Einführung in ARIMA Nichtseasonale Modelle. ARIMA p, d, q Vorhersage Gleichung ARIMA Modelle sind in der Theorie die allgemeinste Klasse von Modellen für die Vorhersage einer Zeitreihe, die gemacht werden kann, um stationär zu sein, indem sie gegebenenfalls, wenn auch in Verbindung mit nichtlinearen Transformationen, differenziert werden Wie z. B. Protokollierung oder Abblendung, wenn nötig Eine zufällige Variable, die eine Zeitreihe ist, ist stationär, wenn ihre statistischen Eigenschaften alle über die Zeit konstant sind. Eine stationäre Serie hat keinen Trend, ihre Variationen um ihren Mittelwert haben eine konstante Amplitude, und sie wackelt in einer konsistenten Weise Dh ihre kurzfristigen zufälligen Zeitmuster sehen immer in einem statistischen Sinn gleich aus. Die letztere Bedingung bedeutet, dass ihre Autokorrelationskorrelationen mit ihren eigenen vorherigen Abweichungen vom Mittel konstant über die Zeit bleiben oder äquivalent, dass sein Leistungsspektrum über die Zeit konstant bleibt Variable dieses Formulars kann wie gewöhnlich als eine Kombination von Signal und Rauschen betrachtet werden, und das Signal, wenn man offensichtlich ist, könnte ein Muster der schnellen oder langsamen mittleren Reversion oder sinusförmigen Oszillation oder eines schnellen Wechseles im Zeichen sein, und es könnte auch haben Eine saisonale Komponente Ein ARIMA-Modell kann als ein Filter betrachtet werden, der versucht, das Signal vom Rauschen zu trennen, und das Signal wird dann in die Zukunft extrapoliert, um Prognosen zu erhalten. Die ARIMA-Prognosegleichung für eine stationäre Zeitreihe ist eine lineare, dh regression - Typ-Gleichung, in der die Prädiktoren aus Verzögerungen der abhängigen Variablen und / oder Verzögerungen der Prognosefehler bestehen. Das ist. Gezahlter Wert von Y eine Konstante und / oder eine gewichtete Summe aus einem oder mehreren neueren Werten von Y und einer gewichteten Summe von eins oder Neuere Werte der Fehler. Wenn die Prädiktoren nur aus verzögerten Werten von Y bestehen, ist es ein reines autoregressives, selbstregressives Modell, das nur ein Spezialfall eines Regressionsmodells ist und mit Standardregressionssoftware ausgestattet werden könnte Erstklassiges autoregressives AR 1 - Modell für Y ist ein einfaches Regressionsmodell, bei dem die unabhängige Variable nur Y um eine Periode LAG Y, 1 in Statgraphics oder YLAG1 in RegressIt liegt. Wenn einige der Prädiktoren Fehler der Fehler sind, ein ARIMA-Modell Es handelt sich dabei nicht um ein lineares Regressionsmodell, denn es gibt keine Möglichkeit, den letzten Periodenfehler als eigenständige Variable anzugeben, die Fehler müssen auf einer Periodendauer berechnet werden, wenn das Modell an die Daten angepasst ist. Aus technischer Sicht ist die Problem bei der Verwendung von verzögerten Fehlern als Prädiktoren ist, dass die Vorhersagen des Modells keine linearen Funktionen der Koeffizienten sind, obwohl sie lineare Funktionen der vergangenen Daten sind. Daher müssen Koeffizienten in ARIMA-Modellen, die verzögerte Fehler enthalten, durch nichtlineare Optimierungsmethoden hill-climbing geschätzt werden Anstatt nur ein System von Gleichungen zu lösen. Das Akronym ARIMA steht für Auto-Regressive Integrated Moving Average Lags