الانتقال من المتوسط - عملية السلاسل الزمنية

مقدمة إلى نماذج أريما نونزاسونال. أريما p، d، q معادلة التنبؤ نماذج أريما هي، من الناحية النظرية، الفئة الأكثر عمومية من النماذج للتنبؤ السلاسل الزمنية التي يمكن جعلها لتكون ثابتة عن طريق الاختلاف إذا لزم الأمر، وربما بالتزامن مع التحولات غير الخطية مثل التسجيل 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، وتغيراتها حول المتوسط ​​لها اتساع مستمر، ويتصارع بطريقة متسقة أي أن أنماطها الزمنية العشوائية قصيرة الأمد تبدو دائما بنفس المعنى الإحصائي. ويعني الشرط الأخير أن ارتباطات الترابط الذاتي مع انحرافاتها السابقة عن المتوسط ​​تظل ثابتة بمرور الوقت أو ما يعادلها أن طيف القدرة لا يزال ثابتا بمرور الوقت عشوائي متغير من هذا النموذج يمكن أن ينظر إليه كالمعتاد على أنه مزيج من الإشارة والضوضاء، والإشارة إذا كان أحد هو واضح يمكن أن يكون بات (إرن) من الانعكاس السريع أو البطيء أو التذبذب الجيبى أو التبدع السريع فى الإشارة، كما يمكن أن يكون له مكون موسمي يمكن اعتبار نموذج أريما كمرشح يحاول فصل الإشارة عن الضوضاء، استقراءها في المستقبل للحصول على التنبؤات. ومعادلة التنبؤ أريما لسلسلة زمنية ثابتة هي المعادلة الخطية أي الانحدار من نوع التي تتكون من التنبؤات المتخلفة من المتغير التابع أو التأخر في أخطاء التنبؤ هذه هي قيمة. بريدكتد من Y قيمة ثابتة أو مرجحة لقيمة واحدة أو أكثر من القيم الأخيرة لل Y أو أو مجموع مرجح لقيمة أو أكثر من القيم الأخيرة للأخطاء. إذا كانت المتنبئات تتكون فقط من قيم متخلفة من Y فهي نموذج انحدار تلقائي نقي ذاتي التراجع، والتي هي مجرد حالة خاصة من نموذج الانحدار والتي يمكن تركيبها مع البرمجيات الانحدار القياسية على سبيل المثال، نموذج أول الانحدار الذاتي أر 1 ل Y هو نموذج الانحدار بسيط الذي المتغير المستقل ط s فقط Y تخلفت بفترة واحدة لاغ Y، 1 في ستاتغرافيكس أو YLAG1 في ريجرسيت إذا كان بعض من التنبؤات هي تأخر الأخطاء، نموذج أريما أنها ليست نموذج الانحدار الخطي، لأنه لا توجد طريقة لتحديد الخطأ الماضي الفترة s كمتغير مستقل يجب أن تحسب الأخطاء على أساس فترة إلى فترة عندما يكون النموذج مثبتا على البيانات من وجهة النظر التقنية، فإن مشكلة استخدام الأخطاء المتأخرة كمنبئات هي أن تنبؤات النموذج ليست وظائف خطية من معاملات على الرغم من أنها وظائف خطية من البيانات الماضية لذلك، يجب أن تقدر معاملات في نماذج أريما التي تشمل أخطاء متخلفة من قبل أساليب الأمثل غير الخطية هيل تسلق بدلا من مجرد حل نظام من المعادلات. الاسم المختصر أريما لتقف على السيارات الانحدارية المتكاملة المتوسط ​​المتحرك يتطابق التأخر في السلسلة المستقرة في معادلة التنبؤ بعبارات الانحدار الذاتي، وتسمى فترات التأخير في أخطاء التنبؤ بالمتوسط ​​المتحرك، وسلسلة زمنية تحتاج إلى أن تكون مختلفة لتكون ثابتة ويقال أن تكون نسخة متكاملة من سلسلة ثابتة المشي العشوائي ونماذج الاتجاه العشوائي، ونماذج الانحدار الذاتي، ونماذج التمهيد الأسي كلها حالات خاصة من نماذج أريما. ويصنف نموذج أريما نوناسونال كما أريما p، d، q، حيث p. هو عدد مصطلحات الانحدار الذاتي d. هو عدد الاختلافات