الانحدار الحركة من المتوسط - نموذج في ص

عمليات خطأ متوسط ​​الانحدار التلقائي الأخطاء أرما والنماذج الأخرى التي تنطوي على التأخر في شروط الخطأ يمكن تقديرها باستخدام بيانات فيت ومحاكاة أو التنبؤ باستخدام عبارات سولف غالبا ما تستخدم نماذج أرما لعملية الخطأ للنماذج مع بقايا ذات صلة أوتروكولاتد يمكن ماكرو أر يمكن استخدامها لتحديد نماذج مع عمليات خطأ الانحدار الذاتي يمكن استخدام ماكرو ما لتحديد النماذج مع عمليات خطأ المتوسط ​​المتوسط. أخطاء أوتورغريسيف. نموذج مع أول أخطاء ترتيب الانحدار الذاتي، أر 1، لديه النموذج. في حين أن عملية خطأ أر 2 له الشكل. وذلك للعمليات الأعلى ترتيب لاحظ أن s مستقلة وموزعة بشكل متطابق ولها قيمة متوقعة من 0. مثال على نموذج مع عنصر أر 2 هو. وهكذا دواليك لعمليات أعلى ترتيب. على سبيل المثال، يمكنك كتابة نموذج الانحدار الخطي بسيط مع ما 2 المتوسط ​​المتحرك أخطاء as. where MA1 و MA2 هي تتحرك المتوسط ​​المعلمات. ملاحظة أن ريسيد Y يتم تعريفها تلقائيا بواسطة بروك M أوديل. لاحظ أن ريسيد Y سالبة. يجب استخدام الدالة زلاغ من أجل نماذج ما لاقتطاع تكرارات التأخرات هذا يضمن أن الأخطاء المتأخرة تبدأ عند الصفر في طور التأخر، ولا تنشر القيم المفقودة عند التأخر - متغيرات فترة التجميع مفقودة، ويضمن أن أخطاء المستقبل هي صفر بدلا من المفقودين أثناء المحاكاة أو التنبؤ للحصول على تفاصيل حول وظائف تأخر راجع المقطع لاغ Logic. This النموذج المكتوب باستخدام ماكرو ما كما يلي. النموذج العام ل أرما النماذج. العام أرما p، q العملية لديه النموذج التالي. أرما p، q نموذج يمكن تحديدها على النحو التالي. حيث أر i و ما j يمثل الانحدار الذاتي والمتوسط ​​المتحرك المتوسط ​​لمختلف التأخر يمكنك استخدام أي أسماء وتريد لهذه المتغيرات، وهناك العديد من الطرق المعادلة التي يمكن أن تكون مكتوبة المواصفات. عمليات فيكتور أرما يمكن أيضا أن يقدر مع بروك نموذج على سبيل المثال، عملية أر 1 متغيرين لأخطاء المتغيرات الذاتية اثنين يمكن تحديد Y1 و Y2 على النحو التالي. مشاكل التوافق مع نماذج أرما. يمكن أن يكون من الصعب تقدير نماذج أرما إذا لم تكن تقديرات المعلمة ضمن النطاق المناسب، فإن المصطلحات المتبقية للنموذج المتوسط ​​المتحرك تنمو بشكل مضاعف ويمكن أن تبقى المخلفات المحسوبة لعمليات المراقبة اللاحقة تكون كبيرة جدا أو يمكن تجاوز ذلك يمكن أن يحدث إما بسبب استخدام قيم بدء غير لائق أو لأن التكرار بعيدا عن القيم المعقولة. يجب استخدام كير في اختيار قيم البداية للمعلمات أرما تبدأ قيم 0 001 للمعلمات أرما عادة إذا كان النموذج ويناسب البيانات جيدا والمشكلة هي مكيفة جيدا لاحظ أن نموذج ما يمكن في كثير من الأحيان تقريب من قبل نموذج أر عالية الترتيب، والعكس بالعكس وهذا يمكن أن يؤدي إلى علاقة خطية متداخلة عالية في نماذج أرما مختلطة، والتي بدورها يمكن أن تسبب سوء المعاملة الخطيرة، في الحسابات وعدم الاستقرار لتقديرات المعلمة. إذا كان لديك مشاكل التقارب أثناء تقدير نموذج مع عمليات خطأ أرما، حاول إستي ماتي في الخطوات أولا، استخدم بيان فيت لتقدير فقط المعلمات الهيكلية مع المعلمات أرما التي عقدت إلى الصفر أو إلى تقديرات مسبقة معقولة إذا كان متاحا بعد ذلك، استخدم بيان فيت أخرى لتقدير المعلمات أرما فقط، وذلك باستخدام القيم المعلمة الهيكلية من أول رن وبما أن قيم المعلمات الهيكلية من المرجح أن تكون قريبة من تقديراتها النهائية، فإن تقديرات معلمات أرما قد تتلاقى الآن وأخيرا، استخدم بيان فيت آخر لإنتاج تقديرات متزامنة لجميع المعلمات نظرا لأن القيم الأولية للمعلمات من المرجح الآن أن تكون قريبة جدا من تقديراتها النهائية المشتركة، يجب أن تتلاقى التقديرات بسرعة إذا كان النموذج مناسبا للبيانات. AR الشروط الأولية. يمكن التأخير الأولي لشروط الخطأ في نماذج أر p بطرق مختلفة طرق بدء الانحدار الذاتي للخطأ المدعومة من خلال إجراءات ساس إتس هي التالية المربعات الصغرى المشروط أريما و MODEL. unconditional المربعات الصغرى أوتور G، أريما، وإجراءات موديل. أقصى احتمال أوتوريغ، أريما، وإجراءات موديل. يول ووكر أوتوريغ الإجراء فقط. هيلدريث لو، الذي يحذف أول ملاحظات p نموذج الإجراء فقط. انظر الفصل 8، الإجراء أوتوريغ، للحصول على شرح ومناقشة مزايا الأساليب المختلفة لبدء التشغيل أر p. ​​ويمكن إجراء عمليات التهيئة كلس و أولس و مل و هل بواسطة بروك موديل بالنسبة إلى أخطاء أر 1، يمكن إنتاج هذه التهيئة الأولية كما هو مبين في الجدول 18 2 هذه الأساليب مكافئة في الحجم الكبير . 18 18 التهيئة التي يتم إجراؤها بواسطة بروك موديل أر 1 إرورس. ويمكن أيضا التأخير الأولي لشروط الخطأ في نماذج ما q على غرار بطرق مختلفة يتم دعم نماذج بدء الخطأ المتوسط ​​المتوسط ​​التالية من خلال إجراءات أريما و موديل . غير المشروط المربعات الصغرى. المحدودية المربعات الصغرى. المشروط المربعات الصغرى طريقة تقدير الانتقال المتوسط ​​أخطاء الخطأ ليست الأمثل لأنه يتجاهل مشكلة بدء التشغيل هذا يقلل من كفاءة التقديرات، ألث ولكنها لا تزال غير متحيزة من المفترض أن تكون المخلفات الأولية المتأخرة التي تمتد قبل بدء البيانات هي صفر وقيمتها المتوقعة غير المشروطة وهذا يدخل فرقا بين هذه المخلفات ومتبقي المربعات الصغرى المعمم في التباين المتوسط ​​المتحرك، نموذج الانحدار الذاتي، يستمر من خلال مجموعة البيانات عادة هذا الاختلاف يتقارب بسرعة إلى 0، ولكن بالنسبة لعمليات المتوسط ​​المتحرك غير قابل للتحويل تقريبا التقارب بطيء جدا للحد من هذه المشكلة، يجب