المتكاملة الانحدار الحركة المتوسط - spss

A ريما لتقف على الانحدار الذاتي نموذج متحرك متكامل ونيفاريت متجه واحد أريما هو أسلوب التنبؤ الذي مشاريع القيم المستقبلية لسلسلة تستند كليا على الجمود الخاص بها التطبيق الرئيسي هو في مجال التنبؤ على المدى القصير تتطلب ما لا يقل عن 40 نقطة البيانات التاريخية و يعمل بشكل أفضل عندما تظهر البيانات الخاصة بك نمط ثابت أو متسق مع مرور الوقت مع الحد الأدنى من القيم المتطرفة في بعض الأحيان يسمى بوكس ​​جينكينز بعد المؤلفين الأصلي، أريما عادة ما تكون متفوقة على الأساليب التمهيد الأسي عندما تكون البيانات طويلة إلى حد معقول، والارتباط بين الملاحظات الماضية هو 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 البيانات، يجب عليك النظر في بعض الطرق الأخرى من أريما. الخطوة الأولى في تطبيق منهجية أريما هو للتحقق من ستاتيوناريتي ستاتيوناريتي يعني أن السلسلة لا تزال في مستوى ثابت إلى حد ما مع مرور الوقت إذا كان هناك اتجاه، كما هو الحال في معظم البيئة أو بيانات الأعمال التجارية، ثم البيانات الخاصة بك ليست ثابتة يجب أن تظهر البيانات أيضا تباين مستمر في تقلباتها مع مرور الوقت وهذا ينظر بسهولة مع سلسلة التي موسمية بشكل كبير وتنمو بمعدل أسرع في مثل هذه الحالة، صعودا وهبوطا في الموسمية سوف تصبح أكثر دراماتيكية مع مرور الوقت دون تلبية هذه الظروف استقرارية، العديد من الحسابات المرتبطة عملية لا يمكن أن يحسب. إذا كانت مؤامرة رسومية من البيانات تشير إلى غير القطبية، ثم يجب أن الاختلاف سلسلة التفريق هو وسيلة ممتازة ل تحويل سلسلة غير ثابتة إلى واحدة ثابتة ويتم ذلك عن طريق طرح الملاحظة في الفترة الحالية من سابقتها إذا تم هذا التحول مرة واحدة فقط لسلسلة، وتقول أن البيانات قد اختلفت أولا هذه العملية يلغي أساسا الاتجاه إذا سلسلة الخاص ينمو بمعدل ثابت إلى حد ما إذا كان ينمو بمعدل متزايد، يمكنك تطبيق نفس الإجراء وتختلف البيانات مرة أخرى البيانات الخاصة بك ثم سيكون الثاني ديفيرنسد. أوتوكوريلاتيونس هي القيم العددية التي تشير إلى كيفية ارتباط سلسلة البيانات نفسها مع مرور الوقت على وجه التحديد، فإنه يقيس مدى قوة القيم البيانات في عدد محدد من فترات منفصلة ترتبط بعضها البعض مع مرور الوقت ويسمى عدد من فترات بعيدا عادة تأخر ل على سبيل المثال، يقيس الارتباط الذاتي في التأخر 1 كيفية ارتباط القيم بين الفاصل الزمني 1 وبطريقة أخرى خلال السلسلة. إن الارتباط الذاتي في التأخر 2 يقيس مدى ارتباط البيانات بفترتين منفصلتين طوال السلسلة قد تتراوح أوتوكوريلاتيونس من 1 إلى -1 A قيمة قريبة من 1 يشير إلى وجود علاقة ارتباط إيجابية عالية في حين أن قيمة قريبة من -1 يعني ارتباطا سلبيا كبيرا هذه التدابير في معظم الأحيان يتم تقييمها من خلال المؤامرات الرسومية دعا كوريلاغاغرام ويرابط الارتباطات قيم الترابط التلقائي لسلسلة معينة في تأخر مختلفة ويشار إلى هذا باسم وظيفة الترابط الذاتي ومهمة جدا في طريقة أريما. محاولة منهجية أريما لوصف الحركات في السلسلة الزمنية الثابتة كدالة لما يسمى بارامترات الانحدار الذاتي والمتوسط ​​المتحرك يشار إلى هذه المعلمات بمعلمات أر أوتوريجيسيف ومعلمات المتوسط ​​المتحرك المتوسطات يمكن أن يكتب نموذج أر مع معلمة واحدة فقط كما يلي: حيث X x t سلسلة زمنية قيد التحقيق. A 1 المعلمة الانحدار الذاتي من أجل 1.X t-1 المسلسل الزمني تأخر 1 الفترة. إذا ر خطأ في النموذج. وهذا يعني ببساطة أن أي قيمة معينة X ر يمكن تفسيرها من قبل بعض الدالة من قيمته السابقة، X t - 1، بالإضافة إلى بعض الخطأ العشوائي غير قابل للتفسير، E t إذا كانت القيمة المقدرة ل A 1 30، ثم القيمة الحالية للسلسلة ستكون ذات صلة إلى 30 من قيمته 1 الفترة منذ بطبيعة الحال، يمكن أن تكون مرتبطة سلسلة لأكثر من مجرد قيمة واحدة سابقة على سبيل المثال. X t A 1 X t-1 A 2 X t-2 E t. وهذا يشير إلى أن القيمة الحالية للسلسلة هي مزيج من القيمتين السابقتين مباشرة، X t-1 و X t - 2، بالإضافة إلى بعض خطأ عشوائي E ر نموذجنا هو الآن نموذج الانحدار الذاتي من النظام 2.Moving ايفر ونموذج الثاني من نموذج بوكس-جينكينز يسمى نموذج المتوسط ​​المتحرك على الرغم من أن هذه النماذج تبدو مشابهة جدا لنموذج أر، فإن المفهوم وراءها مختلف تماما إن متوسطات الحركة المتحركة ترتبط 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 و شت-3 كما هو الحال في مقاربات الانحدار الذاتي يمكن كتابة نموذج متوسط ​​متحرك بمصطلح ما واحد على النحو التالي. المصطلح B 1 يسمى ما من النظام 1 يتم استخدام علامة سلبية أمام المعلمة للاتفاقية فقط وعادة ما يتم طباعتها بشكل تلقائي من قبل معظم برامج الكمبيوتر النموذج أعلاه يقول ببساطة أن أي قيمة معينة من X t يرتبط مباشرة فقط بالخطأ العشوائي في الفترة السابقة E t-1 ولفترة الخطأ الحالية، E t كما في حالة نماذج الانحدار الذاتي، يمكن تمديد نماذج المتوسط ​​المتحرك لتشمل هياكل ذات ترتيب أعلى تغطي تشكيلات مختلفة وأطوال المتوسط ​​المتحرك. منهجية أريما ألس o يسمح بنماذج يمكن دمجها مع كل من معلمات الانحدار الذاتي والمتوسط ​​المتحرك معا. غالبا ما يشار إلى هذه النماذج على أنها نماذج مختلطة على الرغم من أن هذا يجعل أداة التنبؤ أكثر تعقيدا، فإن الهيكل قد محاكاة فعلا سلسلة أفضل وإنتاج توقعات أكثر دقة نماذج نقية يعني أن الهيكل يتكون فقط من المعلمات أر أو ما - وليس كلا. وعادة ما تسمى النماذج التي وضعتها هذا النهج نماذج أريما لأنها تستخدم مزيج من أر الانحدار الذاتي، والتكامل الأول - في اشارة الى عملية عكسية مختلفة لإنتاج التنبؤ، ومتوسط ​​متوسط ​​عمليات ما عادة ما يشار إلى نموذج أريما على أنه أريما p، d، q وهذا يمثل ترتيب مكونات الانحدار الذاتي p، وعدد مشغلي الاختلاف d، وأعلى ترتيب للمتوسط ​​المتحرك على سبيل المثال، أريما 2، 1،1 يعني أن لديك نموذج طلب الانحدار الذاتي من الدرجة الثانية مع عنصر متوسط ​​متحرك من الدرجة الأولى التي تم اختلافات سلسلة لها e للحث على ستاريتيري. التقاط الحق المواصفات. المشكلة الرئيسية في الكلاسيكية بوكس-جينكينز تحاول أن تقرر أي مواصفات أريما لاستخدام - ie كم عدد أر أو ما المعلمات لتشمل هذا هو ما الكثير من بوكس ​​جينكنغس 1976 كرس ل عملية تحديد