متوسطات إسيوس للمتوسط المتحرك الأسي

إتس أسوننتيال تمهيد في إيفيوس 8 على الرغم من أن الأساليب المخصصة الأسي تمهيد (إس) استخدمت لعقود عديدة، وقد أدرجت التطورات المنهجية الأخيرة هذه النماذج في إطار نموذجي غير الخطية الديناميكية الحديثة. هيندمان، كولر، وآخرون. (2002، إطار الفضاء الحكومي للتنبؤ التلقائي باستخدام أساليب التمدد الأسي، المجلة الدولية للتنبؤ، 18، 439454.) الخطوط العريضة لإطار إتس (E رور-t روند-S إسونال أو E إكسبونينال S S) الذي يحدد وهو يوفر أساسا نظريا لتحليل هذه النماذج باستخدام حسابات الاحتمالات القائمة على الفضاء، مع دعم اختيار النماذج وحساب الأخطاء القياسية المتوقعة. والجدير بالذكر أن إطار إتس يشمل النماذج القياسية إس (على سبيل المثال هولت و هولتوينترس المضافة والطرق المضاعفة)، بحيث يوفر الأساس النظري لما كان سابقا مجموعة من النهج المخصصة. يوفر إيفيوس 8 إتس الأسي تمهيد كإجراء مدمج. أدناه نعرض مثالا على استخدام إتس في إيفيوس. لتوضيح التقدير والتجانس باستخدام نموذج إتس، نتوقع بدء السكن الشهري (هس) للفترة 1985m011988m12. يتم توفير هذه البيانات في ملف العمل hs. wf1. وسوف نستخدم الخطأ المضاعف، والإضافات المضافة، والتضاعف الموسمية (M، A، M) نموذج لتقدير المعلمات باستخدام البيانات من 1959m011984m12 وعلى نحو سلس والتنبؤ ل 1985m11988m12. أولا، تحميل ملف العمل، وفتح سلسلة هس، وحدد بروكسوننتيال سموثينجيتس الأسية تجانس. تغيير القوائم المنسدلة مواصفات نموذج إلى (M، A، M) تعيين نموذج تقدير إلى 1959 1984 أو 1959m01 1984m12 تعيين نقطة نهاية التوقعات إلى 1988m04 وترك الإعدادات المتبقية في القيم الافتراضية الخاصة بهم. عند النقر فوق موافق. ويقدر إيفيوس نموذج إتس، ويعرض النتائج، ويحفظ النتائج السلسة في سلسلة هسم في ملف العمل. وتنقسم النتائج إلى أربعة أجزاء. ويبين الجزء الأول من الجدول الإعدادات المستخدمة في الإجراء إتس، بما في ذلك العينة المستخدمة للتقدير وحالة التقدير. هنا نرى أننا قد قدرنا نموذج (M، A، M) باستخدام البيانات من 1959 إلى 1984، وأن المقدر التقارب، ولكن مع بعض المعلمات في القيم الحدودية. ويبين القسم التالي من الجدول معلمات التجانس (،،) والحالات الأولية x 0 (l 0. b 0 s s. s -1. s -11). لاحظ وجود قيم الصفر الحدودية والتي تشير إلى أن المكونات الموسمية والاتجاهية لا تتغير من قيمها الأولية. الجزء السفلي من الناتج الجدول يحتوي على إحصاءات موجزة لإجراء تقدير: معظم هذه الإحصاءات هي ذاتي التفسير. إن احتمال السجل المضغوط المبلغ عنه هو ببساطة قيمة احتمال الاحتمال في غياب الثوابت غير الضرورية، ويتم توفيره لتسهيل المقارنة مع النتائج التي تم الحصول عليها من مصادر أخرى. ولأغراض المقارنة، قد يكون من المفيد النظر في نموذج إتس الذي يتم الحصول عليه باستخدام اختيار النموذج. لإجراء اختيار النموذج، املأ مربع الحوار كما كان من قبل، ولكن عين كل قائمة من القوائم المنسدلة لمواصفات النموذج إلى تلقائي. لاحظ أنه في الإعدادات الافتراضية، سيتم اختيار أفضل