نقل متوسط العملية في السلاسل الزمنية

برنامج تعليمي كامل عن نمذجة السلاسل الزمنية في R مقدمة 8216Time8217 هو العامل الأكثر أهمية الذي يضمن النجاح في الأعمال التجارية. من الصعب مواكبة وتيرة الوقت it8217s. ولكن، وقد وضعت التكنولوجيا بعض الأساليب القوية التي يمكننا من خلالها 8216 رؤية الأشياء 8217 في وقت مبكر. دون 8217t تقلق، أنا لا أتحدث عن آلة الزمن. Let8217s تكون واقعية هنا I8217m الحديث عن أساليب التنبؤ أمب التنبؤ. ومن هذه الطرق، التي تتناول البيانات المستندة إلى الوقت، نمذجة السلاسل الزمنية. وكما يوحي اسمها، فإنه ينطوي على العمل على الوقت (سنوات، أيام، ساعات، دقيقة) البيانات القائمة، لاشتقاق رؤى خفية لجعل اتخاذ قرارات مستنيرة. نماذج السلاسل الزمنية هي نماذج مفيدة جدا عندما يكون لديك بيانات متسلسلة مرتبطة. معظم المنازل التجارية تعمل على البيانات سلسلة زمنية لتحليل رقم المبيعات للعام المقبل، وحركة المرور على شبكة الإنترنت، موقف المنافسة وأكثر من ذلك بكثير. ومع ذلك، فهي أيضا واحدة من المجالات، التي العديد من المحللين لا يفهمون. لذلك، إذا كنت aren8217t متأكد من عملية كاملة من السلاسل الزمنية النمذجة، وهذا الدليل أعرض لكم على مستويات مختلفة من النمذجة سلسلة زمنية والتقنيات ذات الصلة. الموضوعات التالية مغطاة في هذا البرنامج التعليمي كما هو موضح أدناه: جدول المحتويات أساسيات 8211 نماذج السلاسل الزمنية استكشاف بيانات سلسلة الوقت في R مقدمة إلى إطار أرما لتصميم نماذج الوقت وتطبيق أريما سلسلة الوقت النمذجة الوقت للبدء 1. أساسيات 8211 الوقت سلسلة النمذجة Let8217s تبدأ من الأساسيات. وهذا يشمل سلسلة ثابتة، يمشي عشوائية. رو معامل، ديكي فولر اختبار ستاتيوناريتي. إذا كانت هذه الشروط هي بالفعل تخرب لك، don8217t تقلق 8211 أنها سوف تصبح واضحة في قليلا وأراهن أنك سوف تبدأ تتمتع الموضوع كما أشرح ذلك. السلسلة الثابتة هناك ثلاثة معايير أساسية لسلسلة يتم تصنيفها على أنها سلسلة ثابتة: 1. يجب ألا يكون متوسط ​​السلسلة دالة للوقت بل يجب أن يكون ثابتا. الصورة أدناه لديها الرسم البياني الأيسر يرضي الشرط في حين أن الرسم البياني باللون الأحمر له متوسط ​​يعتمد على الوقت. 2 - لا ينبغي أن يكون التباين في السلسلة دالة للوقت. ويعرف هذا العقار باسم هوموسيداستيسيتي. الرسم البياني التالي يصور ما هو وما ليست سلسلة ثابتة. (لاحظ التوزيع المتفاوت للتوزيع في الرسم البياني لليد اليمنى) 3. لا ينبغي أن يكون التباين بين المصطلح الأول والمصطلح (i) دالة للوقت. في الرسم البياني التالي، ستلاحظ انتشار يصبح أقرب كلما زاد الوقت. وبالتالي، فإن التباين ليست ثابتة مع مرور الوقت لسلسلة 8216red 8217. لماذا يهمني 8216stationarity8217 من سلسلة زمنية السبب أخذت هذا القسم أولا أنه حتى ما لم سلسلة زمنية الخاص بك هو ثابت، لا يمكنك بناء نموذج سلسلة زمنية. وفي الحالات التي ينتهك فيها المعيار الثابت، يصبح المطلوب الأول هو تجميع السلاسل الزمنية ومن ثم محاولة النماذج العشوائية للتنبؤ بهذه السلسلة الزمنية. هناك طرق متعددة لتحقيق هذا الاستقرارية. بعض منهم ديترندينغ، التفاضل الخ. المشي العشوائي هذا هو المفهوم الأساسي من سلسلة زمنية. قد تعرفون المفهوم جيدا. ولكن، وجدت الكثير من الناس في هذه الصناعة الذين يفسر المشي العشوائي باعتباره عملية ثابتة. في هذا القسم مع مساعدة من بعض الرياضيات، وسوف تجعل هذا المفهوم واضحة وضوح الشمس إلى الأبد. Let8217s تأخذ مثالا. مثال: تخيل فتاة تتحرك عشوائيا على لوحة الشطرنج العملاقة. في هذه الحالة، الموقف التالي للفتاة يعتمد فقط على الموقف الأخير. الآن تخيل، كنت جالسا في غرفة أخرى وغير قادرين على رؤية الفتاة. كنت ترغب في التنبؤ موقف الفتاة مع مرور الوقت. كيف دقيقة سوف تكون بطبيعة الحال سوف تصبح أكثر