การย้าย ค่าเฉลี่ย แบบ Stata

ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักพื้นฐานตลอดปีช่างเทคนิคได้พบปัญหาสองเรื่องกับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายปัญหาแรกอยู่ในกรอบเวลาของค่าเฉลี่ยเคลื่อนที่ MA นักวิเคราะห์ทางเทคนิคส่วนใหญ่เชื่อว่าการดำเนินการราคาเปิดหรือปิดราคาหุ้นไม่เพียงพอ ที่จะขึ้นอยู่กับการคาดการณ์อย่างถูกต้องสัญญาณซื้อหรือขายของการดำเนินการครอสโอเวอร์ MAs เพื่อแก้ปัญหานี้นักวิเคราะห์ในขณะนี้กำหนดน้ำหนักมากขึ้นกับข้อมูลราคาล่าสุดโดยใช้ค่าเฉลี่ยเคลื่อนที่แบบเรียบ EMA เรียนรู้เพิ่มเติมในการสำรวจค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบเสิย ตัวอย่างตัวอย่างเช่นการใช้ MA 10 วันผู้วิเคราะห์จะใช้ราคาปิดของวันที่ 10 และคูณเลขนี้เป็นวันที่ 10 วันที่เก้าโดยเก้าวันที่แปดโดยแปดและต่อไปจนถึงวันที่แรกของ MA เมื่อรวมแล้วนักวิเคราะห์จะหารตัวเลขด้วยการเพิ่มตัวคูณถ้าคุณเพิ่มตัวคูณของตัวอย่าง MA 10 วันตัวเลขนี้คือ 55 ตัวบ่งชี้นี้เป็นที่รู้จัก ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักเชิงเส้นสำหรับการอ่านที่เกี่ยวข้องโปรดดูที่ค่าเฉลี่ยเคลื่อนที่แบบธรรมดาทำให้แนวโน้มโดดเด่นมากช่างเทคนิคหลายคนเชื่อมั่นในค่าเฉลี่ยเคลื่อนที่ที่เคลื่อนไปมาอย่างชี้แจง EMA ตัวชี้วัดนี้ได้รับการอธิบายด้วยวิธีต่างๆมากมายที่ทำให้นักเรียนและนักลงทุนสับสนทั้ง คำอธิบายที่ดีที่สุดมาจาก John J Murphy's การวิเคราะห์ทางเทคนิคของตลาดการเงินที่ตีพิมพ์โดย New York Institute of Finance, 1999. ค่าเฉลี่ยเคลื่อนที่เรียบชี้แจงทั้งสองปัญหาที่เกี่ยวข้องกับค่าเฉลี่ยเคลื่อนที่อย่างง่ายครั้งแรกค่าเฉลี่ยที่ชี้แจงเรียบเรียง น้ำหนักที่มากขึ้นกับข้อมูลล่าสุดดังนั้นจึงเป็นค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก แต่ในขณะที่ให้ความสำคัญน้อยกว่ากับข้อมูลราคาในอดีตจะรวมถึงการคำนวณข้อมูลทั้งหมดในชีวิตของเครื่องมือนอกจากนี้ผู้ใช้สามารถ ปรับการชั่งน้ำหนักเพื่อให้น้ำหนักมากหรือน้อยกว่ากับราคาวันล่าสุดซึ่งเพิ่มขึ้นเป็นเปอร์เซ็นต์ของ ค่าของวันก่อนหน้าผลรวมของค่าเปอร์เซ็นต์ทั้งสองจะเพิ่มขึ้นเป็น 100 ตัวอย่างเช่นราคาของวันสุดท้ายอาจมีการกำหนดน้ำหนัก 10 10 ซึ่งเพิ่มลงในน้ำหนักของวันก่อนหน้า 90 90 ซึ่งเป็นวันสุดท้าย 10 ของการถ่วงน้ำหนักทั้งหมดนี้จะเท่ากับค่าเฉลี่ย 20 วันโดยให้ราคาวันสุดท้ายเป็นค่าที่น้อยกว่า 5 05 รูปที่ 1 ค่าเฉลี่ยเคลื่อนที่แบบเรียบแสดงแผนภูมิ Nasdaq Composite Index จากสัปดาห์แรกในเดือนสิงหาคม 2000 ถึงวันที่ 1 มิถุนายน พ. ศ. 2544 ตามที่เห็นได้ชัด EMA ซึ่งในกรณีนี้กำลังใช้ข้อมูลราคาปิดในช่วง 9 วันมีสัญญาณขายที่ชัดเจนเมื่อวันที่ 8 ก. ย. ซึ่งมีเครื่องหมายลูกศรลงสีดำนั่นคือวันนี้ ดัชนีลดลงต่ำกว่าระดับ 4,000 ลูกศรสีดำที่สองแสดงขาลงอีกที่ช่างคาดว่า Nasdaq ไม่สามารถสร้างปริมาณและดอกเบี้ยได้เพียงพอจากนักลงทุนรายย่อยเพื่อทำลายเครื่องหมาย 3,000 คะแนนจากนั้นจึงลงไปที่ด้านล่างสุดที่ 1619 58 ในวันที่ 4 เม. ย. แนวโน้มการฟื้นตัวของเศรษฐกิจโลก ดัชนีปิดที่ 