نموذج باستخدام معيار معلومات أكيك. بعد ذلك، انقر على علامة التبويب خيارات وقم بتعيين خيارات العرض لعرض التوقعات وجميع عناصر التحلل في الرسوم البيانية متعددة، ولإنتاج رسوم بيانية وجداول للتنبؤ واحتمال مقارنات جميع النماذج التي يعتبرها اختيار النموذج إجراء. انقر على موافق لإجراء التنعيم. منذ إيفيوس سوف تنتج عدة أنواع من الإخراج لإجراء، سيتم عرض النتائج في التخزين المؤقت: الجزء الأيسر من الإخراج يسمح لك لتحديد الإخراج الذي ترغب في عرضه. ببساطة انقر على الإخراج الذي ترغب في عرضه أو استخدام شريط التمرير على الجانب الأيمن من النافذة للانتقال من الإخراج إلى الإخراج. يحتوي ناتج التقدير على المواصفات والتقديرات المقدرة والمعلمات الأولية والإحصاءات الموجزة. ويظهر الجزء العلوي من المخرجات أن معيار إيك للمعايير المحددة في المعيار أكيك هو مواصفات (M، N، M)، مع تقدير معلمة تمهيد المستوى 0.72، والمعلمة الموسمية 0 المقدرة على الحدود. وتشير الإحصاءات الموجزة إلى أن هذه المواصفة تفوق النموذج السابق (M، A، M)، على أساس جميع معايير المعلومات الثلاثة ومتوسط ​​الخطأ المتوسط ​​للمربع، على الرغم من أن الاحتمال أقل وأن سر و رمز هما على حد سواء أعلى قليلا في النموذج المحدد. النقر على الرسم البياني المقارنة إيك في التخزين المؤقت، ونحن نرى نتائج لجميع النماذج المرشحة: لاحظ أن المحدد (M، N، M) والأصل (M، A، M) نموذج هي من بين المواصفات الخمسة مع منخفضة نسبيا إيك القيم. ويبين الرسم البياني لمقارنة التوقعات توقعات نماذج المرشحين: ويبين الرسم البياني كل من الملاحظات القليلة الأخيرة للتنبؤات داخل العينة والتنبؤات خارج العينة لكل من مواصفات إتس الممكنة. وبالإضافة إلى ذلك، أنتجت إعدادات العرض إيتس المختارة لدينا كل من الجدول احتمال الذي يحتوي على الاحتمال الفعلي وقيم أكايك لكل مواصفات، وجدول مقارنة التوقعات، والذي يقدم مجموعة فرعية من القيم المعروضة في الرسم البياني. على سبيل المثال، يتكون جدول الاحتمالات من أخيرا، يحتوي التخزين المؤقت على رسم بياني متعدد يحتوي على القيم الفعلية والمتوقعة للنظام المنسق خلال فترة التقدير والتنبؤ، جنبا إلى جنب مع تحلل السلسلة في المكونات والمكونات الموسمية. للحصول على معلومات المبيعات يرجى ساليسيفيس البريد الإلكتروني للحصول على الدعم الفني يرجى البريد الالكتروني سوبورتيفيوس يرجى تضمين الرقم التسلسلي الخاص بك مع جميع المراسلات البريد الإلكتروني. للحصول على معلومات إضافية عن الاتصال، انظر الصفحة الخاصة بنا. مقدمة إلى أريما: النماذج غير الموسمية أريما (p، d، q) التنبؤ بالمعادلة: نماذج أريما هي، من الناحية النظرية، الفئة الأكثر عمومية من النماذج للتنبؤ بسلسلة زمنية يمكن إجراؤها على يكون 8220stationary8221 من قبل ديفيرنسنس (إذا لزم الأمر)، وربما بالتزامن مع التحولات غير الخطية مثل قطع الأشجار أو انكماش (إذا لزم الأمر). المتغير العشوائي الذي هو عبارة عن سلسلة زمنية ثابت إذا كانت خصائصه الإحصائية ثابتة على مر الزمن. سلسلة ثابتة لا يوجد لديه