الانحدار الحركة من المتوسط - نموذج التباين

8.3 نماذج الانحدار الذاتي في نموذج الانحدار المتعدد، نتوقع متغير الفائدة باستخدام مجموعة خطية من التنبؤات. في نموذج الانحدار الذاتي، نتوقع متغير الفائدة باستخدام مزيج خطي من القيم السابقة للمتغير. يشير مصطلح الانحدار التلقائي إلى أنه انحدار للمتغير ضد نفسه. وهكذا يمكن كتابة نموذج الانحدار الذاتي للنظام p حيث حيث c هو ثابت وآخر هو الضوضاء البيضاء. هذا هو مثل الانحدار المتعدد ولكن مع قيم متخلفة من يت كما التنبؤات. نشير إلى هذا كنموذج أر (p). نماذج الانحدار الذاتي مرنة بشكل ملحوظ في التعامل مع مجموعة واسعة من أنماط سلسلة زمنية مختلفة. تظهر السلسلتان في الشكل 8.5 سلسلة من نموذج أر (1) ونموذج أر (2). تغيير المعلمات phi1، النقاط، النتائج فيب في أنماط سلسلة زمنية مختلفة. التباين في مصطلح الخطأ وسوف تغير فقط حجم السلسلة، وليس الأنماط. الشكل 8.5: مثالان للبيانات من نماذج الانحدار الذاتي بمعلمات مختلفة. يسار: أر (1) ويث يت 18 -0.8y إت. رايت: أر (2) ويث يت 8 1.3y -0.7y إت. وفي كلتا الحالتين، توزع إت عادة الضوضاء البيضاء مع متوسط ​​الصفر والتباين واحد. بالنسبة إلى نموذج أر (1): عندما تكون phi10، تعادل الضوضاء البيضاء. عندما phi11 و c0، يت ما يعادل المشي العشوائي. عندما phi11 و cne0، يت تعادل المشي عشوائي مع الانجراف عندما phi1lt0، يتيميل إلى التذبذب بين القيم الإيجابية والسلبية. ونحن عادة ما نقيد نماذج الانحدار الذاتي إلى البيانات الثابتة، ومن ثم بعض القيود على قيم المعلمات المطلوبة. بالنسبة لنموذج أر (1): -1 لوت phi1 لوت 1. بالنسبة لنموذج أر (2): -1 لوت phi2 لوت 1، phi1phi2 لوت 1، phi2-phi1 لوت 1. عندما تكون pge3 القيود أكثر تعقيدا بكثير. R. 4. 4 .4 نماذج المتوسط ​​المتحرك بدلا من استخدام القيم السابقة للمتغير المتوقع في الانحدار، يستخدم نموذج المتوسط ​​المتحرك أخطاء التنبؤ السابقة في نموذج يشبه الانحدار. y c ثيت e ثيتا e دوتس ثيتا e، وير إت إس وايت نويز. ونشير إلى هذا على أنه نموذج ما (q). بالطبع، نحن لا نلاحظ قيم إت، لذلك فإنه ليس حقا الانحدار بالمعنى المعتاد. لاحظ أن كل قيمة يت يمكن اعتبارها كمتوسط ​​متحرك مرجح لأخطاء التنبؤ القليلة الماضية. ومع ذلك، ينبغي عدم الخلط بين متوسطات النماذج المتحركة مع تمهيد المتوسط ​​المتحرك الذي ناقشنااه في الفصل 6. ويستخدم نموذج المتوسط ​​المتحرك للتنبؤ بالقيم المستقبلية في حين يستخدم متوسط ​​التحريك المتوسط ​​لتقدير دورة اتجاه القيم السابقة. الشكل 8.6: مثالان للبيانات المستمدة من النماذج المتوسطة المتحركة بمعلمات مختلفة. يسار: ما (1) مع y t 20e t 0.8e t-1. رايت: ما (2) مع y t t - e t-1 0.8e t-2. وفي كلتا الحالتين، يوزع e t عادة الضوضاء البيضاء مع متوسط ​​الصفر والتباين الأول. ويبين الشكل 8.6 بعض البيانات من