1,961 46 และช่างเริ่มเห็นผู้จัดการกองทุนสถาบันเริ่มต้นที่จะรับสินค้าราคาถูกบางอย่างเช่น Cisco, Microsoft และปัญหาเกี่ยวกับพลังงานบางอย่างอ่านบทความที่เกี่ยวข้องของเราการย้ายซองจดหมายค่าเฉลี่ยการกลั่น A เครื่องมือทางการค้าที่ได้รับความนิยมและการเคลื่อนย้ายค่าเฉลี่ยการตีกลับจำนวนเงินสูงสุดที่สหรัฐอเมริกาสามารถยืมได้เพดานหนี้ถูกสร้างขึ้นภายใต้พระราชบัญญัติตราสารหนี้เสรี 2 (2bB) โดยมีอัตราดอกเบี้ยที่สถาบันรับฝากเงินให้ยืมเงินที่เก็บอยู่ใน Federal Reserve ไปยังสถาบันรับฝากเงินแห่งอื่น 1 มาตรการทางสถิติของการกระจายตัวของผลตอบแทนสำหรับการรักษาความปลอดภัยที่กำหนดหรือดัชนีตลาดความผันผวนสามารถวัดได้การกระทำรัฐสภาคองเกรสผ่านในปี 1933 เป็นพระราชบัญญัติการธนาคารซึ่งห้ามธนาคารพาณิชย์เข้าร่วมในการลงทุนการจ่ายเงินเดือนของ Nafsfarm หมายถึงใด ๆ งานนอกฟาร์ม, ครัวเรือนส่วนบุคคลและภาคที่ไม่แสวงหาผลกำไร US Bureau of Labor ย่อสกุลเงินหรือสัญลักษณ์สกุลเงินสำหรับ สกุลเงินรูปีของอินเดีย INR สกุลเงินของอินเดียเงินรูปีที่ถูกสร้างขึ้นจาก 1. การวิเคราะห์ข้อมูลและสถิติสถิติซอฟท์แวร์ Nicholas J Cox มหาวิทยาลัยเดอแรมประเทศอังกฤษ Christopher Baum Boston College. egen ma และข้อ จำกัด ต่างๆคำสั่งที่ชัดเจนที่สุดของ Stata สำหรับการคำนวณค่าเฉลี่ยเคลื่อนที่คือฟังก์ชัน ma ของ egen กำหนดนิพจน์จะสร้างค่าเฉลี่ยการเคลื่อนที่ของค่าเฉลี่ยของนิพจน์ดังกล่าวโดยค่าเริ่มต้นจะถูกนำมาเป็น 3 ต้องเป็นเลขคี่อย่างไรก็ตามตามที่ระบุด้วยตัวอักษร egen ma อาจไม่สามารถรวมกันได้ กับโดย varlist และด้วยเหตุผลเพียงอย่างเดียวไม่สามารถใช้ได้กับข้อมูลแผงในกรณีใด ๆ ก็ยืนอยู่นอกชุดของคำสั่งที่เขียนโดยเฉพาะสำหรับชุดเวลาดูชุดเวลาสำหรับรายละเอียดวิธีการเลือกเพื่อคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับข้อมูลแผง, มีอย่างน้อยสองตัวเลือกทั้งสองขึ้นอยู่กับชุดข้อมูลที่ได้รับการตั้งค่าก่อนหน้านี้เป็นอย่างมากมูลค่าการทำไม่เพียง แต่คุณสามารถบันทึกตัวเองซ้ำ ๆ ระบุตัวแปรแผงและตัวแปรเวลา แต่ Stata ทำงานอย่างชาญฉลาดให้ช่องว่างใด ๆ ใน data.1 เขียนคำจำกัดความของคุณเองโดยใช้ generate. Using ตัวดำเนินการแบบอนุกรมเช่น L และ F ให้คำจำกัดความของค่าเฉลี่ยเคลื่อนที่เป็นอาร์กิวเมนต์ที่สร้างขึ้นหากคุณทำเช่นนี้คุณจะเป็นธรรมชาติไม่ จำกัด เพียงเท่าเทียมกัน ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยที่ไม่ได้ถ่วงน้ำหนักที่คำนวณโดยตัวอย่างเช่นตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่สามช่วงที่ถ่วงน้ำหนักอย่างเท่าเทียมกันจะได้รับโดยค่าน้ำหนักและน้ำหนักบางส่วนสามารถระบุได้อย่างง่ายดายคุณสามารถระบุการแสดงออกเช่น log myvar แทน ชื่อตัวแปรเช่น myvar. One ประโยชน์ใหญ่ของวิธีนี้คือ Stata จะทำสิ่งที่ถูกต้องสำหรับข้อมูลแผงควบคุมชั้นนำและค่าที่ปกคลุมด้วยวัตถุฉนวนจะถูกสร้างขึ้นภายในแผงเช่นเดียวกับตรรกะที่พวกเขาควรจะเป็นข้อเสียที่โดดเด่นที่สุดคือบรรทัดคำสั่ง