اتجاه، والاختلافات حول متوسط ​​لها اتساع مستمر، وأنه يتلوى بطريقة متسقة. أي أن أنماطها الزمنية العشوائية القصيرة الأجل تبدو دائما بنفس المعنى الإحصائي. ويعني الشرط الأخير أن علاقاته الذاتية (الارتباطات مع انحرافاته السابقة عن المتوسط) تظل ثابتة على مر الزمن، أو على نحو مكافئ، أن طيف القدرة لا يزال ثابتا على مر الزمن. ويمكن أن ينظر إلى متغير عشوائي لهذا النموذج (كالمعتاد) على أنه مزيج من الإشارة والضوضاء، والإشارة (إذا كانت ظاهرة) يمكن أن تكون نمطا للانعكاس السريع أو البطيء، أو التذبذب الجيبية أو بالتناوب السريع في الإشارة ، ويمكن أن يكون لها أيضا عنصر موسمي. ويمكن النظر إلى نموذج أريما على أنه 8220filter8221 يحاول فصل الإشارة عن الضوضاء، ومن ثم يتم استقراء الإشارة إلى المستقبل للحصول على التنبؤات. ومعادلة التنبؤ أريما لسلسلة زمنية ثابتة هي معادلة خطية (أي الانحدار من نوع) تكون فيها المتنبؤات متخلفة عن المتغير التابع والتخلفات المتراكمة في أخطاء التنبؤ. وهذا هو: القيمة المتوقعة ل Y قيمة ثابتة ومرجحة لقيمة واحدة أو أكثر من القيم الأخيرة Y ومجموع مرجح لقيمة أو أكثر من القيم الأخيرة للأخطاء. إذا كانت المتنبئات تتكون فقط من قيم متخلفة من Y. هو نموذج الانحدار الذاتي النقي (8220self-regressed8221) النموذج، وهو مجرد حالة خاصة من نموذج الانحدار والتي يمكن تركيبها مع برامج الانحدار القياسية. على سبيل المثال، نموذج الانحدار الذاتي الأول (8220AR (1) 8221) ل Y هو نموذج انحدار بسيط يتغير فيه المتغير المستقل فقط بفترة واحدة (لاغ (Y، 1) في ستاتغرافيكس أو YLAG1 في ريجرسيت). إذا كان بعض المتنبؤات متخلفة من الأخطاء، وهو نموذج أريما فإنه ليس نموذج الانحدار الخطي، لأنه لا توجد طريقة لتحديد 8220 فترة قصيرة 8217s error8221 كمتغير مستقل: يجب أن تحسب الأخطاء على أساس فترة إلى فترة عندما يتم تركيب النموذج على البيانات. ومن وجهة نظر تقنية، فإن مشكلة استخدام الأخطاء المتأخرة كمنبئات هي أن التنبؤات النموذجية 8217s ليست وظائف خطية للمعاملات. رغم أنها وظائف خطية للبيانات السابقة. لذلك، يجب تقدير المعاملات في نماذج أريما التي تتضمن أخطاء متخلفة بطرق التحسين غير الخطية (8220hill-التسلق 8221) بدلا من مجرد حل نظام المعادلات. اختصار أريما لتقف على السيارات والانحدار المتكامل المتحرك المتوسط. ويطلق على الفترات المتأخرة في السلسلة المستقرة في معادلة التنبؤ مصطلحات كوتورغريسغريسيفيكوت، ويطلق على "أخطاء أخطاء التنبؤ" مصطلح "متوسط ​​التكلفة"، ويقال إن السلسلة الزمنية التي يجب أن تكون مختلفة لتكون ثابتة، هي عبارة عن نسخة متقاربة من سلسلة ثابتة. نماذج المشي العشوائي ونماذج الاتجاه العشوائي، ونماذج الانحدار الذاتي، ونماذج التجانس الأسي كلها حالات خاصة لنماذج أريما. ويصنف نموذج أريما نوناسونال على أنه نموذج كوتاريما (p، d، q) كوت حيث: p هو عدد مصطلحات الانحدار الذاتي، d هو عدد الاختلافات غير الموسمية اللازمة للاستبانة، و q هو عدد الأخطاء المتوقعة في التنبؤات معادلة التنبؤ. يتم بناء معادلة