أن يكون لديك الكثير من البيانات، يكون جيدا داخل نطاق قابل للانعكاس. يمكن تصحيح هذه المشكلة على حساب كتابة برنامج أكثر تعقيدا يمكن أن تنتج غير المشروط المربعات الصغرى تقديرات لعملية ما 1 من خلال تحديد نموذج على النحو التالي. الأخطاء المتوسط ​​المتوسط ​​يمكن أن يكون من الصعب تقدير لك ينبغي أن تنظر في استخدام تقريب أر إلى عملية المتوسط ​​المتحرك يمكن أن تكون عملية المتوسط ​​المتحرك جيدة بشكل عام تزاوجها عملية الانحدار الذاتي إذا لم يتم تمهيد البيانات أو ديفيرنسد. أر ماكرو. ساس الماكرو أر يولد بيانات البرمجة ل بروك نموذج لنماذج الانحدار الذاتي أر ماكرو هو جزء من ساس إتس البرمجيات، وليس هناك خيارات خاصة تحتاج إلى تعيين لاستخدام الماكرو يمكن تطبيق عملية الانحدار الذاتي على أخطاء المعادلة الهيكلية أو إلى سلسلة الذاتية أنفسهم. يمكن استخدام الماكرو أر للأنواع التالية من ناقلات autoregression. unrestimited autoregression. restimited ناقلات autoregression. Univariate Autorgression. To نموذج الخطأ مدة المعادلة كعملية الانحدار الذاتي، استخدم العبارة التالية بعد المعادلة. على سبيل المثال، لنفترض أن Y هي وظيفة خطية من X1 و X2 و خطأ أر 2 يمكنك كتابة هذا النموذج كما يلي. يأتي بعد كل المعادلات التي تنطبق عليها العملية. الاستدعاء الكلي السابق، أر y، 2، ينتج البيانات المبينة في خرج ليست في الشكل 18 58. الشكل 18 58 قائمة O بتيون الناتج عن نموذج أر 2. المتغيرات مسبقة بريد هي متغيرات البرنامج المؤقتة المستخدمة بحيث تكون التخلف من البقايا هي المخلفات الصحيحة وليس تلك المعاد تعريفها بواسطة هذه المعادلة لاحظ أن هذا يعادل البيانات المكتوبة بشكل واضح في القسم عام نموذج لنماذج أرما. يمكنك أيضا تقييد المعلمات الانحدار الذاتي إلى صفر في تأخر المحدد على سبيل المثال، إذا أردت معلمات الانحدار الذاتي في الفترات 1 و 12 و 13 يمكنك استخدام العبارات التالية. هذه البيانات توليد الإخراج هو مبين في الشكل 18 59.Figure 18 59 ليست خيار الإخراج لنموذج أر مع تأخيرات في 1 و 12 و 13.The موديل الإجراء. إقتبس من البرمجية البرمجية المترجمة. الاختبار كما Parsed. PRED ياب x1 c x2RESID y بريد y - y. إرور y بريد y - y. OLDPRED y بريد y yl1 ZLAG1 y - بيردي yl12 ZLAG12 y - بيردي yl13 ZLAG13 y - PREDy. RESID y بريد y - Y yERROR y y بريد y - y. هناك اختلافات في المربعات الصغرى المشروطة ، اعتمادا على ما إذا كانت الملاحظات في بداية من سلسلة تستخدم لتسخين عملية أر افتراضيا، أر طريقة الشرطية المربعات الصغرى يستخدم كل الملاحظات ويفترض الأصفار للتخلف الأولي من شروط الانحدار الذاتي باستخدام الخيار M، يمكنك أن تطلب أن أر استخدام الأقل المشروط المربعات أولس أو الحد الأقصى من احتمال طريقة مل بدلا من ذلك على سبيل المثال. يتم تقديم مناقشة هذه الأساليب في القسم أر الشروط الأولية. باستخدام الخيار M كلس ن، يمكنك طلب استخدام الملاحظات N الأولى لحساب تقديرات الانحدار الذاتي الأولي تأخر في هذه الحالة، يبدأ التحليل مع الملاحظة n 1 على سبيل المثال. يمكنك استخدام الماكرو أر لتطبيق نموذج الانحدار الذاتي إلى المتغير الداخلي، بدلا من مصطلح الخطأ، وذلك باستخدام الخيار تايب V على سبيل المثال، إذا كنت تريد لإضافة الفواصل الخمسة الماضية من Y إلى المعادلة في المثال السابق، يمكنك استخدام أر لتوليد المعلمات والتخلف باستخدام العبارات التالية. البيانات السابقة توليد الإخراج هو مبين في الشكل 18 60. الشكل 18 60 ليست خرج الخوارزمية لنموذج أر من Y. ويتنبأ هذا النموذج Y بمزيج خطي من X1 و X2 و اعتراض وقيم Y في أحدث خمس فترات. نموذج مصطلحات الخطأ لمجموعة من المعادلات كعملية متجه الانحدار الذاتي، استخدم النموذج التالي من ماكرو أر بعد المعادلات. قيمة اسم العملية هي أي اسم التي تقوم بتوفيرها أر لاستخدامها في صنع أسماء المعلمات الانحدار الذاتي يمكنك استخدام الماكرو أر لنمذجة عدة عمليات أر مختلفة لمجموعات مختلفة من المعادلات باستخدام أسماء عمليات مختلفة لكل مجموعة اسم العملية يضمن أن أسماء المتغيرات المستخدمة هي فريدة من نوعها استخدام قيمة اسم عملية قصيرة للعملية إذا كانت تقديرات المعلمة أن تكون مكتوبة إلى مجموعة بيانات الإخراج يحاول الماكرو أر إنشاء أسماء معلمات أقل من أو يساوي ثمانية أحرف، ولكن هذا يقتصر على طول اسم العملية الذي يستخدم كبادئة لأسماء معلمة أر. ذي فاريابل هي قيمة المتغيرات الذاتية للمعادلات. على سبيل المثال، لنفترض أن أخطاء المعادلات Y1 و Y2 و Y3 يتم إنشاؤها بواسطة عملية الانحدار الذاتي المتجه من الدرجة الثانية يمكنك استخدام العبارات التالية. التي تولد ما يلي ل Y1 و شفرة مماثلة ل Y2 و Y3.Only المربعات الصغرى المشروطة M كلس أو M كلس ن طريقة يمكن استخدامها لعمليات متجه. يمكنك أيضا استخدام نفس النموذج مع القيود التي مصفوفة معامل تكون 0 في تأخر المحدد على سبيل المثال، العبارات التالية تطبيق عملية ناقلات من الدرجة الثالثة على أخطاء المعادلة مع جميع المعاملات عند التأخر 2 مقيدة إلى 0 ومع المعاملات عند الفواصل الزمنية 1 و 3 غير المقيدة. يمكنك نمذجة السلسلة الثلاثية Y1 Y3 باعتبارها عملية الانحدار الذاتي المتجه في المتغيرات بدلا من في الأخطاء باستخدام الخيار تايب V إذا كنت ترغب في نموذج Y1 Y3 كدالة للقيم الماضية Y1 Y3 وبعض المتغيرات الخارجية أو الثوابت، يمكنك استخدام أر لتوليد البيانات لفترات التأخير كتابة معادلة لكل متغير للجزء غير الترجعي من النموذج، ثم استدعاء أر مع الخيار تايب V على