نموذج ما (1) ونموذج ما (2). تغيير المعلمات theta1، النقاط، نتائج ثيتاق في أنماط سلسلة زمنية مختلفة. كما هو الحال مع نماذج الانحدار الذاتي، والتباين من مصطلح الخطأ وسوف تغير فقط حجم السلسلة، وليس الأنماط. ومن الممكن كتابة أي نموذج أر (p) ثابتة كنموذج ما (إنفتي). على سبيل المثال، باستخدام الاستبدال المتكرر، يمكننا أن نبرهن على ذلك لنموذج أر (1): يبدأ يت أمب phi1y و أمب phi1 (phi1y e) و أمب phi12y phi1 e و أمب phi13y phi12e phi1 e و أمبتكست إند المقدم -1 لوت phi1 لوت 1، فإن قيمة phi1k الحصول على أصغر كما يحصل ك أكبر. حتى في نهاية المطاف نحصل على إيت و phi1 ه phi12 ه phi13 e كدوتس، وهو ما (إنفتي) العملية. النتيجة العكسية تحمل إذا فرضنا بعض القيود على المعلمات ما. ثم يسمى نموذج ما عكسية. وهذا هو، أننا يمكن أن يكتب أي ماه (q) عملية لا يمكن عكسها باعتبارها أر (إنفتي) العملية. نماذج لا تقلب ليست ببساطة لتمكيننا من تحويل نماذج ما إلى نماذج أر. لديهم أيضا بعض الخصائص الرياضية التي تجعلها أسهل للاستخدام في الممارسة العملية. إن قيود العوائق مماثلة لقيود المحطات. للحصول على نموذج ما (1): -1lttheta1lt1. للحصول على نموذج ما (2): -1lttheta2lt1، theta2theta1 غ-1، theta1 - theta2 لوت 1. ظروف أكثر تعقيدا عقد ل qge3. مرة أخرى، R سوف تأخذ الرعاية من هذه القيود عند تقدير النماذج. A ريما لتقف على الانحدار الذاتي نماذج متحرك المتكاملة. المتغير أحادي المتغير (أريفا فيكتور) أريما هي تقنية التنبؤ التي تقوم بتطوير القيم المستقبلية لسلسلة تعتمد بشكل كامل على الجمود الخاص بها. تطبيقه الرئيسي هو في مجال التنبؤ على المدى القصير تتطلب ما لا يقل عن 40 نقطة البيانات التاريخية. وهو يعمل بشكل أفضل عندما تظهر بياناتك نمطا مستقرا أو متسقا مع مرور الوقت مع الحد الأدنى من القيم المتطرفة. في بعض الأحيان تسمى بوكس-جينكينز (بعد المؤلفين الأصليين)، أريما عادة ما تكون متفوقة على الأساليب التمهيد الأسي عندما تكون البيانات طويلة إلى حد معقول، والارتباط بين الملاحظات الماضية مستقرة. إذا كانت البيانات قصيرة أو متقلبة للغاية، ثم بعض طريقة تمهيد قد تؤدي بشكل أفضل. إذا لم يكن لديك ما لا يقل عن 38 نقطة بيانات، يجب عليك النظر في بعض الطرق الأخرى من أريما. الخطوة الأولى في تطبيق منهجية أريما هي التحقق من الاستبانة. ويعني الاستقرارية أن المسلسل لا يزال على مستوى ثابت إلى حد ما مع مرور الوقت. إذا كان هناك اتجاه، كما هو الحال في معظم التطبيقات الاقتصادية أو التجارية، ثم البيانات الخاصة بك ليست ثابتة. وينبغي أن تظهر البيانات أيضا تباينا ثابتا في تقلباتها مع مرور الوقت. وينظر إلى هذا بسهولة مع سلسلة التي موسمية بشكل كبير وتنمو بمعدل أسرع. في مثل هذه الحالة، فإن الصعود والهبوط في الموسمية سوف تصبح أكثر دراماتيكية مع مرور الوقت. وبدون