จะได้รับค่อนข้างยาวถ้าค่าเฉลี่ยเคลื่อนที่เกี่ยวข้องกับเงื่อนไขหลายประการอีกตัวอย่างหนึ่งคือค่าเฉลี่ยเคลื่อนที่ด้านเดียวขึ้นอยู่กับค่าก่อนหน้าซึ่งอาจเป็นประโยชน์ในการสร้างความคาดหวังในการปรับตัวของตัวแปรที่ wil l เป็นไปตามข้อมูลอย่างหมดจดจนถึงวันที่คาดการณ์ได้ว่าจะมีใครคาดการณ์ในช่วงเวลาปัจจุบันตามค่าที่ผ่านมาสี่ค่าโดยใช้รูปแบบการถ่วงน้ำหนักคงที่ความล้าหลัง 4 ช่วงเวลาอาจใช้โดยเฉพาะอย่างยิ่งกับการใช้งานแบบรายไตรมาส 2 ใช้ egen, filter จาก SSC ใช้ตัวกรอง egen function ที่ผู้ใช้เขียนไว้จากแพคเกจ egenmore บน SSC ใน Stata 7 ที่อัปเดตหลังจากวันที่ 14 พฤศจิกายน 2001 คุณสามารถติดตั้งแพคเกจนี้ได้โดยหลังจากนั้นจะช่วยให้ egenmore ชี้ไปที่รายละเอียดของตัวกรองตัวอย่างสองตัวอย่างข้างต้นจะแสดงขึ้น ในการเปรียบเทียบนี้วิธีการสร้างอาจจะโปร่งใสมากขึ้น แต่เราจะเห็นตัวอย่างของสิ่งที่ตรงกันข้ามในขณะที่ความล่าช้าเป็นจำนวนที่นำไปสู่การลดจำนวนที่เป็นลบในกรณีนี้ -1 -1 จะขยายเป็น -1 0 1 หรือนำ 1, ล้าหลัง 0 , lag 1 Coef ficients, numlists อื่นคูณ lagging ที่สอดคล้องกันหรือรายการชั้นนำในกรณีนี้รายการเหล่านี้เป็น myvar และผลของตัวเลือกปกติคือการปรับค่าสัมประสิทธิ์แต่ละตัวด้วยผลคูณของค่าสัมประสิทธิ์เพื่อให้ coef 1 1 1 normalize คือ ค่าสัมประสิทธิ์ของ 1 3 1 3 1 3 และ coef 1 2 1 normalize เท่ากับค่าสัมประสิทธิ์ของ 1 4 1 2 1 4 คุณต้องระบุไม่เพียง แต่ความล่าช้า แต่ยังเป็นค่าสัมประสิทธิ์เนื่องจาก egen, ma ให้กรณีถ่วงน้ำหนักอย่างเท่าเทียมกัน เหตุผลหลักสำหรับตัวกรอง egen คือการสนับสนุนกรณีถ่วงน้ำหนักที่ไม่เท่ากันซึ่งคุณต้องระบุค่าสัมประสิทธิ์นอกจากนี้ยังอาจกล่าวได้ว่าการบังคับให้ผู้ใช้ระบุค่าสัมประสิทธิ์เป็นแรงกดดันเล็กน้อยต่อพวกเขาในการคิดถึงค่าสัมประสิทธิ์ที่ต้องการ สำหรับน้ำหนักที่เท่ากันคือเราคาดเดาความเรียบง่าย แต่น้ำหนักที่เท่ากันมีคุณสมบัติโดเมนความถี่หมัดกล่าวคือการพิจารณาเพียงตัวเดียวตัวอย่างที่สามข้างต้นอาจเป็นได้ทั้งสองแบบซึ่งมีความซับซ้อนเพียงเล็กน้อยในขณะที่วิธีการสร้างมีกรณีที่ egen , ตัวกรองให้สูตรที่ง่ายกว่าการสร้างถ้าคุณต้องการตัวกรองแบบทวินามระยะ 9 ตัวซึ่งนักภูมิอากาศวิทยาหาประโยชน์แล้วบางทีอาจดูน่ากลัวน้อยกว่าและง่ายกว่าที่จะทำได้ดีกว่าเช่นเดียวกับวิธีการสร้าง egen ตัวกรองทำงานได้อย่างถูกต้อง กับข้อมูลแผงในความเป็นจริงตามที่ระบุไว้ข้างต้นจะขึ้นอยู่กับชุดข้อมูลที่ได้รับก่อน tsset ปลายกราฟิกหลังจากคำนวณค่าเฉลี่ยเคลื่อนที่ของคุณคุณอาจจะต้องการดูกราฟคำสั่งที่ผู้ใช้เขียน tsgraph เป็นสมาร์ทเกี่ยวกับชุดข้อมูล tsset ติดตั้งใน Stata 7 ที่ทันสมัยโดย ssc inst tsgraph เกี่ยวกับ subsetting กับถ้าไม่มีตัวอย่างข้างต้นใช้ประโยชน์จากข้อ จำกัด หากใน egen, ma จะไม่อนุญาตหากมีการระบุบางครั้งคน wa nt ที่จะใช้ถ้าเมื่อคำนวณค่าเฉลี่ยเคลื่อนที่ แต่การใช้งานของมันซับซ้อนกว่าเล็กน้อยโดยปกติแล้วสิ่งที่คุณคาดหวังจากค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ถ้าหากให้เราระบุสองความเป็นไปได้การตีความแนวนอนผมไม่อยากเห็นผลใด ๆ ข้อสังเกตที่ยกเว้นการตีความของทรานแซกชันฉันไม่ต้องการให้คุณใช้ค่าสำหรับการสังเกตที่ไม่ได้ต่อไปนี้เป็นตัวอย่างที่เป็นรูปธรรมสมมติว่าเป็นผลมาจากเงื่อนไขบางอย่างถ้าข้อสังเกต 1-42 รวมอยู่ด้วย แต่ไม่ใช่ข้อสังเกต 43 แต่ค่าเฉลี่ยเคลื่อนที่ สำหรับ 42 จะขึ้นอยู่กับสิ่งอื่นใดเกี่ยวกับค่าสำหรับการสังเกต 43 ถ้าค่าเฉลี่ยถอยหลังไปข้างหน้าและมีความยาวอย่างน้อย 3 และมันก็จะขึ้นอยู่กับบางส่วนของข้อสังเกตดังกล่าว 44 เป็นต้นไปในบางสถานการณ์การคาดเดาของเราคือว่า คนส่วนใหญ่จะไปตีความอ่อนแอ แต่ไม่ว่าจะถูกต้อง egen ตัวกรองไม่สนับสนุนถ้าอย่างใดอย่างหนึ่งคุณสามารถละเลยสิ่งที่คุณ don t ต้องการหรือแม้กระทั่งการตั้งค่าที่ไม่พึงประสงค์เพื่อหายไปภายหลังข y ใช้ replace. A ทราบเกี่ยวกับผลลัพธ์ที่หายไปที่ส่วนท้ายของชุดเนื่องจากค่าเฉลี่ยเคลื่อนที่เป็นหน้าที่ของความล่าช้าและโอกาสในการขาย egen, ma ผลิตขาดหายไปที่ความล่าช้าและโอกาสในการขายไม่มีอยู่ที่จุดเริ่มต้นและจุดสิ้นสุดของชุดตัวเลือก nomiss บังคับให้คำนวณค่าเฉลี่ยเคลื่อนที่ที่สั้นลงสำหรับหางในทางตรงกันข้ามไม่สร้างหรือ egen กรองไม่หรือช่วยอะไรพิเศษเพื่อหลีกเลี่ยงผลลัพธ์ที่หายไปหากค่าใด ๆ ที่จำเป็นสำหรับการคำนวณหายไปผลลัพธ์ที่ได้จะหายไป จะขึ้นอยู่กับผู้ใช้ในการตัดสินใจว่าจะมีการผ่าตัดแก้ไขและจำเป็นต้องใช้สำหรับการสังเกตการณ์ดังกล่าวสันนิษฐานว่าหลังจากดูที่ชุดข้อมูลและพิจารณาจากวิทยาศาสตร์ต้นแบบใด ๆ ที่สามารถนำมาได้ผลการทดลองสรุปได้ว่า ARIMA nesyasonal models. ARIMA p, d, q สมการพยากรณ์ ARIMA โมเดลเป็นทฤษฎีในชั้นเรียนทั่วไปมากที่สุดของแบบจำลองสำหรับการคาดการณ์ชุดเวลาที่สามารถทำเป็น stationary โดย differencing ถ้าจำเป็นบางทีร่วมกับ transformations ไม่เชิงเส้น เช่นการบันทึกหรือการลดน้ำหนักถ้าจำเป็นตัวแปรแบบสุ่มที่เป็นชุดเวลาจะหยุดนิ่งถ้าคุณสมบัติทางสถิติมีค่าคงที่ตลอดเวลาชุดคงที่ไม่มีแนวโน้มมีการแปรผันรอบ ๆ ค่าเฉลี่ยของมันมีค่าแอมพลิจูดคงที่และเลื้อยตามแบบที่สม่ำเสมอ คือระยะสั้นของรูปแบบเวลาสุ่มมักจะมีลักษณะเดียวกันในแง่สถิติสภาพหลังหมายความว่า correlations ความสัมพันธ์กับความเบี่ยงเบนก่อนหน้านี้เองจากค่าคงที่ยังคงอยู่ตลอดเวลาหรือเทียบเท่าที่สเปกตรัมพลังงานคงที่ตลอดเวลาสุ่ม ตัวแปรของรูปแบบนี้สามารถดูได้ตามปกติเช่นการรวมกันของสัญญาณและเสียงและสัญญาณถ้าอย่างใดอย่างหนึ่งอาจจะเป็นรูปแบบของการพลิกกลับค่าเฉลี่ยอย่างรวดเร็วหรือช้าหรือการสั่นสะเทือน sinusoidal หรือสลับอย่างรวดเร็วในการเข้าสู่ระบบและก็ยังอาจมี องค์ประกอบตามฤดูกาลแบบ ARIMA สามารถมองได้ว่าเป็นตัวกรองที่พยายามแยกสัญญาณออกจากสัญญาณรบกวนและสัญญาณจะถูกอนุมานในอนาคต ain. สมการพยากรณ์ ARIMA สำหรับชุดเวลาแบบคงที่คือสมการถดถอยเชิงเส้นซึ่งตัวทำนายประกอบด้วยความล่าช้าของตัวแปรตามและหรือความล่าช้าของข้อผิดพลาดในการคาดการณ์นั่นคือค่าที่ถูกต้องของ Y คงที่และหรือ ผลรวมถ่วงน้ำหนักของค่า Y ล่าสุดหรือมากกว่าหนึ่งหรือเป็นผลรวมถ่วงน้ำหนักของค่าข้อผิดพลาดอย่างน้อยหนึ่งค่าเมื่อเร็ว ๆ นี้ถ้าตัวทำนายประกอบด้วยค่าที่ล้าหลังของ Y