อัต เฉลี่ยเคลื่อนที่ แบบ excel

ความรู้เบื้องต้นเกี่ยวกับรูปแบบที่ไม่เป็นกรรมสิทธิ์ของ ARIMA รูปแบบ ARIMA เป็นทฤษฎีในชั้นเรียนโดยทั่วไปในรูปแบบของการคาดการณ์ชุดเวลาซึ่งสามารถทำให้เคลื่อนที่ได้โดยการแยกแยะถ้าจำเป็นบางทีอาจใช้ร่วมกับการแปลงที่ไม่เป็นเชิงเส้น เช่นการบันทึกหรือการลดน้ำหนักถ้าจำเป็นตัวแปรแบบสุ่มที่เป็นชุดเวลาจะหยุดนิ่งถ้าคุณสมบัติทางสถิติมีค่าคงที่ตลอดช่วงเวลาชุดคงที่ไม่มีแนวโน้มมีการแปรผันรอบ ๆ ค่าเฉลี่ยของมันมีค่าแอมพลิจูดคงที่และเลื้อยตามแบบที่สอดคล้องกัน คือระยะสั้นของรูปแบบเวลาสุ่มมักจะมีลักษณะเดียวกันในแง่สถิติสภาพหลังหมายความว่า correlations ความสัมพันธ์กับความเบี่ยงเบนก่อนหน้านี้เองจากค่าคงที่ยังคงอยู่ตลอดเวลาหรือเทียบเท่าที่สเปกตรัมพลังงานคงที่ตลอดเวลาสุ่ม ตัวแปรของรูปแบบนี้สามารถดูได้ตามปกติเช่นการรวมกันของสัญญาณและเสียงและสัญญาณถ้าอย่างใดอย่างหนึ่งอาจจะเป็น PAT ern ของการพลิกกลับค่าเฉลี่ยอย่างรวดเร็วหรือช้าหรือการสั่นสะเทือนไซน์หรือสลับอย่างรวดเร็วในการลงนามและยังอาจมีองค์ประกอบตามฤดูกาลรูปแบบ ARIMA สามารถดูเป็นตัวกรองที่พยายามแยกสัญญาณจากเสียงและสัญญาณจะแล้ว ในอนาคตจะได้รับการคาดการณ์สมการพยากรณ์ ARIMA สำหรับชุดเวลานิ่งคือสมการถดถอยเชิงเส้นซึ่งตัวทำนายประกอบด้วยความล่าช้าของตัวแปรตามและหรือความล่าช้าของข้อผิดพลาดในการคาดการณ์นั่นคือค่าที่กำหนดของ Y ค่าคงที่และหรือผลรวมถ่วงน้ำหนักของหนึ่งหรือมากกว่าค่าล่าสุดของ Y และหรือผลรวมถ่วงน้ำหนักของหนึ่งหรือมากกว่าค่าล่าสุดของข้อผิดพลาดหากตัวทำนายประกอบด้วยเฉพาะค่า lag ของ Y มันเป็นแบบอัตถิภาวนิยมแบบอัตถิภาวนิยมแบบอัตถิภาวนิยม, ซึ่งเป็นเพียงกรณีพิเศษของรูปแบบการถดถอยและสามารถใช้กับซอฟต์แวร์การถดถอยตามมาตรฐานได้ตัวอย่างเช่นแบบจำลอง AR 1 แบบอัตโนมัติสำหรับคำสั่งแรกสำหรับ Y เป็นแบบจำลองการถดถอยแบบง่ายซึ่งตัวแปรอิสระ i s เพียง Y lagged โดยหนึ่งระยะเวลา LAG Y, 1 ใน Statgraphics หรือ YLAG1 ใน RegressIt ถ้าบางส่วนของ predictors ที่ล่าช้าของข้อผิดพลาดแบบจำลอง ARIMA ไม่เป็นแบบการถดถอยเชิงเส้นเพราะไม่มีวิธีการระบุข้อผิดพลาดของช่วงเวลาสุดท้าย เป็นตัวแปรอิสระข้อผิดพลาดต้องคำนวณเป็นระยะ ๆ เมื่อโมเดลพอดีกับข้อมูลจากมุมมองด้านเทคนิคปัญหาเกี่ยวกับการใช้ข้อผิดพลาดที่ล่าช้าเป็นตัวพยากรณ์คือการคาดการณ์ของแบบจำลองไม่ใช่หน้าที่เชิงเส้นของ สัมประสิทธิ์แม้ว่าจะเป็นฟังก์ชันเชิงเส้นของข้อมูลที่ผ่านมาดังนั้นค่าสัมประสิทธิ์ในแบบจำลอง ARIMA ที่มีข้อผิดพลาดที่ล้าหลังต้องถูกประเมินด้วยวิธีการเพิ่มประสิทธิภาพแบบไม่เชิงเส้นโดยการปีนเขามากกว่าเพียงแค่แก้ระบบสมการคำย่อ ARIMA ย่อมาจาก Auto-Regressive Integrated ความล่าช้าในการเคลื่อนที่ค่าเฉลี่ยของชุดเครื่องเขียนในสมการพยากรณ์จะเรียกว่าเงื่อนไขอัตโนมัติ (autoregressive terms) ความล่าช้าของข้อผิดพลาดในการคาดการณ์จะเรียกว่าค่าเฉลี่ยเคลื่อนที่ (moving average) และชุดเวลา (time series) ที่ต้องการ จะแตกต่างกันที่จะทำให้ stationary กล่าวจะเป็นแบบบูรณาการรุ่นของ stationary series แบบสุ่มเดินและแบบสุ่มแนวโน้มรุ่น autoregressive และแบบจำลองการเรียบเรียงอธิบายเป็นกรณีพิเศษของ ARIMA models. A แบบเรียล ARIMA ไม่ถูกจำแนกเป็น ARIMA p, d, q model, where. p คือจำนวนของเงื่อนไข autoregressive. d คือจำนวนความแตกต่างที่ไม่จำเป็นสำหรับ stationarity และ. q คือจำนวนข้อผิดพลาดในการคาดการณ์ที่ล้าหลังในสมการทำนายสมการพยากรณ์ถูกสร้างขึ้นดังนี้ อันดับแรกให้ y แสดงถึงความแตกต่าง d ของ Y ซึ่งหมายความว่าทราบว่าความแตกต่างที่สองของ Y d 2 กรณีไม่แตกต่างจาก 2 งวดก่อนหน้านี้ค่อนข้างเป็นความแตกต่างแรกที่แตกต่างของที่แรกคือ อะนาล็อกแบบไม่ต่อเนื่องของอนุพันธ์ลำดับที่สองคือการเร่งแบบท้องถิ่นของซีรีส์มากกว่าแนวโน้มในท้องถิ่นในแง่ของสมการพยากรณ์ทั่วไปของสมการนี้ค่าพารามิเตอร์เฉลี่ยเคลื่อนที่ถูกกำหนดเพื่อให้สัญญาณของพวกเขาเป็นค่าลบในสมการ uation ต่อไปนี้การประชุมนำโดย Box และ Jenkins ผู้เขียนบางคนและซอฟต์แวร์รวมทั้งภาษาเขียนโปรแกรม R กำหนดให้พวกเขามีเครื่องหมายบวกแทนเมื่อตัวเลขจริงถูกเสียบเข้ากับสมการไม่มีความกำกวม แต่สิ่งสำคัญคือต้องทราบว่าการประชุมใด ซอฟท์แวร์ของคุณใช้เมื่อคุณอ่านข้อมูลออกบ่อยครั้งที่พารามิเตอร์แสดงโดย AR1, AR2, และ MA1, MA2 เป็นต้นหากต้องการระบุรูปแบบ ARIMA ที่เหมาะสมสำหรับ Y คุณจะเริ่มต้นด้วยการกำหนดลำดับของความต้องการ เพื่อหยุดนิ่งชุดและลบคุณสมบัติขั้นต้นของฤดูกาลบางทีร่วมกับการแปรปรวนของการเปลี่ยนแปลงที่มีเสถียรภาพเช่นการบันทึกหรือการลดราคาถ้าคุณหยุดที่จุดนี้และคาดการณ์ว่าชุด differenced เป็นค่าคงที่คุณมีเพียงติดตั้งแบบสุ่มเดินหรือแบบสุ่ม แบบจำลองแนวโน้มอย่างไรก็ตามชุด stationarized อาจยังคงมีข้อผิดพลาด autocorrelated แนะนำว่าจำนวน AR บางแง่ p 1 และหรือจำนวน MA บางข้อตกลง 1 ยังมีความจำเป็น ในสมการคาดการณ์กระบวนการของการกำหนดค่าของ p, d และ q ที่ดีที่สุดสำหรับชุดเวลาที่ระบุจะกล่าวถึงในส่วนถัดไปของโน้ตที่ลิงก์อยู่ที่ด้านบนสุดของหน้านี้ แต่เป็นการแสดงตัวอย่างบางส่วน ของประเภทของแบบจำลอง ARDSA แบบไม่ใช้เชิงเส้นที่พบโดยทั่วไปจะได้รับด้านล่างนี้แบบจำลองอัตถดถอย AUTIMAGE 1,0,0 ครั้งแรกหากชุดมีการเคลื่อนที่และสัมพันธ์กันอาจเป็นที่คาดการณ์ได้ว่าเป็นค่าหลายค่าของตนเองก่อนหน้าบวก ค่าคงที่สมการพยากรณ์ในกรณีนี้คือ Y ซึ่งถอยหลังตัวเองที่ล้าหลังโดยระยะเวลาหนึ่งนี่คือรูปแบบคงที่ ARIMA 1,0,0 ถ้าค่าเฉลี่ยของ Y เป็นศูนย์แล้วค่าคงที่จะไม่รวมอยู่หากความลาดชัน ค่าสัมประสิทธิ์ที่ 1 เป็นค่าบวกและน้อยกว่า 1 ในขนาดจะต้องน้อยกว่า 1 ในขนาดถ้า Y อยู่นิ่งแบบจำลองอธิบายพฤติกรรมการเปลี่ยนค่าเฉลี่ยซึ่งคาดว่าค่าของช่วงถัดไปจะเป็น 1 เท่าห่างจากค่าเฉลี่ยเท่ากับ ค่าของงวดถ้า 1 เป็นค่าลบ คาดการณ์พฤติกรรมการคืนค่าเฉลี่ยด้วยการสลับสัญญาณเช่นคาดการณ์ว่า Y จะต่ำกว่าระยะเวลาถัดไปหากมีค่าสูงกว่าช่วงเวลานี้ในแบบจำลองอัตถิภาวนิยมที่สองแบบ ARIMA 2,0,0 จะมี Y t-2 ระยะทางด้านขวาเช่นกันและอื่น ๆ ขึ้นอยู่กับสัญญาณและขนาดของค่าสัมประสิทธิ์แบบ ARIMA 2,0,0 สามารถอธิบายระบบที่มีการพลิกกลับหมายถึงเกิดขึ้นในรูปแบบการสั่น sinusoidally เช่นการเคลื่อนไหว ของมวลในฤดูใบไม้ผลิที่อยู่ภายใต้การกระแทกแบบสุ่มการเดินแบบสุ่มของ GRIMA 0,1,0 ถ้าชุด Y ไม่อยู่นิ่งแบบจำลองที่ง่ายที่สุดที่เป็นไปได้คือรูปแบบการเดินแบบสุ่มซึ่งถือได้ว่าเป็นข้อ จำกัด ของ แบบจำลอง AR 1 ซึ่งมีค่าสัมประสิทธิ์อัตถิภาวนาเท่ากับ 1 คือชุดที่มีการพลิกกลับของค่าเฉลี่ยที่ช้าอย่างไม่หยุดนิ่งสมการทำนายสำหรับแบบจำลองนี้สามารถเขียนได้ตามระยะเวลาคงที่คือการเปลี่ยนแปลงระยะเวลาเฉลี่ยเป็นระยะยาว drift in Y โมเดลนี้สามารถใช้เป็นแบบ non-intercept ได้ gression model ซึ่งความแตกต่างแรกของ Y คือตัวแปรที่ขึ้นกับตัวแปรเนื่องจากตัวแปรนี้มีเพียงความแตกต่างที่ไม่มีความแตกต่างกันและเป็นระยะคงที่ซึ่งจะถูกจัดเป็นแบบจำลอง ARIMA 0,1,0 โดยค่าคงที่โมเดลแบบเดินสุ่มโดยไม่มีการเปลี่ยนแปลงจะเป็น แบบจำลอง ARIMA 0,1.0 โดยไม่มีค่าคงที่แบบจำลองอัตถดถอย AUTIMA 1,1,0 differenced แรกสั่งซื้อหากข้อผิดพลาดของรูปแบบการเดินแบบสุ่มเป็น autocorrelated บางทีปัญหาสามารถแก้ไขได้โดยการเพิ่มหนึ่งล่าช้าของตัวแปรขึ้นอยู่กับ สมการทำนาย - คือโดยการถอยกลับความแตกต่างแรกของ Y บนตัวเอง lagged โดยหนึ่งระยะเวลานี้จะให้สมการทำนายต่อไปนี้ซึ่งสามารถ rearranged เพื่อนี้เป็นแบบลำดับแรกอัตโนมัติ autoregressive กับลำดับหนึ่งของ differencing nonseasonal และระยะคงที่ - มีรูปแบบ ARIMA 1,1,0.ARIMA 0,1,1 โดยไม่มีการเรียบแบบเรียบง่ายอย่างสม่ำเสมอกลยุทธ์อื่นในการแก้ไขข้อผิดพลาดที่เกี่ยวกับความสัมพันธ์ในรูปแบบการเดินแบบสุ่มได้รับการแนะนำโดยแบบเรียบง่าย ชุดเวลาแบบไม่หยุดนิ่งเช่นคนที่แสดงความผันผวนที่มีเสียงดังอยู่รอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้า ๆ รูปแบบการเดินแบบสุ่มไม่ได้ทำเช่นเดียวกับค่าเฉลี่ยที่ผ่านมาของค่าที่ผ่านมาในคำอื่น ๆ แทนที่จะใช้การสังเกตล่าสุดเป็นการคาดการณ์การสังเกตครั้งต่อไป