الانتقال المتوسط - مضافة نموذج

الخطوات المتبعة في اختيار نموذج التنبؤ. يجب أن يتضمن نموذج التنبؤ الخاص بك الميزات التي تلتقط جميع الخصائص النوعية الهامة لأنماط البيانات من التغير في المستوى والاتجاه، وآثار التضخم والموسمية، والارتباطات بين المتغيرات، الخ وعلاوة على ذلك، فإن الافتراضات التي تكمن وراء اختيارك نموذج يجب أن تتفق مع الحدس الخاص بك حول كيفية سلسلة من المرجح أن تتصرف في المستقبل عند تركيب نموذج التنبؤ، لديك بعض الخيارات التالية. ويتم وصف هذه الخيارات بإيجاز أدناه انظر الرسم البياني للتنبؤ تدفق المرافق لعرض صورة مصورة للنموذج عملية التحديد، والرجوع إلى لوحة ستاتغرافيكس نموذج مواصفات لنرى كيف يتم تحديد ميزات نموذج في software. Deflation إذا أظهرت سلسلة النمو التضخمي، ثم الانكماش سيساعد على حساب نمط النمو والحد من التغايرية في بقايا لك يمكن إما أن تفرغ البيانات السابقة و ريينفلات التوقعات على المدى الطويل في الحمار المستمر أو أن ينفصل عن البيانات السابقة بواسطة مؤشر أسعار مثل مؤشر أسعار المستهلكين، ثم يعيد تدوير التنبؤات طويلة الأجل يدويا باستخدام توقعات مؤشر السعر الخيار الأول هو أسهل في إكسيل، يمكنك فقط إنشاء عمود من الصيغ لتقسيم القيم الأصلية حسب العوامل المناسبة على سبيل المثال، إذا كانت البيانات شهرية وتريد أن تنخفض بمعدل 5 لكل 12 شهرا، فإنك تقسم بمعامل 1 05 k 12 حيث k هو رقم صف فهرس الصف ريجرسيت و ستاتغرافيكس لديها أدوات مدمجة للقيام بذلك تلقائيا بالنسبة لك إذا ذهبت إلى هذا الطريق، فمن الأفضل عادة لتحديد معدل التضخم المفترض يساوي أفضل تقدير للمعدل الحالي، وخاصة إذا كنت تنوي التنبؤ أكثر من واحد الفترة المقبلة إذا اخترت الخيار الثاني بدلا من ذلك، يجب عليك أولا حفظ التوقعات المنكوبة وحدود الثقة لجدول بيانات البيانات، ثم إنشاء وحفظ توقعات لمؤشر الأسعار، وأخيرا ضرب الأعمدة المناسبة معا العودة إلى أعلى الصفحة. تحول اللوغاريتم إذا كانت السلسلة تظهر نمو مركب أو نمط موسمية مضاعف، فإن تحويل اللوغاريتم قد يكون مفيدا بالإضافة إلى أو الانكماش لن يؤدي تسجيل البيانات إلى تسطير نمط النمو التضخمي، ولكنه سيصقله بحيث يمكن يتم تركيبها من قبل نموذج خطي إيغا المشي العشوائي أو نموذج أريما مع النمو المستمر، أو خطية الأسي تمهيد نموذج أيضا، وقطع الأشجار تحويل أنماط الموسمية المضاعفة إلى أنماط إضافية، بحيث إذا قمت بإجراء التعديل الموسمية بعد قطع الأشجار، يجب عليك استخدام نوع المضافة يتعامل التسجیل مع التضخم بطریقة ضمنیة إذا کنت ترید أن یتم تصمیم التضخم بشکل صریح - أي إذا کنت ترید أن یکون معدل التضخم معلما مرئیا للنموذج أو إذا کنت ترغب في عرض مؤامرات من البیانات المفرغة - من السجل. أحد الاستخدامات الهامة الأخرى لتحويل السجل هو خطي العلاقات بين المتغيرات في وضع الانحدار l على سبيل المثال، إذا كان المعتمد فا ريبل هي وظيفة مضاعفة وليس مضافة للمتغيرات المستقلة، أو إذا كانت العلاقة بين المتغيرات التابعة والمستقلة خطية من حيث التغيرات المئوية بدلا من التغييرات المطلقة، فإن تطبيق تحويل السجل إلى متغير واحد أو أكثر قد يكون مناسبا، كما هو الحال في مثال مبيعات البيرة عودة إلى أعلى الصفحة. التعديل المنطقي إذا كانت السلسلة لديها نمط موسمي قوي يعتقد أنه ثابت من سنة إلى أخرى، قد يكون التعديل الموسمية طريقة مناسبة لتقدير واستقراء النمط ميزة التعديل الموسمية هي أنه نموذج للنمط الموسمي صراحة، مما يتيح لك خيار دراسة المؤشرات الموسمية والبيانات المعدلة موسميا العيب هو أنه يتطلب تقدير عدد كبير من المعلمات إضافية وخاصة بالنسبة للبيانات الشهرية، وأنه لا يوفر أي الأساس النظري ل حساب فترات الثقة الصحيحة خارج العينة التحقق من صحة هو خصوصا إمبورتا نت للحد من مخاطر الإفراط في تركيب البيانات السابقة من خلال التعديل الموسمية إذا كانت البيانات موسمية بقوة ولكنك لا تختار التعديل الموسمية، البدائل هي إما أن استخدام نموذج أريما الموسمية الذي يتنبأ ضمنا النمط الموسمي باستخدام الفواصل الموسمية و الاختلافات، أو إي استخدام الشتاء الموسمية الأسي نموذج تمهيد، الذي يقدر متفاوتة الزمن مؤشرات موسمية العودة إلى أعلى الصفحة. متغيرات مستقلة إذا كان هناك سلسلة زمنية أخرى التي تعتقد أن يكون القوة التفسيرية فيما يتعلق سلسلة من المصالح على سبيل المثال الرائدة الاقتصادية المؤشرات أو متغيرات السياسة مثل السعر، والإعلانات، والترقيات، وما إلى ذلك قد ترغب في النظر الانحدار كنوع النموذج الخاص بك سواء كنت لا تختار الانحدار، ما زلت بحاجة إلى النظر في امكانيات المذكورة أعلاه لتحويل المتغيرات الخاصة بك الانكماش، سجل، - وربما أيضا الاختلاف وذلك لاستغلال البعد الزمني أو خطي العلاقات حتى لو كنت تفعل ن قد تختار الانحدار عند هذه النقطة، قد ترغب في النظر في إضافة ريجريسورس في وقت لاحق إلى نموذج السلاسل الزمنية على سبيل المثال نموذج أريما إذا كانت البقايا تتحول إلى وجود علاقة عبر الارتباطات مع المتغيرات الأخرى العودة إلى أعلى الصفحة. التحكم، المتوسط، أو المشي العشوائي إذا كنت قد اخترت ضبط موسميا البيانات - أو إذا كانت البيانات ليست موسمية لتبدأ - ثم قد ترغب في استخدام المتوسط ​​أو نموذج تمهيد لتناسب النمط غير الداخلي الذي يبقى في البيانات عند هذه النقطة A فإن المتوسط ​​المتحرك البسيط أو نموذج التجانس الأسي البسيط يحسب المتوسط ​​المحلي للبيانات في نهاية السلسلة على افتراض أن هذا هو أفضل تقدير للقيمة المتوسطة الحالية التي تتقلب فيها البيانات تفترض هذه النماذج أن متوسط سلسلة متفاوتة ببطء وبشكل عشوائي من دون اتجاهات مستمرة ويفضل عادة تمهيد الأسي بسيط لمتوسط ​​متحرك بسيط، لأن المتوسط ​​المرجح أضعافا مضاعفة وظيفة أكثر منطقية من الخصم في البيانات القديمة، لأن ألفا المعلمة تمهيد مستمر ويمكن أن يكون الأمثل بسهولة، ولأن له أساس نظري الكامنة لحساب فترات الثقة. إذا تمهيد أو المتوسط ​​لا يبدو أن تكون مفيدة - أي إذا كان أفضل مؤشر على القيمة التالية للسلسلة الزمنية هي ببساطة قيمتها السابقة - ثم يشار إلى نموذج المشي العشوائي وهذا هو الحال، على سبيل المثال، إذا كان العدد الأمثل للمصطلحات في المتوسط ​​المتحرك البسيط تبين أن 1، أو إذا كانت القيمة المثلى من ألفا في تجانس الأسي بسيط تبين أن يكون 0 9999.Brown s الخطي الأسي تمهيد يمكن استخدامها لتناسب سلسلة مع ببطء الاتجاهات المتغيرة الوقت بطيئة، ولكن كن حذرا بشأن استقراء هذه