Steg vid val av en prognosmodell. Din prognostiseringsmodell bör innehålla funktioner som tar upp alla viktiga kvalitativa egenskaper hos datamönster av variation i nivå och trend, effekter av inflation och säsonglighet, korrelationer mellan variabler, etc. Dessutom antas de antaganden som ligger till grund för din utvalda modellen ska vara överens med din intuition om hur serien troligtvis kommer att verka i framtiden När du har monterat en prognosmodell har du några av följande alternativ. Dessa alternativ beskrivs kortfattat nedan. Se den medföljande prognosflödesdiagrammet för en bildvisning av modellen - specifikationsprocessen och hänvisa till Statgraphics Model Specification-panelen för att se hur modellfunktionerna väljs i mjukvaran. Utveckling Om serierna visar inflationstakt, kommer deflationen att bidra till att beräkna tillväxtmönstret och minska heteroscedasticiteten i residualerna You kan jag antingen deflatera tidigare data och återuppliva de långsiktiga prognoserna med en konstant rumpa eller ii deflatera tidigare data med ett prisindex som KPI och sedan manuellt återuppliva de långsiktiga prognoserna med hjälp av en prognos om prisindex Alternativet i är det enklaste I Excel kan du bara skapa en kolumn med formler att dela upp de ursprungliga värdena med lämpliga faktorer. Om uppgifterna är månatliga och du vill deflera med en hastighet av 5 per 12 månader, skulle du dela med en faktor på 1 05 k 12 där k är radindexobservationsnumret RegressIt och Statgraphics har inbyggda verktyg som gör det automatiskt för dig Om du går den här vägen är det oftast bäst att ställa in den antagna inflationen lika med din bästa uppskattning av nuvarande kurs, speciellt om du kommer att förutse mer än en framöver i tiden Om du istället väljer alternativ ii måste du först spara deflaterade prognoserna och konfidensgränserna i ditt datakalkylblad, generera och spara sedan en prognos för prisindexet och multiplicera slutligen de lämpliga kolumnerna tillsammans. Gå tillbaka till början av sidan. Logaritmtransformation Om serien visar sammansatt tillväxt och eller ett multiplicativt säsongsmönster kan en logaritmomvandling vara till hjälp utöver eller i stället för deflation. Loggning av data kommer inte att platta ett inflationsmönster, men det kommer att räta ut det så att det kan anpassas av en linjär modell ega slumpmässig promenad eller ARIMA-modell med konstant tillväxt eller en linjär exponentiell utjämningsmodell. Dessutom kommer loggning att konvertera multiplicativa säsongsmönster till tillsatsmönster, så att om du utför säsongsjustering efter loggning bör du använda tillsatsstypen Logging handlar om inflation på ett implicit sätt om du vill att inflationen ska modelleras exakt - dvs. om du vill att inflationen ska vara en synlig parameter för modellen eller om du vill se plott av deflaterad data - då ska du deflera hellre än log. An annan viktig användning för logtransformationen är att linearisera relationerna mellan variabler i ett regressionsläge l Om till exempel den beroende va riable är en multiplikativ snarare än additiv funktion av de oberoende variablerna, eller om förhållandet mellan beroende och oberoende variabler är linjär i termer av procentuella förändringar snarare än absoluta förändringar, kan applicering av en logtransformation till en eller flera variabler vara lämplig, såsom i Försäljningsexemplet på öl Återgå till början av sidan. Säsongjustering Om serien har ett starkt säsongsmönster som tros vara konstant från år till år kan säsongsjustering vara ett lämpligt sätt att uppskatta och extrapolera mönstret. Fördelen med säsongjustering är att det modellerar säsongsmönstret uttryckligen, vilket ger dig möjlighet att studera säsongsindex och säsongrensade data. Nackdelen är att det krävs uppskattning av ett stort antal ytterligare parametrar, särskilt för månadsdata, och det ger ingen teoretisk rationale för beräkning av korrekta konfidensintervaller Validering av urvalet är speciellt importa nt för att minska risken för övermontering av tidigare data genom säsongsjustering Om data är starkt säsong men du inte väljer säsongjustering, är alternativen att jag antingen använder en säsongsbetonad ARIMA-modell som implicit förutser säsongsmönstret med säsongslag och skillnader eller ii använda Winters säsongsmässiga exponentiella utjämningsmodell som uppskattar tidsvarierande säsongsindex. Gå tillbaka till början av sidan. Oavsiktliga variabler Om det finns andra tidsserier som du tror har förklarande effekt i förhållande till din serie av intresse, t. ex. indikatorer eller policyvariabler som pris, reklam, kampanjer mm du kanske vill överväga regression som din modelltyp Oavsett om du väljer regression, behöver du fortfarande överväga möjligheterna som nämns ovan för att omvandla dina variabler deflation, logg, säsongjustering - - och kanske också skiljer sig för att utnyttja tidsdimensionen och eller linearisera relationerna, även om du gör n Ot välja regression vid denna tidpunkt kan du kanske överväga att lägga till regressorer senare till en tidsseriemodell, t. ex. en ARIMA-modell om resterna visar sig ha signifikanta korrelationer med andra variabler Returnera till början av sidan. Möjliggörande, medelvärde eller slumpmässig promenad Om du har valt att säsongsmässigt justera uppgifterna - eller om data inte är säsongsmässiga att börja med - kanske du vill använda en medelvärdes - eller utjämningsmodell så att den passar det icke-säsongsmönster som finns kvar i data vid denna tidpunkt A Enkelt glidande medelvärde eller enkel exponentiell utjämningsmodell beräknar endast ett lokalt genomsnitt av data i slutet av serien, under antagandet att detta är den bästa uppskattningen av det nuvarande medelvärdet kring vilket data varierar. Dessa modeller antar att medelvärdet av Serien varierar långsamt och slumpmässigt utan bestående trender. Enkel exponentiell utjämning föredras normalt för ett enkelt glidande medelvärde, eftersom dess exponentiellt vägda genomsnitt gör ett mer rimligt jobb med rabatt Den äldre data, eftersom dess utjämningsparameter alfa är kontinuerlig och lätt kan optimeras och eftersom den har en underliggande teoretisk grund för beräkning av konfidensintervall. Om utjämning eller medelvärde inte verkar vara till hjälp - det vill säga om den bästa prediktorn för Nästa värde av tidsserierna är helt enkelt det föregående värdet - då anges en slumpmässig promenadmodell. Detta gäller exempelvis om det optimala antalet villkor i det enkla glidande medlet visar sig vara 1, eller om det optimala värdet Av alfa i enkel exponentiell utjämning visar sig vara 0 9999.Brown s linjär exponentiell utjämning kan användas för att passa en serie med långsamt tidsvarierande linjära trender men vara försiktig med att extrapolera sådana trender långt in i framtiden. Den snabbt bredda förtroendet Intervaller för denna modell berättar för sin osäkerhet om den avlägsna framtiden. Holt s linjära utjämning uppskattar också tidsvarierande trender men använder separata parametrar för att stryka nivån och trenden som vanligtvis är pro känner till en bättre passform till data än Brown s-modell Q-urladdade exponentiella utjämningsförsök att uppskatta tidsvarierande kvadratiska trender och bör praktiskt taget aldrig användas. Detta skulle motsvara en ARIMA-modell med tre ordningar av nonseasonal differentiering Linjär exponentiell utjämning med en dämpad trend en trend som plattar ut vid avlägsna horisonter rekommenderas ofta i situationer där framtiden är mycket osäker. De olika exponentiella utjämningsmodellerna är speciella fall av ARIMA-modeller som beskrivs nedan och kan förses med ARIMA-programvara. Den enkla exponentiella