سبيل المثال. يمكن أن يكون الجزء غير التخطيطي للنموذج دالة للمتغيرات الخارجية، أو يمكن أن يكون معلمات اعتراض إذا لم يكن هناك خارجي مكونات لنموذج متجه الانحدار الذاتي، بما في ذلك عدم وجود اعتراضات، ثم تعيين صفر لكل من المتغيرات يجب أن يكون هناك تخصيص لكل من المتغيرات قبل أن يسمى أر. هذا المثال نموذج المتجه Y Y1 Y2 Y3 كدالة خطية فقط من قيمة في الفترتين السابقتين وناقلات خطأ الضوضاء البيضاء النموذج يحتوي على 18 3 3 3 3 معلمات. سينتاكس من ماكرو أر. هناك حالتان من بناء جملة ماكرو أر عندما لا تكون هناك حاجة إلى قيود على عملية أر المتجه، بناء جملة الماكرو أر يحتوي على الشكل العام. حدد البادئة ل أر لاستخدامها في بناء أسماء المتغيرات اللازمة لتحديد عملية أر إذا لم يتم تحديد إندوليست، القائمة الافتراضية الافتراضية إلى الاسم الذي يجب أن يكون ن آمي من المعادلة التي يتم تطبيق عملية خطأ أر لا يمكن أن تتجاوز قيمة الاسم 32 حرفا. هو ترتيب عملية أر. تحديد قائمة المعادلات التي يتم تطبيق عملية أر إذا كان أكثر من اسم واحد هو نظرا إلى أن عملية ناقلات غير مقيدة يتم إنشاؤها مع المخلفات الهيكلية لجميع المعادلات المدرجة على أنها معادلات في كل من المعادلات إذا لم يحدد، الافتراضي الافتراضيات الاسم. حدد قائمة التأخيرات التي شروط أر التي ستضاف معاملات يتم تعيين المصطلحات في حالات التأخر غير المدرجة على 0 يجب أن تكون جميع الفواصل المدرجة أقل من أو تساوي نلاغ ويجب ألا تكون هناك تكرارات إذا لم يتم تحديدها، فإن الإعدادات الافتراضية لاجليست لجميع الفترات من 1 إلى nlag. تحدد طريقة التقدير لتنفيذ فاليد قيم M هي كلس مشروطة تقديرات المربعات الصغرى، أولس غير المشروطة تقديرات المربعات الصغرى، ومل تقديرات أقصى احتمال M كلس هو الافتراضي فقط يسمح M كلس عندما يتم تحديد أكثر من معادلة أولس و M لا يتم دعم أساليب L لنماذج أر ناقلات من قبل AR. يحدد أن عملية أر هو أن تطبق على المتغيرات الذاتية نفسها بدلا من المخلفات الهيكلية للمعادلات. الاستيراد التلقائي. الاسترداد. يمكنك التحكم في المعلمات التي يتم تضمينها في العملية ، وتقييد إلى 0 تلك المعلمات التي لا تشمل أولا، استخدم أر مع الخيار ديفر لإعلان قائمة المتغيرات وتحديد البعد من العملية ثم استخدام مكالمات أر إضافية لإنشاء مصطلحات للمعادلات المحددة مع المتغيرات المحددة في التأخر المحدد ل على سبيل المثال. إن معادلات الخطأ المنتجة هي كما يلي. ويذكر هذا النموذج أن أخطاء Y1 تعتمد على أخطاء كل من Y1 و Y2 ولكن ليس Y3 عند كلا الفئتين 1 و 2 وأن الأخطاء بالنسبة إلى Y2 و Y3 تعتمد على الأخطاء السابقة لجميع المتغيرات الثلاثة، ولكن فقط في تأخر 1. أر بناء الجملة ماكرو للمتجهات المقيدة AR. An يسمح الاستخدام البديل من أر فرض قيود على عملية أر المتجه عن طريق استدعاء أر عدة مرات إلى سب إيسيفي مصطلحات أر مختلفة والتخلف عن المعادلات المختلفة. المكالمة الأولى لديها شكل عام. حدد البادئة ل أر لاستخدامها في بناء أسماء المتغيرات اللازمة لتحديد عملية أر المتجه. حدد ترتيب عملية أر. حدد قائمة من المعادلات التي يتم تطبيق عملية أر. يحدد أن أر ليس لإنشاء عملية أر ولكن الانتظار للحصول على مزيد من المعلومات المحددة في وقت لاحق أر يدعو لنفس القيمة اسم. والمكالمات اللاحقة لها الشكل العام. هذا نفسه كما هو الحال في المكالمة الأولى. حدد قائمة المعادلات التي يتم تطبيق المواصفات في هذه النداء أر فقط الأسماء المحددة في قيمة إندوليست للمكالمة الأولى لقيمة الاسم يمكن أن تظهر في قائمة المعادلات في eqlist. specives قائمة المعادلات التي يجب أن تدرج المخلفات الهيكلية المتخلفة كمؤخرات في المعادلات في إكليست الأسماء فقط في إندوليست المكالمة الأولى لقيمة الاسم يمكن أن تظهر في فارليست إذا لم يتم تحديد، الافتراضي فارليست ل إندوليست. يحدد قائمة التأخيرات التي يتم فيها إضافة مصطلحات أر حيث يتم تعيين معاملات المصطلحات في حالات التأخر غير المدرجة على 0 يجب أن تكون جميع الفواصل المدرجة أقل من أو تساوي قيمة نلاغ ويجب ألا يكون هناك التكرارات إذا لم يتم تحديدها، لاغليست الافتراضية لجميع يتخلف 1 من خلال nlag. The ماك ماكرو. ساس ماكرو ماك يولد بيانات البرمجة ل بروك نموذج لنماذج المتوسط ​​المتحرك ماكرو ما هو جزء من ساس إتس البرمجيات، وليس هناك حاجة إلى خيارات خاصة ل استخدام الماكرو يمكن تطبيق عملية خطأ المتوسط ​​المتوسط ​​على أخطاء المعادلة الهيكلية بناء جملة ماكرو ما هو نفس الماكرو أر باستثناء عدم وجود وسيطة تايب. عندما كنت تستخدم ماكرو ما و أر مجتمعة، فإن ما يجب أن تتبع ماكرو أر البيانات التالية ساس إمل تنتج عملية خطأ أرما 1 و 1 3 وحفظه في مجموعة البيانات مادات 2. وتستخدم عبارات بروك موديل التالية لتقدير معلمات هذا النموذج باستخدام أقصى احتمال بنية الخطأ. ذي إستي يظهر زملاؤها من المعلمات التي تنتجها هذه العملية في الشكل 18 61. الشكل 18 61 التقديرات من عملية أرما 1، 1 3.