استيفاء شروط الاستبقاء هذه، لا يمكن حساب العديد من الحسابات المرتبطة بالعملية. إذا كانت مؤامرة رسومية من البيانات تشير إلى نونستاتيوناريتي، ثم يجب أن الفرق السلسلة. الفرق هو وسيلة ممتازة لتحويل سلسلة غير ثابتة إلى واحدة ثابتة. ويتم ذلك بطرح الملاحظة في الفترة الحالية من الفترة السابقة. إذا تم هذا التحول مرة واحدة فقط لسلسلة، ويقول لك أن البيانات قد اختلفت أولا. هذه العملية تلغي أساسا الاتجاه إذا سلسلة الخاص ينمو بمعدل ثابت إلى حد ما. إذا كان ينمو بمعدل متزايد، يمكنك تطبيق نفس الإجراء والفرق البيانات مرة أخرى. البيانات الخاصة بك ثم سيكون ديفيرنسد الثانية. أوتوكوريلاتيونس هي قيم رقمية تشير إلى كيفية ارتباط سلسلة البيانات نفسها بمرور الوقت. وبشكل أدق، فإنه يقيس مدى ارتباط قيم البيانات في عدد محدد من الفترات المتباعدة ببعضها البعض بمرور الوقت. وعادة ما يطلق على عدد الفترات المتبقية الفارق الزمني. على سبيل المثال، يقيس الارتباط الذاتي عند التأخر 1 كيفية ارتباط القيم 1 لفترة متباعدة ببعضها البعض طوال السلسلة. ويقيس الارتباط الذاتي عند التأخر 2 كيفية ارتباط البيانات بفترتين منفصلتين طوال السلسلة. قد تتراوح أوتوكوريلاتيونس من 1 إلى -1. تشير قيمة قريبة من 1 إلى وجود ارتباط إيجابي عال في حين أن قيمة قريبة من -1 تعني ارتباطا سلبيا كبيرا. وغالبا ما يتم تقييم هذه التدابير من خلال المؤامرات الرسومية تسمى كوريلاغاغرامز. ويحدد الرسم البياني المترابط قيم الترابط التلقائي لسلسلة معينة عند فترات تأخر مختلفة. ويشار إلى ذلك على أنه دالة الترابط الذاتي وهي مهمة جدا في أسلوب أريما. محاولات منهجية أريما لوصف التحركات في سلسلة زمنية ثابتة كدالة لما يسمى بارامترات الانحدار الذاتي والمتوسط ​​المتحرك. ويشار إلى هذه على النحو المعلمات أر (أوتوريجيسيف) ومعلمات ما (المتوسطات المتحركة). يمكن كتابة نموذج أر مع معلمة واحدة فقط ك. (X) (t) A (1) X (t-1) E (t) حيث تكون السلسلة الزمنية X (t) قيد التحقيق A (1) معلمة الانحدار الذاتي للترتيب 1 X (t-1) (t) مصطلح خطأ النموذج يعني هذا ببساطة أن أي قيمة معينة X (t) يمكن تفسيرها بوظيفة معينة من قيمتها السابقة X (t-1)، بالإضافة إلى بعض الأخطاء العشوائية غير القابلة للتفسير، E (t). إذا كانت القيمة المقدرة ل A (1) .30، فإن القيمة الحالية للمسلسل ستكون مرتبطة ب 30 من قيمته قبل 1. وبطبيعة الحال، يمكن أن تكون مرتبطة سلسلة إلى أكثر من مجرد قيمة واحدة الماضية. على سبيل المثال، X (t) A (1) X (t-1) A (2) X (t-2) E (t) يشير هذا إلى أن القيمة الحالية للسلسلة هي مزيج من القيمتين السابقتين مباشرة، X (t-1) و X (t-2)، بالإضافة إلى بعض الخطأ العشوائي E (t). نموذجنا هو الآن نموذج الانحدار الذاتي للنظام 2. تتحرك متوسط ​​نماذج: وهناك نوع الثاني من نموذج بوكس ​​جينكينز يسمى نموذج المتوسط ​​المتحرك. على