اريما المتوسط المتحرك

نقل الانحدار المتكاملة متوسط ​​- نقل أريما لكسر الانحدار المتكاملة متوسط ​​- يشار أريما لهذا النوع نموذج عموما كما أريما (ع، د، ف)، مع الأعداد الصحيحة في اشارة الى الانحدار. متكاملة وأجزاء متحركة متوسط ​​مجموعة البيانات، على التوالي. أريما النمذجة يمكن أن تأخذ في الاعتبار الاتجاهات وموسمية. دورات والأخطاء والجوانب غير ثابتة من مجموعة البيانات عندما جعل التوقعات. والسندات التي يمكن تحويلها إلى مبلغ محدد مسبقا من أسهم الشركة ق في أوقات معينة خلال حياتها، عادة. عودة الزائدة أن الاستثمار في سوق الأوراق المالية يوفر أكثر من المعدل الخالي من المخاطر، مثل العائد من السندات الحكومية. مؤشر 500 أسهم اختار لحجم السوق والسيولة وتجمع صناعة، من بين عوامل أخرى. ستاندرد بورز 500 تم تصميم. محاولة للحد من المسؤولية الضريبية عندما تعطى العديد من القرارات المالية المختلفة. هناك مجموعة واسعة من كفاءة الضرائب. Italexit، باختصار عن المعروف أيضا باسم Italeave، هو مشتق الإيطالية من Brexit المدى، والذي يشير إلى. Oustria، قصيرة لهو نسخة النمساوي من Brexit المدى، والتي نشأت في يونيو عام 2016 عندما الولايات المتحدة. 8.4 المتوسط ​​المتحرك نماذج بدلا من استخدام القيم السابقة للمتغير التوقعات في الانحدار، ويستخدم متوسط ​​نموذج تتحرك أخطاء توقعات الماضية في نموذج يشبه الانحدار. ذ ج ه ر ه ثيتا ثيتا البريد النقاط ثيتا الإلكترونية، حيث ه ر هو الضوضاء البيضاء. نشير إلى هذا على أنه (ف) نموذج MA. بالطبع، نحن لا نلاحظ قيم ه ر، لذلك فإنه ليس من الانحدار بالمعنى المعتاد حقا. لاحظ أن كل قيمة y ر يمكن النظر إليها على أنها المتوسط ​​المتحرك الموزون للأخطاء توقعات القليلة الماضية. ومع ذلك، المتوسط ​​المتحرك نماذج لا ينبغي أن يكون الخلط بينه وبين المتوسط ​​المتحرك تجانس ناقشنا في الفصل 6. المتوسط ​​المتحرك نموذج يستخدم للتنبؤ بالقيم المستقبلية في حين يتم استخدام المتوسط ​​المتحرك تمهيد لتقدير اتجاه دورة من القيم الماضية. الشكل 8.6: مثالين على البيانات من المتوسط ​​المتحرك النماذج مع معلمات مختلفة. اليسار: MA (1) مع ذ ر 20 ر ه 0.8e تي 1. الصحيح: ماجستير (2) مع ذ ر ه ر - e تي 1 0.8e تي 2. في كلتا الحالتين، يتم توزيع ه ر عادة ضوضاء بيضاء مع متوسط ​​الصفر والتباين واحد. ويبين الشكل 8.6 بعض البيانات من (1) نموذج MA و(2) نموذج MA. تغيير معالم ثيتا 1، النقاط، ونتائج ثيتا ف في مختلف أنماط السلاسل الزمنية. كما هو الحال مع نماذج الانحدار، فإن التباين في البريد ر الخطأ المدى تتغير فقط حجم سلسلة، وليس الأنماط. فمن الممكن أن يكتب أي ثابتة AR (ع) نموذج باعتبارها (infty) نموذج MA. على سبيل المثال، استخدام استبدال المتكررة، فإننا يمكن أن تثبت هذه لAR (1) نموذج: البدء ذ ر نهاية النص المقدمة -1 1، فإن قيمة فاي 1 ك الحصول على أصغر كما يحصل ك أكبر. في نهاية المطاف حتى نحصل على ذ ر ه ر فاي 1 ه فاي 1 2 ه فاي 1 3 cdots ه، وهو (infty) عملية MA. تحمل نتيجة عكسية اذا كنا فرض بعض القيود على المعلمات MA. ثم يسمى نموذج MA قابلة للانعكاس. وهذا يعني، أننا يمكن أن يكتب أي عملية قابلة للانعكاس ماجستير (ف) كعملية AR (infty). نماذج قابلة للانعكاس ليست مجرد لتمكيننا من تحويل من النماذج MA إلى AR النماذج. لديهم أيضا بعض الخصائص الرياضية التي جعلها أسهل للاستخدام في الممارسة العملية. القيود invertibility مماثلة لقيود السكون. ل(1) نموذج MA: -1 1. ل(2) نموذج MA: -1 1. تعقد الأوضاع أكثر تعقيدا لge3 ف. مرة أخرى، سوف R رعاية هذه القيود عند تقدير النماذج. وريما