الاتجاهات بعيدة جدا في المستقبل الثقة بسرعة اتساع الفترات الزمنية لهذا النموذج تشهد على عدم اليقين حول المستقبل البعيد هولت التمهيد الخطي أيضا تقديرات اتجاهات متغيرة الوقت، ولكن يستخدم معلمات منفصلة لتلطيف المستوى والاتجاه، والتي عادة ما تكون الموالية فيد تناسب أفضل للبيانات من نموذج براون س محاولات التجانس الأسي Q تعويضية لتقدير الاتجاهات التربيعية متغيرة الوقت، وينبغي أبدا أن تستخدم أبدا وهذا يتوافق مع نموذج أريما مع ثلاثة أوامر من اختلاف غير منطقي التمهيد الأسي الخطي مع اتجاه مخفف أي الاتجاه الذي يتسطح في آفاق بعيدة ينصح في كثير من الأحيان في الحالات التي يكون فيها المستقبل غير مؤكد جدا. المختلف نماذج التمهيد الأسي هي حالات خاصة من نماذج أريما الموصوفة أدناه ويمكن تركيبها مع برنامج أريما على وجه الخصوص، فإن نموذج التمهيد الأسي بسيط هو أريما 0،1،1 نموذج، هولت s نموذج التمهيد الخطي هو أريما 0،2،2 نموذج، ونموذج الاتجاه المخفف هو نموذج أريما 1،1،2 وهناك ملخص جيد للمعادلات من مختلف نماذج التمهيد الأسي يمكن يمكن العثور عليها في هذه الصفحة على موقع ساس على شبكة الإنترنت تظهر قوائم ساس لتحديد نماذج السلاسل الزمنية أيضا أنها مماثلة لتلك الموجودة في Statgraphics. Linear، التربيعية، أو السابقين نماذج خط الاتجاه الحديدي هي خيارات أخرى لاستقراء سلسلة ديسوناليزد، لكنها نادرا ما تتفوق على المشي العشوائي، وتمهيد، أو نماذج أريما على بيانات الأعمال العودة إلى أعلى الصفحة. العوامل الموسمية الأسي تمهيد الشتاء الشتاء التمدد الموسمية هو امتداد للتجانس الأسي الذي يقدر في وقت واحد الوقت المتغير المستوى، الاتجاه، والعوامل الموسمية باستخدام المعادلات العودية وهكذا، إذا كنت تستخدم هذا النموذج، فإنك لن أولا ضبط موسميا البيانات الشتاء العوامل الموسمية يمكن أن تكون إما مضاعفة أو المضافة عادة يجب عليك اختيار الخيار المضاعف إلا إذا قمت بتسجيل الدخول البيانات على الرغم من أن نموذج الشتاء هو ذكي وبديهية معقولة، فإنه يمكن أن يكون من الصعب تطبيق في الممارسة العملية لديها ثلاثة معايير تمهيد - ألفا، بيتا، وجاما - لتلطيف على حدة مستوى، والاتجاه، والعوامل الموسمية، والتي يجب أن تكون يقدر في وقت واحد يمكن تحديد قيم البداية للمؤشرات الموسمية من خلال تطبيق نسبة إلى موفي نغ متوسط ​​طريقة التعديل الموسمي لجزء أو كل من السلسلة و أو باكفوريكاستينغ خوارزمية التقدير التي ستاتغرافيكس يستخدم لهذه المعلمات في بعض الأحيان تفشل في التقارب و أو غلة القيم التي تعطي توقعات غريب الغريبة وفترات الثقة، لذلك أود أن أوصي الحذر عندما باستخدام هذا النموذج العودة إلى أعلى الصفحة. أريما إذا كنت لا تختار التعديل الموسمية أو إذا كانت البيانات غير الموسمية، قد ترغب في استخدام نموذج أريما نماذج نموذج أريما هي فئة عامة جدا من النماذج التي تشمل المشي العشوائي، عشوائية الاتجاه، والتجانس الأسي، ونماذج الانحدار الذاتي كحالات خاصة الحكمة التقليدية هي أن سلسلة هو مرشح جيد لنموذج أريما إذا كان يمكن أن تكون ثابتة من خلال مزيج من الاختلافات والتحولات الرياضية الأخرى مثل قطع الأشجار، و إي لديك كمية كبيرة من البيانات للعمل مع ما لا يقل عن 4 مواسم