المتكاملة الانحدار الحركة من المتوسط - اكسل

أريما موديلينغ. نموذج أريما هو امتداد للنموذج أرما i الذي ينطبق على غير الوقت ثابتة سلسلة الوقت سلسلة مع واحد أو أكثر متكاملة وحدة الجذور. أريما معالج نموذج بأتمتة خطوات بناء نموذج التخمين المعلمات الأولية، التحقق من صحة المعلمات، والخير من اختبار مناسبا، والمخلفات التشخيص. لإستخدام هذه الوظيفة، حدد رمز المقابلة على شريط الأدوات أو عنصر القائمة. الرئيس فوق تحديد عينة البيانات على ورقة العمل الخاصة بك وحدد الترتيب المقابل من نموذج عنصر أر الانحدار الذاتي، ترتيب التكامل د، وترتيب نموذج مكون المتوسط ​​المتحرك ثم حدد الخير من الاختبارات المناسبة، والتشخيص المتبقي، وتعيين موقع على ورقة العمل لطباعة النموذج. ملاحظة افتراضيا، يقوم معالج النموذج بإنشاء تخمين سريع لقيم النموذج s معلمات ولكن قد يختار المستخدم توليد قيم معايرة لمعاملات النموذج s. على الانتهاء، فإن وظيفة نمذجة أرما تنتج معلمات النموذج المحدد a د اختبارات اختبارات مختارة في الموقع المعين من ورقة العمل الخاصة بك. المعالج أريما يضيف إكسيل من نوع التعليقات سهم السهم الأحمر إلى خلايا التسمية لوصف لهم. تقديم إلى أريما نماذج نونزيسونال. أريما p، د، ف التنبؤ معادلة نماذج أريما هي، من الناحية النظرية، الفئة الأكثر عمومية من النماذج للتنبؤ بسلسلة زمنية يمكن أن تكون ثابتة من خلال الاختلاف إذا لزم الأمر، وربما بالتزامن مع التحولات غير الخطية مثل قطع الأشجار أو التفريغ إذا لزم الأمر المتغير العشوائي الذي هو عبارة عن سلسلة زمنية ثابتة إذا فإن خصائصها الإحصائية ثابتة على مر الزمن لا توجد في السلسلة الثابتة أي اتجاه، حيث أن اختلافاتها حول متوسطها لها اتساع ثابت، وهي تتلائم بطريقة متسقة، أي أن أنماطها الزمنية العشوائية قصيرة الأمد تبدو دائما بنفس المعنى الإحصائي يعني أن ارتباطات أوتوكوريلاتيونس مع انحرافاتها السابقة عن المتوسط ​​تظل ثابتة على مر الزمن أو ما يعادلها، يبقى رم ثابتا بمرور الوقت ويمكن النظر إلى المتغير العشوائي لهذا النموذج كالمعتاد على أنه مزيج من الإشارة والضوضاء، والإشارة إذا كان المرء ظاهرا يمكن أن يكون نمطا للانعكاس المتوسط ​​السريع أو البطيء أو التذبذب الجيبية أو بالتناوب السريع في ، ويمكن أن يكون أيضا مكون موسمية ويمكن النظر إلى نموذج أريما كما مرشح الذي يحاول فصل إشارة من الضوضاء، ثم يتم استقراء إشارة في المستقبل للحصول على التنبؤات. معادلة التنبؤ أريما لوقت ثابت سيريز عبارة عن معادلة خطية أي معادلة الانحدار التي تتكون فيها المتنبئات من تأخر المتغير التابع أو التأخر في أخطاء التنبؤات هذه هي القيمة المؤثرة لل Y ثابتة و أو مجموع مرجح لقيمة واحدة أو أكثر من قيم Y أو مجموع مرجح لقيمة واحدة أو أكثر من القيم الأخيرة للأخطاء. إذا كانت المتنبئات تتألف فقط من قيم متخلفة من Y فهي نموذج الانحدار الذاتي النقي الانحدار الذاتي، وهو مجرد حالة خاصة من نموذج الانحدار والتي ج يجب أن تكون مزودة برمجية الانحدار القياسية على سبيل المثال، نموذج أول الانحدار الذاتي أر 1 ل Y هو نموذج الانحدار بسيط الذي المتغير المستقل هو فقط Y تخلفت بفترة واحدة لاغ Y، 1 في ستاتغرافيكس أو YLAG1 في ريجرسيت إذا كان بعض من فإن المتنبؤات متخلفة من الأخطاء، وهي نموذج أريما فهي ليست نموذج انحدار خطي، لأنه لا توجد طريقة لتحديد خطأ الفترة الماضية كمتغير مستقل يجب