وأكثر غير دقيقة كما موقف الفتاة يتغير. في t0 أنت تعرف بالضبط أين الفتاة. في المرة القادمة، وقالت انها يمكن أن تتحرك فقط إلى 8 مربعات، وبالتالي انخفاض الاحتمالات الخاص بك إلى 18 بدلا من 1 وأنها تبقي على الذهاب إلى أسفل. الآن Let8217s محاولة صياغة هذه السلسلة: حيث إير (t) هو الخطأ في نقطة زمنية t. هذا هو العشوائية الفتاة يجلب في كل نقطة في الوقت المناسب. الآن، إذا كنا تناسب بشكل متكرر في جميع شس، وسوف ننتهي أخيرا إلى المعادلة التالية: الآن، دعونا محاولة التحقق من صحة افتراضاتنا من سلسلة ثابتة على هذه الصيغة المشي العشوائي: 1. هو متوسط ​​ثابت ونحن نعلم أن توقع أي خطأ سوف تكون صفرا كما هو عشوائي. ومن ثم نحصل على إكس (t) إكس (0) ثابت. 2. هو ثابت التباين وبالتالي، نستنتج أن المشي العشوائي ليست عملية ثابتة كما أن لديها التباين البديل الوقت. أيضا، إذا كنا التحقق من التباين، ونحن نرى أن أيضا يعتمد على الوقت. Let8217s التوابل حتى الأشياء قليلا، ونحن نعلم بالفعل أن المشي العشوائي هو عملية غير ثابتة. دعونا إدخال معامل جديد في المعادلة لمعرفة ما اذا كنا نستطيع جعل صياغة ثابتة. المعامل المقدم. رو الآن، وسوف تختلف قيمة رو لمعرفة ما اذا كان يمكننا أن نجعل من سلسلة ثابتة. هنا سوف تفسر مبعثر بصريا وعدم القيام بأي اختبار للتحقق قطبية. Let8217s تبدأ مع سلسلة ثابتة تماما مع رو 0. هنا هو مؤامرة للمسلسلات الزمنية: زيادة قيمة رو إلى 0.5 يعطينا الرسم البياني التالي: قد تلاحظ أن دوراتنا أصبحت أوسع ولكن أساسا هناك لا يبدو أن يكون انتهاك خطير للافتراضات الثابتة. Let8217s الآن تأخذ حالة أكثر تطرفا من رو 0.9 ما زلنا نرى أن X يعود من القيم المتطرفة إلى الصفر بعد بعض فترات. هذه السلسلة أيضا لا ينتهك غير ثابت بشكل كبير. الآن، Let8217s نلقي نظرة على المشي العشوائي مع رو 1. ومن الواضح أن هذا انتهاك لظروف ثابتة. ما يجعل رو 1 حالة خاصة التي تخرج سيئة في اختبار ثابت سوف نجد السبب الرياضي لهذا. Let8217s تأخذ التوقعات على كل جانب من المعادلة 8220X (t) رو X (t-1) إير (t) 8221 هذه المعادلة هي الثاقبة جدا. يتم سحب X التالية (أو عند النقطة الزمنية t) إلى رو آخر قيمة X. على سبيل المثال، إذا كان X (t 8211 1) 1، إكس (t) 0.5 (ل رو 0.5). الآن، إذا تحرك X إلى أي اتجاه من الصفر، يتم سحبه مرة أخرى إلى الصفر في الخطوة التالية. المكون الوحيد الذي يمكن أن يدفعه إلى أبعد من ذلك هو مصطلح الخطأ. ومن المحتمل أيضا أن يكون طول الخطأ في أي من الاتجاهين. ماذا يحدث عندما يصبح رو 1 لا قوة يمكن سحب X أسفل في الخطوة التالية. ديكي فولر تيست أوف ستاتيوناريتي ما تعلمت للتو في القسم الأخير يعرف رسميا باسم ديكي فولر الاختبار. وهنا قرص صغير الذي يتم إجراؤه لمعادلة لدينا لتحويله إلى اختبار ديكي فولر: علينا أن نختبر إذا رو 8211 1 يختلف كثيرا عن الصفر أم لا. إذا تم رفض فرضية فارغة، we8217ll الحصول على سلسلة زمنية ثابتة. اختبار ثابت وتحويل سلسلة إلى سلسلة ثابتة هي العمليات الأكثر أهمية في النمذجة سلسلة زمنية. تحتاج إلى حفظ كل التفاصيل من هذا المفهوم للانتقال إلى الخطوة التالية من النمذجة سلسلة زمنية. Let8217s الآن النظر في مثال لتظهر لك ما يبدو سلسلة زمنية. 