كاملة في حالة البيانات الموسمية إذا كانت سلسلة لا يمكن أن تكون مستقرة بشكل كاف من قبل ديفير على سبيل المثال إذا كان غير منتظم جدا أو يبدو أن تغيير نوعيا سلوكها مع مرور الوقت - أو إذا كان لديك أقل من 4 مواسم من البيانات، ثم قد يكون أفضل حالا مع نموذج يستخدم التعديل الموسمية ونوع من بسيطة متوسط ​​أو تمهيد. نماذج أريما لها اصطلاح تسمية خاصة أدخلها بوكس ​​و جينكينز ويصنف نموذج أريما نوناسونال كما أريما p، د، ف نموذج، حيث d هو عدد من الاختلافات نونزيسونال، p هو عدد من الانحدارات الانحدار الذاتي فترات من و q هو عدد الفواصل الزمنية للمتوسط ​​المتحرك للتخطأ في أخطاء التنبؤ في معادلة التنبؤ. يصنف نموذج أريما الموسمية على أنه أريما p و d و q P و D و Q حيث D و P و Q هي ، على التوالي، عدد الفوارق الموسمية، الفترات الزمنية الانحدارية الانحدارية الموسمية المتفاوتة في سلسلة الاختلاف في مضاعفات الفترة الموسمية، والمتوسط ​​المتحرك المتوسط ​​الفواصل الزمنية من أخطاء التنبؤ في مضاعفات الفترة الموسمية. الخطوة الأولى في تركيب نموذج أريما ط s لتحديد الترتيب المناسب من الاختلاف اللازم لترسيخ السلسلة وإزالة الخصائص الإجمالية للموسمية وهذا يعادل تحديد أي من السرب العشوائي أو نموذج الاتجاه العشوائي يوفر أفضل نقطة انطلاق لا تحاول استخدام أكثر من 2 مجموع الطلبات من الاختلاف غير الموسمية والموسمية مجتمعة، ولا تستخدم أكثر من 1 فرق موسمي. الخطوة الثانية هي تحديد ما إذا كان ينبغي تضمين مصطلح ثابت في النموذج عادة ما تشمل مصطلح ثابت إذا كان الترتيب الكلي للتباين هو 1 أو أقل، وإلا كنت لا ر في نموذج مع ترتيب واحد من الفرق، يمثل المصطلح الثابت الاتجاه المتوسط ​​في التنبؤات في نموذج مع اثنين من أوامر من الاختلاف، ويتحدد الاتجاه في التنبؤات من الاتجاه المحلي لوحظ في نهاية السلاسل الزمنية، والمدة الثابتة تمثل الاتجاه في الاتجاه، أي انحناء التوقعات على المدى الطويل عادة ما يكون من الخطورة استقراء الاتجاهات في الاتجاهات، لذلك أنت سو بريس كونتانت تيرم في هذه الحالة. الخطوة الثالثة هي اختيار أرقام الانحدار الذاتي والانتقال المعلمات المتوسطة p، d، q، P، D، Q التي هي ضرورية للقضاء على أي الارتباط الذاتي الذي لا يزال في بقايا من نموذج ساذجة أي أي ارتباط يبقى بعد الاختلاف فقط تحدد هذه الأرقام عدد الفواصل الزمنية لسلسلة الاختلاف أو التأخيرات في أخطاء التنبؤ المضمنة في معادلة التنبؤ إذا لم يكن هناك ارتباط ذاتي كبير في البقايا عند هذه النقطة، فعلت أفضل نموذج هو نموذج ساذج. إذا كان هناك ارتباط ذاتي كبير في التأخر 1 أو 2، يجب عليك محاولة إعداد q 1 إذا كان أحد ما يلي ينطبق ط هناك فرق غير موسمي في النموذج، إي الترابط الذاتي 1 هو سالبة أو أو 3 مؤامرة الترابط الذاتي المتبقي هو أنظف - تبدو طفرات أقل وأكثر معزولة من مؤامرة الترابط الذاتي الجزئي المتبقي إذا لم يكن هناك فرق غير موسمي في النموذج أو أوغوكور تأخر 1 تكون الإغراء إيجابية أو أن مؤامرة الارتباط الذاتي الجزئي المتبقية تبدو أكثر نظافة، ثم حاول p 1 أحيانا هذه القواعد للاختيار بين ص 1 و 1 صراع مع بعضها البعض، وفي هذه الحالة ربما لا تحدث فرقا كبيرا أي واحد كنت تستخدم محاولة