الهوية تعتمد على التقييم الرسومي والعددي لعينة الارتباط الذاتي ووظائف الترابط الذاتي الجزئي حسنا، بالنسبة إلى النماذج الأساسية الخاصة بك، فإن المهمة ليست صعبة للغاية لكل منها وظائف الارتباط الذاتي التي تبدو بطريقة معينة ومع ذلك، عندما ترتفع في التعقيد ، لا يتم الكشف عن الأنماط بسهولة لجعل الأمور أكثر صعوبة، البيانات الخاصة بك تمثل سوى عينة من العملية الكامنة وهذا يعني أن أخطاء أخذ العينات أخطاء المتطرفة، خطأ القياس، وما إلى ذلك قد تشوه عملية تحديد النظرية وهذا هو السبب التقليدي النمذجة أريما هو فن بدلا من العلم. التوصيل إلى أريما نماذج غير عادية. أريما p، د، ف التنبؤ معادلة نماذج أريما هي، من الناحية النظرية، معظم أجناس l من نماذج للتنبؤ بسلاسل زمنية يمكن أن تكون ثابتة من خلال اختلافها إذا لزم الأمر، وربما بالتزامن مع التحولات غير الخطية مثل قطع الأشجار أو التفريغ إذا لزم الأمر المتغير العشوائي الذي هو عبارة عن سلسلة زمنية ثابت إذا كانت خصائصه الإحصائية كلها ثابت مع مرور الوقت سلسلة ثابتة لا يوجد لديه اتجاه، والاختلافات حول المتوسط ​​لها اتساع مستمر، وأنه يتلائم بطريقة متسقة أي أن أنماط الوقت العشوائي على المدى القصير تبدو دائما نفسه في معنى إحصائي يعني الشرط الأخير أن أوتوكوريلاتيونس فإن الارتباطات مع انحرافاتها السابقة عن المتوسط ​​تظل ثابتة بمرور الوقت أو على نحو مكافئ أن طيفها للقدرة يبقى ثابتا بمرور الوقت ويمكن النظر إلى المتغير العشوائي لهذا النموذج كالمعتاد كجمع بين الإشارة والضوضاء والإشارة إذا كان أحدهما يمكن أن يكون ظاهريا نمط سريع أو بطيء متوسط ​​الانعكاس، أو التذبذب الجيبية، أو سرعة التبدل في علامة، ويمكن أن يكون أيضا العنصر الموصلي يمكن النظر إلى نموذج أريما كمرشح يحاول فصل الإشارة عن الضوضاء، ومن ثم يتم استقراء الإشارة في المستقبل للحصول على التنبؤات. ومعادلة التنبؤ أريما لسلسلة زمنية ثابتة هي خطية أي الانحدار من نوع المعادلة التي تتكون فيها التنبؤات من تأخر المتغير التابع أو التأخر في أخطاء التنبؤات هذه هي القيمة المؤكدة لل Y ثابتة و أو مجموع مرجح لقيمة واحدة أو أكثر من قيم Y أو مجموع مرجح واحد أو أكثر القيم الأخيرة للأخطاء. إذا كانت المتنبئات تتكون فقط من قيم متخلفة من Y هو نموذج الانحدار الذاتي النقي الانحدار الذاتي، وهو مجرد حالة خاصة من نموذج الانحدار والتي يمكن تركيبها مع برامج الانحدار القياسية على سبيل المثال، أول - Rorder الانحدار الذاتي نموذج أر 1 ل Y هو نموذج الانحدار البسيط الذي المتغير المستقل هو مجرد Y تخلفت بفترة واحدة لاغ Y، 1 في ستاتغرافيكس أو YLAG1 في ريجرسيت إذا كان بعض من التنبؤات هي متخلفة من أخطاء، وهو نموذج أريما فإنه ليس نموذج الانحدار الخطي، لأنه لا توجد طريقة لتحديد الخطأ الفترة الماضية s كمتغير مستقل يجب أن تحسب الأخطاء على أساس فترة إلى فترة عندما يتم تركيب النموذج على البيانات من وجهة النظر التقنية، والمشكلة مع استخدام الأخطاء المتخلفة كما التنبؤات هو أن التنبؤات نموذج ليست الدالات الخطية للمعاملات على الرغم من أنها هي وظائف خطية من البيانات السابقة