der stationären Serie in der Prognose Gleichung heißen autoregressive Begriffe, Verzögerungen der Prognosefehler werden als gleitende durchschnittliche Ausdrücke und eine Zeitreihe bezeichnet Die gestört werden muss, um stationär zu sein, soll eine integrierte Version einer stationären Serie sein. Random-Walk - und Random-Trend-Modelle, autoregressive Modelle und exponentielle Glättungsmodelle sind alle Sonderfälle von ARIMA-Modellen. Ein nicht seasonales ARIMA-Modell wird klassifiziert Als ARIMA p, d, q Modell, wobei p die Anzahl der autoregressiven Terme ist. d ist die Anzahl der für die Stationarität benötigten Nichtseasonalunterschiede und ist die Anzahl der verzögerten Prognosefehler in der Vorhersagegleichung. Die Prognosegleichung ist Konstruiert wie folgt Zuerst bezeichne y die d-te Differenz von Y, die bedeutet. Hinweis, dass die zweite Differenz von Y der d 2 Fall ist nicht der Unterschied von 2 Perioden vor Vielmehr ist es die erste Differenz-of-the-first Unterschied, das ist das diskrete Analog einer zweiten Ableitung, dh die lokale Beschleunigung der Serie und nicht die lokale Tendenz. In Bezug auf y die allgemeine Prognose Gleichung ist. Hier sind die gleitenden durchschnittlichen Parameter s definiert, so dass ihre Zeichen sind negativ in der Gleichung, nach der Konvention von Box und Jenkins eingeführt Einige Autoren und Software einschließlich der R-Programmiersprache definieren sie so, dass sie Pluszeichen statt haben Wenn die tatsächlichen Zahlen in die Gleichung gesteckt sind, gibt es keine Mehrdeutigkeit, aber es ist wichtig zu wissen, welche Konvention Ihre Software verwendet, wenn Sie die Ausgabe lesen Oft werden die Parameter dort mit AR 1, AR 2, und MA 1, MA 2, etc. identifiziert. Um das passende ARIMA-Modell für Y zu identifizieren, beginnen Sie mit der Bestimmung der Reihenfolge der differenzierenden d Notwendigkeit Um die Serie zu stationieren und die Brutto-Features der Saisonalität zu entfernen, vielleicht in Verbindung mit einer Varianz-stabilisierenden Transformation wie Logging oder Deflating Wenn Sie an dieser Stelle stoppen und voraussagen, dass die differenzierte Serie konstant ist, haben Sie nur einen zufälligen Spaziergang oder zufällig platziert Trendmodell Allerdings können die stationärisierten Serien noch autokorrelierte Fehler aufweisen, was darauf hindeutet, dass in der Prognosegleichung auch eine Anzahl von AR-Terme p1 und / oder einige Anzahl MA-Terme q1 erforderlich sind. Verfahren zur Bestimmung der Werte von p, d und Q, die am besten für eine gegebene Zeitreihe sind, werden in späteren Abschnitten der Notizen besprochen, deren Links oben auf dieser Seite stehen, aber eine Vorschau auf einige der Arten von nicht-seasonalen ARIMA-Modellen, die häufig angetroffen werden, ist unten angegeben. ARIMA 1 , 0,0 erstklassiges autoregressives Modell, wenn die Serie stationär und autokorreliert ist, vielleicht kann es als ein Vielfaches ihres eigenen vorherigen Wertes prognostiziert werden, plus eine Konstante Die Prognosegleichung in diesem Fall ist. das ist Y, das auf sich selbst zurückgeblieben ist Eine Periode Dies ist ein ARIMA 1,0,0 Konstante Modell Wenn der Mittelwert von Y Null ist, dann wäre der konstante Term nicht enthalten. Wenn der Steigungskoeffizient 