لهم على حد سواء ومقارنة إذا كان هناك ارتباط ذاتي في تأخر 2 لا تتم إزالته عن طريق إعداد p 1 أو q 1، يمكنك ثم محاولة p 2 أو q 2، أو أحيانا p 1 و q 1 أكثر نادرا قد تواجه حالات حيث p 2 أو 3 و q 1، أو العكس بالعكس، يعطي أفضل النتائج يوصى بشدة بعدم استخدام p 1 و q 1 في نفس النموذج بشكل عام، عند تركيب نماذج أريما، يجب تجنب زيادة تعقيد النموذج من أجل الحصول على صغيرة فقط مزيد من التحسينات في إحصائيات الخطأ أو ظهور مؤامرات أسف و باسف أيضا، في نموذج مع كل من p 1 و q 1، هناك احتمال جيد للتكرار وعدم التفرد بين أر و ما الجانبين من النموذج، كما شرح في الملاحظات على الهيكل الرياضي لل A ريما نموذج s فمن الأفضل عادة المضي قدما في خطوة إلى الأمام بدلا من الاتجاه المتخلف إلى الأمام عندما التغيير والتبديل مواصفات نموذج تبدأ مع نماذج أبسط وإضافة فقط المزيد من المصطلحات إذا كان هناك حاجة واضحة. وينطبق نفس القواعد على عدد من شروط الانحدار الذاتي الموسمية P وعدد متوسطات الحركة المتحركة الموسمية Q فيما يتعلق بالعلاقة الذاتية في الفترة الموسمية مثلا: التأخر 12 في البيانات الشهرية حاول Q 1 إذا كان هناك فرق موسمي في النموذج أو أن الترابط الذاتي الموسمية سلبي أو مؤامرة الارتباط الذاتي المتبقي يبدو أنظف في المنطقة المجاورة للتخلف الموسمي وإلا حاول P 1 إذا كان من المنطقي لسلسلة لإظهار موسمية قوية، ثم يجب عليك استخدام الفرق الموسمية، وإلا فإن النمط الموسمية سوف تتلاشى عند جعل التوقعات على المدى الطويل في بعض الأحيان قد ترغب في محاولة P 2 و Q 0 أو فيس v إرسا، أو يا 1 ومع ذلك، فمن المستحسن جدا أن يا يجب ألا يكون أبدا أكبر من 2 أنماط الموسمية نادرا ح أفي هذا النوع من الانتظام المثالي على عدد كبير بما فيه الكفاية من المواسم التي من شأنها أن تجعل من الممكن تحديد موثوق وتقدير أن العديد من المعلمات أيضا، خوارزمية باكفوريكاستينغ التي يتم استخدامها في تقدير المعلمة من المرجح أن تنتج نتائج لا يمكن الاعتماد عليها أو حتى مجنون عندما يكون عدد مواسم البيانات ليست أكبر بكثير من بدكي أن يوصي ما لا يقل عن بدق 2 مواسم كاملة، وأكثر من ذلك هو أفضل مرة أخرى، عند تركيب نماذج أريما، يجب أن تكون حذرا لتجنب الإفراط في تركيب البيانات، على الرغم من حقيقة أنه يمكن أن يكون الكثير من المرح بمجرد الحصول على تعليق منه. حالات خاصة هامة كما ذكر أعلاه، نموذج أريما 0،1،1 بدون ثابت مطابق لنموذج تمهيد الأسي بسيط، ويفترض مستوى عائم أي أي انعكاس يعني ولكن مع صفر الاتجاه على المدى الطويل نموذج أريما 0،1،1 مع ثابت هو نموذج تمهيد الأسي بسيط مع مصطلح الاتجاه الخطي غير الصفر وشملت أريما 0،2،1 أو 0،2،2 نموذج دون ثابت هو الأسي الخطي الأسي نموذج نموذجي يسمح لاتجاه متغير زمنيا نموذج أريما 1،1،2 بدون ثابت هو نموذج تمهيد أسي خطي مع اتجاه مخفف، أي اتجاه يتسطح في نهاية المطاف في التنبؤات الأطول أجلا. نماذج أريما الموسمية الأكثر شيوعا هي أريما 0،1،1 × 0،1،1 نموذج دون ثابت و أريما 1،0،1 × 0،1،1 نموذج مع ثابت الأولى من هذه النماذج ينطبق أساسا تمهيد الأسي لكلا المكونات الموسمية وغير الموسمية لل نمط في البيانات مع السماح للاتجاه متغير الوقت، والنموذج