لذلك، يجب أن تكون المعاملات في نماذج أريما التي تشمل أخطاء متخلفة يجب تقديرها من قبل غير الخطية وطرق التحسين هيل تسلق بدلا من مجرد حل نظام من المعادلات. الاسم المختصر أريما لتقف على الانحدار السيارات المتكاملة الانحدار المتوسط ​​المتحرك المتتالية من سلسلة مستقر في معادلة التنبؤ يطلق عليها شروط الانحدار الذاتي، ويسمى التأخر في أخطاء التنبؤ شروط المتوسط ​​المتحرك ، وسلسلة زمنية التي تحتاج إلى أن تكون مختلفة لتكون ثابتة ويقال أن تكون نسخة متكاملة من سلسلة ثابتة المشي العشوائي وعشوائية نماذج - trend، نماذج الانحدار الذاتي، ونماذج تمهيد الأسي كلها حالات خاصة من نماذج أريما. ويصنف نموذج أريما نوناسونال كما أريما p، د، ف نموذج، حيث هو عدد من شروط الانحدار الذاتي d. هو عدد من الاختلافات غير الموسمية اللازمة للاستبانة، و. ق هو عدد أخطاء التنبؤات المتأخرة في معادلة التنبؤ. وتنشأ معادلة التنبؤ على النحو التالي أولا، اسمحوا y تدل الفرق d من y مما يعني. لاحظ أن الفرق الثاني من Y و د 2 الحالة ليست الفرق من 2 منذ فترات بدلا من ذلك، هو الفرق الأول من أول الفرق الذي هو التناظرية منفصلة من مشتق الثاني، أي تسارع المحلي للسلسلة بدلا من الاتجاه المحلي. حيث أن معادلة التنبؤ العامة هي. هنا تعرف المعلمات المتوسطة المتحركة s بحيث تكون علاماتها سلبية في المعادلة، وفقا للاتفاقية التي قدمها بوكس ​​و جينكينز بعض المؤلفين والبرمجيات بما في ذلك البرمجة R أنغواج 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 الاتفاقية يستخدم البرنامج الخاص بك عندما كنت تقرأ الإخراج غالبا ما يشار إلى المعلمات هناك من قبل أر 1 ، أر 2، و ما 1، ما 2، وما إلى ذلك. لتحديد نموذج أريما المناسب ل Y تبدأ بتحديد ترتيب الفرق الحاجة إلى استقرارية السلسلة وإزالة الميزات الإجمالية للموسمية، وربما بالتزامن مع التباين - استقرار التحول مثل قطع الأشجار أو تفريغ إذا توقفت عند هذه النقطة والتنبؤ بأن سلسلة ديفيرنتد ثابت، لديك مجرد تركيب المشي العشوائي أو نموذج الاتجاه العشوائي ومع ذلك، فإن سلسلة ثابتة قد لا تزال لديها أخطاء أوتوكوريلاتد، مما يشير إلى أن بعض عدد من (أ) و (1) أو بعض المصطلحات (ما) رقم ما مطلوبة أيضا في معادلة التنبؤ (1). وعملية تحديد قيم p و d و q هي الأفضل لمسلسل زمني معين s سوف تناقش في أقسام لاحقة من الملاحظات التي توجد روابط في أعلى هذه الصفحة، ولكن معاينة لبعض أنواع نماذج أريما الغير عادية التي يتم اكتشافها بشكل عام يتم عرضها أدناه. أريما 1،0،0 الانحدار الذاتي من الدرجة الأولى نموذج إذا كانت السلسلة ثابتة و أوتوكوريلاتد، ربما يمكن توقعها بأنها متعددة من قيمتها السابقة، بالإضافة إلى ثابت معادلة التنبؤ في هذه الحالة is. which هو Y تراجع على نفسها تخلفت من قبل فترة واحدة هذا هو أريما 1، 0،0 نموذج ثابت إذا كان متوسط ​​Y هو صفر، فإن المصطلح الثابت لن يتم تضمينه. إذا كان معامل الانحدار 1 موجبا وأقل من 1 في الحجم يجب أن يكون أقل من 1 في الحجم إذا كان Y ثابتا، فإن النموذج يصف السلوك المعاد للعودة الذي ينبغي التنبؤ فيه بقيمة الفترة التالية