2. استكشاف البيانات سلسلة الوقت في R هنا we8217ll تعلم التعامل مع البيانات سلسلة زمنية على R. وسوف يقتصر نطاقنا لاستكشاف البيانات في سلسلة زمنية نوع من مجموعة البيانات وعدم الذهاب إلى بناء نماذج سلسلة زمنية. لقد استخدمت مجموعة بيانات يحمل في ثناياه عوامل من R دعا إيرباسنجرز. وتتكون مجموعة البيانات من مجاميع شهرية من ركاب الخطوط الجوية الدولية، من 1949 إلى 1960. تحميل مجموعة البيانات فيما يلي الرمز الذي سيساعدك على تحميل مجموعة البيانات ويسرب بعض المقاييس العليا. استنتاجات هامة يظهر الاتجاه العام على أساس سنوي بوضوح أن الركاب يتزايدون دون أي فشل. الفرق و متوسط ​​القيمة في شهري يوليو وأغسطس أعلى بكثير من بقية الأشهر. على الرغم من أن القيمة المتوسطة لكل شهر مختلفة تماما تباينها هو صغير. وبالتالي، لدينا تأثير موسمي قوي مع دورة من 12 شهرا أو أقل. استكشاف البيانات يصبح الأكثر أهمية في سلسلة زمنية نموذج 8211 دون هذا الاستكشاف، فإنك لن تعرف ما إذا كانت سلسلة ثابتة أم لا. كما هو الحال في هذه الحالة نحن نعرف بالفعل الكثير من التفاصيل حول هذا النوع من النموذج الذي نبحث عنه. Let8217s تأخذ الآن بضعة نماذج سلسلة الوقت وخصائصها. وسوف نتناول هذه المشكلة إلى الأمام ونقدم بعض التوقعات. 3. مقدمة إلى أرما نماذج الوقت النمذجة نماذج أرما تستخدم عادة في النمذجة السلاسل الزمنية. في نموذج أرما، أر تقف لصناعة السيارات في الانحدار و ما يقف على المتوسط ​​المتحرك. إذا كانت هذه الكلمات سليمة تخويف لك، تقلق لا 8211 I8217ll تبسيط هذه المفاهيم في دقائق القليلة القادمة بالنسبة لك سنقوم الآن تطوير موهبة لهذه الشروط وفهم الخصائص المرتبطة بهذه النماذج. ولكن قبل أن نبدأ، يجب أن نتذكر، أر أو ما لا تنطبق على سلسلة غير ثابتة. في حال كنت تحصل على سلسلة غير ثابتة، تحتاج أولا إلى ستاتاريريز سلسلة (عن طريق اتخاذ التحول الفرق) ومن ثم اختيار من النماذج المتاحة سلسلة الوقت. أولا، I8217ll شرح كل من هذين النموذجين (أر أمبير ما) بشكل فردي. بعد ذلك، سوف ننظر في خصائص هذه النماذج. سلسلة الوقت التلقائي الانحدار نموذج نماذج Let8217s فهم أر باستخدام الحالة أدناه: الناتج المحلي الإجمالي للبلد يقول x (ر) يعتمد على العام الماضي 8217s الناتج المحلي الإجمالي أي (ر 8211 1). الفرضية هي أن التكلفة الإجمالية لإنتاج المنتجات أمبير الخدمات في بلد في السنة المالية (المعروفة باسم الناتج المحلي الإجمالي) تعتمد على إنشاء خدمات مصانع في العام السابق والصناعات التي أنشئت حديثا خدمات محطات في التيار عام. ولكن العنصر الأساسي في الناتج المحلي الإجمالي هو العنصر السابق. وبالتالي، يمكننا كتابة المعادلة من الناتج المحلي الإجمالي بشكل رسمي على النحو التالي: تعرف هذه المعادلة بصيغة أر (1). الرقم الأول (1) يدل على أن المثيل التالي يعتمد فقط على المثيل السابق. ألفا هو معامل نسعى إليه لتقليل وظيفة الخطأ. لاحظ أن x (t-1) يرتبط في الواقع ب x (t-2) بنفس الطريقة. وبالتالي، فإن أي صدمة ل x (ر) سوف تتلاشى تدريجيا في المستقبل. على سبيل المثال، Let8217s يقول x (t) هو عدد من زجاجات عصير تباع في مدينة في يوم معين. خلال فصل الشتاء، عدد قليل جدا من البائعين اشترى زجاجات عصير. فجأة، في يوم معين، ارتفعت درجة الحرارة وارتفع الطلب من زجاجات عصير إلى 1000. ومع ذلك، بعد بضعة أيام، أصبح المناخ البارد مرة أخرى. ولكن، مع العلم أن الناس اعتادوا على شرب عصير خلال الأيام الحارة، كان هناك 50 من الناس لا يزالون يشربون عصير خلال الأيام الباردة. في الأيام التالية، انخفضت النسبة إلى 25 (50 من 50) ثم تدريجيا إلى عدد قليل بعد عدد كبير من الأيام. يوضح الرسم البياني التالي خاصية الجمود من سلسلة أر: موفينغ متوسط ​​سلسلة الوقت نموذج Let8217s تأخذ حالة أخرى لفهم الانتقال متوسط ​​نموذج سلسلة الوقت. تنتج الشركة المصنعة نوع معين من الحقيبة، التي كانت متاحة بسهولة في السوق. وباعتبارها سوقا تنافسية، فإن بيع الكيس بلغ الصفر لعدة أيام. لذلك، يوم واحد فعل بعض التجربة مع تصميم وأنتجت نوع مختلف من الحقيبة. هذا النوع من الكيس لم يكن متوفرا في أي مكان في السوق. وهكذا، كان قادرا على بيع كامل الأسهم من 1000 كيس (يتيح استدعاء هذا ك x (ر)). وقد حصل الطلب على ارتفاع كبير في أن الحقيبة نفدت من المخزون. ونتيجة لذلك، قام حوالي 100 عميل غريب بشراء هذه الحقيبة. يتيح