utjämningsmodellen är särskilt en ARIMA 0,1,1 modell, Holt s linjär utjämningsmodell är en ARIMA 0,2,2 modell och den dämpade trendmodellen är en ARIMA 1,1,2 modell. En bra sammanfattning av ekvationerna för de olika exponentiella utjämningsmodellerna kan finns på denna sida på SAS-webbplatsen. SAS-menyerna för att specificera tidsseriemodeller visas också där de liknar dem i Statgraphics. Line, quadratic eller ex ponential trendlinjemodeller är andra alternativ för extrapolering av en deseasonaliserad serie, men de går sällan bättre än slumpmässig promenad, utjämning eller ARIMA-modeller på affärsdata. Tillbaka till början av sidan. Vintersäsongens exponentiala utjämning Vintersäsongutjämning är en förlängning av exponentiell utjämning som samtidigt uppskattar tidsvarierande nivå-, trend - och säsongsfaktorer med hjälp av rekursiva ekvationer Om du använder denna modell så skulle du inte säsongsmässigt justera data. Winters säsongsfaktorer kan vara antingen multiplikativ eller additiv. Normalt bör du välja multiplikativalternativ om du inte har loggat data Även om Winters-modellen är smart och rimligt intuitiv kan det vara svårt att tillämpa i praktiken det har tre utjämningsparametrar - alfa, beta och gamma - för att separat stryka nivå, trend och säsongsfaktorer som måste vara uppskattat samtidigt. Bestämning av startvärden för säsongsindex kan göras genom att tillämpa förhållandet-till-movi ng genomsnittlig metod för säsongsjustering till en del av hela serien och eller förutspårning Den uppskattningsalgoritm som Statgraphics använder för dessa parametrar misslyckas ibland att konvergera och eller ger värden som ger bizarre prognoser och konfidensintervaller, så jag rekommenderar försiktighet när Använda denna modell Tillbaka till toppen av sidan. ARIMA Om du inte väljer säsongsjustering eller om data är oväsentlig, kan du önska att använda ARIMA-modellramen. ARIMA-modeller är en mycket generell klass av modeller som inkluderar slumpmässig promenad, slumpmässig trend, exponentiell utjämning och autoregressiva modeller som speciella fall Den vanliga visdomen är att en serie är en bra kandidat för en ARIMA-modell om jag kan stationera den genom en kombination av differentiering och andra matematiska omvandlingar som loggning, och ii har du en betydande mängd data för att arbeta med minst 4 hela årstider när det gäller säsongsdata Om serien inte kan stationäriseras på ett tillräckligt sätt nunch - t. ex. om det är mycket oregelbundet eller verkar kvalitativt förändra sitt beteende över tiden - eller om du har färre än 4 säsonger av data, så kanske du bättre är bättre med en modell som använder säsongsjustering och någon form av enkel medelvärde eller utjämning. ARIMA-modeller har en särskild namngivningskonvention införd av Box och Jenkins. En icke-sasonlig ARIMA-modell klassificeras som en ARIMA p, d, q-modell, där d är antalet icke-säsongsskillnader, p är antalet autoregressiva termer av den differensierade serien och q är antalet rörliga medelvärden som lagrar prognosfel i prediksionsekvationen. En säsongsbetonad ARIMA-modell klassificeras som en ARIMA p, d, qx P, D, Q där D, P och Q är , respektive antalet säsongsskillnader, säsongens autoregressiva termer avviker från de olika serierna vid årstidens multiplar och säsongsmässiga glidande medelvärden avviker prognosfelen vid flera gånger av säsongsperioden. Det första steget att montera en ARIMA-modell i s för att bestämma lämplig ordning för differentiering som behövs för att stationera serierna och ta bort säsongens bruttoegenskaper Detta motsvarar att bestämma vilken naiv slumpmässig promenad eller slumpmässig modell som ger den bästa utgångspunkten. Försök inte använda mer än 2 totala order Av differentierande säsongsbetonade och säsongsbundna kombinationer och använd inte mer än 1 säsongsskillnad. Det