لتكون 1 مرة بعيدا عن المتوسط ​​كقيمة هذه الفترة s إذا كان الرقم 1 سالبا، فإنه يتنبأ بالسلوك المعاد عكسه مع تبديل الإشارات، أي أنه يتوقع أيضا أن Y سيكون أقل من المتوسط ​​التالي p إريود إذا كان أعلى من متوسط ​​هذه الفترة. في نموذج ترتيب الانحدار الذاتي الثاني أريما 2،0،0، سيكون هناك مصطلح T-2 على اليمين كذلك، وهلم جرا اعتمادا على علامات ومقاسات معاملات، نموذج أريما 2،0،0 يمكن أن تصف نظام الذي انعكس متوسط ​​يحدث في الأزياء تتأرجح الجيبية، مثل حركة كتلة على الربيع الذي يتعرض لصدمات عشوائية. أريما 0،1،0 المشي العشوائي إذا وسلسلة Y ليست ثابتة، أبسط نموذج ممكن لأنه هو نموذج المشي العشوائي، والتي يمكن اعتبارها حالة الحد من نموذج أر 1 التي يساوي معامل الانحدار الذاتي 1، أي سلسلة مع بلا حدود بطيئة متوسط ​​العائد و يمكن أن تكون معادلات التنبؤ لهذا النموذج مكتوبة كما. 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 حيث يكون الاختلاف الأول لل Y هو المتغير التابع نظرا لأنه لا يتضمن سوى نونسوناسونال ديف رانس ومدة ثابتة، وتصنف على أنها أريما 0،1،0 نموذج مع ثابت نموذج المشي العشوائي دون - drift سيكون أريما 0،1،0 نموذج دون ثابت. أريما 1،1،0 تختلف أولا - النظام الانحدار الذاتي إذا كانت أخطاء نموذج المشي العشوائي هي ذات صلة أوتوكوريلاتد، ربما يمكن إصلاح المشكلة بإضافة تأخر واحد من المتغير التابع إلى معادلة التنبؤ - أي عن طريق التراجع عن الفرق الأول من Y على نفسها تخلفت بفترة واحدة هذا من شأنه أن يسفر عن معادلة التنبؤ التالية التي يمكن إعادة ترتيبها. هذا هو نموذج الانحدار الذاتي من الدرجة الأولى مع ترتيب واحد من اختلاف غير منطقي ومدة ثابتة - أي أريما 1،1،0 نموذج. أريما 0،1،1 دون التمهيد الأسي المستمر المستمر وهناك استراتيجية أخرى لتصحيح الأخطاء أوتوكوريلاتد في نموذج المشي العشوائي ويقترحها نموذج تمهيد الأسي بسيط أذكر أن لبعض السلاسل الزمنية غير المستقرة مثل تلك التي تظهر تقلبات صاخبة حول متوسط ​​ببطء متغير، ووضع المشي العشوائي ل لا يؤدي كذلك متوسطا متحركا للقيم الماضية وبعبارة أخرى، بدلا من أخذ أحدث ملاحظة كتوقعات الملاحظة التالية، فمن الأفضل استخدام متوسط ​​الملاحظات القليلة الأخيرة من أجل تصفية والضوضاء وتقدير أكثر دقة المتوسط ​​المحلي يستخدم نموذج التمهيد الأسي البسيط المتوسط ​​المتحرك المرجح لأسيا للقيم السابقة لتحقيق هذا التأثير يمكن كتابة معادلة التنبؤ لنموذج التمهيد الأسي البسيط بعدد من النماذج المكافئة رياضيا واحدة منها ما يسمى بتصحيح الأخطاء، حيث يتم تعديل التنبؤ السابق في اتجاه الخطأ الذي ارتكبه. لأن e t-1 Y t-1 - t-1 بحكم التعريف، يمكن إعادة كتابة ذلك كما هو. أريما 0 ، 1-1 مع معادلة التنبؤ المستمر مع 1 1 - وهذا يعني أنه يمكنك تناسب تمهيد الأسي بسيط من خلال تحديده كنموذج أريما 0،1،1 دون ثابت، ويقدر معامل ما 1 يقابل 1 م إنوس-ألفا في صيغة سيس تذكر أن متوسط ​​عمر البيانات في التنبؤات قبل فترة واحدة هو 1 يعني أنها سوف تميل إلى التخلف عن الاتجاهات أو نقاط التحول بنحو 1 فترات، متوسط ​​عمر البيانات في