الأخير هو مماثل إلى حد ما ولكن يفترض اتجاه خطي ثابت وبالتالي أكثر قابلية للتنبؤ أكثر على المدى الطويل يجب عليك دائما تضمين هذين النموذجين بين تشكيلة المشتبه بهم عند تركيب البيانات مع أنماط موسمية متسقة واحد منهم ربما مع اختلاف طفيف مثل زيادة p أو ف بواسطة 1 و أو وضع P 1 وكذلك Q 1 هو في كثير من الأحيان أفضل العودة إلى أعلى الصفحة. جريدة الرياضيات والإحصاء. حجم 7، العدد 1. بروبلم ستا تريمنت معظم النماذج الموسمية المتحركة الانحدارية الانحدارية الانحدارية الموسمية التي تستخدم للتنبؤ بسلسلة زمنية موسمية هي نماذج ساريما متعددة النماذج تفترض هذه النماذج أن هناك معلمة هامة نتيجة الضرب بين المعلمات غير الموسمية والموسمية دون اختبار من قبل اختبار إحصائي معين وعلاوة على ذلك، البرامج الإحصائية مثل مينيتاب و سبس فقط مرفق لتتناسب مع نموذج المضاعفة والهدف من هذا البحث هو اقتراح إجراء جديد لتحديد النظام الأنسب من نموذج ساريما سواء كان ينطوي على النظام الفرعي أو المضاعف أو المضافة النظام على وجه الخصوص، فحصت الدراسة ما إذا كانت هناك معلمة مضاعفة موجودة في نموذج ساريما النهج اشتقاق نظري حول الارتباط الذاتي أسف وعلاقات الترابط الذاتي الجزئي تم مناقشة وظائف باسف من نموذج ساريما الفرعي، المضاعف والإضافي ثم تم استخدام برنامج R لإنشاء رسومات هذه أسف النظري و باسف ثم، وهما مون تم استخدام مجموعات البيانات هذه كدراسات حالة، أي بيانات ركاب شركات الطيران الدولية وسلسلة حول عدد السياح الوافدين إلى بالي، إندونيسيا تم تحديد خطوة تحديد نموذج لتحديد نموذج أريما باستخدام برنامج مينيتاب وخطوة تقدير النموذج المستخدمة ساس برنامج لاختبار ما إذا كان النموذج يتألف من ترتيب فرعي أو مضاعف أو إضافي النتائج أظهرت أسف النظرية و باسف أن نماذج ساريما فرعية ومضاعفة ومضافة لها أنماط مختلفة، وخاصة في الفارق الزمني نتيجة الضرب بين الفترات غير الموسمية والفترات الموسمية النمذجة من بيانات شركة الطيران أسفرت عن نموذج ساريما الفرعي كأفضل نموذج، في حين أن نموذج ساريما المضافة هو أفضل نموذج للتنبؤ بعدد السياح الوافدين إلى بالي الاستنتاج أظهرت كل من دراسات الحالة أن نموذج ساريما المضاعف لم يكن أفضل نموذج للتنبؤ هذه البيانات وأظهر تقييم المقارنة أن نماذج ساريما فرعية ومضافة أعطى الصدارة أكثر دقة القيم المبينة في مجموعات البيانات خارج العينة من نموذج ساريما المضاعف لمجموعات البيانات الوافدة من شركات الطيران والسياح على التوالي هذه الدراسة مساهمة قيمة في إجراء بوكس-جينكينز وخاصة في خطوات تحديد النموذج وتقديره في نموذج ساريما مزيد من العمل الذي يتضمن نماذج موسمية متعددة أريما مثل على المدى القصير في بعض البلدان، قد توفر المزيد من الأفكار بشأن مجموعة فرعية، أو مضاعفة أو أوامر إضافية. سوهارتونو هذا هو مقالة الوصول المفتوح موزعة وفقا لشروط رخصة المشاع الإبداعي العزو الذي يسمح الاستخدام غير المقيد والتوزيع، والاستنساخ في أي وسيط، بشرط أن يقيد المؤلف الأصلي والمصدر الأصلي (2). تحليل السلاسل الزمنية. في هذا القسم ندرس طرق تحليل هيكل السلاسل الزمنية. هذه التقنيات ليست طرقا للتنبؤ، ولكنها ستكون مفيدة وستستخدم في الواقع أساليب التنبؤ. النهج