هناك حالتان من بناء الجملة ل ماكرو ما عندما لا تكون هناك حاجة إلى قيود على عملية ما المتجه، بناء جملة ماكرو ماك يحتوي على الشكل العام. حدد البادئة ل ما لاستخدامها في بناء أسماء المتغيرات اللازمة لتعريف عملية ما و هو endolist. is الافتراضي ترتيب عملية MA. يحدد المعادلات التي ما العملية يتم تطبيقها إذا تم إعطاء أكثر من اسم واحد، يتم استخدام تقدير كلس لعملية المتجه. حدد الفواصل الزمنية التي يتم فيها إضافة مصطلحات ما يجب أن تكون جميع التأخيرات المدرجة أقل من أو تساوي نلاغ ويجب أن يكون هناك أن تكون غير مكررة إذا لم يتم تحديدها، لاغليست افتراضات لجميع يتخلف 1 من خلال nlag. speces طريقة تقدير لتنفيذ القيم الصالحة لل M هي كلس مشروطة تقديرات المربعات الصغرى، أولس تقديرات المربعات الصغرى غير المشروطة، ومل تقديرات احتمال أقصى M كلس هو العداء لوت فقط M كلس يسمح عندما يتم تحديد أكثر من معادلة في إندوليست. ما ماكرو بناء الجملة للناقلات المقيدة تتحرك - Average. An استخدام بديل من ما يسمح لفرض قيود على عملية ما ناقلات عن طريق استدعاء ما عدة مرات لتحديد شروط ما مختلفة والتخلف عن المعادلات المختلفة. المكالمة الأولى لديها form. specives عامة بادئة ل ما لاستخدامها في بناء أسماء المتغيرات اللازمة لتعريف متجه ما process. يحدد ترتيب عملية ما. حدد قائمة المعادلات التي يتم تطبيق عملية ما. ويحدد أن ما هو ليس لتوليد عملية ما ولكن هو الانتظار للحصول على مزيد من المعلومات المحددة في وقت لاحق ما يدعو لنفس القيمة name. The المكالمات اللاحقة لها form. is العام نفسه كما في call. speces الأولى قائمة المعادلات التي المواصفات في هذه الدعوة ما يتم تطبيقها. تحدد قائمة المعادلات التي يجب أن تدرج المخلفات الهيكلية المتخلفة كمؤخرات في المعادلات الموجودة في eqlist. يحدد قائمة التأخيرات التي ستضاف إليها مصطلحات ما. مقدمة إلى نماذج أريما غير الموسمية. أريما p، d، q معادلة التنبؤ تعتبر نماذج أريما، من الناحية النظرية، الفئة الأكثر عمومية من النماذج للتنبؤ بسلسلة زمنية يمكن أن تكون ثابتة من خلال الاختلاف إذا لزم الأمر، وربما بالتزامن مع التحولات غير الخطية مثل التسجيل أو التفريغ إذا لزم الأمر المتغير العشوائي الذي هو عبارة عن سلسلة زمنية ثابت إذا كانت خصائصه الإحصائية ثابتة على مر الزمن سلسلة ثابتة لا يوجد لها اتجاه، وتغيراته حول المتوسط ​​لها اتساع ثابت، ويتصارع بطريقة متسقة أي فإن أنماط الوقت العشوائي على المدى القصير تبدو دائما بنفس المعنى الإحصائي. ويعني الشرط الأخير أن ارتباطات الترابط الذاتي مع انحرافاته السابقة عن المتوسط ​​تظل ثابتة بمرور الوقت أو ما يعادلها أن طيف القدرة يبقى ثابتا بمرور الوقت متغير عشوائي يمكن النظر إلى هذا النموذج كالمعتاد على أنه مزيج من الإشارة والضوضاء، والإشارة إذا كان المرء ظاهرا يمكن أن يكون نمطا سريعا أو ق أو التذبذب الجيبى، أو التذبذب السريع فى الإشارة، ويمكن أن يكون له أيضا مكون موسمي يمكن اعتبار نموذج أريما كمرشح يحاول فصل الإشارة عن الضوضاء، ثم يتم استقراء الإشارة إلى المستقبل للحصول على التنبؤات. ومعادلة التنبؤ أريما لسلسلة زمنية ثابتة هي المعادلة الخطية أي الانحدار من نوع التي تتكون من التنبؤات المتخلفة من المتغير التابع أو التأخر في أخطاء التنبؤ هذه هي قيمة. Predected من Y ثابت و أو ومجموع مرجح لقيمة واحدة أو أكثر من القيم الأخيرة من Y أو أو مجموع مرجح لقيمة أو أكثر من القيم الأخيرة للأخطاء. إذا كانت المتنبئات تتألف فقط من قيم متخلفة من Y فهي نموذج انحدار تلقائي نقي ذاتي التراجع، وهو مجرد حالة خاصة من نموذج الانحدار والتي يمكن تركيبها مع برامج الانحدار القياسية على سبيل المثال، نموذج الانحدار الذاتي الأول أر 1 ل Y هو نموذج الانحدار البسيط الذي المتغير المستقل هو مجرد Y المتخلفة من خلال فترة واحدة لاغ Y، 1 في ستاتغرافيكس أو YLAG1 في ريجرسيت إذا كان بعض من التنبؤات هي متخلفة من الأخطاء، وهو نموذج أريما انها ليست نموذج الانحدار الخطي، لأنه لا توجد وسيلة لتحديد الماضي خطأ الصورة كمتغير مستقل يجب حساب الأخطاء على أساس فترة إلى فترة عندما يكون النموذج مثبتا على البيانات من وجهة النظر التقنية، فإن مشكلة استخدام الأخطاء المتأخرة كمنبئات هي أن تنبؤات النموذج ليست وظائف خطية للمعاملات على الرغم من أنها هي وظائف خطية من البيانات السابقة لذلك، يجب أن تكون معاملات في نماذج أريما التي تشمل أخطاء متخلفة من خلال أساليب التحسين غير الخطية هيل تسلق بدلا من مجرد حل نظام من المعادلات. الاسم المختصر أريما لتقف على الانحدار السيارات المتكاملة المتكاملة المتخلفة متوسطة من تسمى السلسلة المستقرة في معادلة التنبؤ بعبارات الانحدار الذاتي، وتسمى فترات التأخير في أخطاء التنبؤ بمتوسطات المتوسط ​​المتحرك، وسلسلة زمنية تحتاج إلى اختلاف t س تكون ثابتة يقال أن تكون نسخة متكاملة من سلسلة ثابتة المشي العشوائي ونماذج الاتجاه العشوائي، ونماذج الانحدار الذاتي، ونماذج التمهيد الأسي كلها حالات خاصة من نماذج أريما. ويصنف نموذج أريما نوناسونال كما أريما p، d، q، حيث p. هو عدد مصطلحات الانحدار الذاتي d هو عدد الخلافات غير الموسمية اللازمة للمحطة، و. ق هو عدد أخطاء التنبؤات المتأخرة في معادلة التنبؤ. تم إنشاء معادلة التنبؤ على النحو التالي أولا، اسمحوا y تدل على الفرق د من Y مما يعني. ملاحظة أن الفرق الثاني من Y د 2 الحالة ليست الفرق من 2 منذ فترات بدلا من ذلك، هو الفرق الأول من أول الفرق الذي هو المنفصل التناظرية من مشتق الثاني، أي تسارع المحلي للسلسلة بدلا من الاتجاه المحلي. من حيث y معادلة التنبؤ العام هو. هنا يتم تعريف المعلمات المتوسط ​​المتحرك s بحيث تكون علاماتها سلبية في المعادلة، ز الاتفاقية التي قدمها بوكس ​​وجينكينز بعض المؤلفين والبرمجيات بما في ذلك لغة البرمجة R تعريف لهم بحيث لديهم علامات زائد بدلا من ذلك عندما يتم توصيل الأرقام الفعلية في المعادلة، لا يوجد أي غموض، ولكن من المهم أن تعرف أي اتفاقية البرنامج الخاص بك يستخدم عندما كنت تقرأ الإخراج في كثير من الأحيان يتم ترميز المعلمات هناك من قبل أر 1، أر 2، و ما 1، ما 