الانتقال من المتوسط - الحسابية - السلاسل الزمنية

المتوسطات المتحركة المتوسطات المتحركة مع مجموعات البيانات التقليدية القيمة المتوسطة غالبا ما تكون الأولى، وإحدى الإحصاءات الموجزة الأكثر فائدة لحساب. وعندما تكون البيانات في شكل سلسلة زمنية، فإن متوسط ​​السلسلة مقياس مفيد، ولكنه لا يعكس الطبيعة الدينامية للبيانات. وغالبا ما تكون القيم المتوسطة المحسوبة على فترات قصيرة، إما قبل الفترة الحالية أو تركزت على الفترة الحالية، أكثر فائدة. لأن هذه القيم المتوسطة سوف تختلف، أو تتحرك، كما تتحرك الفترة الحالية من الوقت ر 2، ر 3. الخ أنها تعرف باسم المتوسطات المتحركة (ماس). المتوسط ​​المتحرك البسيط هو (عادة) المتوسط ​​غير المرجح للقيم السابقة k. المتوسط ​​المتحرك المرجح ألساسا هو نفس المتوسط ​​المتحرك البسيط، ولكن مع المساهمات في المتوسط ​​المرجح بقربها من الوقت الحالي. لأنه ليس هناك واحد، ولكن سلسلة كاملة من المتوسطات المتحركة لأي سلسلة معينة، ومجموعة من ماس يمكن أن تكون نفسها رسمت على الرسوم البيانية، وتحليلها على شكل سلسلة، وتستخدم في النمذجة والتنبؤ. ويمكن بناء مجموعة من النماذج باستخدام المتوسطات المتحركة، وتعرف هذه النماذج بنماذج ما. إذا تم الجمع بين هذه النماذج ونماذج الانحدار الذاتي (أر)، فإن النماذج المركبة الناتجة تعرف بنماذج أرما أو أريما (I هي متكاملة). المتوسطات المتحركة البسيطة منذ يمكن اعتبار سلسلة زمنية كمجموعة من القيم، t 1،2،3،4، n يمكن حساب متوسط ​​هذه القيم. إذا افترضنا أن n كبير جدا، ونحن نختار عدد صحيح k الذي هو أصغر بكثير من n. يمكننا حساب مجموعة من متوسطات الفدرات أو متوسطات متحركة بسيطة (من الترتيب k): يمثل كل قياس متوسط ​​قيم البيانات على مدى فاصل من ملاحظات k. لاحظ أن أول ما ممكن من النظام gt0 k هو أن ل t ك. وبوجه أعم يمكننا إسقاط الجزء الإضافي الإضافي في التعبيرات أعلاه والكتابة: وهذا يشير إلى أن المتوسط ​​المقدر في الوقت t هو المتوسط ​​البسيط للقيمة الملحوظة في الوقت t والخطوات السابقة k -1 الزمنية. إذا تم تطبيق الأوزان التي تقلل من مساهمة الملاحظات التي هي أبعد من ذلك في الوقت المناسب، ويقال أن المتوسط ​​المتحرك تمهيد أضعافا مضاعفة. وغالبا ما تستخدم المتوسطات المتحركة كشكل من أشكال التنبؤ، حيث القيمة المقدرة لسلسلة في الوقت t 1، S t1. يؤخذ على أنه ما للفترة حتى تصل إلى الوقت t. مثلا يستند تقدير اليوم إلى متوسط ​​القيم المسجلة سابقا حتى يوم الأمس (بالنسبة للبيانات اليومية). ويمكن اعتبار المتوسطات المتحركة البسيطة شكلا من أشكال التمهيد. في المثال الموضح أدناه، تم تعزيز مجموعة بيانات تلوث الهواء المبينة في مقدمة هذا الموضوع بمتوسط ​​متحرك لمدة 7 أيام (ما)، موضح هنا باللون الأحمر. كما يمكن أن يرى، خط ما ينعم القمم وأحواض في البيانات ويمكن أن تكون مفيدة جدا في تحديد الاتجاهات. وتعني الصيغة القياسية للحساب الآجل أن نقاط البيانات K -1 الأولى ليس لها قيمة ما، ولكن بعد ذلك تمتد الحسابات إلى نقطة البيانات النهائية في السلسلة. PM10 القيم المتوسطة