1 positiv und kleiner als 1 in der Größenordnung ist, muss er kleiner als 1 in sein Größe, wenn Y stationär ist, beschreibt das Modell das Mittel-Rückkehr-Verhalten, bei dem der nächste Perioden-s-Wert 1 mal so weit weg von dem Mittelwert liegen sollte, wie dieser Periodenwert Wenn 1 negativ ist, prognostiziert er das Mittel-Rückkehr-Verhalten mit Wechsel Von Zeichen, dh es sagt auch voraus, dass Y unterhalb der mittleren nächsten Periode sein wird, wenn es über dem Mittelwert dieser Periode liegt. In einem autoregressiven Modell der zweiten Ordnung ARIMA 2,0,0 würde es einen Y-t-2-Term geben Genau so gut und so weiter Abhängig von den Zeichen und Größenordnungen der Koeffizienten könnte ein ARIMA 2.0,0 Modell ein System beschreiben, dessen mittlere Reversion in einer sinusförmig oszillierenden Weise stattfindet, wie die Bewegung einer Masse auf einer Feder, die Wird zufälligen Schocks ausgesetzt. ARIMA 0,1,0 zufälliger Spaziergang Wenn die Serie Y nicht stationär ist, ist das einfachste Modell für sie ein zufälliges Spaziergangmodell, das als Begrenzungsfall eines AR 1 - Modells betrachtet werden kann Autoregressiver Koeffizient ist gleich 1, dh eine Reihe mit unendlich langsamer mittlerer Reversion Die Vorhersagegleichung für dieses Modell kann wie überall geschrieben werden, wo der konstante Term die durchschnittliche Periodenänderung ist, dh die Langzeitdrift in Y Dieses Modell könnte sein Als ein Nicht-Intercept-Regressionsmodell, bei dem die erste Differenz von Y die abhängige Variable ist, da sie nur eine nicht-seasonale Differenz und einen konstanten Term enthält, wird sie als ARIMA 0,1,0-Modell mit Konstante klassifiziert. Die zufällige Walk - Ohne - Drift-Modell wäre ein ARIMA-0,1,0-Modell ohne constant. ARIMA 1,1,0 differenzierte Autoregressive Modell erster Ordnung Wenn die Fehler eines zufälligen Walk-Modells autokorreliert sind, kann das Problem eventuell durch Hinzufügen einer Verzögerung behoben werden Der abhängigen Variablen zur Vorhersagegleichung - dh durch Rückkehr der ersten Differenz von Y auf sich selbst verzögert um eine Periode Dies würde die folgende Vorhersagegleichung ergeben, die umgeordnet werden kann. Dies ist ein autoregressives Modell erster Ordnung mit einer Ordnung von Nonseasonal differenzing und ein konstanter term - dh ein ARIMA 1,1,0 model. ARIMA 0,1,1 ohne konstante einfache exponentielle Glättung Eine weitere Strategie zur Korrektur autokorrelierter Fehler in einem zufälligen Walk-Modell wird durch das einfache exponentielle Glättungsmodell vorgeschlagen Für einige nichtstationäre Zeitreihen, z. B. solche, die geräuschvolle Schwankungen um ein langsam variierendes Mittel aufweisen, führt das zufällige Spaziergangmodell nicht so gut wie ein gleitender Durchschnitt der vergangenen Werte. Anders ausgedrückt, anstatt die jüngste Beobachtung als die Prognose der Nächste Beobachtung ist es besser, einen Durchschnitt der letzten Beobachtungen zu verwenden, um das Rauschen herauszufiltern und den lokalen Mittel genauer zu schätzen. Das einfache exponentielle Glättungsmodell verwendet einen exponentiell gewichteten gleitenden Durchschnitt der vergangenen Werte, um diesen Effekt zu erzielen. Die Vorhersagegleichung Denn das einfache exponentielle Glättungsmodell