andra steget är att bestämma om en konstant term i modellen ingår, vanligtvis inkluderar du en konstant term om den totala sorteringsordningen är 1 eller mindre, annars gör du inte. I en modell med en ordning av differentiering representerar den konstanta termen den genomsnittliga trenden i prognoserna. I en modell med två order av differentiering bestäms trenden i prognoserna av den lokala trenden som observerades i slutet av Tidsserien och den konstanta termen representerar trend-i-trenden, dvs kurvaturen för de långsiktiga prognoserna. Normalt är det farligt att extrapolera trender i trender, så du su ppress kontanterna i det här fallet. Det tredje steget är att välja antalet autoregressiva och glidande medelparametrar p, d, q, P, D, Q som behövs för att eliminera autokorrelation som kvarstår i naivmodellens rester, dvs vilken korrelation som kvarstår efter enbart differentiering Dessa siffror bestämmer antalet lags av den olika serien och eller lags av prognosfel som ingår i prognosförhållandet. Om det inte finns någon signifikant autokorrelation i återstoden vid denna tidpunkt, då STOPP, är du igen Gjort den bästa modellen är en naiv modell. Om det finns signifikant autokorrelation vid lags 1 eller 2, bör du försöka ställa in q 1 om något av följande gäller, jag har en oväsentlig skillnad i modellen, ii fördröjning 1 är autokorrelationen negativ och eller iii den kvarstående autokorrelationsplotten är renare färre, mer isolerade spikar än den återstående partiella autokorrelationsplotten Om det inte finns någon oväsentlig skillnad i modellen och eller lag 1 autocorr Elation är positiv och om den resterande partiella autokorrelationsplotten ser renare ut, försök sedan p 1 Ibland strider dessa regler för att välja mellan p 1 och q 1 i konflikt med varandra, då det förmodligen inte gör stor skillnad på vilken du använder. Försök dem båda och jämföra Om det finns autokorrelation vid lag 2 som inte avlägsnas genom att sätta p 1 eller q 1 kan du försöka p 2 eller q 2 eller ibland p 1 och q 1 Mer sällan kan du stöta på situationer där p 2 eller 3 Och q 1 eller vice versa ger de bästa resultaten Det rekommenderas starkt att du inte använder p 1 och q 1 i samma modell. När du monterar ARIMA-modeller bör du undvika att öka modellkomplexiteten för att bara få små Ytterligare förbättringar i felstatistiken eller utseendet på ACF - och PACF-plottorna. I en modell med både p 1 och q 1 finns det också en bra möjlighet till redundans och icke-unikhet mellan AR - och MA-sidorna av modellen, som förklaras i anteckningarna om den matematiska strukturen hos A RIMA-modell s Det är oftast bättre att gå framåt i stegvis-läge istället för bakåt stegvis när man anpassar modellspecifikationerna med enklare modeller och bara lägger till fler villkor om det finns ett tydligt behov. Samma regler gäller för antalet säsongsmässiga autoregressiva termer P och antalet säsongsmässiga glidande medelvärden Q med avseende på autokorrelation under säsongsperioden, t ex lag 12 för månadsdata Försök Q 1 om det redan finns en säsongsskillnad i modellen och eller säsongens autokorrelation är negativ och eller återstående autokorrelationsdiagram Ser renare ut i närheten av säsongslagret ellers försök P 1 Om det är logiskt att serierna har stark säsongsbetonad, måste du använda en säsongsskillnad, annars kommer säsongsmönstret att blekna ut när du gör långsiktiga prognoser Ibland kan du önska att försöka P 2 och Q 0 eller vice v ersa eller PQ 1 Det rekommenderas dock starkt att PQ aldrig borde vara större än 2 Säsongsmönster sällan h Ave den typ av perfekt regelbundenhet under ett tillräckligt stort antal årstider som skulle göra det möjligt att på ett tillförlitligt sätt identifiera och uppskatta att många parametrar. Den backforecasting-algoritm som används i parameteruppskattning kommer troligen att