حساب الأخطاء على أساس فترة إلى فترة عندما يكون النموذج على البيانات من وجهة النظر التقنية، فإن مشكلة استخدام الأخطاء المتخلفة كما التنبؤات هي أن تنبؤات النموذج ليست وظائف خطية للمعاملات على الرغم من أنها وظائف خطية للبيانات السابقة لذلك، فإن المعاملات في نماذج أريما التي تشمل متخلفة يجب أن يتم تقدير الأخطاء بطرق التحسين غير الخطية هيل-تسلق بدلا من مجرد حل نظام من المعادلات. الاسم المختصر أريما لتقف على السيارات الانحدارية المتكاملة المتوسط ​​المتحرك التأخر من القانون الأساسي وتسمى سلسلة المتأينة في معادلة التنبؤ المصطلحات الانحدار الذاتي، ويسمى التأخر في أخطاء التنبؤ متوسط ​​المصطلحات المتحركة، وسلسلة زمنية التي تحتاج إلى أن تكون مختلفة لتكون ثابتة يقال أن تكون نسخة متكاملة من سلسلة ثابتة المشي العشوائي و نماذج الاتجاه العشوائي، ونماذج الانحدار الذاتي، ونماذج تمهيد الأسي كلها حالات خاصة من نماذج أريما. ويصنف نموذج أريما نوناسونال كما أريما p، د، ف نموذج، حيث هو عدد من شروط الانحدار الذاتي d. هو عدد من الاختلافات غير الموسمية اللازمة للاستبانة، و. ق هو عدد أخطاء التنبؤات المتأخرة في معادلة التنبؤ. وتنشأ معادلة التنبؤ على النحو التالي أولا، اسمحوا y تدل على الفرق d من y مما يعني. لاحظ أن الفرق الثاني من Y حالة د 2 ليست الفرق من 2 فترات قبل بدلا من ذلك، هو الفرق الأول من الأول الفرق الذي هو التناظرية منفصلة من مشتق الثاني، أي تسارع المحلي من سيري إس بدلا من اتجاهها المحلي. من حيث y معادلة التنبؤ العامة هي. هنا يتم تعريف المعلمات المتوسط ​​المتحرك s بحيث تكون علاماتها سلبية في المعادلة، وفقا للاتفاقية التي قدمها بوكس ​​و جينكينز بعض المؤلفين والبرامج بما في ذلك R لغة البرمجة تحدد لهم بحيث لديهم علامات زائد بدلا من ذلك عندما يتم توصيل الأرقام الفعلية في المعادلة، لا يوجد أي غموض، ولكن من المهم أن نعرف أي الاتفاقية يستخدم البرنامج الخاص بك عندما كنت تقرأ الإخراج غالبا ما يشار إلى المعلمات هناك من قبل أر 1، أر 2، و ما 1، ما 2، وما إلى ذلك. لتحديد نموذج أريما المناسب ل Y تبدأ بتحديد ترتيب الفرق الحاجة إلى ستاتاريز السلسلة وإزالة الميزات الإجمالية للموسمية، وربما بالاقتران مع التباين استقرار التحول مثل قطع الأشجار أو تفريغ إذا كنت تتوقف عند هذه النقطة والتنبؤ بأن سلسلة ديفيرنتد ثابت، لديك مجرد تركيب المشي العشوائي أو عشوائية تري ومع ذلك، فإن السلسلة المستقرة قد لا تزال لها أخطاء ذات علاقة مترابطة، مما يوحي بأن هناك حاجة إلى عدد من المصطلحات أر 1 و أو بعض مصطلحات ما q 1 أيضا في معادلة التنبؤ. إن عملية تحديد قيم p و d و q التي هي أفضل لسلسلة زمنية معينة سيتم مناقشتها في أقسام لاحقة من الملاحظات التي الروابط في الجزء العلوي من هذه الصفحة، ولكن معاينة لبعض أنواع نماذج أريما نونسونالونال التي تواجه عادة ويرد أدناه. أريما 1 ، 0،0 من الدرجة الأولى نموذج الانحدار الذاتي إذا كانت السلسلة ثابتة و أوتوكوريلاتد، وربما يمكن التنبؤ بها على أنها متعددة من القيمة السابقة الخاصة بها، بالإضافة إلى ثابت معادلة التنبؤ في هذه الحالة is. which هو تراجع Y على نفسها متخلفة من قبل فترة واحدة هذا هو نموذج ثابت 1،0،0 أريما إذا كان متوسط ​​Y هو صفر، فإن المصطلح الثابت لن يتم تضمينه. إذا كان معامل الانحدار 1 موجبا وأقل من 1 في الحجم فإنه يجب أن يكون أقل