غير الموسمية اللازمة ل ستاتيوناريتي، و. q هو عدد أخطاء التنبؤات المتخلفة في معادلة التنبؤ. يتم إنشاء معادلة التنبؤ على النحو التالي أولا، اسمحوا y تدل على الفرق د من Y مما يعني. ملاحظة أن الفرق الثاني من Y د 2 الحالة ليست الفرق من 2 منذ فترات بدلا من ذلك، هو الفرق الأول من أول الفرق الذي هو على التناظرية المنفصلة للمشتقة الثانية، أي تسارع المحلي للسلسلة بدلا من اتجاهها المحلي. من حيث y معادلة التنبؤ العامة هي. هنا يتم تعريف المعلمات المتوسط ​​المتحرك s بحيث تكون علاماتها سلبية في مكافئ ، بعد الاتفاقية التي قدمها بوكس ​​وجينكينز بعض الكتاب والبرمجيات بما في ذلك لغة البرمجة R تعريفها بحيث لديهم علامات زائد بدلا من ذلك عندما يتم توصيل الأرقام الفعلية في المعادلة، لا يوجد أي غموض، ولكن من المهم أن نعرف أي اتفاقية 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، إلخ. لتحديد نموذج أريما المناسب ل Y تبدأ بتحديد ترتيب الفرق د الحاجة لاستئناف سلسلة وإزالة الميزات الإجمالية للموسمية، وربما بالتزامن مع التحول الاستقرار التباين مثل قطع الأشجار أو انكماش إذا كنت تتوقف عند هذه النقطة والتنبؤ بأن سلسلة ديفيرنتد ثابت، لديك مجرد تركيب المشي العشوائي أو عشوائية نموذج الاتجاه ومع ذلك، فإن سلسلة ثابتة قد لا تزال لديها أخطاء أوتوكوريلاتد، مما يشير إلى أن بعض عدد من المصطلحات أر p 1 و أو بعض عدد الشروط ما q 1 وهناك حاجة أيضا في معادلة التنبؤ. وتناقش عملية تحديد قيم p و d و q التي هي أفضل لسلسلة زمنية معينة في أقسام لاحقة من الملاحظات التي تكون وصلاتها في أعلى هذه الصفحة، ولكن معاينة لبعض من أنواع نماذج أريما غير الموسمية التي تتم مواجهتها بشكل عام أدناه. أريما 1،0،0 نموذج الانحدار الذاتي من الدرجة الأولى إذا كانت السلسلة ثابتة و أوتوكوريلاتد، وربما يمكن التنبؤ بها كمضاعفة لقيمتها السابقة، بالإضافة إلى ثابت معادلة التنبؤ في هذه الحالة هي. وهذا هو Y تراجع على نفسها تخلفت بفترة واحدة هذا هو أريما 1،0،0 نموذج ثابت إذا كان متوسط ​​Y هو الصفر، ثم لن يتم تضمين المصطلح الثابت. إذا كان المنحدر يكون المعامل 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 ينبغي التنبؤ فيه بقيمة الفترة التالية لتكون 1 مرة بعيدا عن المتوسط قيمة هذه الفترة إذا كان 1 سالبا، فإنه يتنبأ بسلوك متوسط ​​التراجع بتناوب علامات، أي أنه يتنبأ أيضا بأن Y سيكون أقل من متوسط ​​الفترة التالية إذا كان أعلى من متوسط ​​هذه الفترة. في نموذج الترتيب الذاتي الثاني أريما 2،0،0، سيكون هناك Y t-2 على اليمين كذلك، وهلم جرا اعتمادا على علامات ومقدار المعاملات، يمكن أن يصف نموذج 2،0،0 أريما نظاما له انعكاس متوسط ​​يحدث بطريقة تتأرجح الجيبية، مثل الحركة من كتلة في الربيع الذي يتعرض للصدمات العشوائية. أريما 0،1،0 المشي العشوائي إذا كانت السلسلة Y ليست ثابتة، أبسط نموذج ممكن لأنه هو نموذج المشي العشوائي، والتي يمكن اعتبارها حالة الحد من وهو نموذج أر 1 يكون فيه معامل الانحدار الذاتي مساويا ل 1، أي سلسلة مع انعكاس متوسط ​​بطيء بلا حدود. يمكن كتابة معادلة التنبؤ لهذا النموذج كما. حيث أن المصطلح الثابت هو متوسط ​​التغير من فترة