المتكاملة الانحدار الحركة المتوسط - spss

ورشة عمل التدريب على الانترنت سبس يوفر برنامج سلسلة الوقت الأدوات اللازمة لإنشاء نماذج وتطبيق نموذج موجود لتحليل السلاسل الزمنية والتحلل الموسمية والتحليل الطيفي للبيانات التسلسلية، فضلا عن أدوات لحساب الترابطات التلقائية والعلاقات المتبادلة. تظهر مقاطع الفيلم التالية كيفية إنشاء نموذج تسلسل الوقت الأسي وكيفية تطبيق نموذج سلسلة زمنية موجود لتحليل بيانات سلسلة الوقت. موفي: الأسي نموذج تجانس الفيلم: أريما نموذج أمبير الخبراء نموذج أداة في هذه الورشة على الخط، وسوف تجد العديد من لقطات الفيلم. سيظهر كل مقطع فيلم بعض الاستخدام المحدد ل سبس. إنشاء نماذج تيسي. هناك طرق مختلفة متاحة في سبس لخلق نماذج سلسلة الوقت. هناك إجراءات لنماذج الانحدار الذاتي المتغير المتغير (أريما) المتجانس، المتحد المتغير ومتعدد المتغيرات. هذه الإجراءات تنتج التنبؤات. طرق التمهيد في التنبؤ - المتوسطات المتحركة والمتوسطات المتحركة المرجحة وأساليب التمهيد الأسي غالبا ما تستخدم في التنبؤ. والهدف الرئيسي لكل من هذه الطرق هو تسهيل التقلبات العشوائية في السلاسل الزمنية. وهذه فعالة عندما لا تظهر السلاسل الزمنية اتجاها كبيرا، أو تأثيرات دورية أو موسمية. وهذا هو، وسلسلة زمنية مستقرة. وتعتبر طرق التلميع جيدة عموما للتنبؤات قصيرة المدى. المتوسطات المتحركة: المتوسطات المتحركة تستخدم متوسط ​​أحدث قيم بيانات k في السلاسل الزمنية. بحكم التعريف، ما S (أحدث القيم k) k. يتغير متوسط ​​درجة الماجستير كلما أصبحت الملاحظات الجديدة متاحة. المتوسط ​​المتحرك المرجح: في الأسلوب ما، تتلقى كل نقطة بيانات نفس الوزن. في المتوسط ​​المتحرك المرجح، نستخدم الأوزان المختلفة لكل نقطة بيانات. وعند تحديد الأوزان، نحسب المتوسط ​​المرجح لأحدث قيم بيانات k. في كثير من الحالات، فإن نقطة البيانات الأخيرة يتلقى معظم الوزن وينخفض ​​الوزن لنقاط البيانات القديمة. مجموع الأوزان يساوي 1. طريقة واحدة لتحديد الأوزان هي استخدام الأوزان التي تقلل من متوسط ​​الخطأ الخطأ (مس) معيار. الأسي طريقة تمهيد. وهي طريقة متوسط ​​مرجح خاص. وتحدد هذه الطريقة الوزن لآخر رصد وأوزان للملاحظات القديمة تحسب تلقائيا. هذه الأوزان الأخرى تنخفض مع تقدم الملاحظات. نموذج التمهيد الأسي الأساسي هو حيث F t 1 توقعات للفترة t 1، t المراقبة في الفترة t. F t توقع للفترة t. ومعلمة تمهيد (أو ثابتة) (0 لوت a lt1). وبالنسبة للمسلسلات الزمنية، نحدد F 1 1 للفترة 1 والتنبؤات اللاحقة للفترات 2، 3، يمكن حسابها بواسطة الصيغة F t 1. وباستخدام هذا النهج، يمكن للمرء أن يبين أن طريقة التمهيد الأسي هي المتوسط ​​المرجح لجميع نقاط البيانات السابقة في السلاسل الزمنية. مرة واحدة معروفة، ونحن بحاجة إلى معرفة t و F ر من أجل حساب التوقعات للفترة t 1. بشكل عام، نختار أن يقلل من مس. بسيطة: مناسبة لسلسلة التي لا يوجد أي اتجاه أو الموسمية. عنصر المتوسط ​​المتحرك (q): يحدد متوسط ​​أوامر التحويل كيفية استخدام الانحرافات عن السلسلة بالنسبة للقيم السابقة للتنبؤ بالقيم الحالية. خبير سلسلة الوقت نموذج يحدد تلقائيا أفضل ملاءمة للبيانات سلسلة الوقت. بشكل افتراضي، يعتبر "نموذج الخبراء" كلا من التجانس الأسي ونماذج أريما. يمكن للمستخدم تحديد إما إما أريما أو نماذج التمهيد وحدد الكشف التلقائي من القيم المتطرفة. يوضح مقطع الفيلم التالي كيفية إنشاء نموذج