จะเป็นการดีกว่าที่จะใช้ค่าเฉลี่ยของข้อสังเกตสองสามข้อที่ผ่านมาเพื่อกรองเสียงและแม่นยำมากขึ้นในการประมาณค่าเฉลี่ยในท้องถิ่นแบบเรียบง่ายที่อธิบายถึงค่าเฉลี่ยเคลื่อนที่ของค่าที่ผ่านมาเพื่อให้ได้ผลลัพธ์นี้สมการทำนายสำหรับ รูปแบบการเรียบง่ายชี้แจงสามารถเขียนในรูปแบบทางคณิตศาสตร์จำนวนหนึ่งซึ่งเป็นรูปแบบการแก้ไขข้อผิดพลาดที่เรียกว่าซึ่งในการคาดการณ์ก่อนหน้านี้มีการปรับในทิศทางของข้อผิดพลาดที่ทำเพราะ e t-1 Y t - 1 - t-1 โดยนิยามนี้สามารถถูกเขียนใหม่เป็น. ซึ่งเป็น ARIMA 0,1,1 - โดยไม่คิดค่าคงที่สมการพยากรณ์กับ 1 1 - ซึ่งหมายความว่าคุณสามารถใส่คำพูดแบบทึบง่ายๆ โดยระบุว่าเป็นรูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่และค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์สมการของ MA 1 จะเท่ากับ 1-alpha ในสูตร SES โปรดจำไว้ว่าในรูปแบบ SES อายุโดยเฉลี่ยของข้อมูลในช่วง 1 - การคาดการณ์ล่วงหน้าเป็น 1 ความหมายว่าพวกเขาจะมีแนวโน้มที่จะล่าช้าหลังแนวโน้มหรือจุดหักเหโดยประมาณ 1 ช่วงเวลาดังต่อไปนี้ว่าอายุเฉลี่ยของข้อมูลในการคาดการณ์ล่วงหน้า 1 รอบของ ARIMA 0.1,1 - แบบคงที่คือ 1 1 - 1 ตัวอย่างเช่นถ้า 1 0 8 อายุเฉลี่ยเท่ากับ 5 เมื่อ 1 เข้าใกล้ 1 รูปแบบ ARIMA 0,1,1 - แบบไม่มีแบบคงที่จะกลายเป็นค่าเฉลี่ยเคลื่อนที่ที่ยาวมากและ เป็นวิธีที่ 1 0 จะกลายเป็นแบบสุ่มเดินโดยปราศจาก drift วิธี s วิธีที่ดีที่สุดเพื่อแก้ไข autocorrelation เพิ่มเงื่อนไข AR หรือเพิ่มเงื่อนไข MA ในสองรุ่นก่อนหน้ากล่าวข้างต้นปัญหาของข้อผิดพลาด autocorrelated ในแบบสุ่มเดิน ได้รับการแก้ไขในสองวิธีโดยการเพิ่มค่า lagged ของชุด differenced สมการหรือเพิ่มค่าล้าหลังของ foreca ข้อผิดพลาด st วิธีที่ดีที่สุดกฎของหัวแม่มือสำหรับสถานการณ์นี้ซึ่งจะมีการกล่าวถึงในรายละเอียดเพิ่มเติมในภายหลังเป็นที่ autocorrelation บวกมักจะได้รับการปฏิบัติที่ดีที่สุดโดยการเพิ่มคำ AR เพื่อรูปแบบและ autocorrelation เชิงลบมักจะได้รับการปฏิบัติที่ดีที่สุดโดย โดยทั่วไปแล้วความแตกต่างของค่าสัมประสิทธิ์การลดความเหลื่อมตัวในทางบวกและอาจทำให้เกิดการเปลี่ยนจากการบวกค่าเป็นลบ (autocorrelation) ดังนั้นรูปแบบ ARIMA 0.1,1 ในรูป differencing ที่มาพร้อมกับคำ MA จะใช้บ่อยกว่ารูปแบบ ARIMA 1,1,0ARIMA 0,1,1 ที่มีการเรียบง่ายเรียบเรียงง่ายๆด้วยการเจริญเติบโตโดยการใช้รูปแบบ SES เป็นรูปแบบ ARIMA คุณจะได้รับบางอย่าง ความยืดหยุ่นก่อนอื่นประเมินค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์สมรรถภาพ (MA 1) ที่ได้รับอนุญาตให้เป็นค่าลบซึ่งสอดคล้องกับปัจจัยความราบเรียบที่มีขนาดใหญ่กว่า 1 ในแบบจำลอง SES ซึ่งโดยปกติจะไม่ได้รับอนุญาตตามขั้นตอนการปรับรุ่น SES Sec ond คุณมีตัวเลือกในการรวมระยะเวลาคงที่ในรูปแบบ ARIMA หากต้องการเพื่อประเมินแนวโน้มโดยเฉลี่ยที่ไม่ใช่ศูนย์รุ่น ARIMA 0,1,1 พร้อมค่าคงที่มีสมการทำนายหนึ่งช่วงล่วงหน้า การคาดการณ์จากแบบจำลองนี้มีคุณภาพคล้ายคลึงกับแบบจำลอง SES ยกเว้นว่าวิถีของการคาดการณ์ในระยะยาวโดยทั่วไปจะเป็นเส้นลาดซึ่งมีความลาดชันเท่ากับ mu มากกว่าแนวนอน ARIMA 0,2,1 หรือ 0, 2,2 โดยไม่ต้องเหนี่ยวรั้งแบบคงที่เชิงเส้นแบบคงที่ Linear exponential smoothing models คือแบบจำลอง ARIMA ซึ่งใช้ความแตกต่างกันสองประการร่วมกับข้อกำหนดของ MA ข้อแตกต่างที่สองของชุด Y ไม่ได้เป็นเพียงความแตกต่างระหว่าง Y กับตัวเองที่ล้าหลังไปสองช่วงคือ ความแตกต่างแรกของความแตกต่างแรกคือการเปลี่ยนการเปลี่ยนแปลงของ Y ที่ระยะเวลา t ดังนั้นความแตกต่างที่สองของ Y ในช่วง t เท่ากับ Y t - Y t - 1 - Y t - 1 - Y t-2 Y t-2Y t-1 Y t-2 ความแตกต่างที่สองของฟังก์ชันแบบแยกเป็น analogou s ไปยังอนุพันธ์ที่สองของฟังก์ชันต่อเนื่องจะวัดการเร่งหรือความโค้งในฟังก์ชัน ณ จุดที่กำหนดในเวลา ARIMA 0,2,2 แบบโดยไม่มีค่าคงที่คาดการณ์ว่าความแตกต่างที่สองของชุดเท่ากับฟังก์ชันเชิงเส้นของช่วง สองข้อผิดพลาดในการคาดการณ์ซึ่งสามารถจัดรูปแบบใหม่ได้ที่ 1 และ 2 คือค่าสัมประสิทธิ์ของ MA 1 และ MA 2 ซึ่งเป็นแบบจำลองการให้ความเรียบแบบเชิงเส้นแบบทั่วไปแบบเดียวกับรูปแบบของ Holt และแบบ Brown's เป็นกรณีพิเศษใช้การถ่วงน้ำหนักแบบทวีคูศ ค่าเฉลี่ยเคลื่อนที่เพื่อประเมินทั้งระดับท้องถิ่นและแนวโน้มในท้องถิ่นในชุดการคาดการณ์ในระยะยาวจากแบบจำลองนี้จะรวมกันเป็นเส้นตรงซึ่งความลาดชันขึ้นอยู่กับแนวโน้มโดยเฉลี่ยที่สังเกตได้จากตอนท้ายของชุดข้อมูล ARIMA 1,1,2 โดยไม่มี ค่าคงที่ของเส้นรอบวงเชิงเส้นแบบคงที่แบบคงที่แบบคงที่นี้เป็นภาพประกอบในภาพนิ่งที่มาพร้อมกับแบบจำลอง ARIMA ซึ่งคาดการณ์แนวโน้มท้องถิ่นในตอนท้ายของชุดข้อมูล แต่จะแผ่แบนออกไปในขอบเขตที่คาดการณ์อีกต่อไปเพื่อแนะนำ ote ของอนุรักษนิยมการปฏิบัติที่ได้รับการสนับสนุนเชิงประจักษ์ดูบทความเกี่ยวกับทำไม Trend Damped ทำงานโดย Gardner และ McKenzie และบทความกฎทองโดย Armstrong et al สำหรับรายละเอียดเป็นที่แนะนำโดยทั่วไปให้ติดรูปแบบที่อย่างน้อยหนึ่งของ p และ q ไม่ใหญ่กว่า 1 คือไม่พยายามให้พอดีกับรูปแบบเช่น ARIMA 2,1,2 เนื่องจากมีแนวโน้มที่จะนำไปสู่ปัญหา overfitting และ common-factor ที่กล่าวถึงในรายละเอียดเพิ่มเติมในหมายเหตุทางคณิตศาสตร์ โครงสร้างแบบ ARIMA การใช้ ARPI แบบสเปรดชีตการดำเนินการตามตาราง ARIMA เช่นแบบที่อธิบายไว้ข้างต้นเป็นเรื่องง่ายที่จะใช้ในสเปรดชีตสมการทำนายเป็นเพียงสมการเชิงเส้นที่อ้างถึงค่าที่ผ่านมาของซีรีส์เวลาเดิมและค่าที่ผ่านมาของข้อผิดพลาดดังนั้นคุณจึงสามารถตั้งค่าได้ อาร์เรย์การคาดการณ์ ARIMA โดยจัดเก็บข้อมูลในคอลัมน์ A สูตรพยากรณ์ในคอลัมน์ B และข้อมูลข้อผิดพลาดลบการคาดการณ์ในคอลัมน์ C สูตรการคาดการณ์ในเซลล์ทั่วไปในคอลัมน์ B จะเป็นเพียงการแสดงออกเชิงเส้น n หมายถึงค่าในแถวก่อนหน้าของคอลัมน์ A และ C คูณด้วยค่าสัมประสิทธิ์ของ AR หรือ MA ที่เหมาะสมซึ่งเก็บไว้ในเซลล์ที่อื่นในสเปรดชีต ARMA Unplugged นี่เป็นรายการแรกในบทแนะนำ Unplugged ของเราซึ่งเราเจาะลึก รายละเอียดของแต่ละรุ่นของซีรีส์อนุกรมที่คุณคุ้นเคยอยู่แล้วเน้นย้ำข้อสมมติฐานและขับรถตามสัญชาตญาณที่อยู่เบื้องหลังพวกเขาในปัญหานี้เราจะจัดการกับโมเดล ARMA เป็นรากฐานที่สำคัญในการสร้างแบบจำลองของซีรีส์เวลาซึ่งแตกต่างจากปัญหาการวิเคราะห์ก่อนหน้านี้เราจะเริ่มต้น ที่นี่มีการกำหนดกระบวนการ ARMA ระบุอินพุตเอาท์พุทพารามิเตอร์ข้อ จำกัด ของความมั่นคงสมมติฐานและในที่สุดก็วาดแนวทางไม่กี่สำหรับกระบวนการสร้างแบบจำลองด้วยความถดถอย ARMA แบบถดถอยอัตโนมัติเป็นกระบวนการสุ่มแบบคงที่ซึ่งสร้างขึ้นจากผลรวม ของ Excel autoregressive และค่าเฉลี่ยของส่วนประกอบที่เคลื่อนที่ได้อย่างถูกต้องในรูปแบบที่เรียบง่ายนั่นคือผลลัพธ์ที่สังเกตได้ในเวลา t. is นวัตกรรมช็อตหรือข้อผิดพลาดในเวลา t. time observations. Are เป็นอิสระและแจกแจงแบบเดียวกันต่อการกระจาย Gaussian หมายเหตุความแปรปรวนของการกระจายแรงกระแทกเช่นไม่แปรเปลี่ยนเวลาการใช้ back-shift notations คือเราสามารถแสดงกระบวนการ ARMA ได้ดังนี้ดู s ที่ใกล้ชิด สูตรกระบวนการ ARMA เป็นเพียงผลรวมถ่วงน้ำหนักของการสังเกตการผลิตที่ผ่านมาและแรงกระแทกที่มีสมมติฐานที่สำคัญไม่กี่ขั้นตอน ARMA สร้างชุดเวลา stationary ส่วนที่เหลือปฏิบัติตามการกระจาย Gaussian มั่นคงองค์ประกอบค่าพารามิเตอร์เป็นค่าคงที่ค่าพารามิเตอร์ ให้ผลกระบวนการ ARMA แบบคงที่สมมติฐานเหล่านี้หมายถึงอะไรกระบวนการสุ่มเป็นคู่ของกระบวนการ deterministic ที่อธิบายวิวัฒนาการของตัวแปรแบบสุ่มตลอดเวลาในกรณีของเราตัวแปรสุ่มคือต่อไปคือค่าที่เป็นอิสระพวกเขาเหมือนกัน กระจายถ้าเป็นเช่นนั้นไม่ควรอธิบายโดยกระบวนการ stochastic แต่แทนที่จะเป็นรูปแบบการกระจาย probabilistic สำหรับกรณีที่ค่าไม่ได้เป็นอิสระ เช่นค่าเป็นเส้นทางขึ้นอยู่กับรูปแบบ stochastic คล้ายกับ ARMA เพื่อที่จะจับภาพวิวัฒนาการของกระบวนการ ARMA เพียงจับความสัมพันธ์แบบอนุกรมเช่นความสัมพันธ์อัตโนมัติระหว่างการสังเกตในคำธรรมดากระบวนการ ARMA บวกขึ้นค่าของที่ผ่านมา การสังเกตไม่ได้ค่ากำลังสองของพวกเขาหรือลอการิทึมของพวกเขา ฯลฯ พึ่งพาคำสั่งที่สูงขึ้น mandates กระบวนการที่แตกต่างกันเช่น ARCH GARCH รุ่นที่ไม่ใช่เชิงเส้น ฯลฯ มีหลายตัวอย่างของกระบวนการ stochastic ที่ค่าผ่านมาส่งผลกระทบต่อคนปัจจุบันตัวอย่างเช่นในสำนักงานขาย ที่ได้รับ RFQs อย่างต่อเนื่องบางคนตระหนักว่าขายได้รับรางวัลบางอย่างสูญหายการขายและไม่กี่ไหลผ่านไปในเดือนถัดไปเป็นผลให้ในเดือนใดก็ตามบางส่วนของกรณีการขายได้รับมาเป็น RFQs หรือเป็นยอดขายซ้ำจากเดือนก่อน ๆ อะไรคือแรงกระแทกนวัตกรรมหรือเงื่อนไขข้อผิดพลาดนี่เป็นคำถามที่ยากและคำตอบก็คือความสับสนไม่น้อยไปกว่านั้นยังให้ลองดูด้วยคำพูดง่ายๆคำที่ผิดพลาดในรูปแบบที่กำหนด คือจับ - ll ถังสำหรับรูปแบบทั้งหมดที่รูปแบบไม่ได้อธิบายการสันนิษฐาน Let s ใส่วิธีที่แตกต่างกันในระบบใดก็ตามอาจมีหลายสิบตัวแปรที่มีผลต่อวิวัฒนาการของ แต่รูปแบบจับบางส่วนของพวกเขาและจะมัดส่วนที่เหลือเป็น ระยะเวลาข้อผิดพลาดในสูตรของฉัน e. Still หายไป Let s ใช้ตัวอย่างสำหรับกระบวนการราคาหุ้นอาจมีหลายร้อยปัจจัยที่ผลักดันระดับราคาขึ้นลงรวมทั้งเงินปันผลและประกาศแบ่งรายงานรายได้อย่างสม่ำเสมอการควบรวมและการซื้อกิจการ กิจกรรม MA เช่นเหตุการณ์ภัยคุกคามของการฟ้องร้องในชั้นเรียนรูปแบบโดยการออกแบบคือการทำให้เข้าใจง่ายของความเป็นจริงที่ซับซ้อนดังนั้นสิ่งที่เราออกนอกโมเดลจะถูกรวมโดยอัตโนมัติในข้อผิดพลาดกระบวนการ ARMA ถือว่ากลุ่ม ผลกระทบของปัจจัยเหล่านี้ทำหน้าที่มากหรือน้อยเช่นเสียง Gaussian ทำไมเราสนใจเกี่ยวกับ shocks ที่ผ่านมาไม่เหมือนรูปแบบการถดถอยการเกิดการกระตุ้นเช่นช็อตอาจมีผลต่อระดับปัจจุบันและอนาคตอาจ le vels ตัวอย่างเช่นกิจกรรมขององค์กรเช่นกิจกรรมของ MA จะมีผลต่อราคาหุ้นของ บริษัท underling แต่การเปลี่ยนแปลงอาจต้องใช้เวลาสักระยะหนึ่งเพื่อให้ได้รับผลกระทบเต็มที่เนื่องจากผู้เข้าร่วมตลาดจะดูดซึมวิเคราะห์ข้อมูลที่มีอยู่และทำปฏิกิริยาได้ตามต้องการ ค่าที่ผ่านมาของการส่งออกมีการกระแทกข้อมูลที่ผ่านมาแล้ว YES ประวัติศาสตร์แรงกระแทกได้รับการพิจารณาแล้วในระดับผลลัพธ์ที่ผ่านมาโมเดล ARMA สามารถแสดงได้ แต่เพียงผู้เดียวในรูปแบบ AR แบบถดถอยอัตโนมัติ แต่ต้องการจัดเก็บข้อมูลของระบบดังกล่าว ในอนันต์นี่คือเหตุผลเดียวที่จะรวมองค์ประกอบของ MA เพื่อประหยัดพื้นที่จัดเก็บและทำให้การจัดทำง่ายขึ้นอีกครั้งกระบวนการ ARMA ต้องเป็นแบบคงที่สำหรับความแปรปรวนที่ไม่มีเงื่อนไขโดยไม่มีเงื่อนไขเพื่อให้มีอยู่หมายเหตุในการอภิปรายข้างต้นฉันไม่ได้สร้างความแตกต่างระหว่าง เพียงการขาดรากของหน่วยในสมการเฉพาะและความคงที่ของกระบวนการพวกเขามีความเกี่ยวข้อง แต่การไม่มีรากฐานของหน่วยไม่ได้เป็นการรับประกันถึงการหยุดนิ่ง l หน่วยรากต้องอยู่ภายในวงกลมของหน่วยเพื่อให้ถูกต้องสรุปให้ดีว่าเราได้ทำอะไรบ้างขั้นแรกเราตรวจสอบกระบวนการ ARMA นิ่งพร้อมกับสูตรปัจจัยการผลิตสมมติฐานและข้อกำหนดด้านการจัดเก็บข้อมูลต่อไปเราแสดงให้เห็นว่า กระบวนการ ARMA รวมเอาท์พุทของค่าความสัมพันธ์อัตโนมัติและแรงกระแทกที่มีประสบการณ์ในการส่งออกปัจจุบันในที่สุดเราพบว่ากระบวนการ ARMA stationary ผลิตชุดเวลาที่มีค่าเฉลี่ยระยะยาวที่มั่นคงและความแปรปรวนในการวิเคราะห์ข้อมูลของเราก่อนที่เราจะเสนอ รูปแบบ ARMA เราควรจะตรวจสอบสมมติฐาน stationarity และความต้องการหน่วยความจำ จำกัด ในกรณีที่ชุดข้อมูลแสดงแนวโน้ม deterministic เราต้องลบ de แนวโน้มแรกแล้วใช้ส่วนที่เหลือสำหรับ ARMA ในกรณีที่ ชุดข้อมูลมีแนวโน้มแบบสุ่มเช่นการเดินแบบสุ่มหรือฤดูกาลเราจำเป็นต้องให้ความบันเทิง ARIMA SARIMA ในที่สุดแล้ว correlogram เช่น ACF PACF สามารถใช้เพื่อวัดความต้องการหน่วยความจำของโมเดลที่เราควรคาดหวังไว้ทั้ง ACF หรือ PAC F จะสลายได้อย่างรวดเร็วหลังจากไม่กี่ล่าช้าถ้าไม่นี้อาจเป็นสัญญาณของ non - stationarity หรือรูปแบบระยะยาวเช่นการพยากรณ์ ARFIMA. ARIMA กับ Excel และ R. สวัสดีวันนี้ฉันจะนำคุณผ่านการแนะนำให้รู้จักกับ ARIMA แบบจำลองและส่วนประกอบรวมถึงคำอธิบายสั้น ๆ เกี่ยวกับวิธีการของ Box-Jenkins ในการระบุรูปแบบ ARIMA สุดท้ายฉันได้สร้างการใช้ Excel โดยใช้ R ซึ่งจะแสดงวิธีการตั้งค่าและใช้ค่าเฉลี่ย ARMA แบบเคลื่อนที่เฉลี่ย