producera opålitliga eller till och med galen resultat när antalet säsonger av data är inte signifikant större än PDQI skulle rekommendera inte mindre än PDQ 2 hela årstider, och mer är bättre. När du monterar ARIMA-modeller bör du vara försiktig med att undvika överpassning av data trots att det kan vara en mycket roligt när du hänger på det. Viktiga speciella fall Som noterats ovan är en ARIMA 0,1,1 modell utan konstant identisk med en enkel exponentiell utjämningsmodell och det antar en flytande nivå, dvs ingen genomsnittlig reversering men med noll långsiktig trend En ARIMA 0,1,1-modell med konstant är en enkel exponentiell utjämningsmodell med en icke-linjär trendmängd. En ARIMA 0,2,1 eller 0,2,2 modell utan konstant är en linjär exponentiell slät Ing modell som möjliggör en tidsvarierande trend En ARIMA 1,1,2 modell utan konstant är en linjär exponentiell utjämningsmodell med fuktad trend, det vill säga en trend som slutligen plattar ut i längre terminer. De vanligaste säsongsbetonade ARIMA-modellerna är ARIMA 0,1,1 x 0,1,1 modell utan konstant och ARIMA 1,0,1 x 0,1,1 modell med konstant Tidigare av dessa modeller tillämpar i grunden exponentiell utjämning till både nonseasonal och säsongskomponenterna i Mönstret i data samtidigt som en tidsvarierande trend tillåts och den senare modellen är något liknande men förutsätter en konstant linjär trend och därför lite mer långsiktig förutsägbarhet. Du bör alltid inkludera dessa två modeller bland din uppställning av misstänkta när du monterar data med konsekvent säsongsmönster En av dem kanske med en mindre variation, som ökar p eller q med 1 och eller ställer in P 1 samt Q 1 är ganska ofta det bästa tillbaka till toppen av sidan. Journal of Mathematics and Statistics. Volume 7, Issue 1.Problem sta tement De flesta säsongsmässiga autoregressiva integrerade rörliga genomsnittliga SARIMA-modeller som används för prognoser för säsongsbetonade tidsserier är multiplicativa SARIMA-modeller. Dessa modeller antar att det finns en signifikant parameter som ett resultat av multiplikation mellan icke-säsongs - och säsongsparametrar utan testning med vissa statistiska test. Dessutom är mest populära statistisk programvara som MINITAB och SPSS har endast möjlighet att passa en multiplikativ modell Syftet med denna forskning är att föreslå ett nytt förfarande för att identifiera den lämpligaste ordningen av SARIMA-modellen, om den innefattar delmängd, multiplikativ eller additiv ordning. Huruvida en multiplikativ parameter existerade i SARIMA-modellen. Tillvägagångssätt Teoretisk avledning om autokorrelations ACF och partiell autokorrelations PACF-funktioner från subset multiplicativ och additiv SARIMA-modell diskuterades först och sedan användes R-program för att skapa grafiken för dessa teoretiska ACF och PACF. Sedan två mon thly dataset användes som fallstudier, det vill säga de internationella personuppgifterna för passagerare och serier om antalet turistanmälningar till Bali, Indonesien. Identifieringssteget för att bestämma ARIMA-modellens ordning gjordes med hjälp av MINITAB-programmet och modellberäkningssteget som användes SAS program för att testa om modellen bestod av delmängd, multiplikativ eller additiv ordning Resultat Den teoretiska ACF och PACF visade att delmängd, multiplikativ och additiv SARIMA-modeller har olika mönster, speciellt vid lagret som ett resultat av multiplikation mellan icke-säsongsbetonade och säsongsbundna modeller av flyginformationen gav en delmängd SARIMA-modell som den bästa modellen, medan en additiv SARIMA-modell är den bästa modellen för prognostisering av antalet turister till Bali Slutsats Båda fallstudier visade att en multiplikativ SARIMA-modell inte var den bästa modellen för prognoser dessa data Jämförelse utvärderingen visade att subset och additiv SARIMA modeller gav mer exakt fram