kann in einer Anzahl von mathematisch äquivalenten Formen geschrieben werden, von denen eine die sogenannte Fehlerkorrekturform ist, in der die vorherige Prognose in Richtung des von ihr vorgenommenen Fehlers eingestellt wird. Weil e t-1 Y T-1 - t-1 per definitionem kann dies umgeschrieben werden, da ist eine ARIMA 0,1,1 - without-konstante Prognosegleichung mit 1 1 - das bedeutet, dass man eine einfache exponentielle Glättung platzieren kann, indem man sie als ARIMA 0,1,1 Modell ohne Konstante, und der geschätzte MA 1 - Koeffizient entspricht 1-minus-alpha in der SES-Formel Erinnern Sie sich, dass im SES-Modell das Durchschnittsalter der Daten in den Prognosen von 1 Periode 1 beträgt Was bedeutet, dass sie tendenziell hinter Trends oder Wendepunkten um etwa 1 Perioden zurückbleiben. Daraus folgt, dass das Durchschnittsalter der Daten in den 1-Periodenprognosen eines ARIMA 0,1,1 - without-constant-Modells 1 1 - 1 Wenn also 1 0 8 das Durchschnittsalter 5 ist, so nähert sich das ARIMA 0,1,1 - without-konstantes Modell zu einem sehr langfristigen gleitenden Durchschnitt, und wenn 1 sich nähert, wird es Ein zufälliges Spaziergang ohne Drift-Modell. Was ist der beste Weg, um die Autokorrelation zu korrigieren, indem man AR-Terme hinzufügt oder MA-Terme hinzufügt. In den vorangegangenen zwei Modellen, die oben diskutiert wurden, wurde das Problem der autokorrelierten Fehler in einem zufälligen Walk-Modell auf zwei verschiedene Arten festgelegt Durch Hinzufügen eines verzögerten Wertes der differenzierten Reihe zur Gleichung oder Hinzufügen eines verzögerten Wertes des Prognosefehlers, welcher Ansatz am besten ist. Ein Schlüsselbund für diese Situation, der später ausführlicher erörtert wird, ist die positive Autokorrelation In der Regel am besten behandelt durch Hinzufügen eines AR-Begriffs zum Modell und negative Autokorrelation ist in der Regel am besten durch Hinzufügen eines MA-Begriffs In Business-und wirtschaftlichen Zeitreihen, negative Autokorrelation oft entsteht als Artefakt der Differenzierung Im Allgemeinen, differenziert reduziert positive Autokorrelation und kann sogar verursachen Ein Wechsel von positiver zu negativer Autokorrelation So wird das ARIMA-0,1,1-Modell, bei dem die Differenzierung von einem MA-Term begleitet wird, häufiger als ein ARIMA 1,1,0-Modell verwendet. ARIMA 0,1,1 mit konstantem Einfache exponentielle Glättung mit Wachstum Durch die Implementierung des SES-Modells als ARIMA-Modell erhalten Sie tatsächlich eine gewisse Flexibilität Zunächst einmal darf der geschätzte MA 1 - Koeffizient negativ sein, dies entspricht einem Glättungsfaktor größer als 1 in einem SES-Modell In der Regel nicht erlaubt durch das SES-Modell-Anpassungsverfahren Zweitens haben Sie die Möglichkeit, einen konstanten Begriff in das ARIMA-Modell einzubeziehen, wenn Sie es wünschen, um einen durchschnittlichen Nicht-Null-Trend zu schätzen. Das ARIMA-0,1,1-Modell mit Konstante hat Die Vorhersagegleichung. Die Prognosen für ein Periodenabschätzung von diesem Modell sind qualitativ ähnlich denen des SES-Modells, mit der Ausnahme, dass die Trajektorie der Langzeitprognosen typischerweise eine abfallende Linie ist, deren Steigung gleich mu ist, anstatt einer horizontalen Linie. ARIMA 0,2,1 oder 