التنبؤات قبل فترة واحدة من نموذج أريما 0،1،1 - بدون نموذج ثابت هو 1 1 - 1 لذلك، على سبيل المثال، إذا كان 1 0 8، متوسط ​​العمر هو 5 كمقاربات 1 ، يصبح النموذج أريما 0،1،1 - without-كونتراكت متوسطا متحركا طويل الأجل جدا، وعندما يقترب من 1، يصبح نموذجا عشوائيا بدون مسير. ما هي أفضل طريقة لتصحيح الارتباط الذاتي المصطلحات أر أو إضافة مصطلحات ما في النموذجين السابقين نوقشت 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 متخلفة للتنبؤ خطأ أي نهج هو أفضل قاعدة الإبهام لهذا الوضع، والتي سيتم مناقشتها بمزيد من التفصيل في وقت لاحق، ط غالبا ما يتم التعامل مع الارتباط الذاتي الإيجابي من خلال إضافة مصطلح أر إلى النموذج وعادة ما يعامل الارتباط الذاتي السلبي بإضافة مصطلح ما في سلسلة الأعمال التجارية والوقت الاقتصادي، غالبا ما ينشأ الترابط الذاتي السلبي كقطعة أثر من الاختلافات بشكل عام، فإن الاختلاف يقلل من الإيجابية الترابط الذاتي ويمكن أن يسبب حتى التحول من الارتباط الإيجابي الموجب إلى السالب لذلك، فإن نموذج أريما 0،1،1، الذي يكون فيه الاختلاف مصحوبا بمصطلح ما، أكثر استخداما من نموذج أريما 1،1،0.ARIMA 0، 1،1 مع تمهيد الأسي المستمر المستمر مع النمو من خلال تنفيذ نموذج سيس كنموذج أريما، كنت في الواقع الحصول على بعض المرونة أولا وقبل كل شيء، يسمح معامل ما 1 المقدرة لتكون سلبية وهذا يتوافق مع عامل تمهيد أكبر من 1 في نموذج سيس الذي لا يسمح به عادة إجراء تركيب نموذج سيس، ثانيا، لديك خيار تضمين مدة ثابتة في نموذج أريما إذا رغبت في ذلك، من أجل تقدير متوسط الاتجاه غير الصفر نموذج أريما 0،1،1 مع ثابت لديه معادلة التنبؤ. التوقعات فترة واحدة قبل هذا النموذج هي مماثلة نوعيا لتلك التي من نموذج سيس، إلا أن مسار التوقعات على المدى الطويل هو وعادة ما يكون خط المنحدر الذي المنحدر يساوي مو بدلا من خط أفقي. أريما 0،2،1 أو 0،2،2 دون ثابت الأسي الخطي التمهيد نماذج التجانس الأسي الخطي هي نماذج أريما التي تستخدم اثنين من الاختلافات نونزيسونال بالتزامن مع شروط 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 وهكذا، والفرق الثاني لل 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 مماثل ل مشتق الثاني من وظيفة مستمرة يقيس تسارع أو انحناء في وظيفة في معين نقطة في time. The أريما 0،2،2 نموذج دون ثابت يتوقع أن الفرق الثاني من سلسلة يساوي الدالة الخطية من الماضي اثنين من الأخطاء المتوقعة. وهو يمكن إعادة ترتيب as. where 1 و 2 هي ما 1 و ما 2 المعاملات هذا هو نموذج التجانس الأسي العام خطي أساسا نفس نموذج هولت، ونموذج براون هو حالة خاصة ويستخدم المتوسطات المتحركة المرجح أضعافا مضاعفة لتقدير كل من المستوى المحلي واتجاه محلي في سلسلة التوقعات على المدى الطويل من هذا النموذج يتلاقى مع خط مستقيم يعتمد ميله على الاتجاه المتوسط ​​الملحوظ نحو نهاية المسلسل. أريما 1،1،2 بدون انحناء ثابت خطي متجانس أسي خطي. ويوضح هذا النموذج في الشرائح المصاحبة على نماذج أريما فإنه يستقلب الاتجاه المحلي في نهاية السلسلة ولكن يسطح بها في آفاق توقعات