من 1 في إذا كان Y ثابت، و يصف النموذج سلوك التراجع المتوسط ​​الذي ينبغي التنبؤ فيه بقيمة الفترة التالية لتكون 1 مرة بعيدا عن المتوسط ​​كقيمة هذه الفترة s إذا كان الرقم 1 سالبا فإنه يتنبأ بسلوك التراجع عن طريق تبديل الإشارات، أي أنه يتوقع أيضا أن Y ستكون أقل من متوسط ​​الفترة التالية إذا كانت أعلى من متوسط ​​هذه الفترة. في نموذج ترتيب الانحدار الذاتي الثاني أريما 2،0،0، سيكون هناك مصطلح Y تي -2 على اليمين أيضا، وهلم جرا واعتمادا على علامات ومقدار المعاملات، يمكن أن يصف نموذج 2،0،0 أريما نظاما له انعكاس متوسط ​​يحدث بطريقة تتأرجح جيبيا، مثل حركة كتلة في فصل 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، والتي يمكن اعتبارها حالة الحد من نموذج أر 1 الذي يساوي معامل الانحدار الذاتي 1، أي سلسلة مع بلا حدود بطيئة عكس معادلة التنبؤ يمكن كتابة هذا النموذج كما. حيث يكون المصطلح الثابت هو متوسط ​​التغير من فترة إلى فترة أي الانجراف على المدى الطويل في Y ويمكن تركيب هذا النموذج كنموذج انحدار عدم اعتراض يكون فيه الاختلاف الأول لل Y هو المتغير التابع لأنه لا يتضمن إلا اختلافا غير منطقي ومدة ثابتة، يصنف على أنه نموذج أريما 0،1،0 مع ثابت نموذج المشي العشوائي بدون الانجراف سيكون نموذج أريما 0،1،0 بدون ثابت. أريما 1،1،0 اختلافا عن نموذج الانحدار الذاتي من الدرجة الأولى إذا كانت أخطاء نموذج المشي العشوائي هي أوتوكورلاتد، ربما يمكن إصلاح المشكلة عن طريق إضافة تأخر واحد من المتغير التابع إلى معادلة التنبؤ - أي عن طريق التراجع عن الاختلاف الأول من Y على نفسها متخلفة بفترة واحدة وهذا من شأنه أن يسفر عن معادلة التنبؤ التالية. التي يمكن إعادة ترتيبها إلى. هذا هو نموذج الانحدار الذاتي من الدرجة الأولى مع ترتيب واحد من اختلاف نونسوناسونال ومدة ثابتة - أي نموذج أريما 1،1،0.ARIMA 0،1،1 دون إكس بسيطة بسيطة تمهيدية أخرى يتم اقتراح استراتيجية أخرى لتصحيح الأخطاء ذات الصلة في نموذج المشي العشوائي من قبل نموذج تمهيد الأسي بسيط أذكر أن لبعض السلاسل الزمنية غير المستقرة مثل تلك التي تظهر تقلبات صاخبة حول متوسط ​​متغير ببطء، نموذج المشي العشوائي لا يؤدي كذلك وبعبارة أخرى، وبعبارة أخرى، بدلا من أخذ الملاحظة الأخيرة كتوقعات الملاحظة التالية، فمن الأفضل استخدام متوسط ​​الملاحظات القليلة الماضية من أجل تصفية الضوضاء وتقدير أكثر دقة المتوسط ​​المحلي يستخدم نموذج التمهيد الأسي البسيط المتوسط ​​المتحرك المرجح أضعافا مضاعفة للقيم السابقة لتحقيق هذا التأثير يمكن كتابة معادلة التنبؤ لنموذج تمهيد الأسي البسيط بعدد من الأشكال المكافئة رياضيا واحد منها ما يسمى نموذج تصحيح الأخطاء ، حيث يتم تعديل التنبؤ السابق في اتجاه الخطأ الذي ارتكبته. لأن e t-1 Y t-1 - t-1 حسب التعريف، وهذا يمكن إعادة كتابة as. which هو أريما 0،1،1 - without ثابت معادلة التنبؤ مع 1 1 - وهذا يعني أنه يمكنك تناسب تمهيد الأسي بسيط من خلال تحديده باعتباره أريما 0،1 ، ونموذج واحد بدون ثابت، ويقابل معامل ما 1 المقدر 1-ناقص ألفا في صيغة سيس تذكر أنه في نموذج سيس، متوسط ​​عمر البيانات في التنبؤات بفترة زمنية واحدة هو 1 يعني أنها سوف تميل إلى أن تتخلف عن الاتجاهات أو نقاط التحول بنحو 1 فترات ويترتب على ذلك أن متوسط ​​عمر البيانات في 1-الفترة السابقة التوقعات لنموذج أريما 0،1،1-بدون ثابت هو 1 1 - 