0,2,2 ohne konstante lineare exponentielle Glättung Lineare exponentielle Glättungsmodelle sind ARIMA-Modelle, die zwei Nichtseason-Differenzen in Verbindung mit MA-Terme verwenden. Der zweite Unterschied einer Serie Y ist nicht einfach der Unterschied zwischen Y und Selbst ist von zwei Perioden verzögert, aber vielmehr ist es der erste Unterschied der ersten Differenz - der Wechsel-in-der-Änderung von Y in der Periode t. Somit ist die zweite Differenz von Y in der Periode t gleich Yt-Y T-1 - Y t-1 - Y t-2 Y t - 2Y t-1 Y t-2 Eine zweite Differenz einer diskreten Funktion ist analog zu einer zweiten Ableitung einer stetigen Funktion, die die Beschleunigung oder Krümmung in der Funktion misst Zu einem gegebenen Zeitpunkt. Das ARIMA-0,2,2-Modell ohne Konstante prognostiziert, dass die zweite Differenz der Serie gleich einer linearen Funktion der letzten beiden Prognosefehler ist, die umgestellt werden kann, wo 1 und 2 die MA 1 sind Und MA 2 Koeffizienten Dies ist ein allgemeines lineares exponentielles Glättungsmodell, das im Wesentlichen das gleiche wie das Holt-Modell ist, und das Brown-Modell ist ein Spezialfall Es verwendet exponentiell gewichtete Bewegungsdurchschnitte, um sowohl eine lokale Ebene als auch einen lokalen Trend in der Serie zu schätzen. Term-Prognosen aus diesem Modell konvergieren zu einer Geraden, deren Steigung von der durchschnittlichen Tendenz abhängt, die gegen Ende der Serie beobachtet wird. ARIMA 1,1,2 ohne konstante gedämpfte Trend lineare exponentielle Glättung. Dieses Modell ist in den begleitenden Folien auf ARIMA dargestellt Modelle Es extrapoliert den lokalen Trend am Ende der Serie, aber legt es bei längeren Prognosehorizonten ab, um eine Note des Konservatismus einzuführen, eine Praxis, die empirische Unterstützung hat. Sehen Sie den Artikel auf Warum der gedämpfte Trend von Gardner und McKenzie und der Goldenen Regel arbeitet Artikel von Armstrong et al für Details. Es ist in der Regel ratsam, an Modellen, in denen mindestens eines von p und q ist nicht größer als 1, dh nicht versuchen, ein Modell wie ARIMA 2,1,2, wie dies zu passen Dürfte zu Überfüllung und Gemeinsamen Faktoren führen, die in den Anmerkungen zur mathematischen Struktur von ARIMA-Modellen näher erörtert werden. Spreadsheet-Implementierung ARIMA-Modelle wie die oben beschriebenen sind einfach in einer Tabellenkalkulation implementierbar. Die Vorhersagegleichung ist einfach ein Lineare Gleichung, die sich auf vergangene Werte der ursprünglichen Zeitreihen und vergangene Werte der Fehler bezieht. So können Sie eine ARIMA-Prognosekalkulationstabelle einrichten, indem Sie die Daten in Spalte A, die Prognosemethode in Spalte B und die Fehlerdaten abzüglich Prognosen in Spalte speichern C Die Prognoseformel in einer typischen Zelle in Spalte B wäre einfach ein linearer Ausdruck, der sich auf Werte in vorhergehenden Zeilen der Spalten A und C bezieht, multipliziert mit den entsprechenden AR - oder MA-Koeffizienten, die in anderen Zellen auf der Kalkulationstabelle gespeichert sind. Autoregressive Filter. Before erklären Was ein AR-Filter ist, lass mich in einer allgemeineren Einstellung beginnen Ein allgemeiner diskreter Zeitfilter ist einer, in dem die aktuelle Ausgabeprobe auf einer gewichteten Summe der