มันเป็นแบบจำลองที่ถดถอยด้วยตนเองแบบอัตถดถอยแบบอัตถดถอยซึ่งเป็นเพียงสิ่งพิเศษ ตัวอย่างของแบบจำลองการถดถอยและสามารถใช้งานได้กับซอฟต์แวร์การถดถอยตามมาตรฐานตัวอย่างเช่นโมเดล AR 1 แบบอัตโนมัติสำหรับ Y เป็นแบบจำลองการถดถอยแบบง่ายซึ่งตัวแปรอิสระมีเพียง Y ที่ล่าช้าไปหนึ่งช่วงเวลา LAG Y, 1 ใน Statgraphics หรือ YLAG1 ใน RegressIt ถ้าตัวทำนายบางตัวมีข้อผิดพลาดเกิดขึ้นแบบ ARIMA ไม่ใช่แบบจำลองการถดถอยเชิงเส้นเนื่องจากไม่มีทางที่จะระบุข้อผิดพลาดของช่วงเวลาสุดท้ายเป็นตัวแปรอิสระข้อผิดพลาดต้องคำนวณ d ในช่วงระยะเวลาเมื่อรูปแบบถูกพอดีกับข้อมูลจากมุมมองทางเทคนิคปัญหาเกี่ยวกับการใช้ข้อผิดพลาด lagged เป็นตัวพยากรณ์คือการคาดการณ์ของแบบจำลองไม่ได้เป็นฟังก์ชันเชิงเส้นของสัมประสิทธิ์แม้ว่าจะเป็นฟังก์ชันเชิงเส้นของ ข้อมูลที่ผ่านมาดังนั้นค่าสัมประสิทธิ์ในแบบจำลอง ARIMA ที่มีข้อผิดพลาดที่ล้าหลังต้องถูกประเมินด้วยวิธีการเพิ่มประสิทธิภาพแบบไม่เชิงเส้นการปีนเนินเขามากกว่าเพียงแค่แก้ระบบสมการคำย่อ ARIMA ย่อมาจาก Auto-Regressive Integrated Moving Average Lags ของชุด stationary ใน สมการพยากรณ์จะเรียกว่าเงื่อนไขอัตโนมัติ (autoregressive terms) ข้อผิดพลาดในการคาดการณ์จะเรียกว่าค่าเฉลี่ยเคลื่อนที่ (moving average terms) และชุดข้อมูลเวลา (time series) ซึ่งจะต้องมีความแตกต่างกันไปในนิ่ง (stationary) กล่าวได้ว่าเป็นการรวมกันของ stationary random-walk และ random-trend โมเดลอัตถดถีและแบบจำลองการทำให้เรียบเป็นแบบเอกเทศเป็นกรณีพิเศษของแบบจำลอง ARIMA แบบ ARESA แบบไม่ จำกัด จำนวนถูกจัดเป็น ARIMA p, d, qm odel, where. p คือจำนวนของเงื่อนไข autregressive. d คือจำนวนของความแตกต่างที่ไม่จำเป็นสำหรับ stationarity และ. q คือจำนวนข้อผิดพลาดในการพยากรณ์ที่ล้าหลังในสมการทำนายสมการพยากรณ์ถูกสร้างขึ้นดังต่อไปนี้อันดับแรกให้ y แสดง d ความแตกต่างของ Y ซึ่งหมายความว่าโปรดทราบว่าความแตกต่างที่สองของ Y d 2 กรณีไม่ได้แตกต่างจาก 2 งวดก่อนหน้านี้ค่อนข้างเป็นความแตกต่างแรกของความแตกต่างของที่แรกซึ่งเป็นอนาล็อกแบบแยกส่วนของ อนุพันธ์ที่สองคือการเร่งความเร็วในท้องถิ่นของซีรีส์แทนที่จะเป็นแนวโน้มในท้องถิ่นในแง่ของสมการพยากรณ์ทั่วไปของ y นี่คือค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ถูกกำหนดเพื่อให้สัญญาณของพวกเขามีค่าเป็นลบในสมการตามแบบแผนที่นำมาใช้โดยกล่อง และเจนกินส์ผู้เขียนและซอฟต์แวร์บางส่วนรวมทั้งภาษาเขียนโปรแกรม R กำหนดให้มีเครื่องหมายบวกแทนเมื่อตัวเลขจริงถูกเสียบเข้ากับสมการไม่มีความกำกวม แต่จำเป็นต้องทราบว่ามีการแปลงใด ention ซอฟต์แวร์ของคุณใช้เมื่อคุณอ่านผลลัพธ์มักจะมีการระบุพารามิเตอร์โดย AR 1, AR 2, และ MA 1, MA 2 เป็นต้นเพื่อระบุรูปแบบ ARIMA ที่เหมาะสมสำหรับ Y ที่คุณเริ่มต้นด้วยการกำหนดลำดับของ differencing d จำเป็นต้องตั้งค่าชุดและลบคุณลักษณะขั้นต้นของฤดูกาลบางทีร่วมกับการเปลี่ยนแปลงความแปรปรวน - เสถียรภาพเช่นการบันทึกหรือการทำให้หลุดหากคุณหยุดที่จุดนี้และคาดการณ์ว่าชุด differenced เป็นค่าคงที่คุณมีเพียงติดตั้งเดินสุ่มหรือ แบบจำลองแนวโน้มแบบสุ่มอย่างไรก็ตามชุด stationarized อาจยังมีข้อผิดพลาด autocorrelated ชี้ให้เห็นว่าอาร์คันซอบางเงื่อนไข p 1 และบางส่วนหรือเงื่อนไข MA จำนวน 1 เป็นสิ่งจำเป็นในสมการพยากรณ์ความต้องการของกระบวนการพิจารณาค่าของ p, d, และ q ที่ดีที่สุดสำหรับชุดเวลาที่กำหนดจะกล่าวถึงในส่วนถัดไปของโน้ตที่ลิงก์อยู่ที่ด้านบนสุดของหน้านี้ แต่เป็นการแสดงตัวอย่างบางส่วนของรูปแบบ ARDSA แบบไม่ระบุตัวตนซึ่งเป็น com monimal พบอยู่ด้านล่างแบบอัตโนมัติ autimalgressive 1,0,0 แรกถ้าชุดเป็น stationary และ autocorrelated อาจจะสามารถทำนายเป็นหลายค่าของตัวเองก่อนรวมทั้งค่าคงที่สมการพยากรณ์ในกรณีนี้คือ ซึ่งเป็น Y ถอยกลับตัวเอง lagged โดยหนึ่งช่วงนี้เป็น ARIMA 1,0,0 แบบคงที่ถ้าค่าเฉลี่ยของ Y เป็นศูนย์แล้วระยะคงที่จะไม่รวมหากค่าสัมประสิทธิ์ความลาดเอียง 1 เป็นบวกและน้อยกว่า 1 ใน ขนาดของมันจะต้องน้อยกว่า 1 ในขนาดถ้า Y อยู่นิ่งโมเดลอธิบายถึงพฤติกรรมการเปลี่ยนค่าเฉลี่ยที่ควรจะคาดการณ์ค่าของช่วงถัดไปเป็น 1 เท่าห่างจากค่าเฉลี่ยเป็นค่าของช่วงเวลานี้หาก 1 เป็นค่าลบ มันคาดการณ์พฤติกรรมการคืนค่าเฉลี่ยที่มีการสลับของสัญญาณคือมันยังคาดการณ์ว่า Y จะต่ำกว่าค่าเฉลี่ยระยะต่อไปถ้ามันอยู่เหนือค่าเฉลี่ยระยะเวลานี้ในแบบที่สอง autoregressive แบบ ARIMA 2,0,0 จะมี ระยะ Y t-2 ด้านขวาเช่นกันและอื่น ๆ ขึ้นอยู่กับ สัญญาณและขนาดของค่าสัมประสิทธิ์เป็นแบบ ARIMA 2,0,0 สามารถอธิบายระบบที่มีการพลิกกลับค่าเฉลี่ยที่เกิดขึ้นในรูปแบบการสั่น sinusoidally เช่นการเคลื่อนไหวของมวลในฤดูใบไม้ผลิที่อยู่ภายใต้การกระแทกแบบสุ่ม ARIMA 0, เดินแบบสุ่ม 1.0 ถ้าชุด Y ไม่ได้นิ่งโมเดลที่เป็นไปได้ง่ายที่สุดคือแบบจำลองการเดินแบบสุ่มซึ่งถือได้ว่าเป็นกรณี จำกัด ของแบบจำลอง AR 1 ซึ่งมีค่าสัมประสิทธิ์อัตถิภาวนาเท่ากับ 1 นั่นคือชุดข้อมูล กับการพลิกกลับของค่าเฉลี่ยช้าอย่างไม่หยุดนิ่งสมการทำนายสำหรับแบบจำลองนี้สามารถเขียนได้เมื่อระยะคงที่คือการเปลี่ยนแปลงระยะเวลาเฉลี่ยเป็นระยะเช่นการเลื่อนลอยระยะยาวใน Y โมเดลนี้สามารถใช้เป็นแบบจำลองการถดถอยแบบไม่มีการแทรกแซงใน ซึ่งแตกต่างกันครั้งแรกของ Y เป็นตัวแปรที่ขึ้นกับเนื่องจากมีเพียงความแตกต่างที่ไม่มีความแตกต่างและเป็นระยะคงที่มันถูกจัดว่าเป็นแบบจำลอง ARIMA 0,1.0 โดยค่าคงที่รูปแบบแบบสุ่มเดินโดยปราศจากจะเป็น ARIMA 0 , 1,0 แบบไม่มีค่าคงที่ A RIMA 1,1,0 differenced แบบจำลอง autoregressive ลำดับแรกหากข้อผิดพลาดของรูปแบบการเดินแบบสุ่มมีความสัมพันธ์กันโดยอัตโนมัติอาจแก้ปัญหาได้โดยการเพิ่มความล่าช้าของตัวแปรที่ขึ้นกับสมการทำนาย - โดยการถอยกลับความแตกต่างแรกของ Y ตัวเอง lagged โดยหนึ่งระยะเวลานี้จะให้สมการทำนายต่อไปนี้ซึ่งสามารถ rearranged เพื่อนี้เป็นแบบลำดับแรกอัตโนมัติ autoregressive กับลำดับหนึ่งของ differencing nonseasonal และระยะคงที่ - คือ ARIMA 1,1,0 รุ่น. ARIMA 0,1,1 โดยไม่มีการเรียบแบบ exponential simple เรียบง่ายกลยุทธ์อื่นในการแก้ไขข้อผิดพลาด autocorrelated