ARIMA-modellering ARIMA-modellen er en forlengelse av ARMA i-modellen som gjelder for ikke-stationære tidsserier (tidsserier med en eller flere integrerte enhedsrotter). ARIMA Model Wizard automatiserer modellkonstruksjonstrinnene: gjetting av innledende parametere, parametervalidering, godhet av passetesting og gjenværende diagnose. For å bruke denne funksjonaliteten, velg det tilsvarende ikonet på verktøylinjen (eller menyelementet): Rull over (velg) dataseksemplet på regnearket og velg den tilsvarende rekkefølgen av den autoregressive (AR) komponentmodellen, integrasjonsordre (d), og rekkefølgen av den bevegelige gjennomsnittlige komponentmodellen. Deretter velger du godhet av passformtester, gjenværende diagnose og angi et sted på regnearket ditt for å skrive ut modellen. Merk: Som standard genererer modellveiviseren en rask gjetning av verdiene til modellparametrene, men brukeren kan velge å generere kalibrerte verdier for modellkoeffisientene. Etter ferdigstillelse utfører ARMA-modelleringsfunksjonen de valgte modellparametrene og utvalgte testkalkulasjoner i den angitte plasseringen av regnearket. ARIMA-veiviseren legger til Excel-type kommentarer (røde pilhoder) til etikettcellene for å beskrive dem. XLSTAT-støttesenter Tilpass en ARIMA-modell til en tidsserie i Excel Inkludert i datasettet for å passe en ARIMA-modell til en tidsserie Et Excel-ark med både dataene og resultatene kan lastes ned ved å klikke her. Dataene er oppnådd i Box, G. E.P. og Jenkins, G. M. (1976). Tidsserieanalyse: Forutsigelse og kontroll. Holden-Day, San Francisco, og svarer til månedlige internasjonale flyselskapspassasjerer (i tusen) fra januar 1949 til desember 1960. Vi ser på diagrammet at det er en global oppadgående trend som hvert år starter en lignende syklus, og at variabilitet innen et år ser ut til å øke over tid. Før vi passer til ARIMA-modellen, må vi stabilisere variabiliteten. For å gjøre det, forvandler vi serien ved hjelp av en loggformasjon. Vi kan se på diagrammet nedenfor at variabiliteten er redusert. Vi kan nå passe på en ARIMA (0,1, 1) (0,1,1) 12 modell som synes å være hensiktsmessig for å fjerne trendeffekten og den årlige sesongmessigheten av dataene. Konfigurere montering av en ARIMA-modell til en tidsserie Etter at du har åpnet XLSTAT, velger du ARSTA-kommandoen XLSTAT Time Series Analysis. Når du har klikket på knappen, vises dialogboksen ARIMA. Velg dataene på Excel-arket. I feltet Times-serien kan du nå velge loggdataene (passasjerer). Senteralternativet er aktivert igjen, da vi ønsker at XLSTAT automatisk senterer serien før optimalisering av ARIMA-modellen. Når du har valgt dataene, definerer du ARIMA-modellen ved å angi verdien av (p, d, q) (P, D, Q) s-ordrene. Serieperioden er satt til 12, fordi det ser ut til at syklusene gjentas hvert år (12 måneder). Alternativet Serieetiketter er aktivert fordi den første raden av de valgte dataene inneholder overskriften til variabelen. I valideringsfanen skriver du inn 12 slik at de 12 siste verdiene ikke brukes til å passe til modellen, men bare for å validere modellen. Beregningene begynner når du har klikket på OK. Resultatene vil da bli vist. Tolke resultatene av en ARIMA-modell som passer til en tidsserie Etter seriens oppsummeringsstatistikk viser en tabell de forskjellige kriteriene som tillater å vurdere kvaliteten på passformen, og å sammenligne passformen til denne modellen med andre modeller (hvis tilgjengelig ). Neste tabell viser parametrene til modellen. Vi ser at både parametrene MA (1) og SMA (1) er signifikant forskjellig fra 0 da 95-konfidensintervallet ikke inkluderer 0. Fortrolighetsintervallene beregnes ved hjelp av Hessian etter optimalisering, hvilket er hvilken annen programvare som regel vises, og ved bruk av en asymptotisk metode. Modellenes konstant er fast som den kommer fra fjerning av gjennomsnittet. ARIMA-modellen skriver: Y (t) 0.000Z (t-1) -0.348.Z (t-1) -0.562.Z (t-12) 0.195Z (t-13) hvor Z (t) er en hvit støy N (0, 0,001) Y (t) (1-B) (1-B12) X (t), og X (t) er inngangsseriene. Forutsigelsesligningen for X (t) - serien er gitt ved: X (t1) Y (t1) X (t) X (t-11) - X (t-12) En tabell gir verdiene til den opprinnelige serien, og den glatte serien (spådommene). På grunn av modellens begrensninger er det ikke spådommer som er tilgjengelige for de 13 første observasjonene (forutsetningene erstattes av verdiene til inngangsseriene). Legg merke til at en tidsvariabel quotTquot er opprettet for å lette den grafiske representasjonen. For de siste 12 observasjonene har spådommer blitt beregnet i valideringsmodus og et konfidensområde er tilgjengelig. Vi ser at nesten alle rester (i rødt) er negative. Dette betyr at modellen i overslagsmodus overvurderer trafikken. På diagrammet nedenfor kan vi se visst at prognosene (validering) er svært nær data. Forekasting - ARIMA API Tilpass en AutoRegressive