1 لذلك، ل على سبيل المثال، إذا كان 1 0 8، متوسط ​​العمر هو 5 كمقاربات 1، يصبح النموذج أريما 0،1،1 بدون ثابت متوسط ​​متحرك طويل المدى جدا، وعندما يقترب من 1 يصبح يصبح المشي العشوائي - without-الانجراف model. What s أفضل طريقة لتصحيح الارتباط الذاتي إضافة مصطلحات أر أو إضافة شروط ما في النموذجين السابقين نوقشت أعلاه، فإن مشكلة أوتوكوريل أخطاء ثابتة في نموذج المشي العشوائي تم إصلاحها بطريقتين مختلفتين عن طريق إضافة قيمة متخلفة من سلسلة مختلفة إلى المعادلة أو إضافة قيمة متخلفة من الخطأ التنبؤ الذي النهج هو أفضل قاعدة الإبهام لهذا الوضع، والتي سوف مناقشتها بمزيد من التفصيل في وقت لاحق، هو أن الارتباط الذاتي الإيجابي عادة ما يعامل بشكل أفضل بإضافة مصطلح أر إلى النموذج وعادة ما يعامل الارتباط الذاتي السلبي بإضافة مصطلح ما في سلسلة الأعمال التجارية والوقت الاقتصادي، غالبا ما ينشأ الترابط الذاتي السلبي على أنه قطعة أثرية من الاختلاف بشكل عام، يقلل الاختلاف من الترابط الإيجابي الإيجابي وربما يتسبب في التحول من الارتباط الإيجابي الموجب إلى السالب لذلك، فإن نموذج أريما 0،1،1، الذي يكون فيه الاختلاف مصحوبا بمصطلح ما، أكثر استخداما من أريما 1، 1.0 نموذج. أريما 0،1،1 مع تمهيد الأسي المستمر المستمر مع النمو من خلال تنفيذ نموذج سيس كنموذج أريما، كنت في الواقع الحصول على بعض المرونة أولا وقبل كل شيء، يقدر ما 1 سو ففيسيانت يسمح أن يكون سلبيا هذا يتوافق مع عامل تمهيد أكبر من 1 في نموذج سيس، والذي عادة ما لا يسمح به سيس نموذج تركيب الإجراء ثانيا، لديك خيار تضمين مصطلح ثابت في نموذج أريما إذا كنت ترغب ، من أجل تقدير متوسط ​​الاتجاه غير الصفر نموذج أريما 0،1،1 مع ثابت لديه معادلة التنبؤ. التوقعات فترة واحدة قبل هذا النموذج هي مماثلة نوعيا لتلك التي من نموذج سيس، إلا أن مسار من التوقعات على المدى الطويل هو عادة خط المنحدر الذي المنحدر يساوي مو بدلا من خط أفقي. أريما 0،2،1 أو 0،2،2 دون ثابت الأسي الخطي التمهيد نماذج التمهيد الأسي الخطي هي نماذج أريما التي تستخدم اثنين الاختلافات غير السنية بالتزامن مع المصطلحات ما الفرق الثاني لسلسلة Y ليس مجرد الفرق بين Y وتخلف نفسها بفترتين، وإنما هو الفرق الأول من الاختلاف الأول --ie التغيير في التغيير من Y في الفترة t وهكذا، فإن الفارق الثاني لل Y في الفترة t يساوي Y t - Y t-1 - Y t-1 - Y t-2 Y t - 2Y t-1 Y t-2 الفرق الثاني في وظيفة منفصلة مماثلة 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 من آخر اثنين من الأخطاء المتوقعة. وهو يمكن إعادة ترتيب as. where 1 و 2 هي ما 1 و ما 2 معاملات هذا هو خطية الأسي نموذج تمهيد أساسا نفس نموذج هولت s، ونموذج براون s هو حالة خاصة و يستخدم المتوسطات المتحركة المرجحة أضعافا مضاعفة لتقدير كل من المستوى المحلي والاتجاه المحلي في سلسلة وتتنبأ التنبؤات على المدى الطويل من هذا النموذج إلى خط مستقيم يعتمد ميله على الاتجاه المتوسط ​​لوحظ نحو نهاية السلسلة. أريما 1،1 ، 2 دون ثابت خطي الاتجاه الاتجاه الأسي تمهيد. هذا النموذج هو إلو في الشرائح المصاحبة على نماذج أريما فإنه يستقلب الاتجاه المحلي في نهاية السلسلة ولكن يسطح بها في آفاق التنبؤ الأطول لتقديم مذكرة من المحافظة، وهي الممارسة التي لديها الدعم التجريبي انظر المقال حول لماذا الاتجاه مانع يعمل من قبل غاردنر و ماكنزي