استدعاء هذه الفجوة كخطأ في تلك النقطة الزمنية. مع مرور الوقت، كانت الحقيبة قد فقدت عاملها. ولكن لا يزال هناك عدد قليل من العملاء الذين تركوا فارغة سلم في اليوم السابق. وفيما يلي صياغة بسيطة لتصوير السيناريو: إذا حاولنا رسم هذا الرسم البياني، وسوف تبدو شيئا من هذا القبيل: هل لاحظت الفرق بين ما و أر نموذج في نموذج ما، صدمة الضوضاء بسرعة تتلاشى مع مرور الوقت. نموذج أر له تأثير دائم بكثير من الصدمة. الفرق بين نماذج أر و ما يعتمد الفرق الأساسي بين نموذج أر و ما على العلاقة بين كائنات السلاسل الزمنية في نقاط زمنية مختلفة. وتكون العلاقة بين x (t) و x (t-n) بالنسبة إلى n غ من أمر ما هو دائما صفر. هذا يتدفق مباشرة من حقيقة أن التباين بين x (t) و x (t-n) هو صفر لنماذج ما (وهو ما نشير إليه من المثال الذي اتخذ في القسم السابق). ومع ذلك، فإن ارتباط x (t) و x (t-n) ينخفض ​​تدريجيا مع n تصبح أكبر في نموذج أر. يتم استغلال هذا الاختلاف بغض النظر عن وجود نموذج أر أو نموذج ما. مؤامرة الارتباط يمكن أن تعطينا ترتيب نموذج ما. استغالل مؤامرات أكف و باسف بمجرد أن نحصل على سلسلة زمنية ثابتة، يجب علينا اإلجابة على سؤالين أساسيين: Q1. هل هي عملية أر أو ما Q2. ما ترتيب عملية أر أو ما نحن بحاجة إلى استخدام خدعة لحل هذه الأسئلة هو متاح في القسم السابق. didn8217t لاحظت يمكن الإجابة على السؤال الأول باستخدام إجمالي الرسم البياني الارتباط (المعروف أيضا باسم السيارات 8211 الارتباط وظيفة أسف). أسف هو مؤامرة من الترابط الكلي بين مختلف وظائف تأخر. على سبيل المثال، في الناتج المحلي الإجمالي مشكلة، الناتج المحلي الإجمالي في الوقت نقطة t هو x (t). نحن مهتمون في ارتباط x (t) مع x (t-1). x (t-2) وهلم جرا. الآن let8217s تعكس ما تعلمناه أعلاه. في سلسلة متوسط ​​متحرك من التأخر n، لن نحصل على أي ارتباط بين x (t) و x (t 8211 n -1). وبالتالي، فإن الرسم البياني للارتباط الكلي يقطع عند الفارق الزمني. لذلك يصبح من السهل العثور على تأخر لسلسلة ما. بالنسبة لسلسلة أر، سوف ينخفض ​​هذا الارتباط تدريجيا دون أي قيمة قطع. لذلك ماذا نفعل إذا كان هو سلسلة أر هنا هو خدعة الثانية. إذا اكتشفنا الارتباط الجزئي لكل تأخر، فإنه سيتم قطع بعد درجة من سلسلة أر. على سبيل المثال، إذا كان لدينا سلسلة أر (1)، إذا استبعدنا تأثير التأخر الأول (x (t-1))، فإن الفارق الثاني (x (t-2)) مستقل عن x (t). وبالتالي، فإن وظيفة الارتباط الجزئي (باسف) تنخفض بشكل حاد بعد التأخر 1ST. فيما يلي أمثلة توضح أي شكوك لديك بشأن هذا المفهوم: يظهر الخط الأزرق أعلاه قيم مختلفة بشكل ملحوظ عن الصفر. ومن الواضح أن الرسم البياني أعلاه له انقطاع على منحنى باسف بعد 2 تأخر مما يعني أن هذا هو في الغالب عملية أر (2). ومن الواضح أن الرسم البياني أعلاه يحتوي على قطع من منحنى أسف بعد 2 تأخر مما يعني أن هذا هو في الغالب عملية ما (2). حتى الآن، لقد غطينا كيفية التعرف على نوع من سلسلة ثابتة باستخدام مؤامرات أسف أمب باسف. الآن، I8217ll أعرض لكم إطار شامل لبناء نموذج سلسلة زمنية. وبالإضافة إلى ذلك، يناقش We8217ll أيضا عن التطبيقات العملية للنمذجة سلسلة زمنية. 4. إطار وتطبيق أريما الوقت سلسلة النمذجة مراجعة سريعة، حتى هنا we8217ve تعلمت أساسيات النمذجة سلسلة زمنية، سلسلة زمنية في R و أرما النمذجة. الآن هو الوقت المناسب للانضمام إلى هذه القطع وجعل قصة مثيرة للاهتمام. نظرة عامة على الإطار يحدد هذا الإطار (الموضح أدناه) نهج خطوة بخطوة على 8216 كيفية إجراء تحليل سلسلة زمنية 8216: كما تعلمون، فإن الخطوات الثلاث الأولى قد تمت مناقشتها أعلاه. ومع ذلك، تم تحديد نفس الشيء بإيجاز أدناه: الخطوة 1: تصور السلسلة الزمنية من الضروري تحليل الاتجاهات قبل بناء أي نوع من نماذج السلاسل