التنبؤ على النحو التالي. أولا، اسمحوا y تدل على الفرق د من Y. مما يعني: لاحظ أن الفرق الثاني من Y (حالة d2) ليس الفرق من 2 منذ فترات. بدلا من ذلك، هو الفرق الأول من الأول الفرق. وهو التناظرية منفصلة من مشتق الثاني، أي تسارع المحلي للسلسلة بدلا من الاتجاه المحلي. من حيث y. معادلة التنبؤ العامة هي: هنا يتم تعريف المعلمات المتوسطة المتحركة (9528217s) بحيث تكون علاماتها سلبية في المعادلة، وفقا للاتفاقية 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 8217s الاتفاقية التي يستخدمها البرنامج الخاص بك عندما كنت تقرأ الإخراج. في كثير من الأحيان يتم الإشارة إلى المعلمات هناك من قبل أر (1)، أر (2)، 8230، و ما (1)، ما (2)، 8230 الخ لتحديد نموذج أريما المناسب ل Y. تبدأ من خلال تحديد ترتيب الاختلاف (د) الحاجة إلى توثيق السلسلة وإزالة الخصائص الإجمالية للموسمية، ربما بالاقتران مع تحول استقرار التباين مثل قطع الأشجار أو الانقسام. إذا كنت تتوقف عند هذه النقطة والتنبؤ بأن سلسلة ديفيرنتد ثابت، لديك مجرد تركيب المشي العشوائي أو نموذج الاتجاه العشوائي. ومع ذلك، قد لا تزال السلسلة المستقرة ذات أخطاء ذات علاقة ذاتية، مما يشير إلى أن هناك حاجة إلى بعض المصطلحات أر (p 8805 1) أندور بعض مصطلحات ما (q 8805 1) في معادلة التنبؤ. ستتم مناقشة عملية تحديد قيم p و d و q الأفضل لسلسلة زمنية معينة في الأقسام اللاحقة من الملاحظات (التي توجد روابطها في أعلى هذه الصفحة)، ولكن معاينة لبعض الأنواع من نماذج أريما نونسونالونال التي تواجه عادة ما يرد أدناه. أريما (1،0،0) من الدرجة الأولى نموذج الانحدار الذاتي: إذا كانت السلسلة ثابتة و أوتوكوريلاتد، وربما يمكن التنبؤ بها باعتبارها متعددة من قيمتها السابقة، بالإضافة إلى ثابت. معادلة التنبؤ في هذه الحالة هي 8230 الذي يتراجع Y على نفسه متأخرا بفترة واحدة. هذا هو 8220ARIMA (1،0،0) ثابت 8221 نموذج. إذا كان متوسط ​​Y هو الصفر، فإن المصطلح الثابت لن يتم تضمينه. إذا كان معامل الانحدار 981 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 8217s للفترة التالية لتكون 981 1 مرة بعيدا عن متوسط ​​هذه الفترة قيمة 8217s. وإذا كان 981 1 سلبيا، فإنه يتنبأ بسلوك التراجع عن طريق تبديل الإشارات، أي أنه يتوقع أيضا أن يكون Y أقل من متوسط ​​الفترة التالية إذا كان أعلى من متوسط ​​هذه الفترة. في نموذج الانحدار الذاتي من الدرجة الثانية (أريما (2،0،0))، سيكون هناك مصطلح T-2 على اليمين كذلك، وهكذا. واعتمادا على علامات ومقدار المعاملات، يمكن أن يصف نموذج أريما (2،0،0) 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، أبسط نموذج ممكن لذلك هو نموذج المشي العشوائي، والتي يمكن اعتبارها حالة الحد من نموذج أر (1) التي الانتكاس الذاتي معامل يساوي 1، أي سلسلة مع بلا حدود بطيئة متوسط ​​الانعكاس. ويمكن كتابة معادلة التنبؤ لهذا النموذج على النحو التالي: حيث يكون المصطلح الثابت هو متوسط ​​التغير من فترة إلى أخرى (أي الانجراف الطويل الأجل) في Y. ويمكن