والقاعدة الذهبية المادة من قبل أرمسترونغ وآخرون للحصول على التفاصيل. ومن المستحسن عموما التمسك النماذج التي واحد على الأقل من p و q لا يزيد عن 1، أي لا تحاول أن تناسب نموذج مثل أريما 2 ، 1،2، وهذا من المرجح أن يؤدي إلى الإفراط في العمل والقضايا عامل مشترك التي نوقشت بمزيد من التفصيل في الملاحظات على الهيكل الرياضي من نماذج أريما. نماذج تنفيذ أريما مثل تلك المذكورة أعلاه هي سهلة التنفيذ على جدول البيانات إن معادلة التنبؤ هي مجرد معادلة خطية تشير إلى القيم السابقة للمسلسل الزمني الأصلي والقيم السابقة للأخطاء وهكذا، يمكنك إعداد جدول بيانات التنبؤ أريما من خلال تخزين البيانات في العمود A، t هو صيغة التنبؤ في العمود B وبيانات الأخطاء مطروحا منها التنبؤات في العمود C. إن صيغة التنبؤ في خلية نموذجية في العمود B ستكون مجرد تعبير خطي يشير إلى قيم في الصفوف السابقة من العمودين A و C مضروبة في أر المناسب أو معاملات ما المخزنة في الخلايا في مكان آخر على جدول البيانات. اريما التنبؤ مع إكسيل و R. Hello اليوم انا ذاهب الى المشي لكم من خلال مقدمة لنموذج أريما ومكوناته، فضلا عن شرح موجز لطريقة بوكس ​​جينكينز لكيفية يتم تحديد نماذج أريما وأخيرا، قمت بإنشاء تنفيذ إكسيل باستخدام R، والتي سوف تظهر لك كيفية إعداد واستخدام. Autoregressive المتوسط ​​المتحرك نماذج أرما. يستخدم نموذج المتوسط ​​المتحرك الانحدار التلقائي للنمذجة والتنبؤ العمليات التسلسلية ستوكاستيك ثابتة هو مزيج من اثنين من التقنيات الإحصائية التي تم تطويرها سابقا، أر الانحدار الانحداري والمتوسط ​​المتحرك نماذج ما ووصفها في الأصل بيتر ويتل في عام 1951 جورج إب صندوق و غويليم جينكينز شعبية النموذج في عام 1971 من خلال تحديد خطوات منفصلة لنموذج تحديد والتقدير والتحقق وسيتم وصف هذه العملية في وقت لاحق كمرجع. سنبدأ من خلال تقديم نموذج أرما من قبل مكوناتها المختلفة، أر، و ما النماذج و ثم تقديم تعميم شعبية من نموذج أرما، أريما الانحدار الانحداري المتكامل المتحرك المتوسط ​​والتنبؤ ومواصفات نموذج الخطوات وأخيرا، سوف أشرح تنفيذ إكسيل أنا خلقت وكيفية استخدامه لجعل توقعات سلسلة الوقت الخاص بك. النماذج أوتورغريسيف. نموذج الانحدار الذاتي هو تستخدم لوصف العمليات العشوائية والعمليات المتغيرة بمرور الوقت وتحدد متغير الإخراج يعتمد خطيا على قيمه السابقة. وصف النموذج بأنه. xt c مجموع فارفي، شت-i varepsilont. Where varphi1، لدوتس، فارفي فارفي هي معلمات نموذج، C ثابت، و فاريبسيلونت هو مصطلح الضوضاء البيضاء. بأساس، ما يصفه النموذج هو لأي قيمة معينة X ر يمكن تفسيرها ب y من قيمته السابقة بالنسبة إلى نموذج ذي معلمة واحدة، يفسر فارفي 1 X t بقيمته السابقة X t-1 والخطأ العشوائي فاريبسيلونت بالنسبة إلى نموذج يحتوي على أكثر من معلمة، على سبيل المثال، يتم إعطاء فارفي 2 X t بواسطة X t-1 X t-2 والخطأ العشوائي varepsilont. Moving متوسط ​​Model. The متوسط ​​متحرك نموذج ما يستخدم في كثير من الأحيان لنمذجة سلسلة زمنية أحادية المتغير ويعرف باسم. Xt مو فاريبسيلونت theta1، فاريبسيلون لدوتس ثيتاق، فاريبسيلون. مو هو متوسط ​​السلاسل الزمنية. ثيتا، لدوتس، ثيتاق هي معلمات النموذج. فاريبسيلون، فاريبسيلون، لدوتس هي عبارة عن خطأ في الضوضاء البيضاء. ق هو ترتيب المتوسط ​​المتحرك. نموذج المتوسط ​​المتحرك هو الانحدار الخطي للقيمة