2، إلخ. لتحديد نموذج أريما المناسب ل Y تبدأ بتحديد ترتيب اختلاف الحاجة إلى ستاتاريريز وسلسلة وإزالة الميزات الإجمالية للموسمية، وربما بالاقتران مع التحول استقرار التباين مثل قطع الأشجار أو تفكك 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 هناك سلسلة من الأخطاء المستقرة أوتوكورلاتد، مما يشير إلى أن بعض عدد من المصطلحات أر p 1 أو بعض عدد الشروط ما q 1 هي أيضا هناك حاجة في التنبؤ إن معادلة تحديد قيم p و d و q التي هي الأفضل لسلسلة زمنية معينة سوف تناقش في أقسام لاحقة من الملاحظات التي تكون الروابط في أعلى هذه الصفحة، ولكن معاينة لبعض من وترد نماذج أريما نونسونالونال التي يتم اكتشافها عادة أدناه. أريما 1،0،0 نموذج الانحدار الذاتي من الدرجة الأولى إذا كانت السلسلة ثابتة و أوتوكوريلاتد، وربما يمكن التنبؤ بها كمضاعفة من القيمة السابقة الخاصة بها، بالإضافة إلى ثابت و معادلة المعادلة في هذه الحالة هي. وهذا هو Y تراجع على نفسها متأخرة بفترة واحدة هذا هو نموذج أريما 1،0،0 ثابت إذا كان متوسط ​​Y هو صفر، فإن المصطلح الثابت لن يتم تضمينه. إذا كان معامل الانحدار 1 يكون موجبا وأقل من 1 في الحجم يجب أن يكون أقل من 1 في الحجم إذا كان Y ثابتا، يصف النموذج سلوك التراجع المتوسط ​​الذي يجب التنبؤ فيه بقيمة الفترة التالية لتكون 1 مرة بعيدا عن المتوسط ​​كما في هذه الفترة s إذا كانت قيمة 1 سلبية، فإنها تتوقع متوسط ​​r أي أنه يتنبأ أيضا بأن Y سيكون أقل من متوسط ​​الفترة التالية إذا كان أعلى من متوسط ​​هذه الفترة. في نموذج طلب الانحدار الذاتي من الدرجة الثانية أريما 2،0،0، سيكون هناك Y t - 2 على اليمين كذلك، وهلم جرا اعتمادا على علامات ومقدار المعاملات، يمكن أن نموذج أريما 2،0،0 وصف نظام الذي انعكس متوسط ​​يحدث في نمط يتأرجح الجيبية، مثل حركة كتلة على الربيع الذي يتعرض لصدمات عشوائية. أريما 0،1،0 المشي العشوائي إذا كانت السلسلة Y ليست ثابتة، أبسط نموذج ممكن لأنه هو نموذج المشي العشوائي، والتي يمكن اعتبارها حالة الحد من أر 1 النموذج الذي يكون فيه معامل الانحدار الذاتي مساويا ل 1، أي سلسلة مع عكس متوسط ​​بطيء بلا حدود. يمكن كتابة معادلة التنبؤ لهذا النموذج كما. حيث يكون المصطلح الثابت هو متوسط ​​التغير من فترة إلى أخرى، أي الانجراف طويل الأجل في Y ويمكن تركيب هذا النموذج كنموذج الانحدار لا اعتراض i n حيث أن الاختلاف الأول Y هو المتغير التابع لأنه يتضمن فقط اختلافا غير منطقي ومدة ثابتة، يتم تصنيفه على أنه نموذج أريما 0،1،0 مع ثابت نموذج المشي العشوائي بدون الانجراف سيكون أريما 0،1،0 نموذج بدون ثابت. أريما 1،1،0 اختلافا عن نموذج الانحدار الذاتي من الدرجة الأولى إذا كانت أخطاء نموذج المشي العشوائي هي أوتوكوريلاتد، ربما يمكن إصلاح المشكلة عن طريق إضافة تأخر واحد من المتغير التابع إلى معادلة التنبؤ --ie عن طريق التراجع عن الاختلاف الأول لل Y على نفسها متأخرة بفترة واحدة وهذا من شأنه أن يسفر عن المعادلة التنبؤ التالية. وهو يمكن إعادة ترتيبها. هذا هو نموذج الانحدار الذاتي من الدرجة الأولى مع ترتيب واحد من اختلاف نونسوناسونال ولفترة ثابتة - أي أريما 1،1،0 نموذج. أريما 0،1،1 دون تمهيد الأسي بسيطة ثابتة وهناك استراتيجية أخرى لتصحيح الأخطاء أوتوكوريلاتد في نموذج المشي العشوائي يقترح من قبل نموذج تمهيد الأسي بسيط أذكر أن لبعض تي غير المستقرة لي سلسلة على سبيل المثال تلك التي تظهر تقلبات صاخبة حول متوسط ​​متغير ببطء، نموذج المشي العشوائي لا يؤدي فضلا عن المتوسط ​​المتحرك للقيم الماضية وبعبارة أخرى، بدلا من أخذ أحدث الملاحظة كما توقعات الملاحظة التالية، فمن 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 معادلة التنبؤ للبسيطة يمكن كتابة نموذج التجانس الأسي في عدد من الأشكال المكافئة رياضيا واحد منها هو ما يسمى شكل تصحيح الأخطاء، حيث يتم تعديل التوقعات السابقة في اتجاه الخطأ الذي قدمته. لأن e t-1 Y t-1 - t-1 حسب التعريف، وهذا يمكن إعادة كتابة as. which هو أريما 0،1،1 - without ثابت معادلة التنبؤ مع 1 1 - وهذا يعني أنه يمكنك تناسب تمهيد أسي بسيط عن طريق تحديد (أرا) 0،1،1 دون أن يكون ثابتا، ويقابل معامل ما 1 المعادل 1-ناقص ألفا في صيغة سيس تذكر أنه في نموذج سيس، متوسط ​​عمر البيانات في فترة 1 - التوقعات السابقة هي 1 يعني أنها سوف تميل إلى التخلف عن الاتجاهات أو نقاط التحول بنحو 1 فترات ويترتب على ذلك أن متوسط ​​عمر البيانات في 1-الفترة السابقة التوقعات لنموذج أريما 0،1،1 بدون ثابت هو 1 1 - 1 لذلك، على سبيل المثال، إذا كان 1 0 8، متوسط ​​العمر 5 كمقاربات 1، يصبح النموذج أريما 0،1،1 بدون ثابت متوسط ​​متحرك طويل الأجل جدا، و 1 النهج 0 يصبح نموذج المشي العشوائي دون الانجراف. ما هي أفضل طريقة لتصحيح الارتباط الذاتي إضافة مصطلحات أر أو إضافة شروط ما في النموذجين السابقين نوقشت أعلاه، تم إصلاح مشكلة أخطاء أوتوكوريلاتد في نموذج المشي العشوائي بطريقتين مختلفتين عن طريق إضافة قيمة متخلفة لسلسلة الاختلاف إلى المعادلة أو إضافة قيمة متأخرة لخطأ التنبؤ الذي البروش هو الأفضل 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 نموذج وعادة ما يعامل الارتباط الذاتي السلبي عن طريق إضافة ما على المدى الطويل في سلسلة الأعمال التجارية والوقت الاقتصادي، غالبا ما تنشأ علاقة الارتباط الذاتي السلبي كقطعة أثر من الاختلاف بشكل عام، يقلل الاختلاف من الارتباط الذاتي الإيجابي وربما يؤدي إلى التحول من الارتباط الإيجابي إلى السالب. لذلك، فإن نموذج أريما 