الاتجاه مع النمط الموسمية تحليل الارتباط و أريما النمذجة أريما (الانحدار الذاتي المتكامل المتوسط ​​المتحرك) النمذجة أيضا يجعل استخدام أنماط في البيانات، ولكن هذه الأنماط قد لا تكون مرئية بسهولة في مؤامرة من البيانات. وبدلا من ذلك، تستخدم نمذجة أريما الاختلاف وعلاقات الارتباط الذاتي ووظائف الترابط الذاتي الجزئي للمساعدة في تحديد نموذج مقبول. ويمكن استخدام نمذجة أريما لنموذج العديد من سلاسل زمنية مختلفة، مع أو بدون مكونات الاتجاه أو الموسمية، وتوفير التنبؤات. يعتمد الملف الشخصي للتنبؤ على النموذج المناسب. ميزة النمذجة أريما بالمقارنة مع أساليب التنبؤ والتجانس بسيطة هي أنه أكثر مرونة في تركيب البيانات. ومع ذلك، يمكن تحديد نموذج المناسب واستهلاكها وقتا طويلا، ونمذجة أريما ليست مؤتمتة بسهولة. الاختلافات يحسب ويخزن الاختلافات بين قيم البيانات لسلسلة زمنية. إذا كنت تريد أن تناسب نموذج أريما ولكن البيانات الخاصة بك لديها اتجاه أو عنصر موسمية، والاختلاف البيانات هو خطوة مشتركة في تقييم نماذج أريما المرجح. ويستخدم التباين لتبسيط هيكل الارتباط وكشف أي نمط أساسي. لاغ يحسب وتخلف الفواصل الزمنية لسلسلة زمنية. عندما تتخطى سلسلة زمنية، يقوم مينيتاب بتحريك القيم الأصلية أسفل العمود، وإدراج القيم المفقودة في أعلى العمود. ويعتمد عدد القيم المفقودة المدرجة على طول الفارق الزمني. الارتباط الذاتي يحسب ويخلق رسما بيانيا ل أوتوكوريلاتيونس من سلسلة زمنية. الترابط الذاتي هو الترابط بين رصدات سلاسل زمنية مفصولة بوحدات زمنية k. وتسمى مؤامرة أوتوكوريلاتيونس دالة الارتباط الذاتي (أسف). عرض أسف لتوجيه اختيارك من المصطلحات لتشمل في نموذج أريما. الترابط الذاتي الجزئي يحسب ويخلق رسما بيانيا للربط التلقائي الجزئي لسلسلة زمنية. الترابطات التلقائية الجزئية، مثل أوتوكوريلاتيونس، هي الارتباطات بين مجموعات من أزواج البيانات المطلوبة من سلسلة زمنية. وكما هو الحال مع الارتباطات الجزئية في حالة الانحدار، تقيس الارتباطات التلقائية الجزئية قوة العلاقة مع المصطلحات الأخرى الموضحة. والترابط الذاتي الجزئي عند تأخر k هو الترابط بين البقايا في الوقت t من نموذج الانحدار الذاتي والملاحظات عند التأخر k مع شروط جميع الفترات المتداخلة في نموذج الانحدار الذاتي. وتسمى مؤامرة أوتوكوريلاتيونس الجزئية دالة الارتباط الذاتي الجزئي (باسف). عرض باسف لتوجيه اختيارك من المصطلحات لتشمل في نموذج أريما. الارتباط المتبادل يحسب ويخلق رسما بيانيا للارتباطات بين سلسلتين زمنيتين. أريما تناسب نموذج جينكينز مربع أريما لسلسلة زمنية. في أريما، يشير متوسط ​​الانحدار الذاتي والمتكامل والمتحرك إلى خطوات الترشيح المتخذة في حساب نموذج أريما إلى أن يبقى الضجيج العشوائي فقط. استخدام أريما لنموذج سلوك السلاسل الزمنية وتوليد التنبؤات. حقوق الطبع والنشر 2016 مينيتاب Inc. جميع الحقوق محفوظة.

No comments:

Post a Comment