تركيب هذا النموذج كنموذج انحدار لا اعتراض يقوم فيه الفرق الأول من Y هو المتغير التابع. وبما أنه يشمل (فقط) اختلافا غير منطقي ومدة ثابتة، فإنه يصنف على أنه نموذج كوتاريما (0،1،0) مع ثابت. كوت نموذج المشي العشوائي بدون الانجراف سيكون أريما (0،1، 0) نموذج بدون نموذج أريسترجيسد من الدرجة الأولى (1-1،0): إذا كانت أخطاء نموذج المشي العشوائي مترابطة تلقائيا، ربما يمكن إصلاح المشكلة بإضافة فاصل واحد للمتغير التابع إلى معادلة التنبؤ - أي وذلك بتراجع الفارق الأول من Y على نفسه متأخرا 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 غير منطقي ومدة ثابتة - أي. وهو نموذج أريما (1،1،0). أريما (0،1،1) دون تمهيد الأسي المستمر المستمر: اقترح استراتيجية أخرى لتصحيح الأخطاء أوتوكوريلاتد في نموذج المشي العشوائي من قبل نموذج تمهيد الأسي بسيط. تذكر أنه بالنسبة لبعض السلاسل الزمنية غير المستقرة (على سبيل المثال تلك التي تظهر تقلبات صاخبة حول متوسط ​​متغير ببطء)، فإن نموذج المشي العشوائي لا يؤدي كذلك إلى المتوسط ​​المتحرك للقيم السابقة. وبعبارة أخرى، فبدلا من أخذ الملاحظة الأخيرة كتوقعات الملاحظة التالية، من 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. يمكن كتابة معادلة التنبؤ لنموذج التمهيد الأسي البسيط في عدد من الأشكال المكافئة رياضيا. واحد منها هو ما يسمى 8220 خطأ التصحيح 8221 النموذج، الذي يتم تعديل التوقعات السابقة في اتجاه الخطأ الذي قدمه: لأن ه ر - 1 ذ ر - 1 - 374 ر - 1 حسب التعريف، يمكن إعادة كتابة هذا كما في : وهو أريما (0،1،1) مع معادلة التنبؤ المستمر مع 952 1 1 - 945. وهذا يعني أنه يمكنك تناسب تمهيد الأسي بسيط من خلال تحديده باعتباره نموذج أريما (0،1،1) دون ثابت، ويقدر معامل ما (1) المقدر 1-ناقص ألفا في صيغة سيس. نذكر أن متوسط ​​عمر البيانات في التنبؤات قبل فترة واحدة هو 945 1 في نموذج سيس، وهذا يعني أنها سوف تميل إلى التخلف عن الاتجاهات أو نقاط التحول بنحو 1 945 فترات. ويترتب على ذلك أن متوسط ​​عمر البيانات في التنبؤات السابقة بفترة زمنية واحدة لنموذج أريما (0،1،1) بدون نموذج ثابت هو 1 (1 - 952 1). إذا، على سبيل المثال، إذا كان 952 1 0.8، متوسط ​​العمر هو 5. كما 952 1 النهج 1، يصبح النموذج أريما (0،1،1) بدون ثابت متوسط ​​متحرك طويل الأجل جدا، و 952 1 النهج 0 يصبح نموذج المشي العشوائي دون الانجراف. ما هو أفضل طريقة لتصحيح الارتباط الذاتي: إضافة المصطلحات أر أو إضافة مصطلحات ما في النموذجين السابقين نوقش أعلاه، تم إصلاح مشكلة أخطاء أوتوكوريلاتد في نموذج المشي العشوائي بطريقتين مختلفتين: عن طريق إضافة قيمة متخلفة من سلسلة مختلفة إلى المعادلة أو إضافة قيمة متأخرة لخطأ التنبؤ. النهج الذي هو أفضل قاعدة من الإبهام لهذا الوضع، والتي سيتم 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 عن طريق إضافة ما المدى. في سلسلة الأعمال والاقتصاد الزمني، وغالبا ما تنشأ الارتباط الذاتي السلبي باعتباره قطعة أثرية من الاختلاف. (بشكل عام، يقلل الاختلاف