الزمنية. التفاصيل التي نهتم بها تتعلق بأي نوع من الاتجاهات، الموسمية أو السلوك العشوائي في هذه السلسلة. لقد غطينا هذا الجزء في الجزء الثاني من هذه السلسلة. الخطوة 2: ستاتيوناريز سلسلة مرة واحدة ونحن نعرف أنماط والاتجاهات والدورات والموسمية. يمكننا معرفة ما إذا كانت سلسلة ثابتة أم لا. ديكي 8211 فولر هي واحدة من اختبار شعبية للتحقق من نفسه. لقد غطينا هذا الاختبار في الجزء الأول من هذه المقالة. هذا don8217t ينتهي هنا ماذا لو تم العثور على سلسلة لتكون غير ثابتة هناك ثلاثة تقنية شائعة الاستخدام لجعل سلسلة زمنية ثابتة: 1. ديترندينغ. هنا، نحن ببساطة إزالة عنصر الاتجاه من السلاسل الزمنية. على سبيل المثال، معادلة سلسلتي الزمنية هي: W8217ll ببساطة إزالة الجزء في الأقواس وبناء نموذج لباقي. 2. التفاضل. هذا هو الأسلوب شائعة الاستخدام لإزالة غير ثابت. نحن هنا نحاول أن نحدد الاختلافات في المصطلحات وليس المصطلح الفعلي. على سبيل المثال، هذا الاختلاف يسمى جزء التكامل في أر (I) ما. الآن، لدينا ثلاثة معلمات 3. موسمية. موسمية يمكن بسهولة أن تدرج في نموذج أريما مباشرة. وقد تمت مناقشة المزيد حول ذلك في جزء التطبيقات أدناه. الخطوة 3: البحث عن المعلمات الأمثل المعلمات p، د، ف يمكن العثور عليها باستخدام مؤامرات أسف و باسف. إضافة إلى هذا النهج يمكن أن يكون، إذا انخفض كل من أسف و باسف تدريجيا، فإنه يشير إلى أننا بحاجة إلى جعل سلسلة زمنية ثابتة وإدخال قيمة إلى 8220d8221. الخطوة 4: بناء نموذج أريما مع المعلمات في متناول اليد، يمكننا أن نحاول الآن لبناء نموذج أريما. قد تكون القيمة التي تم العثور عليها في القسم السابق تقديرا تقريبيا، ونحن بحاجة إلى استكشاف المزيد من المجموعات (p، d، q). واحد مع أدنى بيك و إيك ينبغي أن يكون خيارنا. يمكننا أيضا محاولة بعض النماذج مع عنصر موسمي. فقط في حالة، نلاحظ أي موسمية في المؤامرات أففاكف. الخطوة 5: جعل التوقعات مرة واحدة لدينا نموذج أريما النهائي، ونحن الآن على استعداد لجعل التنبؤات على النقاط الزمنية في المستقبل. يمكننا أيضا تصور الاتجاهات لعبور التحقق من صحة إذا كان النموذج يعمل بشكل جيد. تطبيقات نموذج سلسلة الوقت الآن، we8217ll استخدام نفس المثال الذي استخدمناه أعلاه. ثم، باستخدام سلسلة زمنية، we8217ll جعل التوقعات المستقبلية. ننصحك بمراجعة المثال قبل المتابعة. أين بدأنا بعد هو مؤامرة من عدد الركاب مع سنوات. محاولة وجعل الملاحظات على هذه المؤامرة قبل أن تتحرك أبعد في هذه المادة. وهنا ملاحظاتي: 1. هناك عنصر الاتجاه الذي ينمو العام الركاب حسب السنة. 2. يبدو أن هناك عنصر موسمي الذي لديه دورة أقل من 12 شهرا. 3. التباين في البيانات يبقى على زيادة مع مرور الوقت. ونحن نعلم أننا بحاجة إلى معالجة مسألتين قبل أن نختبر سلسلة ثابتة. واحد، نحن بحاجة لإزالة الفروق غير المتكافئة. ونحن نفعل ذلك باستخدام سجل من سلسلة. اثنان، نحن بحاجة إلى معالجة عنصر الاتجاه. ونحن نفعل ذلك من خلال اتخاذ الفرق من هذه السلسلة. الآن، Let8217s اختبار سلسلة الناتجة. زيادة ديكي-فولر اختبار ونحن نرى أن سلسلة ثابتة بما فيه الكفاية للقيام بأي نوع من الوقت سلسلة النمذجة. الخطوة التالية هي العثور على المعلمات الصحيحة لاستخدامها في نموذج أريما. ونحن نعلم بالفعل أن المكون 8216d8217 هو 1 ونحن بحاجة 1 الفرق لجعل سلسلة ثابتة. ونحن نفعل ذلك باستخدام مؤامرات الترابط. وفيما يلي مؤامرات أكف للسلسلة: ماذا ترى في الرسم البياني الموضح أعلاه بوضوح، انحطاط الرسم البياني أسف بطيء جدا، مما يعني أن السكان ليست ثابتة. وقد سبق أن ناقشنا أعلاه أننا ننوي الآن التراجع عن اختلاف السجلات بدلا من تسجيل الدخول مباشرة. Let8217s نرى كيف أسف و باسف منحنى يخرج بعد التراجع على الفرق. ومن الواضح أن مؤامرة أسف تقطع بعد الفارق