لتقف على نماذج الانحدار المتكاملة المتوسط ​​المتحرك النماذج. أحادي المتغير (ناقلات واحد) أريما هو أسلوب التنبؤ أن المشاريع قيم المستقبل من سلسلة يستند كليا على الجمود الخاصة به. تطبيق الرئيسي هو في مجال التنبؤ على المدى القصير تتطلب لا يقل عن 40 نقاط البيانات التاريخية. أنه يعمل بشكل أفضل عندما يعرض بياناتك على نمط مستقر أو ثابت على مر الزمن مع الحد الأدنى من القيم المتطرفة. تسمى أحيانا بوكس ​​جينكينز (بعد الكتاب الأصلي)، اريما عادة ما تكون متفوقة على الأسية تقنيات تمهيد عندما تكون البيانات طويل معقول والترابط بين الملاحظات الماضية مستقرة. إذا كانت البيانات قصيرة أو شديدة التقلب، ثم بعض طريقة تنعيم قد أداء أفضل. إذا لم يكن لديك ما لا يقل عن 38 نقاط البيانات، يجب عليك أن تنظر بعض الطرق الأخرى من أريما. الخطوة الأولى في تطبيق منهجية أريما هو للتحقق من السكون. السكون يعني أن سلسلة تظل عند مستوى ثابت إلى حد ما مع مرور الوقت. في حالة وجود اتجاه، كما هو الحال في معظم التطبيقات الاقتصادية أو التجارية، ثم البيانات غير ساكنة. وينبغي أيضا أن تظهر البيانات تباين مستمر في التقلبات على مر الزمن. ويعتبر هذا بسهولة مع سلسلة هذا هو موسمي بشكل كبير وينمو بمعدل أسرع. في مثل هذه الحالة، فإن الصعود والهبوط في المواسم تصبح أكثر دراماتيكية على مر الزمن. بدون هذه الشروط السكون يتم الوفاء بها، العديد من الحسابات المرتبطة بعملية لا يمكن حسابها. إذا كان مؤامرة رسومية من البيانات تشير إلى عدم السكون، ثم يجب عليك الفرق السلسلة. يفرق هو وسيلة ممتازة لتحويل سلسلة غير الثابتة إلى واحدة ثابتة. ويتم ذلك عن طريق طرح الملاحظة في الفترة الحالية عن سابقتها. وإذا تم هذا التحول مرة واحدة فقط لسلسلة، ويقول لك أن البيانات قد تم differenced أولا. هذه العملية يزيل أساسا الاتجاه إذا سلسلة الخاص بك ينمو بمعدل ثابت إلى حد ما. إذا كان ينمو بمعدل متزايد، يمكنك تطبيق نفس الإجراء والاختلاف البيانات مرة أخرى. أن البيانات الخاصة بك ثم يكون differenced الثانية. ترابط تلقائي هي القيم العددية تشير إلى كيفية ارتباط سلسلة بيانات لنفسها مع مرور الوقت. بتعبير أدق، فهو يقيس مدى قوة قيم البيانات في عدد محدد من فترات ما ترتبط بصرف النظر لبعضهما البعض مع مرور الوقت. عدد الفترات بعيدا وعادة ما تسمى تأخر. على سبيل المثال، الارتباط الذاتي في تأخر 1 تدابير كيف تقدر 1 الفترة بصرف النظر ترتبط مع بعضها البعض في جميع أنحاء سلسلة. والارتباط الذاتي في تأخر 2 التدابير كيفية البيانات فترتين هي مرتبطة بصرف النظر طوال هذه السلسلة. قد تتراوح ترابط تلقائي من 1 إلى -1. قيمة وثيقة إلى 1 يشير إلى وجود علاقة إيجابية عالية في حين أن قيمة وثيقة إلى -1 تعني وجود علاقة سلبية عالية. وغالبا ما تقييم هذه التدابير من خلال المؤامرات الرسومية دعا correlagrams. وcorrelagram يرسم القيم ارتباط صناعة السيارات في لسلسلة معينة في التخلف مختلفة. ويشار إلى هذا على أنه وظيفة الارتباط الذاتي ومهم جدا في طريقة أريما. محاولات منهجية أريما لوصف الحركات في سلسلة زمنية ثابتة بوصفها وظيفة من ما يسمى الانحدار ومتوسط ​​المعلمات تتحرك. ويشار الى هذه المعلمات كما AR (autoregessive) والمعلمات MA (المتوسطات المتحركة). نموذج AR مع المعلمة 1 فقط قد تكون مكتوبة كما. X (ر) ألف (1) X (تي 1) E (ر) حيث X (ر) السلاسل الزمنية قيد التحقيق ألف (1) المعلمة الانحدار من النظام 1 X (تي 1) السلاسل الزمنية تخلفت 1 الفترة E (ر) على المدى الخطأ من طراز يعني هذا ببساطة أن أي X قيمة معينة (ر) ويمكن تفسير بعض من وظيفة