أريما باستخدام أسلوب أريما و إكسيرت موديلر التي تقدمها سبس. مجموعة البيانات المستخدمة لهذا العرض التوضيحي هي مجموعة بيانات إيرلينباسنغر. راجع صفحة مجموعة البيانات للحصول على التفاصيل. وتعطى بيانات راكب شركة الطيران على شكل سلسلة G في كتاب تحليل سلسلة زمنية: التنبؤ والسيطرة من قبل صندوق وجينكينز (1976). الرقم المتغير هو إجمالي عدد الركاب الشهري بالآلاف. تحت التحول السجل، وقد تم تحليل البيانات في الأدب. تطبيق نماذج سلسلة الوقت. يقوم هذا الإجراء بتحميل نموذج سلسلة زمنية موجود من ملف خارجي ويتم تطبيق النموذج على مجموعة بيانات سبس النشطة. ويمكن استخدام ذلك للحصول على تنبؤات لسلسلة تتوافر بشأنها بيانات جديدة أو منقحة دون البدء في بناء نموذج جديد. مربع الحوار الرئيسي يشبه مربع الحوار "إنشاء نماذج رئيسية". التحليل الطيفي . ويمكن استخدام هذا الإجراء لإظهار السلوك الدوري في السلاسل الزمنية. تسلسل الرسوم البيانية. يستخدم هذا الإجراء لرسم الحالات في تسلسل. لتشغيل هذا الإجراء، تحتاج إلى بيانات سلسلة زمنية أو مجموعة بيانات يتم فرزها بترتيب ذي مغزى معين. أوتوكوريلاتيونس. ويحدد هذا الإجراء وظيفة الترابط الذاتي ووظيفة الترابط الذاتي الجزئي لسلسلة زمنية واحدة أو أكثر. عبر الارتباطات. ويحدد هذا الإجراء وظيفة الترابط المتقاطع لسلسلتين زمنيتين أو أكثر للتأثيرات الإيجابية والسلبية والصفر. راجع قائمة مساعدة سبس للحصول على معلومات إضافية حول نموذج سلسلة زمنية تطبيقية، تحليل طيفي، مخططات تسلسل، أوتوكوريلاتيونس وإجراءات الترابط المتبادل. تم تطوير ورشته التدريبية على الانترنت سبس من قبل الدكتور كارل لي، الدكتور فيليكس فاموي. مساعدات الطلاب باربرا شيلدن وألبرت براون. قسم الرياضيات، جامعة ميشيغان الوسطى. جميع الحقوق محفوظة. تم تشخيص نماذج أريما المجهزة باستخدام إيك، سبك واختبار نسبة احتمال السجل. وقد تم تقدير المعلمات لنماذج أريما باستخدام معيار غوسيان مل. كانت نماذج أريما ملائمة بما أن المخلفات القياسية والمخلفات التربيعية لم تكن مرتبطة بشكل كبير كما هو مبين في إحصاءات ليجون بوكس ​​Q. وبالإضافة إلى ذلك، فإن الإحصاءات J-B رفض بشدة فرضية طبيعية من بقايا لجميع هذه السلسلة. وفقا لنتائج وتقييم نماذج أريما المختلفة كما هو موضح في الجدولين 4 و 5 على التوالي، يمكن إعادة كتابة أفضل نموذج على النحو التالي: من المعادلة (14)، مستندة إلى مستوى 5 في المئة من الأهمية، فمن الواضح أن تكون الملاحظات هامة في الفارق الزمني الأول، كما أن التفاعل بين الرصدات والأخطاء كبير في جميع الفترات المتأخرة للنموذج المجهز. 4.3. التنبؤات خارج العينة أكدت الدراسة على أداء التنبؤات الذي يشير إلى مزيد من التركيز على التقليل من أخطاء التنبؤ خارج العينة أكثر من تحقيق أقصى قدر من الخير في العينة. ولذلك فإن النهج المعتمد هو أحد نماذج التعدين بهدف تحسين أداء التنبؤات إلى أقصى حد. تم تقييم كفاءات النماذج باستخدام أخطاء متوسط ​​التربيع (مس). ويعتبر النموذج الذي يحتوي على المشاريع الصغرى والصغيرة هو الأكثر كفاءة. ومع ذلك، تم النظر في خصائص إحصائية أخرى وخاصة التشخيص والخير من اختبارات تناسب في اختيار النموذج الأكثر كفاءة. وترد في الجدول 4 المشاريع المتوسطة والصغيرة لمختلف نماذج أرما. و مس من مختلف نماذج أرما. .5 ملخص، استنتاج وتوصیات کان الھدف من ھذه الدراسة نموذج وتنبؤ الناتج المحلي الإجمالي في کینیا استنادا إلی منھجیة صندوق جنکینز وتقدیم توقعات التضخم لمدة خمس سنوات في کینیا. من خلال جمع وفحص بيانات الناتج المحلي الإجمالي السنوي في كينيا، وتحديد ترتيب التكامل، وتحديد النموذج، والفحص التشخيصي، واختبار استقرار النموذج، وتقييم الأداء المتوقع، اقترح أفضل نموذج أريما في المعادلة (14) استنادا إلى أقل متوسط ​​تربيع خطأ. تم استخدام المؤامرات الزمنية و كوريلوغرام لاختبار ستاتيوناريتي من البيانات. أيضا، تم استخدام معيار مل غوسيان لتقدير النموذج. 5.2. النتائج الرئيسية النتيجة التجريبية الرئيسية الأولى للدراسة هي النموذج الذي تم تحديده للتنبؤ بالناتج المحلي الإجمالي وهو مبين أدناه: هذا هو نموذج التنبؤ الناتج المحلي الإجمالي في كينيا الذي يوصى به للتنبؤ المستمر. وكانت جميع المعاملات ذات دلالة إحصائية عند 5 في المائة. وقد تم النظر في خصائص إحصائية أخرى خاصة في تشخيص وخبرة الاختبارات الملائمة في اختيار النموذج الأكثر كفاءة. تم تحديد كفاءة النموذج باستخدام الخطأ المتوسط ​​التربيعي كما هو مبين في الجدول 4. تم مقارنة نماذج أريما المختلفة مع ترتيب مختلف لمتوسطات الانحدار الذاتي والانتقال استنادا إلى أدائها والتحقق منها والتحقق منها باستخدام الإحصاءات مثل إيك و سبك واحتمال السجل ، ومعيار حنان كوين وإحصاءات جارك-بيرا. وتشير النتائج إلى أن النموذج المقترح أداء جيدا من حيث العينة والعينة خارج العينة. والنتيجة التجريبية الثانية للدراسة هي توقعات الناتج المحلي الإجمالي لخمسة أعوام في كينيا. وتشير تقديرات العينة القصيرة الأجل التي تم الحصول عليها إلى زيادة في مستوى الناتج المحلي الإجمالي في كينيا. 5.3. الاستنتاج والتوصية من خلال تحليل السلاسل الزمنية للناتج المحلي الإجمالي الكيني في السنوات 1960 إلى 2007، تم إنشاء نموذج أريما (2، 2، 2). تحولت سلسلة من المعلمات نموذج تحول تسلسل المتبقية إلى تسلسل الضوضاء البيضاء. نتيجة تركيب النموذج هو مقنعة وعملية باستخدام غريتل. ومن المتوقع أن الناتج المحلي الإجمالي في كينيا باستخدام هذا النموذج. وتظهر النتيجة أن الخطأ النسبي هو ضمن نطاق 5، وهو مثالي نسبيا. ووفقا للقيم المتوقعة، يظهر الناتج المحلي اإلجمالي في كينيا اتجاها أعلى للنمو في السنوات الخمس المقبلة من 2013 إلى 2017. ومع ذلك، فإن نتيجة التنبؤ لهذا النموذج ليست سوى قيمة متوقعة للاقتصاد الوطني هو نظام معقد وديناميكي. وسيؤدي تعديل السياسات الكلية والتغيرات في بيئة التنمية إلى التغير النسبي في مؤشرات الاقتصاد الكلي. ولذلك، ينبغي أن نولي اهتماما لخطر التكيف في العملية الاقتصادية والحفاظ على استقرار واستمرارية تنظيم الاقتصاد الجزئي والسيطرة أيضا منع الاقتصاد من التقلبات الشديدة وضبط القيمة المستهدفة المقابلة وفقا للحالة الفعلية. 5.4. اقتراحات لمزيد من البحث من نتائج الدراسة، يقترح المجالات التالية لمزيد من البحث: ط. تحليل ديناميات الناتج المحلي الإجمالي في كينيا باستخدام نماذج مختلفة. ثانيا. فحص المكونات الفردية للناتج المحلي الإجمالي. الخطأ القياسي للمخلفات 0.0976013 الجدول 6. توقعات الناتج المحلي الإجمالي في العينة 1960-2012. مجلة الرياضيات والإحصاء المجلد 7، الإصدار 1 بيان المشكلة: معظم النماذج الموسمية المتحركة الانحدارية الانحدارية للانحدار الذاتي (ساريما) التي تستخدم للتنبؤ بسلاسل زمنية موسمية هي مضاعفة نماذج ساريما. تفترض هذه النماذج أن هناك معلمة هامة نتيجة الضرب بين المعلمات غير