أطول لإدخال مذكرة من المحافظة، وهي الممارسة التي لديها دعم تجريبي انظر المقال حول لماذا الاتجاه مانع يعمل من قبل غاردنر د ماكنزي ومقال القاعدة الذهبية من قبل أرمسترونج وآخرون للحصول على التفاصيل. ومن المستحسن عموما التمسك النماذج التي واحدة على الأقل من p و q لا أكبر من 1، أي لا تحاول أن تناسب نموذج مثل أريما 2، 1،2، وهذا من المرجح أن يؤدي إلى الإفراط في وقضايا عامل مشترك التي يتم مناقشتها بمزيد من التفصيل في الملاحظات على الهيكل الرياضي من نماذج أريما. نماذج تنفيذ أريما نماذج مثل تلك المذكورة أعلاه هي سهلة التنفيذ على جدول بيانات معادلة التنبؤ هي مجرد معادلة خطية تشير إلى القيم السابقة للسلاسل الزمنية الأصلية والقيم السابقة للأخطاء وهكذا، يمكنك إعداد جدول بيانات التنبؤ أريما من خلال تخزين البيانات في العمود A، صيغة التنبؤ في العمود B، و بيانات الأخطاء مطروحا منها التنبؤات في العمود C ستكون صيغة التنبؤ في خلية نموذجية في العمود B مجرد تعبير خطي يشير إلى القيم في الصفوف السابقة من العمودين A و C مضروبة في معاملات أر المناسبة أو المخزنة في الخلايا في مكان آخر من جدول البيانات. سوف على الخط التدريب وركشوب. يوفر إجراء سلسلة الوقت أدوات لخلق نماذج وتطبيق نموذج موجود لتحليل سلسلة زمنية والتحلل الموسمية والتحليل الطيفي للبيانات سلسلة زمنية، فضلا عن أدوات لحساب أوتوكوريلاتيونس وعبر الارتباطات. في مقاطع الفيديو اثنين التالية تثبت كيفية إنشاء الأسي نموذج سلسلة السلس الوقت وكيفية تطبيق نموذج سلسلة زمنية موجودة لتحليل البيانات سلسلة زمنية. موفي الأسي التمويه نموذج. موفي أريما نموذج الخبراء نموذج أداة. في هذا على سوف تجد العديد من مقاطع الفيلم كل مقطع الفيلم سوف تظهر بعض الاستخدام المحدد لل SPSS. Create نماذج تيسي هناك طرق مختلفة متاحة في سبس لخلق نماذج سلسلة الوقت هناك إجراءات للتجانس الأسي، ونيفاريت ومتعددة المتغيرات الانحدار الذاتي المتكاملة تتحرك - متوسط ​​نماذج أريما هذه الإجراءات تنتج التنبؤات. أساليب التمهيد في التنبؤ. متوسطات التحضير، ث وغالبا ما تستخدم المتوسطات المتحركة ثماني عشر وأساليب التمهيد الأسي في التنبؤ الهدف الرئيسي من كل من هذه الأساليب هو تسهيل التقلبات العشوائية في السلاسل الزمنية وهذه هي فعالة عندما السلاسل الزمنية لا يحمل اتجاها كبيرا، والدورية أو التأثيرات الموسمية وهذا هو ، السلاسل الزمنية مستقرة أساليب التمهيد جيدة عموما للتنبؤات قصيرة المدى. متوسطات الحركة المتوسطات المتحركة تستخدم متوسط ​​أحدث قيم بيانات k في السلاسل الزمنية حسب التعريف، ما S أحدث القيم k k متوسط ​​ما يتغير كجديد تصبح المشاهدات متاحة. المتوسط ​​المتحرك للوزن في طريقة ما، تتلقى كل نقطة بيانات نفس الوزن في المتوسط ​​المتحرك المرجح، نستخدم أوزانا مختلفة لكل نقطة بيانات عند تحديد الأوزان، نحسب المتوسط ​​المرجح لقيم بيانات k الأخيرة في كثير من الحالات ، فإن نقطة البيانات الأخيرة تستقبل أكثر الوزن وينخفض ​​الوزن لنقاط البيانات القديمة مجموع الأوزان يساوي 1 طريقة واحدة ل سيل أوزان الأوزان هو استخدام الأوزان التي تقلل