Integrated Moving Average (ARIMA) - modell for å forutsi verdier i fremtiden. gt Merk: Dette avskrives. Forutsetninger - AutoRegressive Integrated Moving Average (ARIMA) API er et eksempel bygd med Microsoft Azure Machine Learning som passer til en ARIMA-modell for datainngang av brukeren, og gir deretter prognoserte verdier for fremtidige datoer. Vil etterspørselen etter et bestemt produkt øke i år Kan jeg forutse mitt produktsalg for høytiden, slik at jeg effektivt kan planlegge min beholdning. Prognosemodeller er egnet til å håndtere slike spørsmål. Gitt de siste dataene, undersøker disse modellene skjulte trender og sesongmessighet for å forutsi fremtidige trender. Mens denne webtjenesten kan forbrukes av brukere potensielt gjennom en mobilapp, en nettside eller en lokal datamaskin, skal formålet med webtjenesten også fungere som et eksempel på hvordan Azure ML kan brukes til å skape webtjenester på toppen av R-koden. Med bare noen få linjer med R-kode og klikk på en knapp i Azure ML Studio, kan et eksperiment opprettes med R-kode og publiseres som en webtjeneste. Webtjenesten kan da bli publisert til Azure Marketplace og konsumeres av brukere og enheter over hele verden uten infrastrukturoppsett av forfatteren av webtjenesten. XLSTAT Support Center Tilpass en ARIMA-modell til en tidsserie i Excel Inkludert i Datasett å passe en ARIMA-modell til en tidsserie Et Excel-ark med både data og resultater kan lastes ned ved å klikke her. Dataene er oppnådd i Box, G. E.P. og Jenkins, G. M. (1976). Tidsserieanalyse: Forutsigelse og kontroll. Holden-Day, San Francisco, og svarer til månedlige internasjonale flyselskapspassasjerer (i tusen) fra januar 1949 til desember 1960. Vi ser på diagrammet at det er en global oppadgående trend som hvert år starter en lignende syklus, og at variabilitet innen et år ser ut til å øke over tid. Før vi passer til ARIMA-modellen, må vi stabilisere variabiliteten. For å gjøre det, forvandler vi serien ved hjelp av en loggformasjon. Vi kan se på diagrammet nedenfor at variabiliteten er redusert. Vi kan nå passe på en ARIMA (0,1, 1) (0,1,1) 12 modell som synes å være hensiktsmessig for å fjerne trendeffekten og den årlige sesongmessigheten av dataene. Konfigurere montering av en ARIMA-modell til en tidsserie Etter at du har åpnet XLSTAT, velger du ARSTA-kommandoen XLSTAT Time Series Analysis. Når du har klikket på knappen, vises dialogboksen ARIMA. Velg dataene på Excel-arket. I feltet Times-serien kan du nå velge loggdataene (passasjerer). Senteralternativet er aktivert igjen, da vi ønsker at XLSTAT automatisk senterer serien før optimalisering av ARIMA-modellen. Når du har valgt dataene, definerer du ARIMA-modellen ved å angi verdien av (p, d, q) (P, D, Q) s-ordrene. Serieperioden er satt til 12, fordi det ser ut til at syklusene gjentas hvert år (12 måneder). Alternativet Serieetiketter er aktivert fordi den første raden av de valgte dataene inneholder overskriften til variabelen. I valideringsfanen skriver du inn 12 slik at de 12 siste verdiene ikke brukes til å passe til modellen, men bare for å validere modellen. Beregningene begynner når du har klikket på OK. Resultatene vil da bli vist. Tolke resultatene av en ARIMA-modell som passer til en tidsserie Etter seriens oppsummeringsstatistikk viser en tabell de forskjellige kriteriene som tillater å vurdere kvaliteten på passformen, og å sammenligne passformen til denne modellen med andre modeller (hvis tilgjengelig ). Neste tabell viser parametrene til modellen. Vi ser at både parametrene MA (1) og SMA (1) er signifikant forskjellig fra 0 da 95-konfidensintervallet ikke inkluderer 0. Fortrolighetsintervallene beregnes ved hjelp av Hessian etter optimalisering, hvilket er hvilken annen programvare som regel vises, og ved bruk av en asymptotisk metode. Modellenes konstant er fast som den kommer fra fjerning av gjennomsnittet. ARIMA-modellen skriver: Y (t) 0.000Z (t-1) -0.348.Z (t-1) -0.562.Z (t-12) 0.195Z (t-13) hvor Z (t) er en hvit støy N (0, 0,001) Y (t) (1-B) (1-B12) X (t), og X (t) er inngangsseriene. Forutsigelsesligningen for X (t) - serien er gitt ved: X (t1) Y (t1) X (t) X (t-11) - X (t-12) En tabell gir verdiene til den opprinnelige serien, og den glatte serien (spådommene). På grunn av modellens begrensninger er det ikke spådommer som er tilgjengelige for de 13 første observasjonene (forutsetningene erstattes av verdiene til inngangsseriene). Legg merke til at en tidsvariabel quotTquot er opprettet for å lette den grafiske representasjonen. For de siste 12 observasjonene har spådommer blitt beregnet i valideringsmodus og et konfidensområde er tilgjengelig. Vi ser at nesten alle rester (i rødt) er negative. Dette betyr at modellen i overslagsmodus overvurderer trafikken. På diagrammet nedenfor kan vi visuelt se at prognosene (validering) er svært nær dataene.
No comments:
Post a Comment