إلى أخرى، أي المدى الطويل الانجراف في Y هذا النموذج يمكن تركيبها باعتبارها عدم اعتراض إعادة نموذج غريسيون الذي 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 نموذج ثابت. أريما 1،1،0 اختلافا عن نموذج الانحدار الذاتي من الدرجة الأولى إذا كانت أخطاء نموذج المشي العشوائي مترابطة تلقائيا، ربما يمكن إصلاح المشكلة بإضافة فاصل واحد للمتغير التابع إلى التنبؤ بمعادلة التنبؤ - أي عن طريق التراجع عن الاختلاف الأول لل Y على نفسه متأخرا بفترة واحدة وهذا من شأنه أن يسفر عن المعادلة التالية للتنبؤ. التي يمكن إعادة ترتيبها. هذا نموذج أولي للانحدار الذاتي مع ترتيب واحد من اختلاف غير منطقي ومدة ثابتة --ie أريما 1،1،0 model. ARIMA 0،1،1 بدون تمهيد أسي بسيط ثابت إستراتيجية أخرى لتصحيح الأخطاء أوتوكوريلاتد في نموذج المشي العشوائي يقترحها 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 فضلا عن المتوسط ​​المتحرك للقيم الماضية وبعبارة أخرى، بدلا من أخذ أحدث الملاحظة كما 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 مضاعفة للقيم السابقة لتحقيق هذا التأثير. ومعادلة التنبؤ يمكن كتابة نموذج التمهيد الأسي البسيط بعدد من الأشكال المكافئة رياضيا واحد منها هو ما يسمى شكل تصحيح الأخطاء الذي يتم فيه تعديل التوقعات السابقة 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 مع معادلة التنبؤ المستمر مع 1 1 - وهذا يعني أنه يمكنك تناسب بسيطة سمو الأسي الشيء من خلال تحديده كنموذج أريما 0،1،1 بدون ثابت، ويقابل معامل ما 1 المقدر 1-ناقص ألفا في صيغة سيس تذكر أنه في نموذج سيس، متوسط ​​عمر البيانات في 1 - فإن توقعات الفترة السابقة هي 1 تعني أنها سوف تميل إلى التخلف عن الاتجاهات أو نقاط التحول بحوالي 1 فترة. ويترتب على ذلك أن متوسط ​​عمر البيانات في توقعات الفترة الزمنية السابقة ل أريما 0،1،1 - النموذج الثابت 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 متوسط ​​متحرك طويل الأجل جدا، و كما 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، فإن مشكلة أخطاء أوتوكوريلاتد في نموذج المشي عشوائي تم إصلاحها بطريقتين مختلفتين بإضافة قيمة متخلفة من سلسلة الاختلاف إلى المعادلة أو إضافة قيمة متخلفة من فوريكا ست إيماج النهج الذي هو أفضل قاعدة إبهام لهذا الوضع، والتي سيتم مناقشتها بمزيد من التفصيل في وقت لاحق، هو أن الارتباط الإيجابي الذاتي عادة ما يعامل بشكل أفضل بإضافة مصطلح أر إلى النموذج وعادة ما يعامل الارتباط الذاتي السلبي بواسطة إضافة مصطلح ما في سلسلة الأعمال 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، أريما 0،1،1 نموذج، في الذي يكون مصحوبا بفروق ما، غالبا ما يستخدم من نموذج أريما 1،1،0.ARIMA 0،1،1 مع تمهيد أسي بسيط ثابت مع النمو من خلال تنفيذ نموذج سيس كنموذج أريما، المرونة أولا وقبل كل شيء، يسمح معامل ما 1 المقدر أن يكون سلبيا هذا يتوافق مع عامل تمهيد أكبر من 1 في نموذج سيس، والتي عادة ما لا يسمح بها الإجراء سيس نموذج تركيب ثانية أوند، لديك خيار تضمين مصطلح ثابت في نموذج أريما إذا كنت ترغب في ذلك، من أجل تقدير متوسط ​​الاتجاه غير الصفر نموذج أريما 0،1،1 مع ثابت لديه