الحالية للسلسلة بالمقارنة مع مصطلحات فاريبسيلونت في الفترة السابقة، t فاريبسيلون على سبيل المثال ، ويوضح نموذج ما من ف 1 س ر من قبل فاريبسيلونت خطأ الحالي في نفس الفترة وقيمة الخطأ الماضي، فاريبسيلون لنموذج من النظام 2 س 2، و X ر هو موضح من قبل قيم الخطأ اثنين الماضية، فاريبسيلون و فاريبسيلون وتستخدم مصطلحات أر p و ما q في نموذج أرما، الذي سيتم عرضه الآن. معدل الانتحار المتحرك. نموذج الانتحال المتحرك المتوسطي يستخدمان متعددو الحدود، أر p و ما q ويصف عملية عشوائية ثابتة لا توجد عملية ثابتة تغيير عند التحول في الزمان والمكان، وبالتالي فإن عملية ثابتة لديها متوسط ​​ثابت والتباين وغالبا ما يشار إلى نموذج أرما من حيث الحدودية، أرما p، q يتم كتابة تدوين النموذج. x c فاريبسيلونت سوم فارفي 1 X سوم ثيتاي varepsilon. electing وتقدير والتحقق من النموذج هو موضح من قبل طريقة بوكس-جينكينز. Box - جينكينز طريقة لتحديد نموذج. الأدناه هو أكثر من الخطوط العريضة لطريقة بوكس ​​جينكينز، كما العملية الفعلية لإيجاد هذه القيم يمكن أن تكون ساحقة جدا دون حزمة إحصائية ورقة إكسل المدرجة في هذه الصفحة تحدد تلقائيا أفضل نموذج المناسب. الخطوة الأولى من طريقة بوكس ​​جينكينز هو تحديد نموذج وتشمل الخطوة تحديد الموسمية، والاختلاف إذا لزم الأمر وتحديد النظام من p و q عن طريق رسم الارتباط الذاتي ووظائف الارتباط الذاتي الجزئي. بعد تحديد النموذج، فإن الخطوة التالية هي تقدير المعلمات يستخدم تقدير المعلمة الحزم الإحصائية وخوارزميات الحساب للعثور على أفضل المعلمات المناسبة. بمجرد اختيار المعلمات، فإن الخطوة الأخيرة يتم التحقق من نموذج يتم فحص نموذج عن طريق اختبار لمعرفة ما إذا كان النموذج يتوافق مع سلسلة ثابتة أحادية المتغير ثابتة على يجب أن تؤكد أيضا أن البقايا مستقلة عن بعضها البعض ويظهر المتوسط ​​المستمر والتباين مع مرور الوقت، والذي يمكن القيام به عن طريق إجراء اختبار لجونغ بوكس ​​أو مرة أخرى بالتآمر الارتباط الذاتي والعلاقة الذاتية الجزئية للمتبقي. ملاحظة الخطوة الأولى تشمل التحقق من ل موسمية إذا كانت البيانات التي تعمل مع يحتوي على الاتجاهات الموسمية، والفرق من أجل جعل البيانات ثابتة هذه الخطوة الاختلاف يعمم نموذج أرما في نموذج أريما، أو الانحدار الانحداري المتكامل المتوسط ​​المتحرك، حيث المتكاملة يتوافق مع خطوة الاختلاف. التي تتحرك المتكاملة المتكاملة متوسط ​​النماذج. نموذج أريما لديه ثلاثة معلمات، p، d، q من أجل تحديد نموذج أرما لتشمل مصطلح الاختلاف، نبدأ بإعادة ترتيب نموذج أرما القياسي لفصل X تيكس اللثي و اللاتكس فاريبسيلونت من الجمع. 1 - مجموع ألفاي L ط شت 1 سوم ثيتاي L i varepsilont. Where L هو عامل تأخر و ألفاي ثيتاي فاريبسيلونت هي الانحدار الذاتي والمتوسط ​​المتحرك المعلمات، وشروط الخطأ، على التوالي. نحن الآن جعل افتراض أول متعدد الحدود من وظيفة، 1 - مجموع ألفاي L ط لديه جذر وحدوي للتعدد د يمكننا بعد ذلك إعادة كتابته إلى النموذج التالي. أريما يعبر عن عامل متعدد الحدود مع ب - د ويعطينا 1 - مجموع في L ط 1 - L د شت 1 مجموع ثيتاي L i varepsilont. Lastly، ونحن تعميم نموذج إضافي بإضافة مصطلح الانجراف، والذي يعرف نموذج أريما كما أريما p، د، ف مع الانجراف فراك. 1 - مجموع في L ط 1 - L د شت دلتا 1 سوم ثيتاي L i varepsilont. With نموذج يعرف الآن، يمكننا عرض