aktuellen und vergangenen Eingangsabtastungen und der vergangenen Ausgangsabtastungen basiert. Dies ist auch Kenne als ARMA autoregressiver gleitender Durchschnitt In Matlab sammeln Sie die Koeffizienten in die Vektoren a und ba a1 a2 a3 a4 a5 b b1 b2 b3 b4 b5 b6 b7.wo hier na 4 und nb 6 Sei vorsichtig hier um die Zeichen von Die a k. To tatsächlich ein Signal in Matlab filtern, benutzt man den FILTER Befehl. b 0 81 1 -1 8596 1 a 1 -1 6737 0 81 N 150 t 0 001 0 N-1 x sin 2 pi 60 t 0 5 rand N, 1 y Filter b, a, x Plot x y. Der Frequenzgang des Filters ist mit dem FREQZ Befehl zu sehen. Dies schafft eine Handlung, aus der Sie sehen können, dass die Filterkoeffizienten, die ich gab, einen einfachen Kerbfilter beschreiben Zeit-Domain-Plot, können Sie sehen, ich habe die Kerbe, um die sinusoid. Now ein AR autoregressive Filter ist nur ein Filter in für die alle b Koeffizienten sind null außer b 1 Das heißt, die aktuelle Ausgabe Probe ist aus der Stromeingang und eine gewichtete Summe der vorherigen Ausgänge Vergangene Eingangsabtastwerte werden nicht verwendet In Matlab. b 1 14 a 1 -1 6737 0 81 N 150 t 0 001 0 N-1 x sin 2 pi 60 t 0 5 rand N, 1 Y-Filter b, a, x-Diagramm x y. Dieser Filter ist ein schlechter Tiefpassfilter, den Sie sehen werden, wenn Sie freqz b verwenden. Ein AR-Filter wird auch als Allpol-Filter bezeichnet. Ein gleitender Durchschnittsfilter ist einer, bei dem der einzige ungleiche Koeffizient ein 1 In ist Der Fall, die aktuelle Ausgabe Probe wird aus dem aktuellen und vergangenen Eingabe-Samples berechnet Vergangene Ausgabe-Samples werden nicht verwendet Ein MA-Filter wird auch als All-Null oder FIR-Filter. Jeder Buch auf digitale Signalverarbeitung wird diese Informationen Es darf nicht verwenden Der Begriff AR speziell, aber hoffentlich die oben genannte Erklärung war klar genug für Sie, um die Terminologie zu übersetzen Ich möchte nicht, um ein bestimmtes Buch zu empfehlen, da ich nicht wissen, was Lesestufe Sie wollen Eine nette Ressource im Web für digitale Signalverarbeitung Informationen ist Es gibt auch eine Newsgroup. Hope, die half. PS Hinweis Die Begriffe MA, AR und ARMA werden in vielerlei Hinsicht verwendet Die Art, wie ich sie oben beschrieben habe, ist eine gemeinsame Verwendung, aber es wird auch verwendet, um ein Signal im Gegensatz zu einem Filter zu bedeuten Erhalten durch Filterung weißes Rauschen mit der FIR alle ak null außer a 1, all-pole alle bk null außer b 1, oder allgemeine Filter oben Ich denke, diese zweite Bedeutung für die Akronyme ist technisch genauer, aber Sie sehen beide Bedeutungen verwendet in trainieren. Schrieb in der Nachricht Hallo, kennt man irgendwelche gute Beispiele dafür, wie ein AR-Filter funktioniert Auch ISBN-Nummern von Büchern sind sehr dankbar dank Ricardo. About Newsgroups, Newsreader und MATLAB Central. Was sind Newsgroups. The Newsgroups sind weltweit Forum, das für alle offen ist Newsgroups werden verwendet, um eine riesige Palette von Themen zu diskutieren, Ankündigungen zu machen und Dateien zu handeln. Discussions sind Threaded oder gruppiert in einer Weise, die Ihnen erlaubt, eine gepostete Nachricht und alle ihre Antworten in chronologischer Reihenfolge zu lesen Macht es einfach, dem Thread des Gesprächs zu folgen und zu