الأول. وبالتالي، فهمنا أن قيمة p ينبغي أن يكون 0 كما أسف هو منحنى الحصول على قطع. في حين أن قيمة q يجب أن تكون 1 أو 2. بعد عدد قليل من التكرار، وجدنا أن (0،1،1) كما (p، d، q) يخرج ليكون مزيج مع أقل إيك و بيك. Let8217s تناسب نموذج أريما والتنبؤ 10 سنوات في المستقبل. أيضا، سوف نحاول تركيب في مكون موسمية في صياغة أريما. ثم، فإننا سوف تصور التنبؤ جنبا إلى جنب مع بيانات التدريب. يمكنك استخدام التعليمات البرمجية التالية لفعل الشيء نفسه: مع هذا، نأتي إلى هذه الغاية من البرنامج التعليمي على النمذجة سلسلة الوقت. آمل أن يساعدك هذا على تحسين معرفتك للعمل على البيانات المستندة إلى الوقت. لجني أقصى قدر من الفوائد من هذا البرنامج التعليمي، I8217d أقترح عليك لممارسة هذه الرموز R جنبا إلى جنب والتحقق من التقدم المحرز الخاص بك. هل وجدت المادة مفيدة شارك معنا إذا كنت قد فعلت نوع مماثل من التحليل من قبل. اسمحوا لنا أن نعرف أفكارك حول هذه المادة في المربع أدناه. إذا كنت تحب ما قرأت للتو أمب تريد مواصلة التعلم التحليلات الخاصة بك، والاشتراك في رسائل البريد الإلكتروني لدينا. تابعنا على تويتر أو مثل صفحة الفيسبوك لدينا. شارك هذا: مرحبا تافيش. أولا وقبل كل شيء، تهانينا على عملك هنا. وكان إيت 8217s مفيدة جدا. شكرا لكم أنا شك وآمل أن تتمكن من مساعدتي أجري اختبار ديكي فولر على كل من سلسلة إيرباسنجرز و ديف (لوغ (إيرباسنجرز)) هنا النتائج: المعززة ديكي فولر بيانات الاختبار: فرق (سجل (إيرباسنجرز)) ديكي فولر -9.6003، تأخر النظام 0، p - قيمة 0.01 فرضية بديلة: ثابت المعززة ديكي فولر بيانات الاختبار: فرق (سجل (إيرباسنجرز)) ديكي فولر -9.6003، تأخر النظام 0، قيمة P 0.01 فرضية بديلة: ثابتة في كلا الاختبارين حصلت على قيمة P الصغيرة التي تسمح لي أن رفض الفرضية غير ثابتة. أنا على حق إذا كان الأمر كذلك، السلسلة الأولى هو ثابت بالفعل وهذا يعني أنه إذا كنت قد أجريت اختبار ثابت على السلسلة الأصلية قد انتقل إلى الخطوة التالية. شكرا لكم مقدما. الآن مع النتائج الصحيحة. المعززة ديكي فولر بيانات الاختبار: إيرباسنجرز ديكي فولر -4.6392، تأخر النظام 0، قيمة P 0.01 فرضية بديلة: ثابت المعززة ديكي فولر بيانات الاختبار: فرق (سجل (إيرباسنجرز)) ديكي فولر -9.6003، تأمر النظام 0، p-فالو 0.01 فرضية بديلة: ثابتة نعم، يشير Adf. test (إيرباسنجرز) إلى أن السلسلة ثابتة. هذا مضلل بعض الشي. السبب: يقوم هذا الاختبار أولا بإلغاء الاتجاه على السلسلة، (أي يزيل مكون الاتجاه)، ثم يتحقق من الاستبانة. وبالتالي فإنه أعلام سلسلة كما ثابتة. هناك اختبار آخر في حزمة فونيتروتس. يرجى محاولة هذا الرمز: بدء تثبيت. packages (8220fUnitRoots8221) إذا كنت قد قمت بالفعل بتثبيت هذه الحزمة، يمكنك حذف هذه الخط مكتبة (فونيتروتس) أدفتيست (إيرباسنجرز) أدفتيست (سجل (إيرباسنجرز)) أدفتيست (فرق (إيرباسنجرز)) النهاية نأمل هذا يساعد .. بفضل رام، كان لي نفس السؤال كما هوغو وشرحكم ساعدت فقط أريد أن أشير إلى مصلحة أي شخص آخر يبحث في هذا أن R هو حساسة للغطاء، لا تنسى أن الاستفادة من T في أدفتيست آخر وظيفتك لن يعمل. لحسن الحظ وظيفة auto. arima يسمح لنا لنموذج سلسلة زمنية لطيف جدا على الرغم من أنه من المفيد جدا أن نعرف أساسيات. هنا هو بعض التعليمات البرمجية كتبت على نفس البيانات مرحبا، بعد تشغيل هذا لوت التنبؤ السابق (أبوديل، n. ahead1012) نلقي نظرة على 039pred039 وهي قائمة من 2 (قبل و سي 8211 أفترض أن هذه هي التنبؤات والأخطاء .) أود أن أقترح استخدام اسم غير سابق في وظيفة التنبؤ لتجنب الارتباك. لقد استخدمت أبوريكاست التالية lt - التنبؤ (أبموديل، n. ahead1012) لذلك أبفوريكاست هي قائمة من قبل و سي ونحن بحاجة إلى رسم القيم السابقة. أي أبوريكاستبريد كما فعلنا أريما على