معادلة التنبؤ. ذي فترة واحدة قبل فإن التنبؤات الواردة في هذا النموذج مماثلة تماما لنماذج النموذج سيس إلا أن مسار التنبؤات الطويلة الأجل يكون عادة خطا منحدرا يساوي ميله مو بدلا من خط أفقي. أريما 0،2،1 أو 0، 2،2 بدون تجانس أسي خطي ثابت نماذج تمهيد أسي خطي هي نماذج أريما التي تستخدم فروق نونسوناسيونال بالاقتران مع شروط ما الفرق الثاني لسلسلة Y ليس ببساطة الفرق بين Y وذاته متأخرا بفترتين، بل هو الفرق الأول للفرق الأول - أي التغيير في التغير في Y في الفترة t وهكذا، فإن الفرق 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 لوظيفة منفصلة هو أنالوغو s إلى مشتق ثان من وظيفة مستمرة يقيس تسارع أو انحناء في الدالة عند نقطة معينة في الوقت. أريما 0،2،2 نموذج دون ثابت يتوقع أن الفرق الثاني من سلسلة يساوي وظيفة خطية من الماضي اثنين من الأخطاء المتوقعة. وهو يمكن إعادة ترتيب as. where 1 و 2 هي ما 1 و ما 2 معاملات هذا هو خطية الأسية نموذج تمهيد أساسا نفس نموذج هولت s، ونموذج براون هو حالة خاصة ويستخدم أضعافا مضاعفة المتوسطات المتحركة لتقدير كل من المستوى المحلي والاتجاه المحلي في سلسلة تتنبأ التوقعات 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 منحنى الاتجاه الخطي الأسي تمهيد. ويوضح هذا النموذج في الشرائح المصاحبة على نماذج أريما فإنه يستقلب الاتجاه المحلي في نهاية السلسلة ولكن يسطح بها في آفاق توقعات أطول لإدخال من الممارسة المحافظة، وهي ممارسة لها دعم تجريبي انظر المقال حول لماذا الاتجاه المخفف يعمل من قبل غاردنر وماكنزي ومقال المادة الذهبية من قبل أرمسترونج وآخرون للحصول على التفاصيل. ومن المستحسن عموما التمسك النماذج التي واحد على الأقل من ص و q ليس أكبر من 1، أي لا تحاول أن تناسب نموذج مثل أريما 2،1،2، لأن هذا من المرجح أن يؤدي إلى الإفراط في العمل والقضايا عامل مشترك التي نوقشت بمزيد من التفصيل في الملاحظات على الرياضية هيكل نماذج أريما. تنفيذ جداول البيانات نماذج أريما مثل تلك المذكورة أعلاه 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 عن طريق تخزين البيانات في العمود ألف، وصيغة التنبؤ الواردة في العمود باء، وبيانات الأخطاء مطروحا منها التنبؤات الواردة في العمود "ج". وستكون صيغة التنبؤ في خلية نموذجية في العمود B مجرد تعبير خطي n التي تشير إلى القيم في الصفوف السابقة من العمودين A و C مضروبة في معاملات أر أو ما المناسبة المخزنة في خلايا أخرى في جدول البيانات .2 1 نماذج المتوسط ​​المتحرك نماذج ما. قد تتضمن نماذج السلاسل الزمنية المعروفة باسم نماذج أريما مصطلحات الانحدار الذاتي و أو متوسط ​​المصطلحات المتحركة في الأسبوع الأول، تعلمنا أن مصطلح الانحدار الذاتي في نموذج السلاسل الزمنية للمتغير شت هو قيمة متخلفة من شت على سبيل المثال، مصطلح التأخر الانحداري 1 هو x t-1 مضروبا في معامل يعرف هذا الدرس متوسط ​​المصطلحات المتحركة . المتوسط ​​المتحرك المتوسط ​​في نموذج السلاسل الزمنية هو خطأ سابق مضروبا في معامل. L ووت أوفيرزيت N 0، سيغما 2w، بمعنى أن بالوزن متماثل، موزعة بشكل مستقل، مع كل توزيعا عاديا يعني 0 و نفس التباين . 