من الارتباط الذاتي الإيجابي وربما يتسبب في التحول من الارتباط الذاتي الموجب إلى السالب). لذلك، فإن نموذج أريما (0،1،1)، الذي يكون فيه الاختلاف مصحوبا بمصطلح ما، غالبا ما يستخدم 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 كسب بعض المرونة. أولا وقبل كل شيء، ويسمح معامل ما (1) المقدرة لتكون سلبية. وهذا يقابل عامل تمهيد أكبر من 1 في نموذج سيس، وهو ما لا يسمح به عادة إجراء تركيب نموذج سيس. ثانيا، لديك خيار إدراج مدة ثابتة في نموذج أريما إذا كنت ترغب في ذلك، من أجل تقدير متوسط ​​الاتجاه غير الصفر. ويشتمل نموذج أريما (0،1،1) الثابت على معادلة التنبؤ: إن التنبؤات ذات الفترة الواحدة من هذا النموذج متشابهة نوعيا مع نموذج نموذج سيس، إلا أن مسار التنبؤات الطويلة الأجل عادة ما يكون (المنحدر يساوي مو) بدلا من خط أفقي. أريما (0،2،1) أو (0،2،2) دون تمهيد أسي خطية ثابتة: نماذج التجانس الأسية الخطية هي نماذج أريما التي تستخدم اثنين من الاختلافات نونسوناسونال بالتزامن مع الشروط ما. والفرق الثاني لسلسلة Y ليس مجرد الفرق بين Y وتخلف نفسها بفترتين، وإنما هو الفرق الأول من الاختلاف الأول - أي. التغيير في تغيير Y في الفترة t. وبالتالي، فإن الفارق الثاني من Y في الفترة t يساوي (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. والفرق الثاني من الدالة المنفصلة يشبه مشتق ثان من دالة مستمرة: يقيس الدالة كوتاكسيليركوت أو كوتكورفاتوريكوت في الدالة عند نقطة معينة من الزمن. ويتنبأ نموذج أريما (0،2،2) دون توقع ثابت بأن الفارق الثاني من السلسلة يساوي دالة خطية لآخر خطأين متوقعين: يمكن إعادة ترتيبهما على النحو التالي: حيث يكون 952 1 و 952 2 هما (1) و ما (2) معاملات. هذا هو نموذج التجانس الأسي العام الخطية. أساسا نفس نموذج Holt8217s، و Brown8217s نموذج هو حالة خاصة. ويستخدم المتوسطات المتحركة المرجح أضعافا مضاعفة لتقدير كل من المستوى المحلي والاتجاه المحلي في هذه السلسلة. تتلاقى التوقعات على المدى الطويل من هذا النموذج مع خط مستقيم يعتمد ميله على متوسط ​​الاتجاه الملحوظ نحو نهاية السلسلة. أريما (1،1،2) دون ثابت خطي الاتجاه الاتجاه الأسي تمهيد. ويوضح هذا النموذج في الشرائح المصاحبة على نماذج أريما. فإنه يستقلب الاتجاه المحلي في نهاية السلسلة ولكن تسطح بها في آفاق التنبؤ أطول لإدخال مذكرة من المحافظة، وهي الممارسة التي لديها الدعم التجريبي. انظر المقال على كوهي في ذي تريند تريند وركسكوت غاردنر أند ماكنزي أند ذي كوغولدن رولكوت أرتيسترونغ إت آل. للتفاصيل. فمن المستحسن عموما التمسك النماذج التي لا يقل عن واحد 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 تجهيز وكومكومون-فاكتوركوت القضايا التي نوقشت بمزيد من التفصيل في الملاحظات على الهيكل الرياضي لنماذج أريما. تنفيذ جدول البيانات: من السهل تنفيذ نماذج أريما مثل تلك الموضحة أعلاه على جدول بيانات. ومعادلة التنبؤ هي مجرد معادلة خطية تشير إلى القيم السابقة للسلاسل الزمنية الأصلية والقيم السابقة