الموسمية والموسمية دون اختبار من قبل اختبار إحصائي معين. وعلاوة على ذلك، فإن معظم البرامج الإحصائية شعبية مثل مينيتاب و سبس فقط مرفق لتناسب نموذج المضاعف. والهدف من هذا البحث هو اقتراح إجراء جديد لتحديد الترتيب الأنسب لنموذج ساريما سواء كان ينطوي على ترتيب فرعي أو مضاعف أو مضاف. وعلى وجه الخصوص، بحثت الدراسة ما إذا كانت هناك معلمة مضاعفة في نموذج ساريما. النهج: تم أولا مناقشة الاشتقاق النظري حول الارتباط الذاتي (أسف) وجزئية الارتباط الذاتي (باسف) وظائف من مجموعة ساريما، المضاعف والمضافات ساريما نموذج ثم تم استخدام R برنامج لإنشاء الرسومات من أسف النظري و باسف. وبعد ذلك، استخدمت مجموعتا بيانات شهريتان كدراسات حالة، أي بيانات ركاب الطيران الدولي وسلسلة حول عدد السياح الوافدين إلى بالي في إندونيسيا. تم تحديد خطوة تحديد النموذج لتحديد ترتيب نموذج أريما باستخدام برنامج مينيتاب وخطوة تقدير نموذجية تستخدم برنامج ساس لاختبار ما إذا كان النموذج يتألف من ترتيب فرعي أو مضاعف أو مضاف. النتائج: أظهرت أسف النظرية و باسف أن نماذج ساريما الفرعية، المضاعفة والمضافة لها أنماط مختلفة، وخاصة في الفارق الزمني نتيجة الضرب بين الفترات غير الموسمية والفترات الموسمية. وقد أسفرت نمذجة بيانات شركة الطيران عن نموذج ساريما الفرعي كأفضل نموذج، في حين أن نموذج ساريما الإضافي هو أفضل نموذج للتنبؤ بعدد السياح الوافدين إلى بالي. الاستنتاج: أظهرت كل من دراسات الحالة أن نموذج ساريما المضاعف لم يكن أفضل نموذج للتنبؤ بهذه البيانات. وأظهر تقييم املقارنة أن منوذج ساريما واملجموعة املضافة من سايما أعطت قيم متوقعة أكثر دقة يف مجموعات البيانات اخلارجة من العينة مقارنة بنموذج ساريما املضاعف ملجموعات بيانات الوافدين اجلويين والسائحين على التوايل. هذه الدراسة هي مساهمة قيمة في إجراء مربع جينكينز وخاصة في تحديد نموذج وتقدير الخطوات في نموذج ساريما. ويمكن أن توفر المزيد من الأعمال التي تنطوي على نماذج موسمية متعددة من أريما، مثل التنبؤ بالبيانات على المدى القصير في بعض البلدان، المزيد من الأفكار فيما يتعلق بالطلبات الفرعية أو المضاعفة أو المضافة. نسخة 2011 سوهارتونو. هذا هو مقالة الوصول المفتوح موزعة وفقا لشروط رخصة المشاع الإبداعي. والتي تسمح بالاستخدام غير المقيد والتوزيع والاستنساخ في أي وسيط، بشرط أن يقيد المؤلف الأصلي والمصدر الأصلي. المتوسط ​​المتحرك المتكامل المتطور - أريما تعريف المتوسط ​​المتحرك المتكامل للانحدار الذاتي - أريما نموذج تحليل إحصائي يستخدم بيانات السلاسل الزمنية للتنبؤ بالاتجاهات المستقبلية. وهو شكل من أشكال تحليل الانحدار الذي يسعى للتنبؤ بالتحركات المستقبلية على طول المشي العشوائي الذي يبدو من قبل الأسهم والسوق المالية من خلال دراسة الاختلافات بين القيم في سلسلة بدلا من استخدام قيم البيانات الفعلية. ويشار إلى التأخر في سلسلة الاختلاف باسم الانحدار الذاتي، ويشار إلى التأخر في البيانات المتوقعة كمتوسط ​​متحرك. بريكينغ دون الانحدار التلقائي المتوسط ​​المتحرك المتكامل - أريما يشار إلى هذا النوع من النماذج عموما باسم أريما (p، d، q)، مع الأعداد الصحيحة التي تشير إلى الانحدار الذاتي. متكاملة ومتحركة أجزاء من مجموعة البيانات، على التوالي. أريما النمذجة يمكن أن تأخذ في الاعتبار الاتجاهات والموسمية. والدورات، والأخطاء، والجوانب غير الثابتة لمجموعة البيانات عند وضع التنبؤات.