sehen, was bereits gesagt wurde, bevor du deine eigene Antwort posten oder einen neuen Beitrag machst. Newsgroup Inhalt wird von Servern verteilt, die von verschiedenen Organisationen im Internet gehostet werden Nachrichten werden ausgetauscht und verwaltet Open-Standard-Protokolle Kein einziges Unternehmen besitzt die Newsgroups. Es gibt Tausende von Newsgroups, die jeweils ein einziges Thema oder einen interessanten Bereich ansprechen. Der MATLAB Central Newsreader pflegt und zeigt Nachrichten in der Newsgroup an. Wie lese ich die Newsgroups Nutzen Sie den integrierten Newsreader auf der MATLAB Central-Website, um Nachrichten in dieser Newsgroup zu lesen und zu veröffentlichen. MATLAB Central wird von MathWork. Messages gehostet. Messages, die über den MATLAB Central Newsreader veröffentlicht wurden, werden von allen mit den Newsgroups gesehen, unabhängig davon, wie sie auf die Newsgroups zugreifen. Es gibt mehrere Vorteile Zu verwenden MATLAB Central. One Account Ihr MATLAB Central-Konto ist an Ihr MathWorks-Konto gebunden für den einfachen Zugriff. Verwenden Sie die E-Mail-Adresse Ihrer Wahl Der MATLAB Central Newsreader ermöglicht es Ihnen, eine alternative E-Mail-Adresse als Ihre Posting-Adresse zu definieren, Vermeidung von Unordnung in Ihrem primären Mailbox und Reduzierung von Spam. Spam Control Die meisten Newsgroup-Spam wird von der MATLAB Central Newsreader gefiltert. Tagging Messages können mit einem entsprechenden Label von einem signierten Benutzer markiert werden Tags können als Schlüsselwörter verwendet werden, um bestimmte Dateien von Interesse zu finden, oder als Weg, um Ihre bookmarked Postings zu kategorisieren Sie können wählen, um anderen zu ermöglichen, Ihre Tags zu sehen, und Sie können sehen oder suchen andere Tags sowie die der Community im großen Tagging bietet einen Weg, um sowohl die großen Trends und die kleinere, mehr dunkel zu sehen Ideen und Anwendungen. Watchlisten Einrichten von Watchlisten ermöglicht es Ihnen, über Updates informiert zu werden, die von einem Autor, einem Thread oder einer beliebigen Suchvariable ausgewählt wurden. Ihre Watchlist Benachrichtigungen können per E-Mail täglich verdaut oder sofort, in My Newsreader angezeigt werden Gesendet über RSS feed. Other Möglichkeiten, um auf die newsgroups. Use ein Newsreader durch Ihre Schule, Arbeitgeber oder Internet Service Provider. Pay für Newsgroup-Zugang von einem kommerziellen Anbieter. Use Google Groups. Bietet einen Newsreader mit Zugriff auf die Newsgroup. Run deinen eigenen Server Für typische Anleitungen siehe. Select Your Country. arima class. arima erstellt Modellobjekte für stationäre oder Einheit Wurzel nichtstationäre lineare Zeitreihe Modell Dies beinhaltet gleitende durchschnittliche MA, autoregressive AR, gemischt Autoregressive und gleitende durchschnittliche ARMA, integrierte ARIMA, multiplikative saisonale und lineare Zeitreihenmodelle, die eine Regressionskomponente enthalten ARIMAX. Specify Modelle mit bekannten Koeffizienten, schätzen Koeffizienten mit Daten mit Schätzung oder simulieren Modelle mit simulieren Standardmäßig ist die Varianz der Innovationen Ein positiver Skalar, aber Sie können jedes unterstützte bedingte Varianzmodell, wie z. B. ein GARCH-Modell, angeben. Mdl arima