اليومية، غرينتش المصدر: شبكة لندن لجودة الهواء، londonair. org. uk سبب واحد لحساب المتوسطات المتحركة البسيطة بالطريقة الموصوفة هو أنه يمكن القيم التي سيتم حسابها لجميع الفواصل الزمنية من الزمن تك حتى الوقت الحاضر، و كما يتم الحصول على قياس جديد للوقت ر 1، و ما للوقت ر 1 يمكن أن تضاف إلى مجموعة تحسب بالفعل. وهذا يوفر إجراء بسيطا لمجموعات البيانات الديناميكية. ومع ذلك، هناك بعض القضايا مع هذا النهج. ومن المعقول القول بأن القيمة المتوسطة خلال الفترات الثلاث الأخيرة، على سبيل المثال، ينبغي أن تكون موجودا في الوقت t -1، وليس الوقت t. وبالنسبة إلى درجة الماجستير على مدى عدد من الفترات ربما ربما ينبغي أن يكون موجودا في منتصف النقطة بين فترتين زمنيتين. حل لهذه المسألة هو استخدام الحسابات ما محورها، حيث ما في الوقت t هو متوسط ​​مجموعة متماثلة من القيم حول ر. وعلى الرغم من مزاياه الواضحة، فإن هذا النهج لا يستخدم عموما لأنه يتطلب توافر البيانات للأحداث المقبلة، وهو ما قد لا يكون كذلك. في الحالات التي يكون فيها التحليل بالكامل لسلسلة حالية، قد يكون استخدام ماس المركزة أفضل. ويمكن اعتبار المتوسطات المتحركة البسيطة شكلا من أشكال التمهيد، وإزالة بعض المكونات عالية التردد من سلسلة زمنية وتسليط الضوء على الاتجاهات (ولكن ليس إزالتها) بطريقة مماثلة للمفهوم العام للتصفية الرقمية. في الواقع، المتوسطات المتحركة هي شكل من أشكال المرشحات الخطية. فمن الممكن تطبيق حساب متوسط ​​متحرك لسلسلة تم تمهيدها بالفعل، أي تمهيد أو تصفية سلسلة سلسة بالفعل. على سبيل المثال، مع متوسط ​​متحرك من النظام 2، يمكننا أن نعتبر أنه يحسب باستخدام الأوزان، وبالتالي فإن ما في x 2 0.5 × 1 0.5 × 2. وبالمثل، فإن ما في x 3 0.5 × 2 0.5 × 3. إذا نحن (0.5 × 0.5 0.5 × 0.5) 0.5 (0.5 × 2 0.5 × 3) 0.25 × 1 0.5 × 2 0.25 × 3 أي الترشيح ذي المرحلتين (أو التفاف) قد أنتج متوسط ​​متحرك متماثل مرجح، مع أوزان. يمكن أن تنتج العديد من المحولات التحويلية متوسطات متحركه معززة جدا، وبعضها تم العثور على استخدام معين في المجالات المتخصصة، كما هو الحال في حسابات التأمين على الحياة. يمكن استخدام المتوسطات المتحركة لإزالة التأثيرات الدورية إذا تم حسابها مع طول التواتر كما هو معروف. على سبيل المثال، مع التغيرات الشهرية في البيانات الموسمية يمكن في كثير من الأحيان إزالتها (إذا كان هذا هو الهدف) من خلال تطبيق متماثل المتوسط ​​المتحرك لمدة 12 شهرا مع جميع الشهور المرجحة بالتساوي، باستثناء الأولى والأخيرة التي يتم وزنها بنسبة 12. هذا لأن هناك سوف يكون 13 شهرا في النموذج المتماثل (الوقت الحالي، ر - 6 أشهر). وينقسم المجموع إلى 12. ويمكن اعتماد إجراءات مماثلة لأي دورية محددة جيدا. المتوسطات المتحركة المرجح أضعافا مضاعفة (إوما) مع صيغة المتوسط ​​المتحرك البسيط: جميع المشاهدات متساوية بالتساوي. إذا اتصلنا هذه الأوزان متساوية، ألفا ر. فإن كل وزن من الأوزان k يساوي 1 ك. وبالتالي فإن مجموع الأوزان سيكون 1، والصيغة ستكون: لقد رأينا بالفعل أن تطبيقات