من قيمتها السابقة، X (تي 1)، بالإضافة إلى بعض الخطأ العشوائي غير قابل للتفسير، E (ر). إذا (1) كان القيمة التقديرية للو0.30، ثم أن تكون متعلقة القيمة الحالية للسلسلة إلى 30 من قيمته منذ 1 الفترة. بالطبع، يمكن أن تكون ذات صلة سلسلة لأكثر من قيمة الماضية واحدة فقط. على سبيل المثال، X (ر) ألف (1) X (تي 1) (2) X (تي 2) E (ر) وهذا يدل على أن القيمة الحالية للسلسلة هو مزيج من اثنين من القيم السابقة مباشرة، X (تي 1) والعاشر (تي 2)، بالإضافة إلى بعض الخطأ العشوائي E (ر). لدينا النموذج هو الآن نموذج الانحدار الذاتي من أمر 2. نقل متوسط ​​نماذج: ويسمى النوع الثاني من نموذج بوكس ​​جنكنز متوسط ​​نموذج متحرك. على الرغم من أن هذه النماذج تبدو مشابهة جدا لنموذج AR، مفهوم وراءها مختلف تماما. المتوسط ​​المتحرك المعلمات تتعلق بما يحدث في فترة ر فقط على الأخطاء العشوائية التي وقعت في فترات زمنية سابقة، أي E (تي 1)، E (تي 2)، الخ بدلا من X (تي 1)، X ( تي 2)، (XT-3) كما في نهج الانحدار. ومتوسط ​​نموذج تتحرك مع المدى MA يجوز لأحد أن تكون مكتوبة على النحو التالي. X (ر) - B (1) E (تي 1) E (ر) المصطلح ب (1) يسمى شهادة الماجستير من أجل 1. يستخدم علامة سلبية أمام المعلمة لاتفاقية فقط، وعادة ما يتم طباعة من صناعة السيارات matically من قبل معظم برامج الكمبيوتر. وتقول النموذج أعلاه ببساطة أن أي قيمة معينة من العاشر (ر) يرتبط مباشرة فقط على الخطأ العشوائي في الفترة السابقة، E (تي 1)، وإلى حد الخطأ الحالي، E (ر). كما هو الحال بالنسبة للنماذج الانحدار، فإن متوسط ​​نماذج التحرك يمكن أن تمتد إلى الهياكل ترتيب أعلى تغطي مجموعات مختلفة والمتوسط ​​المتحرك أطوال. كما يسمح منهجية أريما النماذج التي سيتم بناؤها التي تضم كلا من الانحدار والمتوسط ​​المتحرك المعلمات معا. وغالبا ما يشار إلى هذه النماذج نماذج مختلطة كما. على الرغم من أن هذا يجعل لأداة التنبؤ أكثر تعقيدا، وهيكل قد محاكاة الواقع سلسلة أفضل وتنتج توقعات أكثر دقة. نماذج نقية تدل على أن الهيكل يتكون فقط من المعلمات AR أو ماجستير - ليس على حد سواء. النماذج التي وضعها هذا النهج عادة ما تسمى نماذج أريما لأنها تستخدم مزيجا من الانحدار (AR)، والتكامل (I) - في اشارة الى عملية عكسية من يفرق لإنتاج التنبؤات، ومتوسط ​​العمليات (MA) تتحرك. عادة ما ورد نموذج اريما كما أريما (ع، د، ف). هذا يمثل ترتيب المكونات الانحدار (ع)، وعدد من يفرق مشغلي (د)، وعلى أعلى مستوى من المدى المتوسط ​​المتحرك. على سبيل المثال، اريما (2،1،1) يعني أن لديك نموذج أجل الانحدار الثاني مع الترتيب الأول المتوسط ​​المتحرك المكون الذي تم differenced مرة واحدة للحث على السكون سلسلة. اختيار مواصفات اليمين: المشكلة الرئيسية في الكلاسيكية بوكس ​​جنكنز تحاول أن تقرر أي مواصفات أريما لاستخدام - i. e. كم عدد المعلمات AR و / أو ماجستير لتشمل. هذا ما كرس الكثير من بوكس ​​Jenkings عام 1976 لعملية تحديد الهوية. ذلك يتوقف على الرسوم البيانية والعددية uation eval - من الارتباط الذاتي عينة وظائف الارتباط الذاتي الجزئي. حسنا، لالنماذج الأساسية الخاصة بك، والمهمة ليست صعبة للغاية. كل لها وظائف الارتباط الذاتي التي تبدو بطريقة معينة. ومع ذلك، عند ترتفع في التعقيد، لا يتم الكشف عن ذلك بسهولة الأنماط. لجعل الأمور أكثر صعوبة، والبيانات تمثل سوى عينة من العملية الأساسية. وهذا يعني أن أخطاء أخذ العينات (القيم المتطرفة، خطأ في القياس، وما إلى ذلك) قد يشوه عملية تحديد الهوية النظرية. هذا هو السبب في النمذجة أريما التقليدي هو فن وليس علما.