للأخطاء. وهكذا، يمكنك إعداد جدول بيانات تنبؤ أريما عن طريق تخزين البيانات في العمود ألف، وصيغة التنبؤ في العمود باء، والأخطاء (البيانات ناقص التنبؤات) في العمود C. وستكون صيغة التنبؤ في خلية نموذجية في العمود باء ببساطة تعبير خطي يشير إلى القيم في الصفوف السابقة من العمودين A و C مضروبا في معاملات أر أو ما المناسبة المخزنة في خلايا أخرى في جدول البيانات. أنا لست خبيرا في هذا ولكن أفهم أن المشكلة هي التالية: السلسلة بروك للتجانس الأسي واحد يحسب شكلا من أشكال الحساب المتوسط ​​المرجح أضعافا مضاعفة. قضية واحدة هي أن إيفيوس تهيئة التكرار باستخدام متوسط ​​(تقريبا) النصف الأول من الملاحظات، والتي قد أو قد لا تكون ما تريد. بالتناوب، يمكنك لفة بنفسك بسهولة تامة. إذا، على سبيل المثال، كنت ترغب في استخدام قيمة الملاحظة الأولى لتهيئة العودية، يمكنك استخدام الأوامر سمبل أول أولي العددية ألفا .3 سلسلة إما y سمبل first1 آخر ألفا إما (1-ألفا) إما (-1) حيث إيف تعيين تعسفي المعلمة تمهيد إلى 0.3. كيف يمكنني تعيين فترة التقدير وفترة التوقعات في الأمر أعلاه هو ألفا العددية 0.3 الوزن يمكنني ثم تغييره إلى .5. 7 و .9 كما الأوزان المختلفة هل تمثل آخر فترة التوقعات من فضلك أحتاج مساعدة عاجلة جدا. شكرا أعتقد أن السؤال والجواب ليست مطابقة هنا. دغو، ما تبحث عنه هو فني أو إدارة المخاطر نسخة من المتوسط ​​المتحرك أن الأوزان فترات أحدث أعلى من غيرها مع القدرة على السيطرة على طول النافذة عن طريق معلمة. قمت بإنشاء روتين فرعي يقوم بذلك ويتم نشره أدناه. لاحظ أنك سوف تحتاج إلى التوصل إلى طريقة للعثور على القيم الأولى والأخيرة المتاحة من سلسلة الخاصة بك وتمريرها في (لم أعط هذا الرمز في هذا المثال ولكن أنا سعيد لنشره إذا كان أي شخص مهتما). وألاحظ هذا في التعليمات البرمجية، ولكن هنا، من أجل الوضوح، هذه الدالة يأخذ حجة نافذة (كما هو الحال في موفاف (سلسلة، لكل)) وامدا، أو الاضمحلال، معامل. إذا كان معامل الاضمحلال 1، ثم لديك فقط المتوسط ​​المتحرك. إذا كان معامل الاضمحلال 0 ثم لديك فقط قيمة الفترات السابقة. حتى مقياسه 0-1 (معظم ما أراه في الممارسة هي gt.85). هذا هو مثل ضرب هذه المشكلة مع مطرقة الزلاجة كبيرة جدا، ولكن أنا لا أعرف من أي وسيلة أخرى لمعالجة ذلك. والوقت كالك هو بالضرورة وظيفة من النافذة ولكن لا ينبغي أن تكون مرهقة جدا لسلسلة الحجم معقول والمشاريع. دغو، نأمل أن يجيب رمز الاستعلام الأصلي الخاص بك. إذا كنت قد وجدت وسيلة أنظف لحساب، أحب أن أراه. ملاحظة ذهبت قدما ونشرت أول تاريخ متاح كود كذلك. سيقوم هذا الروتين بحساب المتوسط ​​المتحرك المتحرك أضعافا مضاعفة لنافذة معينة لسلسلة محددة. يجب تحديد معامل لامدا بين 0 و 1. صيغة مجاملة من كتاب: نماذج السوق من قبل كارول الكسندر فورملا هو كما يلي: نيراتيراتوردينوميناتور حيث: البسط س (t-1) كوفكس (t-2) coeff2x (t-3). كوف (n-1) x (t-n) المقاسم 1coeffcoeff2. كوف (n-1) x سلسلة كنت تحسب اوما جرا. كوف هو معامل لامدا للسيطرة على سرعة الاضمحلال للقيم