من متوسط ​​الخطأ في خطأ مربع مس. طريقة التمويه الاساسي هذه طريقة متوسط ​​مرجح خاص تحدد هذه الطريقة الوزن لآخر رصد وأوزان للملاحظات القديمة يتم حسابها تلقائيا هذه الأوزان الأخرى تنخفض كلما حصلت على ملاحظات أقدم نموذج التمدد الأسي الأساسي هو. إذا كان f t 1 توقعات للفترة t 1، t المراقبة في الفترة t و t t توقع فترة t ومعلمة تمهيد أو ثابت 0 a 1.For سلسلة زمنية، وضعنا F 1 1 ل يمكن حساب الفترة 1 والتنبؤات اللاحقة للفترات 2 و 3 بمعادلة F t 1 باستعمال هذا النهج، يمكن للمرء أن يبين أن طريقة التمهيد الأسي هي المتوسط ​​المرجح لجميع نقاط البيانات السابقة في السلاسل الزمنية متى عرف، ونحن بحاجة إلى معرفة t و F ر من أجل حساب التوقعات لفترة t 1 بشكل عام، نختار أن يقلل من MSE. Simple المناسبة لسلسلة التي لا يوجد اتجاه أو موسمي. موفينغ أفيراج عنصر مكافئ يحدد متوسط ​​الأوامر المتحركة كيف يتم استخدام الانحرافات عن السلسلة بالنسبة للقيم السابقة للتنبؤ بالقيم الحالية. وتحدد أداة إكسيرت تايم سيريز موديلر تلقائيا أفضل ملاءمة لبيانات السلاسل الزمنية بشكل افتراضي، يعتبر برنامج إكسيرت موديلر كلا من التجانس الأسي ونماذج أريما المستخدم يمكن تحديد إما إما أريما أو تمهيد نماذج وتحديد الكشف التلقائي من القيم المتطرفة. في مقطع الفيلم التالي يوضح كيفية إنشاء نموذج أريما باستخدام طريقة أريما و إكسيرت موديلر المقدمة من قبل SPSS. The مجموعة البيانات المستخدمة لهذا العرض هو مجموعة بيانات إيرلينباسنغر انظر صفحة مجموعة البيانات للحصول على التفاصيل وتعطى بيانات الركاب شركة الطيران في سلسلة G في كتاب سلسلة زمنية تحليل التنبؤ والسيطرة من قبل صندوق و جينكينز 1976 العدد المتغير هو إجمالي عدد الركاب الشهري في الآلاف تحت التحول السجل، وقد تم تحليل البيانات في الأدب. تطبيق نماذج سلسلة الوقت هذا الإجراء يحمل نموذج سلسلة زمنية موجودة من ه ملف خارجي ويتم تطبيق النموذج على مجموعة بيانات سبس النشطة يمكن استخدام هذا للحصول على توقعات لسلسلة البيانات الجديدة أو المراجعة المتاحة دون البدء في بناء نموذج جديد مربع الحوار الرئيسي يشبه مربع الحوار الرئيسي إنشاء نماذج. التحليل الطيفي يمكن استخدام هذا الإجراء لإظهار السلوك الدوري في تسلسل زمني. المخططات التسلسلية يستخدم هذا الإجراء لرسم الحالات في تسلسل لتشغيل هذا الإجراء، تحتاج إلى بيانات سلسلة زمنية أو مجموعة بيانات يتم فرزها في ترتيب معين ذات مغزى. أوتوكوريلاتيونس هذا دالة الترابط الذاتي و دالة الترابط الذاتي الجزئي لسلسلة زمنية واحدة أو أكثر. التربطات المتداخلة يقوم هذا الإجراء برسم الدالة الترابطية لمسلسل زمني أو أكثر للتأثيرات الإيجابية والسلبية والصفر. انظر قائمة مساعدة سبس للحصول على معلومات إضافية عن نموذج التسلسل الزمني، التحليل الطيفي، الرسوم البيانية التسلسلية، أوتوكوريلاتيونس وإجراءات الترابط المتبادل. وقد تم تطوير ورشته التدريبية على الانترنت سبس من قبل الدكتور كارل لي، الدكتور فيليكس فاموي المساعدين الطلاب باربرا شيلدن وألبرت براون قسم الرياضيات، جامعة ميشيغان الوسطى جميع الحقوق محفوظة.