متعددة من هذه العملية يؤدي إلى الأوزان متباينة. مع المتوسطات المتحركة المرجح أضعافا مضاعفة الإسهام في القيمة المتوسطة من الملاحظات التي هي أكثر إزالتها في الوقت يتم تخفيض مداولات، مما يؤكد على الأحداث الأخيرة (المحلية). في الأساس يتم عرض معلمة التمهيد 0 ألف طن lt1، وتنقح الصيغة إلى: تكون الصيغة المتماثلة لهذه الصيغة بالشكل التالي: إذا تم اختيار الأوزان في النموذج المتماثل كعبارات لشروط التوسع ذي الحدين، (1212) 2q. فإنها سوف تلخص 1، وكما ف يصبح كبيرا، وتقريب توزيع عادي. هذا هو شكل من أشكال الترجيح النواة، مع الحدين تعمل بوصفها وظيفة النواة. التلازم المرحلة الثانية وصفها في القسم الفرعي السابق هو على وجه التحديد هذا الترتيب، مع س 1، مما أسفر عن الأوزان. في التمهيد الأسي فمن الضروري استخدام مجموعة من الأوزان التي مجموع إلى 1 والتي تقلل في حجم هندسيا. وعادة ما تكون الأوزان المستخدمة من النموذج: لإظهار أن هذه الأوزان توازي 1، فكر في توسيع 1 كمجموعة. يمكننا كتابة وتوسيع التعبير بين قوسين باستخدام الصيغة ذات الحدين (1- x) ص. حيث x (1) و p -1، مما يعطي: ثم يوفر نموذجا من المتوسط ​​المتحرك المرجح للنموذج: يمكن كتابة هذا الملخص كعلاقة تكرار: مما يبسط الحساب بشكل كبير، ويتجنب مشكلة أن نظام الترجيح يجب أن يكون بدقة لانهائية للأوزان لتلخص 1 (لقيم صغيرة من ألفا، وهذا هو عادة ليست هي القضية). تختلف الرموز المستخدمة من قبل مؤلفين مختلفين. يستخدم البعض الحرف S للإشارة إلى أن الصيغة هي في الأساس متغير أملس، وكتب: في حين أن أدبيات نظرية التحكم غالبا ما تستخدم Z بدلا من S للقيم المرجحة أو الممهدة أضعافا مضاعفة (انظر، على سبيل المثال، لوكاس و ساكوتشي، 1990، LUC1 ، وموقع نيست لمزيد من التفاصيل وأمثلة العمل). الصيغ المذكورة أعلاه مستمدة من عمل روبرتس (1959، ROB1)، ولكن هنتر (1986، HUN1) يستخدم تعبيرا عن النموذج: الذي قد يكون أكثر ملاءمة للاستخدام في بعض إجراءات التحكم. مع ألفا 1 متوسط ​​التقدير هو ببساطة قيمته المقاسة (أو قيمة عنصر البيانات السابق). مع 0.5 التقدير هو المتوسط ​​المتحرك البسيط للقياسات الحالية والسابقة. في نماذج التنبؤ القيمة، S t. وكثيرا ما يستخدم كقيمة تقديرية أو توقعية للفترة الزمنية القادمة، أي كالتقدير ل x في الوقت t 1. وهكذا لدينا: وهذا يدل على أن القيمة المتوقعة في الوقت t 1 هي مزيج من المتوسط ​​المتحرك المرجح أضعافا سابقا بالإضافة إلى مكون يمثل خطأ التنبؤ المرجح، إبسيلون. في الوقت t. وبافتراض وجود سلسلة زمنية والتنبؤ مطلوب، يلزم وجود قيمة ألفا. ويمكن تقدير ذلك من البيانات الموجودة عن طريق تقييم مجموع أخطاء التنبؤ التربيعية التي يتم الحصول عليها مع قيم متفاوتة ألفا لكل t 2،3. (1) في تطبيقات التحكم، تكون قيمة ألفا مهمة في ذلك يستخدم في تحديد حدود التحكم العليا والسفلى، ويؤثر على متوسط ​​طول التشغيل (أرل) المتوقع قبل أن يتم كسر حدود السيطرة هذه (على افتراض أن السلاسل الزمنية تمثل مجموعة من المتغيرات المستقلة العشوائية الموزعة بشكل مماثل مع التباين المشترك). وفي