الانتقال من المتوسط - عرما نموذج

ما هو ثابت أر الانحدار الذاتي، ومتوسط ​​المتحرك ما، والعمليات الثابتة أرما مختلطة. عملية أر الانحدار الذاتي الثابتة عمليات أر الانحدار الذاتي ثابتة لديها وظائف الترابط الذاتي النظري أسفس التي تتحلل نحو الصفر، بدلا من قطع إلى الصفر معاملات الارتباط الذاتي قد تتناوب في علامة بشكل متكرر، أو عرض نمط يشبه الموجة، ولكن في جميع الحالات، أنها ذيل باتجاه صفر على النقيض من ذلك، عمليات أر مع النظام p لها النظرية الجزئية وظائف الترابط الذاتي باسف التي قطعت إلى الصفر بعد تأخر p طول تأخر ارتفاع باسف النهائي يساوي أر ترتيب العملية ما p متوسط ​​الحركة ما العملية أفسس النظرية ل ما تتحرك متوسط ​​العمليات مع النظام q قطع إلى الصفر بعد تأخر ف، ترتيب ما من العملية ومع ذلك، باسف النظرية الاضمحلال نحو الصفر طول تأخر النهائي أسف ارتفاع يساوي ترتيب ما من العملية، q ثابتة أرما مختلطة عملية ثابتة أرما العمليات تظهر خليط من أر و ما تشاراكتيريستي كس كل من النظري أسف و باسف الذيل قبالة نحو الصفر. حقوق الطبع والنشر 2016 مينيتاب المؤتمر الوطني العراقي جميع الحقوق محفوظة. المعدل المتحرك المتكامل الانتكاس - ARIMA. DEFINITION من الانحدار الذاتي المتكامل المتوسط ​​المتحرك - ARIMA. A نموذج التحليل الإحصائي الذي يستخدم بيانات سلسلة زمنية للتنبؤ بالاتجاهات المستقبلية وهو شكل من أشكال تحليل الانحدار الذي يسعى للتنبؤ بالتحركات المستقبلية على طول المشي على ما يبدو عشوائية التي اتخذتها الأسهم والسوق المالي من خلال دراسة الاختلافات بين القيم في سلسلة بدلا من استخدام القيم الفعلية للبيانات ويشار إلى التأخر في سلسلة مختلفة كما يلي ويشار إلى الانحدار الذاتي والتخلف ضمن البيانات المتوقعة بالمتوسط ​​المتحرك. برياك دون أسفل الانحدار الذاتي المتوسط ​​المتحرك المتكامل - AREMA. This عموما يشار إلى نوع النموذج أريما p، d، q، مع الأعداد الصحيحة التي تشير إلى أجزاء الانحدار الذاتي المتكاملة والمتحركة ومجموعة البيانات، على التوالي أريما النمذجة يمكن أن تأخذ في الاعتبار الاتجاهات والدورات الموسمية والأخطاء وغير ستا الجوانب النموذجية لمجموعة البيانات عند وضع التنبؤات. مقدمة إلى نماذج أريما نوناسونال. أريما p، d، q معادلة التنبؤ نماذج أريما هي، من الناحية النظرية، الفئة الأكثر عمومية من النماذج للتنبؤ بسلسلة زمنية يمكن أن تكون ثابتة إذا كان ذلك ضروريا، وربما بالتزامن مع التحولات غير الخطية مثل قطع الأشجار أو التفريغ إذا لزم الأمر المتغير العشوائي الذي هو عبارة عن سلسلة زمنية ثابت إذا كانت خصائصه الإحصائية ثابتة على مر الزمن سلسلة ثابتة لا يوجد لها اتجاه، والاختلافات حول المتوسط ​​لها وهي تتناسق بشكل متسق، أي أن أنماط الوقت العشوائي قصيرة الأمد تبدو دائما بنفس المعنى الإحصائي. ويعني الشرط الأخير أن ارتباطاته الذاتية مع انحرافاته السابقة عن المتوسط ​​تظل ثابتة بمرور الوقت، أو ما يعادلها، أن طيف القدرة لا يزال ثابتا على مر الزمن ويمكن النظر إلى المتغير العشوائي لهذا النموذج