القديمة. إذا كان معامل كوف 1 يكون لديك متوسط ​​متحرك متساوي الوزن. إذا كان معامل 0 ثم لديك فقط القيمة السابقة. وتشمل روتين للعثور على التواريخ الأولى والأخيرة من البيانات لسلسلة .. أكثر من ذلك في وقت لاحق. وتشمل m: toolboxfindfactorstartenddates. prg تحديد المعلمات. سوبروتين كالكما (معامل العددية، نافذة العددية، سلسلة سلسلة، لاحقة سلسلة) حيث: نافذة لامدا كوف مدة المتوسط ​​المتحرك (10dma، 50dma، الخ) سلسلة اسم السلسلة التي تقوم بحساب إوما ل. لاحقة سلسلة إلحاق اسم سلسلة لتعيين سلسلة إوما جديدة. عينة كاملة سمبل كل هذا القسم يتعامل مع إيجاد أول وآخر البيانات المتاحة لسلسلة معينة. أنا لا أعرف من EVIEWS6 طريقة للقيام بذلك مع وظيفة. لذلك أنا خلقت روتين أن أستخدم في جميع أنواع الروتين. مجموعة تيمب توتمكوس مجموعة كوتمبوت الإدخال هي المجموعة التي تحتوي على كل من سلسلة أن أريد الحصول على تواريخ البدء والانتهاء ل. استدعاء فيندفاكتورستارتنداتس (مجموعة) إخراج روتين بلدي هو جدول يسمى ستارتنديات أول تاريخ متاح في العمود 2 وآخر تاريخ متاح في العمود 3. أول دتو (ستارتندات (1، 2)) دتو الماضي (ستارتندات (1، 3)) في هذه المرحلة تحتاج إلى أن يكون رقم المراقبة لأول وأحدث نقطة البيانات المتاحة. إنشاء اسم السلسلة الجديدة التي سوف نستخدمها. إوما سيريستر (نافذة) كوتدوماكوت حذف إذا كان موجودا بالفعل. إذا إسوبجيكت (إوما) ثم حذف إنديف إنشاء سلسلة. سلسلة متساوية الحركة المتحركة المتوسط ​​المرجح من خلال كل نقطة في الوقت المناسب في حلقة. ل i (فيرستويندو) لآخر الأسطوانات 0 تهيئة دن 0 تهيئة الحلقة من خلال الإطار الزمني نافذة إوما. (n-1) دن دن كوف (n-1) الآن إنشاء إكس. Wgtd. مفافغ (ط) نومدن المقبل إندسوب للاختبار. إذا كان الاتصال من برنامج آخر، مجرد تعليق هذا الخط. استدعاء كالسيوما (.9، 10، كوتوتمكوسكوت، كوتدوماكوت) سوبروتين فيندفاكتورستارتنديتس (سلسلة غربليست) هذا البرنامج يأخذ قائمة من العوامل ويجد يوم البدء لكل واحد. وهذا مفيد عند بناء نموذج مع عوامل تايلد قصيرة. أي منها لديها معظم البيانات المتاحة ما هو اسم المجموعة للعامل قائمة فاكتورليست غروبليست A تالب اسمه ستارتديت سيتم استخدامها لتسجيل أسماء عامل وتواريخ البدء. إذا كان موجودا، حذفه لتجنب الارتباك. إذا إسوبجيكت (كوتستارتنداتيكوت) ثم حذف ستارتينديت إنديف بناء متغير الاتجاه لتحديد عدد الملاحظات هناك. إذا كان إسوجيكت (كوترندكوت) ثم حذف الاتجاه إنديف الاتجاه الاتجاه سلسلة () الآن إنشاء ستارتدات الجدول ستارتينديت العثور على عدد من العوامل في قائمة لاستفاكتور. count ل j 1 إلى عامل عامل آخر. seriesname (j) ل i 1 إلى أوبس (تريند) إف إذا كان إيسنا (k) (1) ثم التاريخ السابق هو آخر ستارتينديت (j، 3) أوتود (k-1) إكسيتلوب إنديف التالي إكسيتلوب إنديف التالي ستارتينديت (1) j، 2) أوتود (i) ستارتينديت (j، 1) عامل تنظيف المقبل. إذا إسوبجيكت (كوترندكوت) ثم حذف الاتجاه إنديف إندسوب لاختبار الدعوة فيندفاكتورستارتنداتس (quota3myieldmoquot)