ظل هذه الظروف يكون التباين في إحصائية التحكم: (لوكاس و ساكوتشي، 1990): وعادة ما تحدد حدود المراقبة كمضاعفات ثابتة لهذا التباين المتناظر، على سبيل المثال. - 3 مرات الانحراف المعياري. إذا افترض 0.25، على سبيل المثال، ويفترض أن البيانات التي يجري رصدها يكون توزيع عادي، N (0،1)، عندما تكون في السيطرة، ستكون حدود السيطرة - 1.134 وسوف تصل العملية إلى حد واحد أو حد آخر في 500 خطوة في المتوسط. لوكاس و ساكوتشي (1990 LUC1) تستمد أرلز لمجموعة واسعة من قيم ألفا وتحت مختلف الافتراضات باستخدام إجراءات ماركوف شين. وهي تقوم بتبويب النتائج، بما في ذلك توفير أرلس عندما يكون متوسط ​​عملية التحكم قد تم نقله من قبل بعض مضاعفات الانحراف المعياري. على سبيل المثال، مع التحول 0.5 مع ألفا 0.25 و أرل أقل من 50 خطوة الوقت. ومن المعروف أن النهج المذكورة أعلاه تمهيد الأسي واحد. حيث يتم تطبيق الإجراءات مرة واحدة على السلاسل الزمنية ومن ثم يتم إجراء عمليات التحليل أو التحكم على مجموعة البيانات التي تم تمريرها. إذا كانت مجموعة البيانات تشتمل على مكونات موسمية ومؤثرة، يمكن تطبيق التمهيد الأسي على مرحلتين أو ثلاث مراحل كوسيلة لإزالة (هذه النماذج بشكل صريح) (انظر كذلك القسم الخاص بالتنبؤ أدناه، ومثال نيست العامل). CHA1 شاتفيلد C (1975) تحليل سلسلة تايمز: النظرية والتطبيق. تشابمان أند هول، لندن HUN1 هنتر J S (1986) المتوسط ​​المتحرك المرجح أضعافا مضاعفة. J من كواليتي تيشنولوغي، 18، 203-210 LUC1 لوكاس J M، ساكوتشي M S (1990) المتوسط ​​المتحرك لأسفل متحكم في مخططات التحكم: الخصائص والتحسينات. تيشنوميتريكس، 32 (1)، 1-12 ROB1 روبرتس S W (1959) اختبارات التحكم في الرسم البياني استنادا إلى المتوسطات المتحركة الهندسية. تيشنوميتريكس، 1، 239-250 مقدمة إلى أريما: نماذج نوناسونال أريما (p، d، q) معادلة التنبؤ: نماذج أريما هي، من الناحية النظرية، الفئة الأكثر عمومية من النماذج للتنبؤ بسلسلة زمنية يمكن أن تكون 8220stationary8221 (إذا لزم الأمر)، وربما بالتزامن مع التحولات غير الخطية مثل قطع الأشجار أو تفريغ (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 المتوسط ​​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 النظر التقنية، فإن مشكلة استخدام الأخطاء المتأخرة كمنبئات هي أن التنبؤات النموذجية 8217s ليست دالات 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 المعيارية في معادلة التنبؤ مصطلحات كوتورغريسغريسيفيكوت، ويطلق على "أخطاء أخطاء التنبؤ" مصطلحات 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 الكتلة 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 (مثل تلك التي تظهر تقلبات صاخبة حول متوسط ​​متباينة ببطء)، فإن نموذج المشي العشوائي لا يؤدي فضلا عن 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 كنموذج 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 عن طريق إضافة 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. البيانات: تحليل البيانات والبرامج الإحصائية