1 من أجل نموذج متوسط ​​التحرك، يرمز إليها ما 1 هو. شت مو وت theta1w. The 2nd ترتيب متوسط ​​المتوسط ​​المتحرك، يرمز إليها ما 2 هو. شت مو وت theta1w theta2w. The q من أجل نموذج المتوسط ​​المتحرك، يرمز إليها ما q هو. شت مو w theta1w theta2w دوتس thetaqw. Note العديد من الكتب المدرسية والبرامج تحدد النموذج مع علامات سلبية قبل شروط هذا لا تغيير الخصائص النظرية العامة للنموذج، على الرغم من أنه لا تقلب علامات جبري من قيم معامل المقدرة وشروط أونكارد في الصيغ ل أكفس والتباينات تحتاج إلى التحقق من البرنامج للتحقق من ما إذا كانت قد استخدمت علامات سلبية أو إيجابية من أجل الكتابة بشكل صحيح النموذج المقدر R يستخدم علامات إيجابية في النموذج الأساسي لها، كما نفعل هنا. الخصائص النظرية لسلسلة زمنية مع نموذج 1 ما. لاحظ أن القيمة غير الصفرية الوحيدة في أسف النظرية هي للتخلف 1 جميع أوتوكوريلاتيونس الأخرى هي 0 وبالتالي عينة أسف مع ارتباط ذاتي كبير فقط في تأخر 1 هو مؤشر لنموذج ما 1 الممكنة. بالنسبة للطلاب المهتمين، البراهين لهذه الخصائص هي تذييل لهذه النشرة. المثال 1 افترض أن نموذج ما 1 هو شت 10 بالوزن 7 ث t-1 حيث وت أوفيرزيت N 0،1 وبالتالي فإن معامل 1 0 7 ث وتعطى أسف النظري by. A مؤامرة من هذا أسف يلي. المؤامرة فقط يظهر هو أسف النظري ل ما 1 مع 1 0 7 في الممارسة العملية، فاز عينة تي عادة ما توفر مثل هذا النمط واضح باستخدام R، ونحن محاكاة ن 100 عينة القيم باستخدام نموذج شت 10 ط 7 w t-1 حيث w t. iid N 0،1 لهذه المحاكاة، مؤامرة سلسلة زمنية من البيانات عينة يتبع يمكننا أن نقول الكثير من هذه المؤامرة. أكف عينة لمحاكاة البيانات التالية نرى ارتفاع في التأخر 1 تليها عموما القيم غير الهامة للتخلف الماضي 1 لاحظ أن العينة أسف لا يطابق النمط النظري لل ما 1 الأساسي، وهو أن جميع أوتوكوريلاتيونس للتخلف الماضي 1 سيكون 0 A عينة مختلفة سيكون لها عينة مختلفة قليلا أسف هو مبين أدناه، ولكن من المرجح أن يكون لها نفس السمات العريضة. خصائص تيروريتيكال من سلسلة زمنية مع ما 2 نموذج. للحصول على نموذج ما 2، الخصائص النظرية هي التالية. لاحظ أن الوحيد نونزيرو القيم في أسف النظرية هي للتخلف 1 و 2 أوتوكورات أيونات لتخلفات أعلى هي 0 لذا فإن عينة أسف ذات أوتوكوريلاتيونس كبيرة عند الفارقين 1 و 2، ولكن أوتوكوريلاتيونس غير هامة لفترات أعلى يشير إلى احتمال ما 2 model. iid N 0،1 المعاملات هي 1 0 5 و 2 0 3 لأن هذا هو ما 2، فإن أسف النظرية لها قيم غير صفرية فقط في التأخر 1 و 2.Values ​​من أوتوكوريلاتيونس نونزيرو are. A مؤامرة من أسف النظرية يتبع. كما هو الحال دائما تقريبا، وفاز البيانات عينة تي تتصرف تماما لذلك تماما كما نظرية نحن محاكاة ن 150 عينة القيم للنموذج شت 10 بالوزن 5 ث t-1 3 ث t-2 حيث w t. id n 0،1 سلسلة الوقت سلسلة من البيانات يتبع كما هو الحال مع مؤامرة سلسلة زمنية ل يمكن أن تروي الكثير من ذلك. نموذج أسف للبيانات المحاكاة يتبع النمط هو نموذجي للحالات التي قد يكون نموذج ما 2 مفيدة هناك اثنين من طفرات إحصائية كبيرة في التأخر 1 و 2 تليها غير - قيم هامة للتخلفات الأخرى لاحظ أنه نظرا لخطأ المعاينة، لم تتطابق العينة أسف والنموذج النظري تماما. أسف