سجل إيرباسنجرز، وبالتالي فإن التوقعات التي حصلنا عليها هو في الواقع سجل من التوقعات الحقيقية. وبالتالي نحن بحاجة إلى العثور على عكس معكوس ما لدينا. أي. سجل (توقعات) أبوريكاستبريد لذلك توقع e أبوريكاستبريد ه 2.718 إذا وجدت أن مربكة، أود أن أقترح قراءة ما يصل على اللوغاريتمات الطبيعية وعكسها سجل cuty039 هو مؤامرة على مقياس لوغاريتمي 8211 هذا ليس هناك حاجة، حاول وظيفة دون ذلك و مع ومراقبة النتائج. لتي بت لم أحسب بعد. إسقاطه ومحاولة ts. plot، فإنه يعمل بشكل جيد. يا ايمي، ts. plot () سوف مؤامرة عدة سلسلة زمنية على نفس المؤامرة. الإدخالات الأولى هما السلسلتان الزمنيتان اللتان ترسمهما 8217s. المدخلين الأخيرين هي المعلمات البصرية لطيفة (we8217ll نعود إلى ذلك). ومن الواضح أن هذا يرسم سلسلة الوقت إيرباسنجرز في الظلام، خط مستمر. الإدخال الثاني هو أيضا سلسلة زمنية، لكنه أكثر قليلا مربكة: 8221 2.718predpred8221. أولا، عليك أن تعرف ما بريدبريد هو. وظيفة التنبؤ () هنا هي وظيفة عامة التي سوف تعمل بشكل مختلف لفئات مختلفة توصيله (تقول ذلك إذا كنت اكتب التنبؤ). فئة we8217re العمل مع هو فئة أريما. إذا قمت بكتابة التنبؤ. أريما سوف تجد وصفا جيدا لما هي وظيفة كل شيء. توقع. أريما () يبصق شيء مع جزء 8220pred8221 (للتنبؤ) و 8220se8221 جزء (للخطأ القياسي). نحن نريد الجزء 8220pred8221، وبالتالي بريدبريد. لذلك، بريدبريد هو سلسلة زمنية. الآن، 2.718predpred هو أيضا. عليك أن تتذكر أن 2.718 هو تقريبا ثابت ه، ومن ثم هذا منطقي. He8217s مجرد التراجع عن السجل الذي وضع على البيانات عندما خلق 8220fit8221. أما بالنسبة للمعلمتين الأخيرتين، سجل 8220y8221 يحدد المحور ص لتكون على مقياس السجل. وأخيرا، سوف لتي ج (1،3) تعيين لينتيب إلى 1 (للصلبة) للسلسلة الزمنية الأصلية و 3 (منقط) لسلسلة زمنية متوقعة. يا تافيش، يتمتع حقا المحتوى، مجرد شك صغير: يمكنك من فضلك إباتوريت التباين في شروط ثابتة. أنا أفهم مصطلح التباين، ولكن هنا في سلسلة زمنية، فإنه لا يأتي إلى ذهني. هل يمكن أن تساعدني على فهم الشرط الثالث من السلسلة الثابتة أي 8220 التباين في ط ط مصطلح و (إم) ث المدى لا ينبغي أن تكون وظيفة من الوقت. 8221 الرجاء مساعدتي على فهم من منظور البيانات على سبيل المثال إذا كان لدي بيانات المبيعات ل كل تاريخ. كيف يمكنك شرح كونفاريانس في المثال الحقيقي مع بيانات المبيعات اليومية. بارث جيرا يقول: مرحبا تافيش، شكرا جزيلا. هذه المادة كانت مفيدة للغاية. كان لي مجرد قضية صغيرة واحدة. بعد الخطوة الأخيرة، إذا كنت ترغب في استخراج القيم المتوقعة من المنحنى. كيف نفعل ذلك يمكنك الحصول على القيم المتوقعة من المتغير السابقة. بريد هو قائمة مع اثنين من العناصر: قبل و سي. (التنبؤ والخطأ المعياري). لرؤية التوقعات، استخدم هذا الأمر: طباعة (بريدبريد) بارث جيرا يقول: مرحبا رام، شكرا لمساعدتكم. نعم، طباعة (بريدبريد) سوف تعطينا سجل القيم المتوقعة. (2.718predpred) سيعطينا القيم الفعلية المتوقعة. شكرا نعم، إذا كنت تستخدم 8216log8217 عند إنشاء النموذج، سوف تستخدم أنتيلوغ أو الأس للحصول على القيم المتوقعة. إذا قمت بإنشاء نموذج دون وظيفة السجل، فلن تستخدم الأس للحصول على القيم المتوقعة كيفية استخراج البيانات للقيم المتوقعة والفعلية من R هيلو، والبيانات التي استخدمتها في البرنامج التعليمي الخاص بك، إيرباسنجرز، هو بالفعل سلسلة زمنية موضوع. سؤالي هو، كيف يمكنني ميكبريبار بلدي الكائن سلسلة الوقت الخاص لدي حاليا مجموعة بيانات صرف العملات التاريخية، مع العمود الأول يجري التاريخ، والباقي 20 الأعمدة تحت عنوان البلد، وقيمها هي سعر الصرف. بعد تحويل عمود تاريخي إلى كائن التاريخ، عند استخدام نفس الأوامر المستخدمة في البرنامج التعليمي الخاص بك، والنتائج هي