0،1،1، يرافقه مصطلح ما، وغالبا ما تستخدم من أريما 1،1،0 نموذج. أريما 0،1،1 مع التماسك الأسي المستمر المستمر مع النمو من خلال تنفيذ نموذج سيس كنموذج أريما، كنت في الواقع الحصول على بعض المرونة أولا كل ذلك، يسمح معامل ما 1 المقدر أن يكون سالبا هذا يتوافق مع عامل تمهيد أكبر من 1 في نموذج سيس، والذي عادة ما لا يسمح به الإجراء نموذج تركيب سيس الثاني، لديك ث e من إدراج مدة ثابتة في نموذج أريما إذا رغبت في ذلك، من أجل تقدير متوسط ​​اتجاه غير صفري نموذج أريما 0،1،1 مع ثابت لديه معادلة التنبؤ. التوقعات فترة واحدة قبل هذا النموذج هي مماثلة نوعيا لتلك التي في نموذج سيس، إلا أن مسار التوقعات على المدى الطويل هو عادة خط المنحدر الذي المنحدر يساوي مو بدلا من خط أفقي. أريما 0،2،1 أو 0،2،2 دون ثابت خطي الأسي تمهيد الخطي الأسية تمهيد نماذج هي نماذج أريما التي تستخدم اثنين من الاختلافات نونسونالونال بالتزامن مع ما الشروط والفرق الثاني من سلسلة Y ليس مجرد الفرق بين Y وتخلف نفسها بفترتين، وإنما هو الفرق الأول من والفارق الأول - أي التغيير في تغيير Y في الفترة t وهكذا، فإن الفرق الثاني Y في الفترة t يساوي Y t - Y t-1 - Y t-1 - Y t-2 Y t - 2Y t-1 Y t-2 الفرق الثاني لوظيفة منفصلة يشبه دالة ثانية ملهم من وظيفة مستمرة يقيس تسارع أو انحناء في وظيفة في نقطة معينة في الوقت. أريما 0،2،2 نموذج دون توقع مستمر أن الفرق الثاني من سلسلة يساوي وظيفة خطية من آخر أخطاء التنبؤ اثنين. والتي يمكن إعادة ترتيبها as. where 1 و 2 هي ما 1 و ما 2 معاملات هذا هو نموذج التجانس الأسي العام الخطية أساسا نفس نموذج هولت، ونموذج براون هو حالة خاصة ويستخدم المتوسطات المتحركة المرجح أضعافا مضاعفة لتقدير both a local level and a local trend in the series The long-term forecasts from this model converge to a straight line whose slope depends on the average trend observed toward the end of the series. ARIMA 1,1,2 without constant damped-trend linear exponential smoothing. This model is illustrated in the accompanying slides on ARIMA models It extrapolates the local trend at the end of the series but flattens it out at longer forecast horizons to introduce a note of conservat ism, a practice that has empirical support See the article on Why the Damped Trend works by Gardner and McKenzie and the Golden Rule article by Armstrong et al for details. It is generally advisable to stick to models in which at least one of p and q is no larger than 1, i e do not try to fit a model such as ARIMA 2,1,2 , as this is likely to lead to overfitting and common-factor issues that are discussed in more detail in the notes on the mathematical structure of ARIMA models. Spreadsheet implementation ARIMA models such as those described above are easy to implement on a spreadsheet The prediction equation is simply a linear equation that refers to past values of original time series and past values of the errors Thus, you can set up an ARIMA forecasting spreadsheet by storing the data in column A, the forecasting formula in column B, and the errors data minus forecasts in column C The forecasting formula in a typical cell in column B would simply be a linear expression referring to v alues in preceding rows of columns A and C, multiplied by the appropriate AR or MA coefficients stored in cells elsewhere on the spreadsheet. ARIMA Forecasting with Excel and R. Hello Today I am going to walk you through an introduction to the ARIMA model and its components, as well as a brief explanation of the Box-Jenkins method of how ARIMA models are specified Lastly, I created an Excel implementation using R, which I ll show you how to set up and use. Autoregressive Moving Average ARMA Models. The Autoregressive Moving Average model is used for modeling and forecasting stationary, stochastic time-series processes It is the combination of two previously developed statistical techniques, the Autoregressive AR and Moving Average MA models and was originally described by Peter Whittle in 1951 George E P Box and Gwilym Jenkins popularized the model in 1971 by specifying discrete steps to model identification, estimation, and verification This process will be described later for reference. W e will begin by introducing the ARMA model by its various components, the AR, and MA models and then present a popular generalization of the ARMA model, ARIMA Autoregressive Integrated Moving Average and forecasting and model specification steps Lastly, I will explain an Excel implementation I created and how to use it to make your time series forecasts. Autoregressive Models. The Autoregressive model is used for describing random processes and time-varying processes and specifies the output variable depends linearly on its previous values. The model is described as. Xt c sum varphii, Xt-i varepsilont. Where varphi1, ldots, varphi varphi are the parameters of the model, C is constant, and varepsilont is a white noise