ในแบบจำลองการเดินแบบสุ่มได้รับการแนะนำโดยใช้แบบจำลองการเรียบง่ายที่ชี้แจงว่าสำหรับชุดเวลาแบบไม่ต่อเนื่องบางอย่างเช่นที่แสดงความผันผวนที่มีเสียงดังรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ รูปแบบการเดินแบบสุ่มไม่ได้ทำเช่นเดียวกับค่าเฉลี่ยเคลื่อนที่ของค่าในอดีตในคำอื่น ๆ มากกว่าการสังเกตล่าสุดเป็นคาดการณ์ของการสังเกตต่อไปนั้น ดีกว่าที่จะใช้ค่าเฉลี่ยของการสังเกตการณ์ล่าสุดไม่กี่เพื่อกรองเสียงรบกวนและถูกต้องมากขึ้นประมาณค่าเฉลี่ยในท้องถิ่นแบบเรียบง่ายชี้แจงใช้ค่าเฉลี่ยถ่วงน้ำหนักแบบชี้แจงของค่าที่ผ่านมาเพื่อให้บรรลุผลนี้สมการทำนายสำหรับเลขชี้กำลังที่เรียบง่าย รูปแบบเรียบสามารถเขียนในรูปแบบทางคณิตศาสตร์จำนวนหนึ่งซึ่งเป็นรูปแบบการแก้ไขข้อผิดพลาดที่เรียกว่าซึ่งในการคาดการณ์ก่อนหน้านี้มีการปรับในทิศทางของข้อผิดพลาดที่ทำเพราะ e t-1 Y t-1 - t-1 โดยนิยามนี้สามารถถูกเขียนใหม่เป็น. ซึ่งเป็น ARIMA 0,1,1 - โดยไม่คิดค่าคงที่สมการพยากรณ์กับ 1 1 - ซึ่งหมายความว่าคุณสามารถใส่ข้อมูลแบบเรียบง่ายโดยระบุว่าเป็น ARIMA 0,1 , 1 โมเดลโดยไม่มีค่าคงที่และค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์สมการของ MA 1 จะเท่ากับ 1-alpha ในสูตร SES โปรดจำไว้ว่าในรูปแบบ SES อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์ล่วงหน้า 1 ช่วงคือ 1 ความหมายที่จะ มีแนวโน้มที่จะล้าหลัง t rends หรือจุดเปลี่ยนโดยประมาณ 1 งวดดังต่อไปนี้อายุเฉลี่ยของข้อมูลในการคาดการณ์ล่วงหน้า 1 รอบของ ARIMA 0,1,1 - แบบไม่ใช้แบบคงที่คือ 1 1 - 1 ตัวอย่างเช่นถ้า 1 0 8 อายุเฉลี่ยเท่ากับ 5 เมื่อ 1 เข้าใกล้ 1 รูปแบบ ARIMA 0,1,1 - แบบไม่มีแบบคงที่จะกลายเป็นค่าเฉลี่ยเคลื่อนที่แบบระยะยาวและเป็น 1 วิธี 0 จะกลายเป็นแบบสุ่มโดยไม่มีการลอยตัว model. What s วิธีที่ดีที่สุดในการแก้ไข autocorrelation เพิ่มเงื่อนไข AR หรือเพิ่มเงื่อนไข MA ในสองรุ่นก่อนหน้านี้กล่าวถึงข้างต้นปัญหาของความผิดพลาด autocorrelated ในแบบสุ่มเดินได้รับการแก้ไขในสองวิธีที่แตกต่างกันโดยการเพิ่มค่า lagged ของ differenced ชุดของสมการหรือเพิ่มค่าที่ล่าช้าของข้อผิดพลาดในการคาดการณ์วิธีการใดที่ดีที่สุดกฎของหัวแม่มือสำหรับสถานการณ์นี้ซึ่งจะมีการกล่าวถึงในรายละเอียดเพิ่มเติมในภายหลังว่าการเชื่อมโยงกันในทางบวกมักจะได้รับการปฏิบัติที่ดีที่สุดโดยการเพิ่มคำ AR กับแบบจำลองและอัตลักษณ์เชิงลบมักจะได้รับการปฏิบัติที่ดีที่สุดโดยการเพิ่มระยะ MA ใน b usiness และชุดเวลาทางเศรษฐกิจ autocorrelation เชิงลบมักจะเกิดขึ้นเป็น artifact ของ differencing โดยทั่วไป differencing ลด autocorrelation บวกและอาจทำให้เกิดการเปลี่ยนจากบวก autocorrelation ลบดังนั้นแบบ ARIMA 0,1,1 ซึ่ง differencing จะมาพร้อมกับ ระยะ MA ซึ่งใช้บ่อยกว่า ARIMA 1,1,0 รุ่นARIMA 0,1,1 พร้อมกับการเพิ่มความเรียบแบบเรียบง่ายด้วยการเติบโตโดยการใช้โมเดล SES เป็นแบบ ARIMA คุณจะได้รับความยืดหยุ่นบางประการประการแรก, ค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์สมการของ MA 1 จะเป็นลบซึ่งสอดคล้องกับปัจจัยการทำให้ราบรื่นที่มีขนาดใหญ่กว่า 