الرغم من أن هذه النماذج تبدو مشابهة جدا لنموذج أر، والمفهوم وراءها هو مختلف تماما. أما المعلمات المتوسطة المتحركة فتتصل بما يحدث في الفترة t فقط بالأخطاء العشوائية التي حدثت في الفترات الزمنية السابقة أي E (t-1) و E (t-2) وما إلى ذلك بدلا من X (t-1) و X ( t-2)، (شت-3) كما هو الحال في نهج الانحدار الذاتي. ويمكن كتابة نموذج متوسط ​​متحرك بمصطلح "ما" على النحو التالي. (T) 1 (E) (T) E (t) يطلق على المصطلح B (1) ما من النظام 1. وتستخدم الإشارة السلبية أمام المعلمة للاتفاقية فقط وعادة ما يتم طباعتها خارج معظم السيارات بشكل تلقائي. يقول النموذج أعلاه ببساطة أن أي قيمة معينة من X (t) ترتبط مباشرة فقط إلى الخطأ العشوائي في الفترة السابقة، E (t-1)، وإلى مصطلح الخطأ الحالي، E (t). وكما هو الحال بالنسبة لنماذج الانحدار الذاتي، يمكن تمديد نماذج المتوسط ​​المتحرك لتشمل هياكل ذات ترتيب أعلى تغطي مجموعات مختلفة وأطوال متوسط ​​متحرك. وتسمح منهجية أريما أيضا بنماذج يمكن أن تدمج معا متوسطات الانحدار الذاتي والمتوسط ​​المتحرك معا. وغالبا ما يشار إلى هذه النماذج على أنها نماذج مختلطة. على الرغم من أن هذا يجعل أداة التنبؤ أكثر تعقيدا، قد هيكل محاكاة حقا سلسلة أفضل وإنتاج توقعات أكثر دقة. نماذج نقية تشير ضمنا إلى أن بنية تتكون فقط من أر أو ما المعلمات - ليس على حد سواء. وعادة ما تسمى النماذج التي تم تطويرها من خلال هذا النهج نماذج أريما لأنها تستخدم مزيج من الانحدار الذاتي (أر) والتكامل (I) - مشيرا إلى عملية عكسية عكسية لإنتاج التنبؤات، ومتوسط ​​الحركة (ما) العمليات. ويشار عادة إلى نموذج أريما على أنه أريما (p، d، q). ويمثل ذلك ترتيب مكونات الانحدار الذاتي (p) وعدد مشغلي الاختلاف (d) وأعلى ترتيب للمتوسط ​​المتحرك. على سبيل المثال، أريما (2،1،1) يعني أن لديك نموذج ترتيب الانحدار الثاني من الدرجة الثانية مع العنصر المتوسط ​​المتحرك الأول ترتيب الذي تم اختلاف سلسلة مرة واحدة للحث على الاستقرارية. اختيار الحق مواصفات: المشكلة الرئيسية في الكلاسيكية بوكس-جينكينز تحاول أن تقرر أي مواصفات أريما لاستخدام - i. e. كم عدد المعلمات أر أو ما لتشمل. هذا هو ما خصص الكثير من بوكس-جينكينغز 1976 لعملية تحديد الهوية. وهو يعتمد على التقييم البياني والعددي لعينة الارتباط الذاتي ووظائف الترابط الذاتي الجزئي. حسنا، لنماذج الأساسية الخاصة بك، والمهمة ليست صعبة للغاية. لكل منها وظائف الارتباط الذاتي التي تبدو بطريقة معينة. ومع ذلك، عندما ترتفع في التعقيد، لا يتم الكشف عن أنماط بسهولة. لجعل الأمور أكثر صعوبة، تمثل بياناتك عينة من العملية الأساسية فقط. وهذا يعني أن أخطاء أخذ العينات (القيم المتطرفة، خطأ القياس، وما إلى ذلك) قد تشوه عملية تحديد الهوية النظرية. هذا هو السبب في النمذجة أريما التقليدية هو فن بدلا من العلم.