gjutna värden vid utdata-dataset än multiplikatorisk SARIMA-modell för respektive dataset för flygbolag och turister. Denna studie är värdefullt bidrag till Box-Jenkins-förfarandet, särskilt vid modellidentifierings - och uppskattningsstegen i SARIMA-modellen. Ytterligare arbete som involverar flera säsongsbetonade ARIMA-modeller, såsom kortsiktiga belastningsdata prognoser i vissa länder kan ge ytterligare insikter angående delmängden, multiplikativ eller additiv order 2011 Suhartono Detta är en öppen åtkomstartikel som distribueras enligt villkoren i Creative Commons Attribution License som tillåter obegränsad användning, distribution och reproduktion i Vilket medium som helst, förutsatt att den ursprungliga författaren och källan krediteras.2 Tidsserienedbrytning. I detta avsnitt studerar vi metoder för att analysera strukturen i en tidsserie. Strängt är dessa tekniker inte prognosmetoder, men de kommer att vara användbara och kommer att användas i själva verket prognosmetoder. Grundläggande tillvägagångssätt vid analys av underliggande En struktur av en tidsserie är att sönderdela den som. Där Y t är det observerade värdet vid tiden tS t är säsongskomponenten vid tidpunkten tT t är trendcykelkomponenten vid tiden tE t är en oregelbunden slumpkomponent vid tiden t. Det finns flera former som funktionell form f kan ta.2 1 Additiv och multiplikativ modeller. Vi har en tillsats sönderdelning om. Vi har en multiplikativ sönderdelning om. Detta kan omvandlas till en additiv modell genom att ta logaritmer, som om Y t S T T t E t då. It är viktigt att plotta komponenterna separat för jämförelseändamål. För tillsatsmodellen är det vanligt att fokusera på säsongrensade data genom att subtrahera säsongskomponenten från observationerna. Säsongskomponenten är inte känd och måste Beräknas så att de säsongsrensade uppgifterna kommer att ha formen Y t Här och i det följande använder vi en circumflex för att ange en uppskattning. En viktig punkt att notera är att det vid analys av en tidsserie är oftast bättre att uppskatta trendcykelgran St uppskattar sedan säsongsmässigheten. Men innan det här är det bäst att minska effekten av den oregelbundna komponenten genom att utjämna data. Så här görs vanligtvis först. Man kan i princip betrakta utjämning som utförs för att avlägsna effekten av oegentligheten ensam Detta kommer att lämna både tidscykeln och säsongskomponenterna, som sedan måste särskiljas från den andra. Men om en säsongskomponent förväntas är det vanligare att applicera utjämningen på så sätt att säsongsbeståndsdelen Såväl som den oregelbundna komponenten avlägsnas båda. Detta lämnar bara trendcykeln, vilket därför identifieras. Med denna senare metod kan vi omedelbart ta bort trendcykeln genom subtraktion. Och identifiera sedan säsongsmässigheten från den här trendiga tidsserien Det bör noteras att utjämning endast ger en uppskattning av trendcykeln. För de trenderna tidsserierna bör strikt skrivas som. Vi kommer snart att se att identifieringen av säsongsvariationen från en De-trended tidsserierna eller från en tidsserie där det inte fanns någon trendcykel i första hand, är lätt.2 2 1 Rörande medelvärde. Ett enkelt sätt att utföra utjämning är att använda ett glidande medelvärde. Den grundläggande tanken är att Värden av observationer som är nära varandra i tid kommer att ha trendcykelkomponenter som är lika värdevärda. Ignorera säsongens komponent för tillfället kan värdet av trendcykelkomponenten vid en viss tidpunkt då erhållas genom att i genomsnitt En uppsättning observationer om denna tidpunkt Eftersom de genomsnittliga värdena beror på tidpunkten kallas detta ett glidande medelvärde. Det finns många olika former som ett glidande medel kan ta Många har konstruerats med ad hoc-argument och resonemang Alla Koka ner för att vara speciella fall av det som kallas ett