نيكولاس J. كوكس، جامعة دورهام، المملكة المتحدة كريستوفر بوم، كلية بوسطن إغن، ما () وحدودها ستاتارسكوس الأمر الأكثر وضوحا لحساب المتوسطات المتحركة هي وظيفة ما () من إغن. ونظرا للتعبير، فإنه يخلق المتوسط ​​المتحرك-بيريود من هذا التعبير. افتراضيا، يؤخذ على النحو 3. يجب أن تكون غريبة. ومع ذلك، كما يشير الإدخال اليدوي، إغن، ما () قد لا تكون مقترنة مع فارليست:. ولهذا السبب وحده، فإنه لا ينطبق على بيانات الفريق. في أي حال، فإنه يقف خارج مجموعة من الأوامر المكتوبة خصيصا لسلاسل زمنية انظر سلسلة زمنية للحصول على التفاصيل. النهج البديلة لحساب المتوسطات المتحركة لبيانات اللوحة، هناك خياران على الأقل. كلاهما يعتمد على مجموعة البيانات التي كانت تسيت مسبقا. هذا هو الكثير يستحق القيام به: ليس فقط يمكنك حفظ نفسك مرارا وتكرارا تحديد متغير لوحة ومتغير الوقت، ولكن ستاتا يتصرف بذكاء إعطاء أي ثغرات في البيانات. 1. اكتب التعريف الخاص بك باستخدام توليد باستخدام مشغلي سلسلة الوقت مثل L. و F.. تعطي تعريف المتوسط ​​المتحرك كحجة إلى بيان توليد. إذا قمت بذلك، فإنك، بطبيعة الحال، لا تقتصر على الوزن المرجح (غير مرجحة) المتوسطات المتحركة المتمركزة المحسوبة بواسطة إغن، ما (). على سبيل المثال، سيتم إعطاء متوسطات متحرکة متساوية الترجيح لثلاث فترات من خلال بعض الأوزان يمكن تحديدها بسهولة: يمكنك، بطبيعة الحال، تحديد تعبير مثل السجل (ميفار) بدلا من اسم متغير مثل ميفار. ميزة واحدة كبيرة من هذا النهج هو أن ستاتا تلقائيا يفعل الشيء الصحيح للبيانات لوحة: القيم الرائدة والتخلف يتم العمل بها داخل لوحات، تماما كما يملي المنطق يجب أن تكون. والعيب الأبرز هو أن سطر الأوامر يمكن أن يكون طويلا إذا كان المتوسط ​​المتحرك ينطوي على عدة مصطلحات. مثال آخر هو متوسط ​​متحرك من جانب واحد يعتمد فقط على القيم السابقة. ويمكن أن يكون ذلك مفيدا لتوليد توقعات تكيفية لما يمكن أن يستند إليه المتغير فقط على المعلومات حتى الآن: ما يمكن أن يتنبأ به شخص ما للفترة الحالية استنادا إلى القيم الأربع الماضية، باستخدام مخطط الترجيح الثابت (قد يكون الفارق الزمني 4 فترات (تستخدم عادة مع أوقات الفصول الربع سنوية.) 2. استخدام إغن، مرشح () من سك استخدم مرشح وظيفة إغن المكتوب من المستعمل () من حزمة إغنمور على سك. في ستاتا 7 (تحديث بعد 14 نوفمبر 2001)، يمكنك تثبيت هذه الحزمة التي بعد ذلك مساعدة إغنمور نقاط للتفاصيل على مرشح (). سيتم تقديم المثالين أعلاه (في هذه المقارنة قد يكون نهج التوليد أكثر شفافية، ولكننا سنرى مثالا على العكس في لحظة). يؤدي إلى تأخر سلبي: في هذه الحالة -11 يوسع إلى -1 0 1 أو الرصاص 1، تأخر 0، تأخر 1. ذي فيفينتس كوفي، آخر نومليست، مضاعفة المتخلفة أو العناصر الرائدة المقابلة: في هذه الحالة هذه البنود هي F1.myvar . ميفار و L1.myvar. ويتمثل تأثير خيار التطبيع في قياس كل معامل بمجموع المعاملات بحيث يكون معامل التطبيع (1 1 1) معادلا لمعاملات 13 13 13 و كوف (1 2 1) تطبيع يعادل معاملات 14 12 14 يجب أن تحدد ليس فقط التأخر ولكن