الأساسي في تحليل تحت هيكل t من سلسلة زمنية هو أن تتحلل كما as. why t هو القيمة الملحوظة في الوقت تس t هو العنصر الموسمية في الوقت t t هو عنصر دورة الاتجاه في الوقت t t هو عنصر عشوائي غير منتظم في الوقت t. هناك العديد من الأشكال التي يمكن أن تتخذ شكل وظيفي و 2 1 نماذج إضافية ومضاعفة. لدينا تحلل المضافة إذا كان لدينا تحلل المضاعفات إذا كان هذا يمكن تحويلها إلى نموذج إضافي عن طريق اتخاذ اللوغاريتمات، كما لو كان T ر t t t e t ثين. ومن المهم لرسم المكونات بشكل منفصل لأغراض المقارنة. للمضافة نموذج من الشائع التركيز على البيانات المعدلة موسميا بطرح المكون الموسمية من الملاحظات. المكون الموسمية غير معروف ويجب أن أن تكون البيانات المعدلة موسميا تأخذ شكل Y ر هنا وفي ما يلي نستخدم سيركومفلكس للدلالة على تقدير. من المهم أن نلاحظ أنه في تحليل سلسلة زمنية فمن الأفضل عادة لتقدير التنوب دورة الاتجاه ست ثم تقدير الموسمية. ولكن حتى قبل هذا، فمن الأفضل للحد من تأثير العنصر غير النظامية عن طريق تمهيد البيانات لذلك يتم ذلك عادة أولا. يمكن للمرء أن من حيث المبدأ النظر في تمهيد كما يجري تنفيذها لإزالة تأثير عدم انتظام وحده سوف يترك كل من دورة الوقت والمكونات الموسمية، والتي ثم يجب أن تكون واحدة من الأخرى. ومع ذلك، إذا كان من المتوقع مكون موسمي، فمن المعتاد أكثر لتطبيق تمهيد في مثل هذه الطريقة أن المكون الموسمية فضلا عن العنصر غير النظامية على حد سواء إزالة هذا ثم يترك فقط دورة الاتجاه، وبالتالي يتم تحديدها. وباستخدام هذا النهج الأخير يمكننا بعد ذلك فورا إزالة دورة الاتجاه عن طريق subtraction. and ثم تحديد الموسمية من هذه السلسلة الزمنية دي-ترندد وتجدر الإشارة إلى أن التجانس تنتج فقط تقديرا لدورة الاتجاه. وهكذا يجب أن تكتب السلسلة الزمنية دي-ترندد بدقة كما سنرى قريبا أن تحديد الموسمية من أو السلاسل الزمنية غير المتسلسلة أو من السلاسل الزمنية التي لا توجد فيها دورة اتجاه في المقام الأول، سهلة 2 2 1 المتوسط ​​المتحرك. طريقة بسيطة لتنفيذ التجانس هي استخدام المتوسط ​​المتحرك الفكرة الأساسية هي أن فإن قيم الرصدات التي تكون قريبة من بعضها البعض في الوقت المناسب ستحتوي على مكونات دورة الاتجاه متشابهة في القيمة تتجاهل العنصر الموسمية في الوقت الراهن، يمكن عندئذ الحصول على قيمة مكون دورة الاتجاه عند نقطة زمنية معينة بأخذ متوسط ​​قدره مجموعة من الملاحظات حول هذه النقطة الزمنية لأن القيم التي يتم حساب متوسطها تعتمد على النقطة الزمنية، وهذا يسمى متوسط ​​متحرك. هناك العديد من الأشكال المختلفة التي يمكن أن يتحرك فيها متوسط ​​متحرك وقد تم إنشاء العديد باستخدام وسيطات مخصصة و المنطق الكل وتغلي إلى كونها حالات خاصة لما يسمى k - نقطة المرجح المتوسط ​​المتحرك. وهو مك -1-1 يسمى نصف العرض ويسمى آج الأوزان. ملاحظة أنه في هذا التعريف ك يجب أن يكون عدد فردي أبسط الإصدارات هي حيث تكون جميع الأوزان هي نفسها ثم يسمى هذا المتوسط ​​المتحرك البسيط للنظام k. إذا كانت الأوزان متوازنة بشكل متناظر حول قيمة المركز أي حول j 0 في المجموع، فهذا يسمى متوسط ​​متحرك مركزي. المتوسطات المتحركة البسيطة التي تنطوي على عدد زوجي من