كالمعتاد باعتباره توليفة من الإشارة والضوضاء ه، والإشارة إذا كان المرء ظاهرا يمكن أن يكون نمطا من انعكاس متوسط ​​سريع أو بطيء، أو التذبذب الجيبية، أو بالتناوب السريع في علامة، ويمكن أن يكون أيضا مكون موسمي يمكن اعتبار نموذج أريما كمرشح يحاول فصل الإشارة عن الضوضاء، ثم يتم استقراء الإشارة في المستقبل للحصول على التنبؤات. ومعادلة التنبؤ أريما لسلسلة زمنية ثابتة هي المعادلة الخطية أي الانحدار من نوع التي تتنبأ تتكون من تأخر المتغير التابع و أو التأخر في أخطاء التنبؤ هذه القيمة هي. القيمة Y من ثابت و أو مجموع مرجح واحد أو أكثر من القيم الأخيرة من Y و أو مجموع مرجح واحد أو أكثر من القيم الأخيرة للأخطاء. إذا كانت التنبؤات تتكون فقط من القيم المتخلفة من Y هو نموذج الانحدار الذاتي الذاتي الانحدار النقي، وهو مجرد حالة خاصة من نموذج الانحدار والتي يمكن تركيبها مع برامج الانحدار القياسية على سبيل المثال، نموذج أول الانحدار الذاتي أر 1 ل Y هو بسيط نموذج الانحدار الذي متغير مستقل هو فقط Y تخلفت لفترة واحدة لاغ Y، 1 في ستاتغرافيكس أو YLAG1 في ريجرسيت إذا كان بعض من التنبؤات هي متخلفة من الأخطاء، وهو نموذج أريما انها ليست نموذج الانحدار الخطي، لأنه لا يوجد طريقة لتحديد خطأ الفترة الماضية كمتغير مستقل يجب حساب الأخطاء على أساس فترة إلى فترة عندما يكون النموذج مثبتا على البيانات من وجهة النظر التقنية، فإن المشكلة المتعلقة باستخدام الأخطاء المتأخرة كمتنبئات هي أن النموذج والتنبؤات ليست وظائف خطية للمعاملات على الرغم من أنها وظائف خطية من البيانات السابقة لذلك، فإن معاملات في نماذج أريما التي تشمل أخطاء متخلفة يجب أن تقاس بطرق التحسين غير الخطية هيل تسلق بدلا من مجرد حل نظام المعادلات. الاسم المختصر أريما لتقف على الانحدار التلقائي والانتقال المستمر المتوسط ​​يتأخر التأخر من سلسلة مستقر في معادلة التنبؤ مصطلحات الانحدار الذاتي، والتخلف عن أخطاء التنبؤ تسمى موف في المتوسط، وسلسلة زمنية التي تحتاج إلى أن تكون مختلفة لجعلها ثابتة يقال أن تكون نسخة متكاملة من سلسلة ثابتة المشي العشوائي ونماذج الاتجاه العشوائي، ونماذج الانحدار الذاتي، ونماذج التمهيد الأسي كلها حالات خاصة من أريما نموذج. يصنف نموذج أريما نوناسونال كما أريما p، د، ف نموذج، حيث. p. هو عدد من الانحدارات الانحراف الذاتي. د هو عدد من الاختلافات نونزونيسونال اللازمة ل ستاتيوناريتي و and. q هو عدد الأخطاء التنبؤات المتخلفة في ومعادلة التنبؤ هي التي شيدت على النحو التالي أولا، دعونا ذ تدل على الفرق د من Y مما يعني. ملاحظة أن الفرق الثاني من Y د 2 الحالة ليست الفرق من 2 فترات منذ بدلا من ذلك، هو الأول - الفرق من أول الفرق الذي هو التناظرية منفصلة من مشتق الثاني، أي تسارع المحلي للسلسلة بدلا من الاتجاه المحلي. من حيث y معادلة التنبؤ العامة هي. هنا المتوسط ​​المتحرك المعلمات s أر e محددة بحيث تكون علاماتها سلبية في المعادلة، بعد الاتفاقية التي قدمها بوكس ​​وجينكينز بعض المؤلفين والبرمجيات بما في ذلك لغة البرمجة