term. Essentially, what the model describes is for any given value X t it can be explained by functions of its previous value For a model with one parameter, varphi 1 X t is explained by its past value X t-1 and random error varepsilont For a model with more than one parameter, f or example varphi 2 X t is given by X t-1 X t-2 and random error varepsilont. Moving Average Model. The Moving Average MA model is used often for modeling univariate time series and is defined as. Xt mu varepsilont theta1, varepsilon ldots thetaq, varepsilon. مو هو متوسط ​​السلاسل الزمنية. ثيتا، لدوتس، ثيتاق هي معلمات النموذج. فاريبسيلون، فاريبسيلون، لدوتس هي عبارة عن خطأ في الضوضاء البيضاء. ق هو ترتيب المتوسط ​​المتحرك. نموذج المتوسط ​​المتحرك هو الانحدار الخطي للقيمة الحالية للسلسلة بالمقارنة مع مصطلحات فاريبسيلونت في الفترة السابقة، t فاريبسيلون على سبيل المثال ، ويوضح نموذج ما من ف 1 س ر من قبل فاريبسيلونت خطأ الحالي في نفس الفترة وقيمة الخطأ الماضي، فاريبسيلون لنموذج من النظام 2 س 2، و X ر هو موضح من قبل قيم الخطأ اثنين الماضية، فاريبسيلون و فاريبسيلون وتستخدم مصطلحات أر p و ما q في نموذج أرما، الذي سيتم عرضه الآن. معدل الانتحار المتحرك. نموذج الانتحال المتحرك المتوسطي يستخدمان متعددو الحدود، أر p و ما q ويصف عملية عشوائية ثابتة لا توجد عملية ثابتة تغيير عند التحول في الزمان والمكان، وبالتالي فإن عملية ثابتة لديها متوسط ​​ثابت والتباين وغالبا ما يشار إلى نموذج أرما من حيث الحدودية، أرما p، q يتم كتابة تدوين النموذج. x c فاريبسيلونت سوم فارفي 1 X سوم ثيتاي varepsilon. electing وتقدير والتحقق من النموذج هو موضح من قبل طريقة بوكس-جينكينز. Box - جينكينز طريقة لتحديد نموذج. الأدناه هو أكثر من الخطوط العريضة لطريقة بوكس ​​جينكينز، كما العملية الفعلية لإيجاد هذه القيم يمكن أن تكون ساحقة جدا دون حزمة إحصائية ورقة إكسل المدرجة في هذه الصفحة تحدد تلقائيا أفضل نموذج المناسب. الخطوة الأولى من طريقة بوكس ​​جينكينز هو تحديد نموذج وتشمل الخطوة تحديد الموسمية، والاختلاف إذا لزم الأمر وتحديد النظام من p و q عن طريق رسم الارتباط الذاتي ووظائف الارتباط الذاتي الجزئي. بعد تحديد النموذج، فإن الخطوة التالية هي تقدير المعلمات يستخدم تقدير المعلمة الحزم الإحصائية وخوارزميات الحساب للعثور على أفضل المعلمات المناسبة. بمجرد اختيار المعلمات، فإن الخطوة الأخيرة يتم التحقق من نموذج يتم فحص نموذج عن طريق اختبار لمعرفة ما إذا كان النموذج يتوافق مع سلسلة ثابتة أحادية المتغير ثابتة على يجب أن تؤكد أيضا أن البقايا مستقلة عن بعضها البعض ويظهر المتوسط ​​المستمر والتباين مع مرور الوقت، والذي يمكن القيام به عن طريق إجراء اختبار لجونغ بوكس ​​أو مرة أخرى بالتآمر الارتباط الذاتي والعلاقة الذاتية الجزئية للمتبقي. ملاحظة الخطوة الأولى تشمل التحقق من ل موسمية إذا كانت البيانات التي تعمل مع يحتوي على الاتجاهات الموسمية، والفرق من أجل جعل البيانات ثابتة هذه الخطوة الاختلاف يعمم نموذج أرما في نموذج أريما، أو الانحدار الانحداري المتكامل المتوسط ​​المتحرك، حيث المتكاملة يتوافق مع خطوة الاختلاف. التي تتحرك المتكاملة المتكاملة متوسط ​​النماذج. نموذج أريما لديه ثلاثة معلمات، p، d، q من أجل تحديد نموذج أرما لتشمل مصطلح الاختلاف، نبدأ بإعادة ترتيب نموذج أرما القياسي لفصل X تيكس اللثي و اللاتكس فاريبسيلونت من الجمع. 1 - مجموع ألفاي L ط شت 1 سوم ثيتاي L i varepsilont. Where L هو عامل تأخر و ألفاي ثيتاي فاريبسيلونت هي الانحدار الذاتي والمتوسط ​​المتحرك المعلمات، وشروط الخطأ، على التوالي. نحن الآن جعل افتراض أول متعدد الحدود من وظيفة، 1 - مجموع ألفاي L ط لديه جذر وحدوي للتعدد د يمكننا بعد ذلك إعادة كتابته إلى النموذج التالي. أريما يعبر عن عامل متعدد الحدود مع ب - د ويعطينا 1 - مجموع في L ط 1 - L د شت 1 مجموع ثيتاي L i varepsilont. Lastly، ونحن تعميم نموذج إضافي بإضافة مصطلح الانجراف، والذي يعرف نموذج أريما كما أريما p، د، ف مع الانجراف فراك. 1 - مجموع في L ط 1 - L د شت دلتا 1 سوم ثيتاي L i varepsilont. With نموذج يعرف الآن، يمكننا عرض نموذج أريما كما اثنين من أجزاء منفصلة، ​​واحدة غير ثابتة وغيرها من التوزيعات الثابتة الإحساس المشترك واسعة لا يتغير عندما تحول في الزمان أو الفضاء نموذج غير ثابت. 1 - مجموع في L أنا يت 1 سوم ثيتاي L i varepsilont. Forecasts يمكن الآن أن يتم على يت باستخدام طريقة التنبؤ الانحدار الذاتي المعمم. بعد أن ناقشنا أرما ونماذج أريما، ننتقل الآن إلى كيف يمكننا استخدامها في العملية تطبيقات لتوفير التنبؤ لقد بنيت تنفيذ مع إكسيل باستخدام R لجعل توقعات أريما فضلا عن خيار لتشغيل محاكاة مونت كارلو على نموذج لتحديد احتمال التنبؤات. إكسيل التنفيذ وكيفية استخدامها. قبل استخدام ورقة، يجب تحميل R و ريكسيل من موقع ستاتكون إذا كان لديك بالفعل R تثبيت، يمكنك فقط تحميل ريكسيل إذا كنت لا ر لديك R تثبيت، يمكنك تحميل راندفريندس الذي يحتوي على أحدث نسخة من R و ريكسيل يرجى ملاحظة، ريكسيل يعمل فقط على 32bit إكسيل للحصول على ترخيص غير تجاري إذا كان لديك 64 بت إكسيل مثبتا، سيكون لديك للحصول على ترخيص تجاري من Statconn. It من المستحسن تحميل أصدقاء الصداقة لأنه يجعل لأسرع وأسهل إنستال لاتيون ولكن إذا كان لديك بالفعل R وترغب في تثبيته يدويا، اتبع الخطوات التالية. تثبيت يدويا RExcel. To تثبيت ريكسيل والحزم الأخرى لجعل R العمل في إكسيل، أول فتح R كمسؤول عن طريق النقر بزر الماوس الأيمن على في وحدة التحكم R، قم بتثبيت ريكسيل عن طريق كتابة العبارات التالية. أوامر أعلاه سوف تثبيت ريكسيل على جهازك. الخطوة التالية هي لتثبيت ركوم، وهو حزمة أخرى من ستاتكون لحزمة ريكسيل لتثبيت هذا، اكتب ما يلي الأوامر، والتي سوف أيضا تثبيت تلقائيا رسكبروكسي اعتبارا من R الإصدار 2 8 0.With هذه الحزم المثبتة، يمكنك الانتقال إلى وضع الاتصال بين R و Excel. Although ليس من الضروري تثبيت، حزمة مفيد لتحميل هو رسمدر، وضعت بواسطة جون فوكس رسمر يخلق القوائم R التي يمكن أن تصبح القوائم في إكسيل تأتي هذه الميزة بشكل افتراضي مع تثبيت الصداقات ويجعل العديد من الأوامر R المتوفرة في إكسيل. اكتب الأوامر التالية إلى R لتثبيت رسد r. We يمكن إنشاء الارتباط إلى R و Excel. Note في الإصدارات الأخيرة من ريكسيل يرصد هذا الاتصال مع بسيطة انقر نقرا مزدوجا فوق الملف المقدم ActivateRExcel2010، لذلك يجب أن تحتاج فقط إلى اتباع هذه الخطوات إذا قمت بتثبيت يدويا R و ريكسيل أو إذا كان لسبب ما لم يتم إجراء اتصال أثناء تثبيت الأصدقاء. إنشاء اتصال بين R و Excel. Open كتاب جديد في إكسيل وانتقل إلى خيارات خيارات screen. Click خيارات ثم الوظائف الإضافية يجب أن تشاهد قائمة من جميع في الوظائف الإضافية النشطة وغير النشطة لديك حاليا انقر فوق الزر غو في الجزء السفلي. في مربع الحوار الوظائف الإضافية، سترى كل الوظائف الإضافية التي قمت بها انقر على تصفح. نقل إلى مجلد ريكسيل، وتقع عادة في C بروغرام فليزركسيلسلس أو شيء مماثل العثور على الوظيفة الإضافية وانقر فوقه. الخطوة التالية هي إنشاء مرجع من أجل وحدات الماكرو التي تستخدم R للعمل بشكل صحيح في المستند إكسيل الخاص بك، أدخل ألت F11 سيؤدي هذا إلى فتح إكسيل s فبا محرر الذهاب إلى أدوات - المراجع، والعثور على ريكسيل يجب أن يكون ريكسلفبليب ريكسيل الآن جاهزة للاستخدام. باستخدام ورقة إكسل. الآن أن R و ريكسيل تكوينها بشكل صحيح، انها ق وقت للقيام ببعض التنبؤ. فتح ورقة التنبؤ وانقر فوق تحميل خادم هذا هو لبدء خادم ركوم وأيضا تحميل الوظائف اللازمة للقيام بالتنبؤ سيتم فتح مربع حوار حدد ملف إيتال R المضمنة مع ورقة يحتوي هذا الملف على وظائف أداة التنبؤات معظم الوظائف التي تم تطويرها من قبل أستاذ ستوفر في جامعة بيتسبرغ أنها توسيع قدرات من R وتعطينا بعض الرسوم البيانية التشخيصية مفيدة جنبا إلى جنب مع الإخراج التنبؤ لدينا وهناك أيضا وظيفة لتحديد تلقائيا أفضل المعلمات المناسب من نموذج أريما. بعد تحميل الخادم، أدخل البيانات الخاصة بك في عمود البيانات حدد نطاق البيانات، انقر بزر الماوس الأيمن وحدد اسم نطاق اسم النطاق ك Data. Next تعيين تردد البيانات في الخلية C6 يشير التردد إلى الفترات الزمنية للبيانات الخاصة بك إذا كان الأسبوع لي، فإن التردد سيكون 7 شهري سيكون 12 بينما ربع سنوي سيكون 4، وهلم جرا. تحديد الفترات المقبلة للتنبؤ علما بأن نماذج أريما تصبح غير دقيقة تماما بعد عدة تنبؤات تردد متتالية قاعدة جيدة من الإبهام لا تتجاوز 30 خطوة مثل أي شيء الماضي التي يمكن أن تكون غير موثوق بها إلى حد ما هذا يعتمد على حجم مجموعة البيانات الخاصة بك كذلك إذا كان لديك بيانات محدودة المتاحة، فمن المستحسن أن تختار خطوات أصغر إلى الأمام number. After إدخال البيانات الخاصة بك، تسمية ذلك، وتحديد المطلوب التردد والخطوات المقبلة للتنبؤ، انقر فوق تشغيل قد يستغرق بعض الوقت للتنبؤ إلى process. Once انها الانتهاء، سوف تحصل على القيم المتوقعة إلى الرقم الذي حددته، والخطأ القياسي للنتائج، واثنين من الرسوم البيانية اليسار هو والقيم المتوقعة المتوقعة مع البيانات، في حين أن الحق يحتوي على التشخيص مفيد يضم بقايا موحدة، والترابط الذاتي من المخلفات، مؤامرة ز من بقايا والإحصاءات لجونغ بوكس ​​الرسم البياني لتحديد ط f نموذج جيد تركيبها. لقد فاز الحصول على الكثير من التفاصيل حول كيف يمكنك البحث عن نموذج مجهز بشكل جيد، ولكن على الرسم البياني أسف كنت لا تريد أي أو الكثير من المسامير تأخر عبور فوق الخط الأزرق المنقطة على غ أكثر من الدوائر التي تمر من خلال خط، وأكثر تطبيع وأفضل تركيب النموذج هو لمجموعة البيانات أكبر هذا قد يعبر الكثير من الدوائر وأخيرا، فإن اختبار لجونغ بوكس ​​هو مقال في حد ذاته ومع ذلك، والمزيد من الدوائر التي هي فوق الخط الأزرق المنقطة، وأفضل نموذج هو. إذا كانت نتيجة التشخيص لا تبدو جيدة، قد حاولت إضافة المزيد من البيانات أو البدء في نقطة مختلفة أقرب إلى النطاق الذي تريد التنبؤ. يمكنك بسهولة مسح النتائج التي تم إنشاؤها بواسطة بالنقر على أزرار القيم الواضحة المتوقعة. وهذا الأمر في الوقت الحالي، فإن عمود التاريخ لا يفعل أي شيء آخر غير المرجع الخاص بك، ولكنه ليس ضروريا للأداة إذا وجدت الوقت، سأعود وأضيف أنه حتى الرسم البياني المعروض يظهر الوقت الصحيح قد تتلقى أيضا خطأ عندما r توقظ توقعات هذا عادة ما يرجع إلى وظيفة أن يجد أفضل المعلمات غير قادر على تحديد النظام الصحيح يمكنك اتباع الخطوات المذكورة أعلاه لمحاولة وترتيب البيانات الخاصة بك بشكل أفضل لوظيفة للعمل. أتمنى أن تحصل على استخدام للخروج من أداة انها حفظت لي الكثير من الوقت في العمل، والآن كل ما علي القيام به هو إدخال البيانات، تحميل الملقم وتشغيله وآمل أيضا هذا يظهر لك كيف R رهيبة يمكن أن يكون، وخصوصا عندما تستخدم مع الأمامية مثل Excel. Code، ورقة عمل إكسيل والملف هي أيضا على جيثب هنا.