نموذج أريما كما اثنين من أجزاء منفصلة، ​​واحدة غير ثابتة وغيرها من التوزيعات الثابتة الإحساس المشترك واسعة لا يتغير عندما تحول في الزمان أو الفضاء نموذج غير ثابت. 1 - مجموع في L أنا يت 1 سوم ثيتاي L i varepsilont. Forecasts يمكن الآن أن يتم على يت باستخدام طريقة التنبؤ الانحدار الذاتي المعمم. بعد أن ناقشنا أرما ونماذج أريما، ننتقل الآن إلى كيف يمكننا استخدامها في العملية تطبيقات لتوفير التنبؤ لقد بنيت تنفيذ مع إكسيل باستخدام R لجعل توقعات أريما فضلا عن خيار لتشغيل محاكاة مونت كارلو على نموذج لتحديد احتمال التنبؤات. إكسيل التنفيذ وكيفية استخدامها. قبل استخدام ورقة، يجب تحميل R و ريكسيل من موقع ستاتكون إذا كان لديك بالفعل R تثبيت، يمكنك فقط تحميل ريكسيل إذا كنت لا ر لديك R تثبيت، يمكنك تحميل راندفريندس الذي يحتوي على أحدث نسخة من R و ريكسيل يرجى ملاحظة، ريكسيل يعمل فقط على 32bit إكسيل للحصول على ترخيص غير تجاري إذا كان لديك 64 بت إكسيل مثبتا، سيكون لديك للحصول على ترخيص تجاري من Statconn. It من المستحسن تحميل أصدقاء الصداقة لأنه يجعل لأسرع وأسهل إنستال لاتيون ولكن إذا كان لديك بالفعل R وترغب في تثبيته يدويا، اتبع الخطوات التالية. تثبيت يدويا RExcel. To تثبيت ريكسيل والحزم الأخرى لجعل R العمل في إكسيل، أول فتح R كمسؤول عن طريق النقر بزر الماوس الأيمن على في وحدة التحكم R، قم بتثبيت ريكسيل عن طريق كتابة العبارات التالية. أوامر أعلاه سوف تثبيت ريكسيل على جهازك. الخطوة التالية هي لتثبيت ركوم، وهو حزمة أخرى من ستاتكون لحزمة ريكسيل لتثبيت هذا، اكتب ما يلي الأوامر، والتي سوف أيضا تثبيت تلقائيا رسكبروكسي اعتبارا من R الإصدار 2 8 0.With هذه الحزم المثبتة، يمكنك الانتقال إلى وضع الاتصال بين R و Excel. Although ليس من الضروري تثبيت، حزمة مفيد لتحميل هو رسمدر، وضعت بواسطة جون فوكس رسمر يخلق القوائم R التي يمكن أن تصبح القوائم في إكسيل تأتي هذه الميزة بشكل افتراضي مع تثبيت الصداقات ويجعل العديد من الأوامر R المتوفرة في إكسيل. اكتب الأوامر التالية إلى R لتثبيت رسد r. We يمكن إنشاء الارتباط إلى R و Excel. Note في الإصدارات الأخيرة من ريكسيل يرصد هذا الاتصال مع بسيطة انقر نقرا مزدوجا فوق الملف المقدم ActivateRExcel2010، لذلك يجب أن تحتاج فقط إلى اتباع هذه الخطوات إذا قمت بتثبيت يدويا R و ريكسيل أو إذا كان لسبب ما لم يتم إجراء اتصال أثناء تثبيت الأصدقاء. إنشاء اتصال بين R و Excel. Open كتاب جديد في إكسيل وانتقل إلى خيارات خيارات screen. Click خيارات ثم الوظائف الإضافية يجب أن تشاهد قائمة من جميع في الوظائف الإضافية النشطة وغير النشطة لديك حاليا انقر فوق الزر غو في الجزء السفلي. في مربع الحوار الوظائف الإضافية، سترى كل الوظائف الإضافية التي قمت بها انقر على تصفح. نقل إلى مجلد ريكسيل، وتقع عادة في C بروغرام فليزركسيلسلس أو شيء مماثل العثور على الوظيفة الإضافية وانقر فوقه. الخطوة التالية هي إنشاء مرجع من أجل وحدات الماكرو التي تستخدم R للعمل بشكل صحيح في المستند إكسيل الخاص بك، أدخل ألت F11 سيؤدي هذا إلى فتح إكسيل s فبا محرر الذهاب إلى أدوات - المراجع، والعثور على ريكسيل يجب أن يكون ريكسلفبليب ريكسيل الآن جاهزة للاستخدام. باستخدام ورقة إكسل. الآن أن R و ريكسيل تكوينها بشكل صحيح، انها ق وقت للقيام ببعض التنبؤ. فتح ورقة التنبؤ وانقر فوق تحميل