R تعريفها بحيث لديهم علامات زائد بدلا من ذلك عندما يتم توصيل الأرقام الفعلية في المعادلة، وليس هناك الغموض، ولكن من المهم أن تعرف أي الاتفاقية يستخدم البرنامج الخاص بك عندما كنت تقرأ الإخراج في كثير من الأحيان المعلمات يشار إليها هناك من قبل أر 1، أر 2، و ما 1، ما 2، إلخ. لتحديد نموذج أريما المناسب ل Y عليك أن تبدأ من خلال تحديد ترتيب الفرق د الحاجة إلى ستراتاريز السلسلة وإزالة الميزات الإجمالية للموسمية، وربما بالتزامن مع التحول استقرار التباين مثل قطع الأشجار أو انكماش إذا كنت تتوقف عند هذه النقطة والتنبؤ بأن سلسلة ديفيرنتد ثابت ، لديك مجرد تركيب المشي العشوائي أو نموذج الاتجاه العشوائي ومع ذلك، فإن سلسلة ثابتة قد لا تزال لديها أخطاء أوتوكوريلاتد، مما يشير إلى أن بعض عدد من المصطلحات أر p 1 و أو عدد من المصطلحات ما هي q 1 مطلوبة أيضا في معادلة التنبؤ. وتناقش عملية تحديد قيم p و d و q الأفضل لسلسلة زمنية معينة في أقسام لاحقة من الملاحظات التي تكون وصلاتها في الجزء العلوي من هذه الصفحة، ولكن معاينة لبعض أنواع نماذج أريما نونزسونال التي تواجه عادة ويرد أدناه. أريما 1،0،0 أول نموذج الانحدار الذاتي إذا كانت سلسلة ثابتة و أوتوكوريلاتد، ربما يمكن يمكن التنبؤ بها على أنها مضاعفة لقيمتها السابقة، بالإضافة إلى ثابت معادلة التنبؤ في هذه الحالة is. which هو Y تراجع على نفسها تخلفت بفترة واحدة هذا هو أريما 1،0،0 نموذج ثابت إذا كان متوسط ​​Y هو صفر إذا لم يكن معامل الانحدار 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 يجب أن تكون قيمة الفترة التالية فيه يتوقع أن يكون 1 مرات بعيدا عن يعني متوسط ​​قيمة هذه الفترة إذا كان الرقم 1 سالبا، فإنه يتنبأ بسلوك معاد للعكس مع تبديل الإشارات، أي أنه يتنبأ أيضا بأن Y سيكون أقل من متوسط ​​الفترة التالية إذا كان أعلى من متوسط ​​هذه الفترة. في الترتيب الثاني نموذج الانحدار الذاتي أريما 2،0،0، سيكون هناك مصطلح T-2 على اليمين كذلك، وهلم جرا اعتمادا على علامات ومقدار المعاملات، نموذج أريما 2،0،0 يمكن وصف النظام الذي يعني الانعكاس يحدث بطريقة تتأرجح الجيب، مثل حركة كتلة في الربيع الذي يتعرض للصدمات العشوائية. أريما 0،1،0 المشي العشوائي إذا كانت السلسلة Y ليست ثابتة، فإن أبسط نموذج ممكن لذلك هو نموذج المشي العشوائي الذي يمكن اعتباره حدا محدودا لنموذج أر 1 يكون فيه معامل الانحدار الذاتي مساويا ل 1، أي سلسلة مع عكس المتوسط ​​البطيء بلا حدود. يمكن كتابة معادلة التنبؤ لهذا النموذج كما. متوسط ​​التغير من فترة إلى أخرى، أي الانجراف الطويل الأجل في Y يمكن تركيب هذا النموذج كنموذج انحدار بدون اعتراض يكون فيه الاختلاف الأول لل Y هو المتغير التابع لأنه لا يتضمن إلا اختلافا غير منطقي ولفترة ثابتة، فإنه يصنف كنموذج أريما 0،1،0 مع ثابت نموذج المشي العشوائي بدون الانجراف سيكون نموذجا أريما 0،1،0 بدون ثابت. أريما 1،1،0 اختلافا عن نموذج الانحدار الذاتي من الدرجة الأولى إذا كانت أخطاء نموذج المشي العشوائي مترابطة تلقائيا، أن تكون ثابتة