للماجستير العامة q نماذج. خاصية نماذج ما q بشكل عام هو أن هناك أوتوكوريلاتيونس غير الصفرية للفواصل q الأولى و أوتوكوريلاتيونس 0 لجميع الفواصل q. Non تفرد الاتصال بين قيم 1 و rho1 في ما 1 نموذج. في نموذج ما 1، لأي قيمة 1 1 المتبادلة يعطي نفس القيمة ل. على سبيل المثال، استخدم 0 5 ل 1 ثم استخدم 1 0 5 2 ل 1 أنت ليرة لبنانية الحصول على rho1 0 4 في كلتا الحالتين. لإرضاء تقييد نظري يسمى العكوس نقيد نماذج ما 1 لها قيم ذات قيمة مطلقة أقل من 1 في المثال الذي أعطيت للتو، 1 0 5 ستكون قيمة المعلمة المسموح بها، في حين أن 1 1 0 5 2 لن. ويقال إن قابلية نماذج ما. قلب ما أن تكون قابلة للانعكاس إذا كان معادلا جبريا لتلاقي ترتيب لانهائي نموذج أر من خلال التقارب، فإننا نعني أن معاملات أر تنخفض إلى 0 ونحن نعود مرة أخرى في time. Invertibility هو تقييد مبرمجة في برامج سلسلة زمنية تستخدم لتقدير معامل إيسينتس من النماذج مع شروط ما انها ليست شيئا أننا تحقق في في تحليل البيانات وترد معلومات إضافية حول تقييد قابلية للماجستير 1 نماذج في الملحق. نظرية متقدمة ملاحظة لنموذج ما q مع أسف المحدد، هناك فقط نموذج واحد قابل للانعكاس الشرط اللازم للانعكاس هو أن المعاملات لها قيم مثل أن المعادلة 1- 1 y - - كيق 0 لديها حلول ل y تقع خارج دائرة الوحدة. رمز للأمثلة. في المثال 1، النظري أسف للنموذج شت 10 وت 7w t-1 ومن ثم محاكاة n 150 قيم من هذا النموذج ورسم التسلسل الزمني للعينة وعينة أسف للبيانات المحاكية كانت الأوامر R المستخدمة في رسم أسف النظرية. اكفما 1 أرماكف ما c 0 7، 10 تأخر من أسف ل ما 1 مع theta1 0 7 تأخر 0 10 يخلق متغير يدعى التأخر الذي يتراوح من 0 إلى 10 تأخر مؤامرة، acfma1، زليم ج 1،10، يلب r، نوع h، أسف الرئيسي ل ما 1 مع theta1 0 7 أبلين h 0 يضيف محور أفقي إلى المؤامرة يحدد الأمر الأول e أسف ويخزنه في كائن اسمه acfma1 اختيارنا ل name. The مؤامرة قيادة المؤامرات الأمر 3 يتخلف مقابل القيم أسف للتخلف 1-10 معلمة يلب تسميات المحور ص والمعلمة الرئيسية يضع عنوان على المؤامرة. للاطلاع على القيم العددية لل أسف ببساطة استخدام acfma1.The محاكاة و المؤامرات تمت مع الأوامر التالية. قائمة ما c 0 7 يحاكي n 150 القيم من ما 1 x شك 10 يضيف 10 لجعل يعني 10 المحاكاة الافتراضية يعني 0 مؤامرة x، نوع b، الرئيسية محاكاة ما 1 البيانات أسف x، زليم c 1،10، أسف الرئيسية لمحاكاة بيانات العينة. في المثال 2، قمنا بتآمر أسف النظري للنموذج شت 10 بالوزن 5 ث t-1 3 ث t-2 ومن ثم محاكاة n 150 قيم من هذا النموذج وتآمر سلسلة الوقت العينة وعينة أسف للمحاكاة البيانات R الأوامر المستخدمة كانت. أسفما 2 أرماكف ما c 0 5،0 3، acfma2 متخلفة 0 10 تأخر مؤامرة، acfma2، زليم c 1،10، يلب r، نوع h، أسف الرئيسية لما 2 مع ثيتا 0 5، ثيتا 0 3 أبلين h 0 قائمة أماه c 0 5، 0 3 x شك 10 مؤامرة x، نوع b، الرئيسية محاكاة ما 2 سلسلة أسف x، زليم c 1،10، أسف الرئيسي لمحاكاة ما 2 data. Appendix برهان خصائص ما 1 . للطلاب المهتمين، وهنا هي البراهين للخصائص النظرية للنموذج ما 1.Variance شت النص النص مو بالوزن wta1 w 0 النص النص wt1twww سيغما 2w ثيتا 21 سيغما 2W 1 