แบบจำลองการเคลื่อนที่แบบอัตถิภาวนิยมถูกใช้สำหรับการสร้างแบบจำลองและการคาดการณ์การหยุดนิ่งกระบวนการสุ่มเวลาแบบสุ่มเป็นการรวมกันของสองเทคนิคทางสถิติที่พัฒนาขึ้นก่อนหน้านี้ Autoregressive AR และ Moving Average MA models และถูกอธิบายโดย Peter Whittle ในปี 1951 George EP Box และ Gwilym Jenkins นิยมแบบจำลองในปีพศ. 2514 โดยระบุขั้นตอนที่ไม่ต่อเนื่องเพื่อระบุตัวประมาณการตรวจสอบและการยืนยันกระบวนการนี้จะอธิบายในภายหลังเพื่อการอ้างอิงเราจะเริ่มต้นด้วย introduc รูปแบบ ARMA โดยองค์ประกอบต่างๆของ AR และแบบจำลอง MA แล้วนำเสนอรูปแบบที่เป็นที่นิยมของรูปแบบ ARMA, ARIMA Autoregressive Integrated Moving Average และขั้นตอนการคาดการณ์และขั้นตอนการกำหนดขั้นสุดท้ายฉันจะอธิบายการใช้ Excel ที่ฉันสร้างและวิธีการ ใช้แบบจำลองนี้เพื่อทำแบบจำลองพยากรณ์เวลาของคุณโมเดลอัตถิวิสัยทัศน์แบบจำลองอัตถดถอยถูกใช้เพื่ออธิบายกระบวนการสุ่มและกระบวนการที่เปลี่ยนแปลงตามเวลาและระบุตัวแปรเอาท์พุทขึ้นกับค่าก่อนหน้าที่เป็นแบบ linearly โดยแบบจำลองจะอธิบายเป็น x c sum varphii, Xt - i varepsilont. Where varphi1, ldots, varphi varphi เป็นตัวแปรของโมเดล, C คือค่าคงที่และ varepsilont เป็นเงื่อนไขของสัญญาณรบกวนสีขาวโดยเฉพาะสิ่งที่อธิบายได้คือค่าที่กำหนดใด ๆ X t สามารถอธิบายได้ด้วยฟังก์ชันของ ค่าก่อนหน้าสำหรับรูปแบบที่มีพารามิเตอร์หนึ่งตัว varphi 1 X t อธิบายโดยค่าที่ผ่านมา X t-1 และข้อผิดพลาดแบบสุ่ม varepsilont สำหรับรุ่นที่มีมากกว่าหนึ่งพารามิเตอร์เช่น varphi 2 X t จะได้รับโดย X t-1 X t-2 และข้อผิดพลาดแบบสุ่ม varepsilont. Moving Average Model. แบบจำลอง MA Moving Average ถูกใช้บ่อยๆสำหรับการสร้างแบบจำลองชุดเวลาที่ไม่มีการแปรผันและถูกกำหนดให้เป็น Xt varepsilont theta1, varepsilon ldots thetaq, varepsilon mu เป็นค่าเฉลี่ยของชุดข้อมูลเวลา theta1, ldots, thetaq เป็นพารามิเตอร์ของแบบจำลอง varepsilont, varepsilon, ldots เป็นข้อผิดพลาดของข้อผิดพลาดสีขาว terms. q เป็นคำสั่งของแบบจำลอง Moving Average. แบบจำลอง Moving Average คือการถดถอยเชิงเส้นของค่าปัจจุบันของชุดเทียบกับเงื่อนไข varepsilont ในช่วงก่อนหน้าเช่น varepsilon ตัวอย่างเช่น , รูปแบบ MA ของ q 1 X t อธิบายได้จากความผิดพลาดในปัจจุบัน varepsilont ในช่วงเวลาเดียวกันและค่าความคลาดเคลื่อนที่ผ่านมา varepsilon สำหรับรูปแบบของคำสั่ง 2 q 2, X t อธิบายได้จากค่าผิดพลาดที่ผ่านมาทั้งสอง varepsilon และ varepsilon AR p และ MA q คำที่ใช้ในรูปแบบ ARMA ซึ่งจะถูกนำมาใช้แบบจำลองการถดถอยเชิงอนุพันธ์เฉลี่ยเคลื่อนที่แบบเฉลี่ยใช้สองพหุนาม AR p และ MA q และอธิบายกระบวนการ stochastic stationary กระบวนการ stationary ไม่ เปลี่ยนเมื่อเปลี่ยนในเวลาหรือพื้นที่ดังนั้นกระบวนการ stationary มีค่าเฉลี่ยคงที่และความแปรปรวนรูปแบบ ARMA มักจะหมายถึงในแง่ของชื่อย่อ ARMA p, q สัญกรณ์ของรูปแบบที่เขียน Xt varepsilont รวม varphi 1 X sum thetai varepsilon การเลือกการประเมินและการตรวจสอบรูปแบบจะอธิบายโดยกระบวนการ Box-Jenkins กระบวนการ Boks-Jenkins สำหรับการระบุรุ่นด้านล่างเป็นโครงร่างเพิ่มเติมของวิธี Box-Jenkins เนื่องจากเป็นกระบวนการที่เกิดขึ้นจริงในการค้นหา ค่าเหล่านี้สามารถครอบงำได้โดยไม่มีแพ็กเกจทางสถิติแผ่นงาน Excel ที่รวมอยู่ในหน้านี้จะกำหนดรูปแบบที่เหมาะสมที่สุดโดยอัตโนมัติขั้นตอนแรกของวิธีการ Box-Jenkins คือการระบุรูปแบบขั้นตอนนี้รวมถึงการระบุฤดูกาลถ้ามีความจำเป็นและกำหนดลำดับ ของ p และ q โดยการวางแผน autocorrelation และฟังก์ชัน autocorrelation บางส่วนหลังจากที่มีการระบุรูปแบบแล้วขั้นตอนต่อไปคือการประมาณค่าพารามิเตอร์การประมาณค่าพารามิเตอร์ใช้แพคเกจทางสถิติและอัลกอริทึมการคำนวณเพื่อค้นหาพารามิเตอร์ที่เหมาะสมที่สุดเมื่อเลือกพารามิเตอร์ขั้นตอนสุดท้าย คือการตรวจสอบแบบจำลองการตรวจสอบแบบจำลองจะกระทำโดยการทดสอบเพื่อดูว่าโมเดลสอดคล้องกับชุดเวลาที่ใช้งานอยู่แบบ univariate On หรือไม่ e ควรยืนยันว่าส่วนที่เหลือเป็นอิสระจากกันและกันและแสดงค่าคงที่และความแปรปรวนตลอดเวลาซึ่งสามารถทำได้โดยการทดสอบ Ljung-Box หรืออีกครั้งเพื่อวางแผนความสัมพันธ์กันระหว่าง autocorrelation และ autocorrelation บางส่วนของส่วนที่เหลือโดยที่ขั้นตอนแรกเกี่ยวข้องกับการตรวจสอบ ตามฤดูกาลถ้าข้อมูลที่คุณกำลังทำงานอยู่มีแนวโน้มตามฤดูกาลคุณแตกต่างกันเพื่อที่จะทำให้ข้อมูลเป็นแบบ stationary ขั้นตอน differencing นี้ generalizes โมเดล ARMA เป็นแบบ ARIMA หรือ Autoregressive Integrated Moving Average โดยที่ Integrated จะสอดคล้องกับขั้นตอนที่แตกต่างกัน โมเดล ARIMA มีพารามิเตอร์สามค่าคือ p, d, q เพื่อที่จะกำหนดรูปแบบ ARMA ให้รวมคำที่แตกต่างกันออกไปเราจะเริ่มต้นด้วยการจัดเรียงแบบจำลอง ARMA มาตรฐานเพื่อแยกน้ำยางและน้ำยางออกจากยอดรวม 1 - sum alpha L i Xt 1 sum thetai L i varepsilont. ในกรณีที่ L เป็นตัวดำเนินการล่าช้าและอัลฟ่าเทีย varepsilont เป็นค่าเฉลี่ยแบบอัตถดถอยและเคลื่อนที่และข้อผิดพลาดตามลำดับขณะนี้เราทำสมมติฐานพหุนามแรกของฟังก์ชัน, 1 - sum alpha L i มีรากรวมกันของ multiplicity d จากนั้นเราสามารถเขียนใหม่ได้ต่อไปนี้แบบจำลอง ARIMA เป็นการแสดงออกทางสัณฐานของพหุนามด้วย pp - d และให้เรา 1 - รวม phii l i 1 - l d Xt 1 รวม thetai L i varepsilont. Lastly เรา generalize รูปแบบต่อไปโดยการเพิ่มระยะเวลาลอยซึ่งกำหนดรูปแบบ ARIMA เป็น ARIMA p, d, q กับ drift frac เราสามารถดูรูปแบบ ARIMA เป็นสองส่วนแยกกันอย่างใดอย่างหนึ่งไม่หยุดนิ่งและอื่น ๆ ความกว้างกระจายนิสัยการกระจายความน่าจะเป็นร่วมกัน ไม่เปลี่ยนเมื่อเปลี่ยนในเวลาหรือในอวกาศรูปแบบที่ไม่ใช่ stationary แบบจำลอง stationary กว้างความรู้สึก 1 - sum phii L i Yt 1 รวมถึงการที่เราสามารถสรุปได้ตอนนี้เราสามารถทำ YT โดยใช้วิธีการพยากรณ์อัตโนมัติแบบ generalised ได้ตอนนี้เราได้พูดถึง ARMA และ ARIMA แล้วตอนนี้เราจะใช้วิธีการเหล่านี้ในทางปฏิบัติ โปรแกรมประยุกต์เพื่อให้การคาดการณ์ I ve สร้างการใช้งานกับ Excel โดยใช้ R เพื่อให้การคาดการณ์ ARIMA รวมทั้งตัวเลือกในการจำลอง Monte Carlo ในรูปแบบเพื่อกำหนดโอกาสในการคาดการณ์การใช้งานเอ็กซ์เซลและวิธีการใช้ก่อนที่จะใช้แผ่น, คุณต้องดาวน์โหลด R และ RExcel จากเว็บไซต์ Statconn ถ้าคุณติดตั้ง R ไว้แล้วคุณสามารถดาวน์โหลด RExcel ได้หากคุณไม่ได้ติดตั้ง R คุณสามารถดาวน์โหลด RAndFriends ซึ่งมี R และ RExcel รุ่นล่าสุดได้โปรดทราบ RExcel จะทำงานเฉพาะบน 32bit Excel สำหรับใบอนุญาตที่ไม่ใช่เชิงพาณิชย์หากคุณมี 64bit Excel ติดตั้งคุณจะต้องได้รับใบอนุญาตการค้าจาก Statconn. It ขอแนะนำให้ดาวน์โหลด RAndFriends เนื่องจากทำให้รวดเร็วและง่ายที่สุดติดตั้ง อย่างไรก็ตามหากคุณมี R อยู่แล้วและต้องการติดตั้งด้วยตนเองให้ทำตามขั้นตอนต่อไปนี้การติดตั้ง RExcel อย่างเป็นทางการเมื่อต้องการติดตั้ง RExcel และแพคเกจอื่น ๆ เพื่อให้ R ทำงานใน Excel ก่อนเปิด R ในฐานะผู้ดูแลระบบโดยคลิกขวาที่ ในคอนโซล R ติดตั้ง RExcel โดยพิมพ์ข้อความต่อไปนี้คำสั่งข้างต้นจะติดตั้ง RExcel บนเครื่องขั้นตอนถัดไปคือการติดตั้ง rcom ซึ่งเป็นแพคเกจอื่นจาก Statconn สำหรับแพคเกจ RExcel ในการติดตั้งนี้ให้พิมพ์ข้อมูลต่อไปนี้ คำสั่งซึ่งจะติดตั้ง rscproxy โดยอัตโนมัติเช่นเดียวกับ R version 2 8 ด้วยแพคเกจเหล่านี้ติดตั้งไว้คุณสามารถย้ายไปยังการตั้งค่าการเชื่อมต่อระหว่าง R และ Excel แม้ว่าจะไม่จำเป็นต้องติดตั้งแพคเกจที่มีประโยชน์เพื่อดาวน์โหลดคือ Rcmdr พัฒนา คุณลักษณะนี้มาโดยค่าเริ่มต้นกับการติดตั้ง RAndFriends และทำให้คำสั่ง R หลายคำใน Excel สามารถพิมพ์คำสั่งต่อไปนี้ลงใน R เพื่อติดตั้ง Rcmd r. We สามารถสร้างลิงก์ไปยัง R และ Excel ได้หมายเหตุในเวอร์ชันล่าสุดของ RExcel การเชื่อมต่อนี้ทำได้ด้วยการคลิกสองครั้งที่ไฟล์ ActivateRExcel2010 ที่ให้มาดังนั้นคุณควรทำตามขั้นตอนต่อไปนี้หากคุณติดตั้ง R และ RExcel ด้วยตนเองเท่านั้น หรือถ้าด้วยเหตุผลบางอย่างการเชื่อมต่อไม่ได้ทำในระหว่างการติดตั้ง RAndFriends สร้างการเชื่อมต่อระหว่าง R และ Excel เปิดหนังสือเล่มใหม่ใน Excel