مضحك. على سبيل المثال، سوف تبدأ (داتاتديت) تعطيني نتيجة: 1 1 1 والتردد (داتديت) سيعود: 1 1 يمكنك يرجى شرح كيفية إعداد بياناتنا وفقا لذلك حتى نتمكن من استخدام وظائف شكرا لك إذا كنت اكتب في تيسي ثم يجب أن تكون في طريقك. تحتاج فقط إلى (واحد) سلسلة زمنية، وتيرة، وتاريخ البدء. يجب أن تكون الأمثلة في الجزء السفلي من الوثائق مفيدة جدا. I8217m التخمين you8217d كتابة شيء مثل تيسي (يورتيمسريزداتا، تردد 365، بدء c (1980، 153)) على سبيل المثال إذا بدأت البيانات الخاصة بك في اليوم ال 153 من 1980.A حاشية في بانكراتز (1983). في الصفحة 48، يقول: المتوسط ​​المتحرك للتسمية غير صحيح من الناحية الفنية نظرا لأن معاملات ما قد تكون سلبية وقد لا تلخص الوحدة. ويستخدم هذا التصنيف بموجب الاتفاقية. بوكس و جينكينز (1976) يقول أيضا شيئا مماثلا. في الصفحة 10: المتوسط ​​المتحرك للاسم مضلل بعض الشيء لأن الأوزان 1، - theta، - theta، لدوتس، - theta، التي تتضاعف كما، لا تحتاج إلى وحدة كاملة ولا تحتاج إلى أن تكون إيجابية. ومع ذلك، هذه التسميات هي في الاستخدام الشائع، وبالتالي نحن توظيفه. آمل أن يساعد هذا. إذا نظرتم إلى عملية ما يعني صفر: شت فاريبسيلونت theta1 فاريبسيلون كدوتس ثيتاق فاريبسيلون، ثم هل يمكن أن نعتبر الجانب الأيمن أقرب إلى المتوسط ​​المتحرك المرجح لشروط فاريبسيلون، ولكن حيث لا تزن الأوزان إلى 1. لاحظ أن يمكن اعتبار كل قيمة يت كمتوسط ​​متحرك مرجح لأخطاء التنبؤ القليلة الماضية. ويمكن العثور على تفسيرات مماثلة لهذا المصطلح في أماكن أخرى عديدة. لاحظ أن غرايم والش يشير في التعليقات أعلاه أن هذا قد يكون نشأت مع سلوتسكي (1927) ملخص أسباب عشوائية كمصدر للعمليات الدورية 1 هيندمان، R. J. أند أثاناسوبولوس، G. (2013) التنبؤ: المبادئ والممارسة. القسم 84. otextsfpp84. أسيس أون 22 سيب 2013. هل يمكنك إعطاء بعض الأمثلة الواقعية للسلاسل الزمنية التي تكون فيها عملية المتوسط ​​المتحرك للنظام q، أي إيت سوم q ثيتاي فاريبسيلون فاريبسيلونت، فاريبسيلونت سيم فاريبسيلونت سيم (0، sigma2) لديه بعض الأسباب الأولية ل كونه نموذجا جيدا على الأقل بالنسبة لي، عمليات الانحدار الذاتي يبدو أن من السهل جدا أن نفهم حدسي، في حين أن عمليات ما لا تبدو طبيعية للوهلة الأولى. لاحظ أنني لست مهتما بالنتائج النظرية هنا (مثل نظرية ولدز أو عكسية). كمثال على ما أبحث عنه، لنفترض أن لديك عوائد الأسهم اليومية رت سيم النص (0، sigma2). ثم، فإن متوسط ​​عوائد الأسهم الأسبوعية لديها ما (4) هيكل باعتباره قطعة أثرية محض بحتة. طلب ديك 3 12 في 19:02 بسج في الولايات المتحدة، والمخازن والمصنعين كثيرا ما تصدر القسائم التي يمكن استبدالها لخصم مالي أو الخصم عند شراء المنتج. وغالبا ما يتم توزيعها على نطاق واسع من خلال البريد والمجلات والصحف والإنترنت، مباشرة من متاجر التجزئة، والأجهزة المحمولة مثل الهواتف المحمولة. معظم القسائم لديها تاريخ انتهاء الصلاحية وبعد ذلك لن يتم تكريم من قبل المتجر، وهذا هو ما ينتج كوتيفينتاجسكوت. كوبونات ربما زيادة المبيعات، ولكن كم هناك هناك أو كيف كبيرة الخصم لا يعرف دائما لمحلل البيانات. يمكنك التفكير بها أخطاء إيجابية. نداش ديمتري V. ماستيروف يناير 28 16 في 21:51 في مقالنا تحجيم تقلب محفظة وحساب مساهمات المخاطر في وجود المسلسل عبر الارتباطات نحلل نموذج متعدد المتغيرات من عائدات الأصول. وبسبب اختلاف أوقات إغلاق البورصات، يظهر هيكل التبعية (حسب التباين). هذا الاعتماد فقط يحمل لمدة واحدة. وبالتالي فإننا نمثل هذا كمتغير متحرك عملية متوسطة من النظام 1 (انظر الصفحتين 4 و 5). عملية المحفظة الناتجة هي تحويل خطي لعملية فم (1) والتي بشكل عام هي عملية ما (q) مع qge1 (انظر التفاصيل في الصفحتين 15 و 16). أجابيد ديك 3 12 في 21:39