بإضافة فاصل واحد للمتغير التابع إلى معادلة التنبؤ - أي بتراجع الفارق الأول لل Y على نفسه متأخرا بفترة واحدة وهذا من شأنه أن يسفر عن المعادلة التالية للتنبؤ. التي يمكن إعادة ترتيبها. هذا أمر أولي نموذج الانحدار الذاتي مع ترتيب واحد من اختلاف نونسوناسونال ومدة ثابتة - أي أريما 1،1،0 نموذج. أريما 0،1،1 دون ثابت الأسي بسيط التمهيد وهناك استراتيجية أخرى لتصحيح الأخطاء أوتوكوريلاتد في نموذج المشي عشوائي يقترح من قبل المبسطة نموذج التمهيد الأسي تذكر أن لبعض النماذج الزمنية غير المستقرة مثل تلك التي تظهر تقلبات صاخبة حول متوسط ​​متغير ببطء، فإن نموذج المشي العشوائي لا يؤدي كذلك إلى المتوسط ​​المتحرك للقيم السابقة وبعبارة أخرى، بدلا من أخذ أحدث الملاحظة على أنها توقعات الملاحظة التالية، فمن الأفضل استخدام متوسط ​​الملاحظات القليلة الأخيرة من أجل تصفية الضوضاء وتقدير المتوسط ​​المحلي بدقة أكبر يستخدم نموذج التمهيد الأسي البسيط المتوسط ​​المتحرك المرجح أضعافا للقيم السابقة إلى تحقيق هذا التأثير يمكن كتابة معادلة التنبؤ لنموذج تمهيد الأسي البسيط في عدد من الأشكال المكافئة رياضيا واحد منها هو ما يسمى شكل تصحيح الخطأ، الذي يتم تعديل التوقعات السابقة في اتجاه الخطأ الذي قدم. ولأن e t-1 Y t-1 - t-1 بحكم التعريف، يمكن إعادة كتابة ذلك كما هي معادلة التنبؤ أريما 0،1،1 - بدون ثابت مع 1 1 - T وسائله التي يمكن أن تناسب تمهيد الأسي بسيط من خلال تحديده كنموذج أريما 0،1،1 دون ثابت، ويقدر معامل ما 1 تقابل 1-ناقص ألفا في صيغة سيس أذكر أنه في نموذج سيس، و متوسط ​​عمر البيانات في توقعات الفترة السابقة هي 1 يعني أنها سوف تميل إلى التخلف عن الاتجاهات أو نقاط التحول بنحو 1 فترات ويترتب على ذلك أن متوسط ​​عمر البيانات في التوقعات قبل فترة واحدة من أريما 0،1،1 - بدون نموذج ثابت هو 1 1 - 1 لذلك، على سبيل المثال، إذا كان 1 0 8، متوسط ​​العمر 5 كمقاربات 1، يصبح النموذج أريما 0،1،1 بدون ثابت a ومتوسط ​​متحرك طويل الأجل جدا، وكما 1 نهج 0 يصبح نموذج المشي العشوائي دون الانجراف. ما هي أفضل طريقة لتصحيح الارتباط الذاتي إضافة مصطلحات أر أو إضافة شروط ما في النموذجين السابقين نوقشت أعلاه، تم إصلاح مشكلة الأخطاء ذات الصلة في نموذج المشي العشوائي بطريقتين مختلفتين بإضافة قيمة متخلفة من سلسلة الاختلاف إلى المعادلة أو إضافة قيمة متأخرة لخطأ التنبؤ أي النهج هو الأفضل قاعدة الإبهام لهذا الوضع، والتي سيتم مناقشتها بمزيد من التفصيل في وقت لاحق، هو أن الارتباط الذاتي الإيجابي عادة ما يعامل بشكل أفضل بإضافة مصطلح أر إلى وعادة ما يتم التعامل مع النموذج والترابط الذاتي السلبي من خلال إضافة مصطلح ما في سلسلة الأعمال التجارية والوقت الاقتصادي، وغالبا ما تنشأ الارتباط الذاتي السلبي باعتباره قطعة أثرية من الاختلاف بشكل عام، الاختلاف يقلل من الارتباط الذاتي الإيجابي وربما حتى يسبب التحول من الإيجابية إلى السلبية الارتباط الذاتي لذلك، نموذج أريما 0،1،1، الذي يرافق فيه الاختلاف بمصطلح ما، غالبا ما يستخدم