أيضا المعاملات. ونظرا لأن إغين، ما () توفر الحالة المرجحة بالتساوي، فإن الأساس المنطقي الرئيسي ل إغين، فيلتر () هو دعم الحالة المرجحة غير المتكافئة، والتي يجب أن تحدد معاملاتها. ويمكن القول أيضا أن إلزام المستخدمين بتحديد المعاملات هو ضغط إضافي قليلا عليهم للتفكير في المعاملات التي يريدون. المبرر الرئيسي لأوزان متساوية هو، ونحن نخمن، والبساطة، ولكن الأوزان متساوية لديها خصائص نطاق التردد رديء، على سبيل المثال الاعتبار واحد فقط. والمثال الثالث أعلاه يمكن أن يكون إما معقدا تماما مثل النهج المولد. هناك حالات حيث إغن، مرشح () يعطي صياغة أبسط من توليد. إذا كنت ترغب في مرشح ثنائي الحدين لمدة تسعة، والتي يجد علماء المناخ مفيدة، ثم يبدو ربما أقل رهيبة من وأسهل للحصول على الحق من، تماما كما هو الحال مع نهج توليد، إغن، تصفية () يعمل بشكل صحيح مع بيانات لوحة. في الواقع، كما ذكر أعلاه، فإنه يعتمد على مجموعة البيانات التي كانت تسيت مسبقا. نصيحة رسومية بعد حساب المتوسطات المتحركة الخاصة بك، وربما كنت تريد أن ننظر إلى الرسم البياني. الأمر المكتوب المستخدم تسغراف هو الذكية حول تسيت مجموعات البيانات. تثبيته في ما يصل إلى تاريخ ستاتا 7 التي كتبها سك إنست تسغراف. ماذا عن التقسيم الفرعي إذا لم يستفد أي من الأمثلة أعلاه من القيود. في الواقع إغن، ما () لن تسمح إذا كان سيتم تحديدها. أحيانا الناس يريدون استخدام إذا عند حساب المتوسطات المتحركة، ولكن استخدامه هو أكثر تعقيدا قليلا مما هو عليه عادة. ما الذي تتوقعه من المتوسط ​​المتحرك المحسوب إذا كان. دعونا نحدد إمكانيتين: التفسير الضعيف: أنا لا أريد أن أرى أي نتائج للملاحظات المستبعدة. تفسير قوي: أنا لا أريد حتى لك لاستخدام القيم للملاحظات المستبعدة. هنا مثال ملموس. لنفترض كنتيجة لبعض إذا الشرط، الملاحظات 1-42 مدرجة ولكن لا الملاحظات 43 جرا. ولكن المتوسط ​​المتحرك ل 42 سيعتمد، من بين أمور أخرى، على قيمة الملاحظة 43 إذا كان المتوسط ​​يمتد إلى الوراء وإلى الأمام، وهو طوله 3 على الأقل، وسيعتمد بالمثل على بعض الملاحظات 44 وما بعدها في بعض الظروف. تخميننا هو أن معظم الناس سوف تذهب للتفسير الضعيف، ولكن ما إذا كان هذا هو الصحيح، إغن، مرشح () لا يدعم إذا كان أي منهما. يمكنك دائما تجاهل ما كنت دونرسكوت تريد أو حتى تعيين القيم غير المرغوب فيها إلى المفقودين بعد ذلك باستخدام استبدال. ملاحظة حول النتائج المفقودة في نهايات السلسلة لأن المتوسطات المتحركة هي وظائف تأخر و يؤدي، إغن، ما () تنتج مفقودة حيث لا توجد تأخرات و يؤدي في بداية ونهاية السلسلة. وهناك خيار نوميس يجبر على حساب المتوسطات المتحركة الأقصر غير المقوسة للتيول. في المقابل، لا تولد ولا إيجين، تصفية () يفعل، أو يسمح، أي شيء خاص لتجنب النتائج المفقودة. إذا كان أي من القيم المطلوبة للحساب مفقود، فإن هذه النتيجة مفقودة. والأمر متروك للمستعملين لتحديد ما إذا كانت الجراحة التصحيحية مطلوبة لهذه الملاحظات وما إذا كان ذلك مفترضا بعد النظر إلى مجموعة البيانات والنظر في أي علم أساسي يمكن حمله.