erzeugt ein ARIMA-Modell von Grad null. Mdl arima p, D, q erzeugt ein nicht-seasonal lineares Zeitreihenmodell mit autoregressivem Grad p differenzierenden Grad D und gleitender durchschnittlicher Grad q. Mdl arima Name, Wert erzeugt ein lineares Zeitreihenmodell mit zusätzlichen Optionen, die durch einen oder mehrere Namen angegeben werden, Wertpaar Argumente Name ist der Eigenschaftsname und Wert ist der entsprechende Wert Name muss innerhalb von einfachen Anführungszeichen angezeigt werden Spezifizieren Sie mehrere Namenswertpaarargumente in beliebiger Reihenfolge als Name1, Wert1 NameN, ValueN. Input Arguments. Note Sie können diese Argumente nur für Nichtseasonalmodelle verwenden Für saisonale Modelle verwenden Sie den Namenswert syntax. Lag Operator. Der Lagoperator L ist Definiert als L iytyti Sie können Lag-Operator-Polynome mit ihnen erstellen, um die Notation zu kondensieren und lineare Differenzengleichungen zu lösen. Die Lag-Operator-Polynome in den linearen Zeitreihenmodelldefinitionen sind. L 1 L 2 L 2 p L p, was der Grad p autoregressives Polynom ist. L 1 L 2 L 2 q L q das ist der Grad q gleitenden durchschnittlichen Polynom. L 1 p 1 L p 1 p 2 L p 2 p s L p s, was der Grad p s saisonale autoregressive Polynom ist. L 1 q 1 L q 1 q 2 L q 2 qs L qs das ist der Grad qs saisonale gleitende durchschnittliche Polynom. Linear Time Series Model. A lineare Zeitreihe Modell für Antwortprozess yt und Innovationen t ist ein stochastischer Prozess, der die Form hat. ytc 1 yt 1 pytpt 1 t 1 qt q. In Lag Operator Notation, ist dieses Modell. Die allgemeine Zeitreihe Modell, das differenzierende, multiplikative Saisonalität und saisonale differencing beinhaltet, ist. L 1 LDL 1 L s D sytc LL t Die Koeffizienten der nicht-seasonalen und saisonalen autoregressiven Polynome L und L entsprechen AR und SAR jeweils Die Grade dieser Polynome sind p und ps Ähnlich entsprechen die Koeffizienten der Polynome L und L dem MA Und SMA Die Grade dieser Polynome sind q und qs. Polynome 1 LD und 1 L s D s haben einen Grad der nicht-seasonalen und saisonalen Integration D und D s jeweils beachten Sie, dass s entspricht Modell Eigenschaft Saisonalität D s ist 1, wenn Saisonalität Ist ungleich null, und es ist 0 ansonsten Das ist, die Software wendet erstmalige saisonale Differenzierung an, wenn Saisonalität 1. Sie können dieses Modell erweitern, indem Sie eine Matrix von Prädiktordaten einschließen. Details finden Sie unter ARIMA-Modell mit exogenen Kovariaten. Stationaritätsanforderungen. wo t Hat Mittelwert 0, Varianz 2 und C ovts 0 für ts ist stationär, wenn sein erwarteter Wert, Varianz und Kovarianz zwischen Elementen der Serie unabhängig von der Zeit sind. Zum Beispiel ist das MA q - Modell mit c 0 für jedes q stationär. V aryt 2 i 1 qi 2 und ist für alle Zeitpunkte frei von t 1.Die Zeitreihe ytt 1 T ist ein Einheitswurzelprozess, wenn ihr erwarteter Wert, Varianz oder Kovarianz mit der Zeit wächst. Anschließend ist die Zeitreihe nicht stationär . 1 Box, G E P G M Jenkins und G C Reinsel Zeitreihenanalyse Vorhersage und Kontrolle 3rd ed Englewood Cliffs, NJ Prentice Hall, 1994. 2 Enders, W Angewandte ökonometrische Zeitreihe Hoboken, NJ John Wiley Sons, Inc 1995.Wählen Sie Ihr Land.
No comments:
Post a Comment