المصطلحات يمكن استخدامها، ولكن ثم لا تتمحور حول عدد صحيح t ويمكن علاج ذلك عن طريق المتوسط ​​في المرة الثانية فقط متوسط ​​المتوسطات المتحركة أنفسهم وهكذا، على سبيل المثال، إذا اثنين متتاليين 4 نقاط تتحرك المتوسطات، ثم يمكننا مركز لهم من خلال اتخاذ المتوسط. ويسمى هذا المثال 24 ما هو مجرد 5 نقطة المتوسط ​​المتحرك المرجح، مع نهاية الأوزان كل 1 8، ومع الأوزان الثلاثة الأخرى. إذا طبقت على البيانات الفصلية، وهذا 24 ما، سيعطي وزنا متساويا لجميع الأرباع الأربعة، حيث أن القيم الأولى والأخيرة سوف تنطبق على نفس الربع ولكن في سنوات مختلفة وهكذا هذا سلاسة من شأنه أن يسلط الضوء على الفصلية موسميا الاختلاف. وبالتالي 212 ما من شأنه أن يسلط الضوء على التباين الموسمية في دا الشهري ta. Exercise 2 1 ما هي أوزان 212 ما أكثر سلاسة. هناك عدد من مخططات الترجيح المقترحة جميع تميل إلى أن يكون لها قيم الوزن التي تتجه نحو طرفي الجمع أيضا أنها عادة متماثلة مع أجا - j هناك مشكلة في تطبيق متوسط ​​متحرك على طرفي سلسلة زمنية عندما نفد من الملاحظات لحساب المجموع الكامل عندما تكون أقل من k المشاهدات المتاحة الأوزان وعادة ما يتم إعادة تنظيمها بحيث تلخص وحدة. تأثير متوسط ​​متحرك هو أنه سوف يقلل من شأن الاتجاهات في نهايات السلاسل الزمنية وهذا يعني أن الأساليب التي تمت مناقشتها حتى الآن هي غير مرضية عموما لأغراض التنبؤ عند وجود اتجاه. في هذا القسم نعتبر ما يمكن أن يسمى التحلل الكلاسيكي وهذه هي الطرق التي وضعت في 1920 ق التي تشكل أساس طرق التحلل النموذجية القائمة النظر في الحالات المضافة والتضاعف وحيث الفترة الموسمية هي 12.2 3 1 التحلل المضافة on. This هو الحال حيث يتس التحلل الكلاسيكي يأخذ أربع خطوات. خطوة 1 حساب تركزت 12 ما تدل على هذه السلسلة من قبل م ر وتقدر هذه السلسلة الاتجاه دورة. خطوة 2 دي الاتجاه الاتجاه الأصلي من قبل subtraction. Step 3 حساب مؤشر موسمية لكل شهر عن طريق أخذ متوسط ​​كل القيم كل شهر، j. في هذه الصيغة، يفترض أن هناك قيم نج المتاحة للشهر j بحيث يكون التجميع على هذه القيم نج. الخطوة 4 يقدر يتم الحصول على عدم انتظام الطرح من العنصر الموسمية من سلسلة دي-ترندد. هنا يدل على المؤشر الموسمية للشهر المقابلة للمراقبة Y t.2 3 2 التحلل المضاعف. لنموذج المضاعف يتس ويسمى طريقة نسبة الفعلية إلى المتوسطات المتحركة هناك مرة أخرى أربع خطوات. خطوة 1 حساب تركزت 12 ما تدل على هذه السلسلة من قبل م ر هذه الخطوة هي بالضبط نفس كما في حالة نموذج المضافة. خطوة 2 حساب R ر نسبة الفعلية إلى المتوسطات المتحركة. الخطوة 3 احسب مؤشر موسمية لكل شهر عن طريق أخذ متوسط ​​كل القيم كل شهر، j. هذه الخطوة هي نفسها تماما كما في الحالة المضافة باستثناء أن D يتم استبدال R. Step 4 account. Exercise 2 3 تحليل مبيعات البيت البيانات باستخدام نموذج إضافي رسم دورة الاتجاه، والتقديرات الموسمية وغير النظامية. ملاحظة هذا التمرين يمنحك الممارسة في استخدام الجدول المحوري لحساب التعديلات الموسمية. إكسيرسيس 2 4 تحليل بيانات شركة الطيران الدولية باستخدام نموذج المضاعف رسم دورة الاتجاه ، تقديرات موسمية وغير منتظمة ويب بيانات شركة الطيران الدولية.