من أريما 1،1،0 موديل. أريما 0،1،1 مع تمهيد أسي بسيط ثابت مع النمو من خلال تنفيذ نموذج سيس كما نموذج أريما، كنت في الواقع كسب بعض المرونة أولا وقبل كل شيء، ويسمح معامل ما 1 المقدرة لتكون سلبية وهذا يتوافق مع عامل تمهيد أكبر من 1 في نموذج سيس، وهو أوسوال y لا يسمح به إجراء تركيب نموذج سيس. ثانيا، لديك خيار تضمين مدة ثابتة في نموذج أريما إذا كنت ترغب في ذلك، من أجل تقدير متوسط ​​الاتجاه غير الصفر نموذج أريما 0،1،1 الثابت لديه معادلة التنبؤات. وتلك التنبؤات التي تتم قبل فترة واحدة من هذا النموذج مماثلة من الناحية النسبية لتوقعات نموذج سيس، إلا أن مسار التنبؤات الطويلة الأجل عادة ما يكون خطا منحدرا يساوي ميله مو بدلا من خط أفقي. ARIMA 0،2،1 أو 0،2،2 دون ثابت خطي الأسي تمهيد خطي الأسية تمهيد نماذج هي نماذج أريما التي تستخدم اثنين من الاختلافات نونسونالونال بالتزامن مع ما الشروط والفرق الثاني من سلسلة Y ليس مجرد الفرق بين Y و في حين أن 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 A والفرق الثاني من وظيفة منفصلة مشابه إلى مشتق الثاني من وظيفة مستمرة يقيس تسارع أو انحناء في وظيفة في نقطة معينة في time. The أريما 0،2،2 نموذج دون ثابت يتوقع أن الفرق الثاني من سلسلة يساوي الدالة الخطية لآخر خطأين متوقعين. حيث يمكن إعادة ترتيبها كما. حيث 1 و 2 هي معاملات ما 1 و ما 2 هذا نموذج خطي أسي عام بشكل أساسي نفس نموذج هولت s، ونموذج براون s هو حالة خاصة يستخدم المتوسطات المتحركة المرجح أضعافا مضاعفة لتقدير كل من المستوى المحلي والاتجاه المحلي في سلسلة وتتنبأ التنبؤات على المدى الطويل من هذا النموذج إلى خط مستقيم الذي يعتمد ميل على الاتجاه المتوسط ​​لوحظ نحو نهاية السلسلة. أريما 1،1،2 دون ثابت الانحناء الاتجاه الخطي الأسي تمهيد. هذا النموذج هو موضح في الشرائح المصاحبة على نماذج أريما فإنه يستقلب الاتجاه المحلي في نهاية السلسلة ولكن يتسطح فإنه في آفاق التنبؤ الأطول لإدخال مذكرة من المحافظة، وهي الممارسة التي لديها الدعم التجريبي انظر المقال حول لماذا الاتجاه المخفف يعمل من قبل غاردنر وماكنزي والقاعدة الحكم الذهبي من قبل أرمسترونغ وآخرون للحصول على التفاصيل. ومن المستحسن عموما أن عصا إلى النماذج التي لا يقل فيها واحد على الأقل من p و q عن 1، أي لا تحاول أن تناسب نموذجا مثل أريما 2،1،2، لأن هذا من المرجح أن يؤدي إلى الإفراط في العمل والقضايا عامل مشترك التي تمت مناقشتها في مزيد من التفاصيل في الملاحظات على الهيكل الرياضي من نماذج أريما. نماذج تنفيذ أريما مثل تلك المذكورة أعلاه هي سهلة التنفيذ على جدول البيانات معادلة التنبؤ هي مجرد معادلة خطية تشير إلى القيم السابقة من سلسلة زمنية الأصلي والقيم الماضية من الأخطاء وهكذا، يمكنك إعداد جدول بيانات التنبؤ أريما من خلال تخزين البيانات في العمود A، صيغة التنبؤ في العمود B، وبيانات الأخطاء ناقص التوقعات في العمود C صيغة التنبؤ في نموذجي تكون الخلية في العمود B مجرد 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.