และไปที่หน้าจอตัวเลือกคลิกตัวเลือกแล้วเพิ่มคุณจะเห็นรายการทั้งหมด Add-ins ที่ใช้งานอยู่และไม่มีการใช้งานที่คุณมีในปัจจุบันคลิกที่ปุ่ม Go ที่ด้านล่างในกล่องโต้ตอบ Add-Ins คุณจะเห็นข้อมูลอ้างอิงทั้งหมดที่คุณได้ทำไว้คลิกที่ Browse. Navigate ไปยังโฟลเดอร์ RExcel ซึ่งโดยปกติจะอยู่ ใน C Program FilesRExcelxls หรือสิ่งที่คล้ายกันค้นหา add-in และคลิก it. The ขั้นตอนต่อไปคือการสร้างการอ้างอิงเพื่อให้มาโครใช้ R ทำงานได้อย่างถูกต้องในเอกสาร Excel ของคุณป้อน Alt F11 ซึ่งจะเปิดตัวแก้ไข Excel VBA ไปที่ เครื่องมือ - การอ้างอิงและค้นหา RExcel RExcelVBAlib RExcel ควรพร้อมใช้งานเมื่อใช้แผ่นงาน Excel แล้วตอนนี้ R และ RExcel ได้รับการกำหนดค่าอย่างถูกต้องแล้วถึงเวลาที่ต้องทำการคาดการณ์บางอย่างให้เปิดแผ่นพยากรณ์และคลิก Load Server เพื่อเริ่มต้นเซิร์ฟเวอร์ RCom และ โหลดฟังก์ชันที่จำเป็นในการทำนายกล่องโต้ตอบจะเปิดขึ้นเลือกไฟล์ itall R ที่มาพร้อมกับแผ่นงานไฟล์นี้มีฟังก์ชันที่เครื่องมือคาดการณ์ใช้งานส่วนใหญ่มีการพัฒนาโดย Professor Stoffer จาก University of Pittsburgh พวกเขาขยายขีดความสามารถ ของ R และให้เรามีกราฟการวินิจฉัยที่เป็นประโยชน์พร้อมทั้งผลลัพธ์การคาดการณ์ของเรานอกจากนี้ยังมีฟังก์ชันในการกำหนดพารามิเตอร์ที่เหมาะสมที่สุดของรูปแบบ ARIMA โดยอัตโนมัติหลังจากโหลดเซิร์ฟเวอร์ให้ป้อนข้อมูลของคุณลงในคอลัมน์ข้อมูลเลือกช่วงของข้อมูล, คลิกขวาและเลือกชื่อ Range Name ช่วงเป็น Data. Next ตั้งความถี่ของข้อมูลใน Cell C6 Frequency หมายถึงช่วงเวลาของข้อมูลถ้าเป็นสัปดาห์ ความถี่ที่จะเป็น 7 เดือนจะ 12 ในขณะที่ไตรมาสจะเป็น 4 และอื่น ๆ ป้อนช่วงเวลาที่คาดการณ์ล่วงหน้าทราบว่าโมเดล ARIMA กลายเป็นไม่ถูกต้องมากหลังจากการคาดการณ์ความถี่ต่อเนื่องหลายกฎที่ดีของหัวแม่มือจะต้องไม่เกิน 30 ขั้นตอน เป็นสิ่งที่ผ่านมาซึ่งอาจไม่น่าเชื่อถือขึ้นอยู่กับขนาดของชุดข้อมูลของคุณเช่นกันหากคุณมีข้อมูลที่ จำกัด ขอแนะนำให้เลือกขั้นตอนที่เล็กกว่านี้ไปข้างหน้าตัวเลขหลังจากป้อนข้อมูลของคุณตั้งชื่อและตั้งค่าที่ต้องการ ความถี่และขั้นตอนก่อนที่จะคาดการณ์ให้คลิกเรียกใช้อาจใช้เวลาสักครู่ในการคาดการณ์การประมวลผลเมื่อเสร็จสิ้นแล้วคุณจะได้รับค่าที่คาดการณ์ไว้ตามจำนวนที่คุณระบุข้อผิดพลาดมาตรฐานของผลลัพธ์และสองแผนภูมิด้านซ้ายคือ ค่าที่คาดการณ์ไว้วางแผนกับข้อมูลในขณะที่ด้านขวามีการวินิจฉัยที่มีประโยชน์ที่มีเนื้อแท้ที่ได้มาตรฐานความสัมพันธ์ระหว่างความสัมพันธ์ของความสัมพันธ์ที่เกิดขึ้นกับส่วนที่ตกค้างของ gg พล็อตส่วนที่เหลือและกราฟสถิติ Ljung-Box เพื่อหาค่า i f รูปแบบเป็นอย่างดีติดตั้งฉันชนะ t ได้รับในรายละเอียดมากเกินไปเกี่ยวกับวิธีการที่คุณมองหารูปแบบการติดตั้งอย่างดี แต่บนกราฟ ACF คุณ don t ต้องการใด ๆ หรือมาก spikes ล่าช้าข้ามกับเส้นสีแดงประจุด พล็อต gg วงกลมมากขึ้นที่ผ่านเส้นที่มากขึ้น normalized และดีกว่าพอดีกับรูปแบบคือสำหรับชุดข้อมูลขนาดใหญ่นี้อาจข้ามวงกลมมากสุดท้ายการทดสอบ Ljung-Box เป็นบทความในตัวเอง แต่วงกลมมากขึ้นที่มี เหนือเส้นสีน้ำเงินที่จุดดีกว่าหากผลการตรวจวินิจฉัยไม่ได้ดูดีคุณอาจลองเพิ่มข้อมูลมากขึ้นหรือเริ่มต้นที่จุดอื่นใกล้กับช่วงที่คุณต้องการคาดการณ์คุณสามารถล้างผลลัพธ์ที่สร้างโดย คลิกที่ปุ่ม Clear Predicted Values ​​และตอนนี้คอลัมน์ date ไม่ทำอะไรอื่นนอกจากสำหรับการอ้างอิงของคุณ แต่ก็ไม่จำเป็นสำหรับเครื่องมือถ้าฉันหาเวลาฉันจะกลับไปและเพิ่มที่กราฟที่แสดง แสดงเวลาที่ถูกต้องคุณอาจได้รับข้อผิดพลาดเมื่อ r unning คาดการณ์นี้มักจะเกิดจากการทำงานที่พบพารามิเตอร์ที่ดีที่สุดไม่สามารถกำหนดลำดับที่เหมาะสมคุณสามารถทำตามขั้นตอนข้างต้นเพื่อพยายามจัดข้อมูลของคุณดีขึ้นสำหรับการทำงานการทำงานฉันหวังว่าคุณจะได้รับการใช้งานออกจากเครื่องมือ มันช่วยประหยัดเวลาได้มากในที่ทำงานเช่นตอนนี้สิ่งที่ฉันต้องทำคือใส่ข้อมูลโหลดเซิร์ฟเวอร์และเรียกใช้งานฉันหวังว่านี่จะแสดงให้เห็นว่า R น่ากลัวได้อย่างไรโดยเฉพาะเมื่อใช้กับส่วนหน้าเช่น Excel. Code, แผ่นงาน Excel และไฟล์ยังอยู่ใน GitHub ที่นี่