خادم هذا هو لبدء خادم ركوم وأيضا تحميل الوظائف اللازمة للقيام بالتنبؤ سيتم فتح مربع حوار حدد ملف إيتال R المضمنة مع ورقة يحتوي هذا الملف على وظائف أداة التنبؤات معظم الوظائف التي تم تطويرها من قبل أستاذ ستوفر في جامعة بيتسبرغ أنها توسيع قدرات من R وتعطينا بعض الرسوم البيانية التشخيصية مفيدة جنبا إلى جنب مع الإخراج التنبؤ لدينا وهناك أيضا وظيفة لتحديد تلقائيا أفضل المعلمات المناسب من نموذج أريما. بعد تحميل الخادم، أدخل البيانات الخاصة بك في عمود البيانات حدد نطاق البيانات، انقر بزر الماوس الأيمن وحدد اسم نطاق اسم النطاق ك Data. Next تعيين تردد البيانات في الخلية C6 يشير التردد إلى الفترات الزمنية للبيانات الخاصة بك إذا كان الأسبوع لي، فإن التردد سيكون 7 شهري سيكون 12 بينما ربع سنوي سيكون 4، وهلم جرا. تحديد الفترات المقبلة للتنبؤ علما بأن نماذج أريما تصبح غير دقيقة تماما بعد عدة تنبؤات تردد متتالية قاعدة جيدة من الإبهام لا تتجاوز 30 خطوة مثل أي شيء الماضي التي يمكن أن تكون غير موثوق بها إلى حد ما هذا يعتمد على حجم مجموعة البيانات الخاصة بك كذلك إذا كان لديك بيانات محدودة المتاحة، فمن المستحسن أن تختار خطوات أصغر إلى الأمام number. After إدخال البيانات الخاصة بك، تسمية ذلك، وتحديد المطلوب التردد والخطوات المقبلة للتنبؤ، انقر فوق تشغيل قد يستغرق بعض الوقت للتنبؤ إلى process. Once انها الانتهاء، سوف تحصل على القيم المتوقعة إلى الرقم الذي حددته، والخطأ القياسي للنتائج، واثنين من الرسوم البيانية اليسار هو والقيم المتوقعة المتوقعة مع البيانات، في حين أن الحق يحتوي على التشخيص مفيد يضم بقايا موحدة، والترابط الذاتي من المخلفات، مؤامرة ز من بقايا والإحصاءات لجونغ بوكس ​​الرسم البياني لتحديد ط f نموذج جيد تركيبها. لقد فاز الحصول على الكثير من التفاصيل حول كيف يمكنك البحث عن نموذج مجهز بشكل جيد، ولكن على الرسم البياني أسف كنت لا تريد أي أو الكثير من المسامير تأخر عبور فوق الخط الأزرق المنقطة على غ أكثر من الدوائر التي تمر من خلال خط، وأكثر تطبيع وأفضل تركيب النموذج هو لمجموعة البيانات أكبر هذا قد يعبر الكثير من الدوائر وأخيرا، فإن اختبار لجونغ بوكس ​​هو مقال في حد ذاته ومع ذلك، والمزيد من الدوائر التي هي فوق الخط الأزرق المنقطة، وأفضل نموذج هو. إذا كانت نتيجة التشخيص لا تبدو جيدة، قد حاولت إضافة المزيد من البيانات أو البدء في نقطة مختلفة أقرب إلى النطاق الذي تريد التنبؤ. يمكنك بسهولة مسح النتائج التي تم إنشاؤها بواسطة بالنقر على أزرار القيم الواضحة المتوقعة. وهذا الأمر في الوقت الحالي، فإن عمود التاريخ لا يفعل أي شيء آخر غير المرجع الخاص بك، ولكنه ليس ضروريا للأداة إذا وجدت الوقت، سأعود وأضيف أنه حتى الرسم البياني المعروض يظهر الوقت الصحيح قد تتلقى أيضا خطأ عندما r توقظ توقعات هذا عادة ما يرجع إلى وظيفة أن يجد أفضل المعلمات غير قادر على تحديد النظام الصحيح يمكنك اتباع الخطوات المذكورة أعلاه لمحاولة وترتيب البيانات الخاصة بك بشكل أفضل لوظيفة للعمل. أتمنى أن تحصل على استخدام للخروج من أداة انها حفظت لي الكثير من الوقت في العمل، والآن كل ما علي القيام به هو إدخال البيانات، تحميل الملقم وتشغيله وآمل أيضا هذا يظهر لك كيف R رهيبة يمكن أن يكون، وخصوصا عندما تستخدم مع الأمامية مثل Excel. Code، ورقة عمل إكسيل والملف هي أيضا على جيثب هنا.