k-punktsvikt glidande medelvärde. Där mk -1 2 heter halvbredden och aj kallas vikterna. Notera att i denna definition måste k vara ett udda tal Den enklaste versioner är Där alla vikter är samma Detta kallas då ett enkelt glidande medelvärde av ordningen k. Om vikterna är symmetriskt balanserade om mittvärdet dvs om j 0 i summan kallas detta ett centrerat glidande medelvärde. Enkla glidande medelvärden Med ett jämnt antal termer kan användas men centreras då inte om ett heltal t. Detta kan åtgärdas genom att medelvärdet en andra gång endast medverkar de rörliga medelvärdena själva. Om exempelvis två på varandra följande 4-punkts glidande medelvärden, då kan vi centrera dem genom att ta deras genomsnitt. Detta exempel kallas en 24 MA Det är helt enkelt ett 5-punktsvikt glidande medelvärde, med slutvikter vardera 1 8 och med de andra tre vikterna. Om det tillämpas på kvartalsdata, är detta 24 MA skulle ge lika stor vikt åt alla fyra kvartalen eftersom de 1: a och sista värdena skulle gälla samma kvartal men i olika år. Sålunda skulle den här mjukare släta ut kvartalsvisa variationer. Likaså skulle en 212 MA släta ut säsongsvariationen i månadsvis da Ta. Exercise 2 1 Vad är vikten på en 212 MA mjukare. Det finns ett antal viktprojekt föreslagna Alla tenderar att ha viktvärden som svansar bort mot de två ändarna av summeringen. Också är de vanligtvis symmetriska med aja - j Det finns Ett problem att tillämpa ett glidande medelvärde vid de två ändarna i en tidsserie när vi går ur observationer för att beräkna den fullständiga summeringen. När färre än k observationer är tillgängliga, återkallas vikterna vanligen så att de summeras till enhet. En effekt av ett glidande medelvärde Är att det kommer att underskatta trenderna i slutet av en tidsserie. Det innebär att de metoder som diskuterats hittills är generellt otillfredsställande för prognosändamål när en trend är närvarande. I det här avsnittet betraktar vi vad som kan kallas klassisk sönderdelning. Dessa är metoder som utvecklats i 1920 s som ligger till grund för typiska befintliga sönderdelningsmetoder Tänk på tillsatsen och multiplikationsfallen och var säsongsperioden är 12,2 3 1 Additiv Decompositi On. This är för fallet där YTSE Den klassiska sönderdelningen tar fyra steg. Steg 1 Beräkna den centrerade 12 MA Anmäl denna serie med M t Denna serie uppskattar trendcykeln. Steg 2 De-tränar den ursprungliga serien genom subtraktion. Steg 3 Beräkna ett säsongsindex för varje månad genom att ta medeltalet av alla värden varje månad j. I denna formel antas det att nj-värden är tillgängliga för månad j så att summeringen överstiger dessa nj-värden. Steg 4 Den uppskattade Oregelbundenhet erhålls genom subtraktion av säsongskomponenten från de-trender-serien. Här anges säsongsindex för månaden som motsvarar observation Y t.2 3 2 Multiplikativ sönderdelning. För multiplikationsmodellen YTSE kallas metoden förhållandet mellan aktuell till Glidande medelvärden Det finns ytterligare fyra steg. Steg 1 Beräkna centrerad 12 MA Anmäl denna serie med M t Detta steg är exakt detsamma som i additivmodellfallet. Steg 2 Beräkna R t förhållandet mellan aktuella och glidande medelvärden. Steg 3 Beräkna ett säsongsindex för varje månad genom att ta medeltalet av alla värden varje månad, j. Detta steg är exakt detsamma som i additivfallet, förutom att D ersätts med R. Step 4 Calculate. Exercise 2 3 Analysera House Sales Data med hjälp av tillsatsmodellen Markera trendcykeln, säsongsmässiga och oregelbundna uppskattningar. Notera Denna övning ger dig övning i att använda pivottabellen för att beräkna säsongsmässiga justeringar. Övning 2 4 Analysera de internationella flyginformationsdata med multiplikativmodellen Planera trendcykeln , säsongsmässiga och oregelbundna uppskattningar Web International Airline Data.
No comments:
Post a Comment