1 ในรูปแบบ SES ซึ่งโดยปกติจะไม่ได้รับอนุญาตตามขั้นตอนการปรับแบบ SES ประการที่สองคุณมีตัวเลือกในการรวมระยะเวลาคงที่ใน ARIMA แบบจำลองถ้าคุณต้องการเพื่อประเมินแนวโน้มโดยเฉลี่ยที่ไม่ใช่ศูนย์รูปแบบ ARIMA 0,1,1 กับค่าคงที่มีสมการทำนายการคาดการณ์ล่วงหน้าหนึ่งรอบจากรุ่นนี้มีคุณภาพคล้ายกับของ SES ยกเว้นว่าวิถีของการคาดการณ์ในระยะยาวโดยทั่วไปจะเป็นเส้นลาดซึ่งมีความลาดชันเท่ากับ mu มากกว่าแนวเส้นแนวนอน ARIMA 0,2,1 หรือ 0,2,2 โดยไม่มีการเพิ่มความเรียบแบบเสแสร้งเชิงเส้น โมเดลเป็นแบบจำลอง ARIMA ซึ่งใช้ความแตกต่างกันสองประการร่วมกับข้อกำหนดของ MA ความแตกต่างที่สองของชุด Y ไม่ใช่แค่ความแตกต่างระหว่าง Y กับตัวเองที่ล้าหลังโดยสองช่วง แต่เป็นความแตกต่างแรกของความแตกต่างแรก การเปลี่ยนแปลงการเปลี่ยนแปลงของ Y ที่ระยะเวลา t ดังนั้นความแตกต่างที่สองของ Y ที่ระยะเวลา t เท่ากับ Y t - Y t-1 - Y t-1 - Y t-2 Y t-2Y t-1 Y t-2 ความแตกต่างที่สองของฟังก์ชันแบบแยกเป็น analogous กับอนุพันธ์ที่สองของฟังก์ชันต่อเนื่องจะวัดการเร่งหรือความโค้งในฟังก์ชันที่จุดที่กำหนดในเวลา ARIMA รุ่น 0.22 โดยไม่มีค่าคงที่คาดการณ์ว่าวินาที ความแตกต่างของชุดเท่ากับฟังก์ชันเชิงเส้นของสองข้อผิดพลาดในการคาดการณ์ล่าสุดซึ่ง c 1 และ 2 เป็นค่าสัมประสิทธิ์ของ MA 1 และ MA 2 ซึ่งเป็นแบบจำลองการให้ความเรียบแบบเชิงเส้นแบบทั่วไปแบบเดียวกับรูปแบบของ Holt และแบบ Brown's เป็นกรณีพิเศษใช้ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักแบบยกกำลังเพื่อคำนวณทั้งสอง ระดับท้องถิ่นและแนวโน้มท้องถิ่นในชุดการคาดการณ์ในระยะยาวจากรุ่นนี้มาบรรจบกันเป็นเส้นตรงซึ่งความลาดเอียงขึ้นอยู่กับแนวโน้มโดยเฉลี่ยที่สังเกตได้จากตอนท้ายของชุดข้อมูล ARIMA 1,1,2 โดยไม่มีการหดตัวของเส้นแนวโน้ม แบบจำลองนี้แสดงให้เห็นในภาพนิ่งที่แนบมาในรูปแบบ ARIMA คาดการณ์แนวโน้มในท้องถิ่นในตอนท้ายของซีรี่ส์ แต่จะแผ่ออกไปในขอบเขตอันไกลโพ้นที่คาดการณ์ไว้เพื่อนำเสนอข้อความเรื่องอนุรักษนิยมการปฏิบัติที่ได้รับการสนับสนุนเชิงประจักษ์ ทำไม Trend Damped ทำงานโดย Gardner และ McKenzie และบทความ Golden Rule โดย Armstrong et al สำหรับรายละเอียดโดยทั่วไปขอแนะนำให้ติดกับโมเดลซึ่งอย่างน้อยหนึ่ง p และ q ไม่ใหญ่กว่า 1, คือไม่พยายามให้พอดีกับรูปแบบเช่น ARIMA 2,1,2 เนื่องจากมีแนวโน้มที่จะนำไปสู่ปัญหา overfitting และ common-factor ที่กล่าวถึงในรายละเอียดเพิ่มเติมในบันทึกย่อเกี่ยวกับโครงสร้างทางคณิตศาสตร์ของ ARIMA models การใช้ ARPI Sheet สมการทำนายเป็นเพียงสมการเชิงเส้นที่อ้างถึงค่าที่ผ่านมาของซีรีส์เวลาเดิมและค่าที่ผ่านมาของข้อผิดพลาดดังนั้นคุณสามารถตั้งค่าสเปรดชีตการพยากรณ์ ARIMA ได้โดยเก็บข้อมูลไว้ ในคอลัมน์ A สูตรพยากรณ์ในคอลัมน์ B และข้อมูลข้อผิดพลาดลบการคาดการณ์ในคอลัมน์ C สูตรการคาดการณ์ในเซลล์ทั่วไปในคอลัมน์ B จะเป็นเพียงการแสดงออกเชิงเส้นที่อ้างถึงค่าในแถวก่อนหน้าของคอลัมน์ A และ C คูณด้วย AR หรือ MA สัมประสิทธิ์ที่เหมาะสมที่เก็บไว้ในเซลล์ที่อื่นในกระดาษคำนวณ