ثيتا 21 سيغما 2W. When h 1، والتعبير السابق 1 w 2 لأي h 2 ، والتعبير السابق 0 والسبب هو أنه، من خلال تعريف الاستقلال للوزن E وكوج 0 لأي كي جي وعلاوة على ذلك، لأن وزنها يعني 0، E ويوج E وي 2 w 2.For سلسلة زمنية. تطبيق هذه النتيجة للحصول على و أسف المذكورة أعلاه. نموذج ما لا يمكن عكسها هو واحد التي يمكن أن تكون مكتوبة كأنها أمر لا نهائية نموذج أر التي تتقارب بحيث أن المعاملات أر تتلاقى إلى 0 ونحن نتحرك بلا حدود مرة أخرى في الوقت المناسب وسوف نبرهن على التقلب لنموذج ما 1.We ثم العلاقة 2 ل w t-1 في المعادلة 1. 3 زت وت ثيتا z - theta1w وت theta1z - ثيتا 2w. At الوقت t-2 المعادلة 2 يصبح. نحن ثم استبدال العلاقة 4 ل w t-2 في المعادلة 3. زت وزن theta1 z - ثيتا 21w وت theta1z - ثيتا 21 ض - theta1w وت theta1z - theta1 2z ثيتا 31w. If كنا على مواصلة بلا حدود، فإننا سوف تحصل على نموذج لانهائية أر نموذج. زت وت theta1 z - ثيتا 21z ثيتا 31z - ثيتا 41z دوتس. ملاحظة ومع ذلك، أنه إذا 1 1، فإن المعاملات ضرب ضرب من z سوف تزيد بلا حدود في الحجم ونحن نعود إلى الوراء في الوقت المناسب لمنع هذا، نحن بحاجة 1 1 هذا هو الشرط لنموذج ما 1 قابل للانعكاس. إنفينيت النظام ما نموذج. في الأسبوع 3، سنرى أن نموذج أر 1 يمكن تحويلها إلى لانهائية النظام ما نموذج. شت - مو وت phi1w فاي 21w النقاط في k1 w النقاط سوم في j1w. This مجموع مصطلحات الضوضاء البيضاء الماضية يعرف باسم التمثيل السببي لل أر 1 وبعبارة أخرى، شت هو نوع خاص من ما مع عدد لا حصر له من المصطلحات العودة إلى الوراء وهذا ما يسمى أمر لانهائي ما أو ما أمر محدود ما هو أمر لانهائي أر وأي أمر محدود أر هو أمر لانهائي MA. Recall في الأسبوع 1، لاحظنا أن شرط ل أر ثابتة 1 هو أن 1 1 اسمحوا s حساب فار شت باستخدام التمثيل السببي. هذه الخطوة الأخيرة يستخدم حقيقة أساسية حول سلسلة هندسية تتطلب phi1 1 خلاف ذلك سلسلة ديفيرجيس. متوسط ​​التشكيل. هذا المثال يعلمك كيفية حساب المتوسط ​​المتحرك لسلسلة زمنية في إكسيل يتم استخدام متوسط ​​متحرك للتخلص من مخالفات الذروات والوديان للتعرف بسهولة على التوجهات .1 أولا، دعنا نلقي نظرة على سلسلتنا الزمنية. 2 على علامة التبويب بيانات، انقر فوق تحليل البيانات. ملاحظة يمكن العثور على الزر تحليل البيانات انقر هنا لتحميل الأداة المساعدة أناليسيس تولباك أد-in.3 ثم انقر فوق موافق 4. انقر في المربع نطاق الإدخال وحدد النطاق B2 M2.5 انقر فوق المربع الفاصل الزمني واكتب 6.6 انقر في المربع نطاق الإخراج وحدد الخلية B3.8 رسم رسم بياني لهذه القيم. الاستكشاف لأننا تعيين الفاصل الزمني إلى 6، المتوسط ​​المتحرك هو متوسط ​​نقاط البيانات السابقة 5 ونقطة البيانات الحالية ونتيجة لذلك، يتم تمهيد قمم والوديان خارج يظهر الرسم البياني اتجاها متزايدا لا يمكن إكسيل حساب المتوسط ​​المتحرك لأول 5 نقاط البيانات بسبب عدم وجود ما يكفي من نقاط البيانات السابقة .9 كرر الخطوات من 2 إلى 8 للفاصل الزمني 2 والفاصل الزمني 4. الاستنتاج كلما كان الفاصل الزمني أكبر، كلما تم تمهيد القمم والوديان كلما قل الفاصل الزمني كلما اقتربت المتوسطات المتحركة هي نقاط البيانات الفعلية.