Bunu bulmak zor olabilir, ama iyi açıklanmış bir ARIMA örneği okumak istiyorum .
en az matematik kullanır
Tartışmayı, belirli vakaları tahmin etmek için bir model oluşturmanın ötesine taşıyor
Öngörülen ve gerçek değerler arasındaki uyumu karakterize etmek için sayısal sonuçların yanı sıra grafikleri de kullanır.
Yanıtlar:
ARIMA modellemesine giriş için önerdiğim okuma
1980'de R McCleary'nin Sosyal Bilimler İçin Uygulamalı Zaman Serisi Analizi ; RA Hay; EE Meidinger; D McDowall
Bu, sosyal bilimcilere yöneliktir, böylece matematiksel talepler çok katı değildir. Ayrıca kısa tedaviler için iki Sage Green Book önerebilirim (McCleary kitabı ile tamamen gereksiz olsalar da),
Ostrom metni yalnızca ARMA modellemesidir ve öngörmeyi tartışmaz. Tahmin tahmini grafiğini çizme gereksiniminizi de karşılayacaklarını sanmıyorum. Bu forumda da zaman serileri ile etiketlenmiş soruları inceleyerek daha faydalı kaynaklar bulabileceğinize eminim.
Sadece “soruyu cevaplamak” ve konuyla ilgilenmek için, whuber'in nazikçe çağrısına cevap vermeye çalışacağım. “The Airline Series” adlı serinin aylık 144 okuması verilmektedir. Box ve Jenkins, ters olarak kaydedilen bir dönüşümün “patlayıcı doğası” nedeniyle çılgınca yüksek olan bir tahmin sağlamak için eleştirildi.
Görsel olarak, orijinal serinin varyansının, bir dönüşüm için bir ihtiyaç olduğunu düşündüren serinin düzeyiyle birlikte arttığı izlenimini ediniyoruz. Bununla birlikte, faydalı bir model için gerekliliklerden birinin “model hatalarının” varyansının homojen olması gerektiğinin farkındayız. Orijinal serinin varyansı hakkında varsayım gerekmez. Eğer model sadece bir sabittirse, aynıdır, yani y (t) = u. As /stats//users/2392/probabilityislogic onun karşısında çok net ifade açıklayan heterojenliği / heteroscedasticty üzerinde Advice verileri 'Bunun olmayan normallik “Hep eğlendirirken bulmak bir şey şudur' İnsanlar endişe hakkında. Verilerin normal olarak dağıtılması gerekmez, ancak hata terimi
Zaman serisindeki erken dönemdeki çalışma çoğu zaman hatalı bir şekilde, istenmeyen dönüşümlerle ilgili sonuçlara atladı. Burada, bu verinin düzeltici dönüşümünün, üç olağandışı veri noktası için bir ayarlamayı yansıtan ARIMA modeline üç gösterge kukla serisi eklemek olduğunu keşfedeceğiz. Aşağıda, gecikme 12'de (.76) ve gecikme 1'de (.948) güçlü bir otokorelasyon düşündüren otokorelasyon fonksiyonunun grafiği verilmiştir. Otokorelasyonlar, y'nin bir y gecikmesiyle tahmin edilen bağımlı değişkenin olduğu bir modelde basitçe regresyon katsayılarıdır.
! 
Yukarıdaki analiz, bir modelin serinin ilk farklarını ortaya koyduğunu ve özelliklerinin ilk farkları ile aynı olan “artık serinin” olduğunu göstermektedir.
Bu analiz, iki farklı operatör içeren bir model tarafından düzeltilebilecek veya modellenebilecek verilerde güçlü bir mevsimsel örgütün var olduğu fikrini yeniden doğrulamaktadır.
Bu basit çifte farklılaşma artık bir dizi artık verir, düzeltilmiş bir dizi verir veya sabit olmayan bir varyansı gösteren gevşek bir şekilde konuşulan bir seriyi söyler ancak sabit olmayan varyansın nedeni artıkların sabit olmayan ortalamasıdır. iki kat farklı seriler, serinin sonunda üç anomali ortaya koyuyor. Bu serinin Otokorelasyonu yanlış bir şekilde “her şeyin yolunda” olduğunu ve herhangi bir Ma (1) ayarlaması için bir ihtiyaç olabileceğini gösterir. Verilerde bir anormallik önerisi olduğu için özen gösterilmeli, bu nedenle acf aşağı doğru eğilimlidir. Bu, “Alice Harikalar Diyarında Etkisi” olarak bilinir; yani, bu yapı varsayımlardan birinin ihlaliyle maskelenirken belirgin bir yapının sıfır hipotezini kabul etmek.
Üç olağandışı noktayı görsel olarak tespit ediyoruz (117,135,136)
Aykırı noktaları algılamanın bu adımı Müdahale Tespiti olarak adlandırılır ve Tsay'ın çalışmasının ardından kolayca veya çok kolay bir şekilde programlanabilir.
Modele üç gösterge eklersek,
Sonra tahmin edebiliriz
Ve artıklar ve acf bir arsa almak
Bu acf, modele potansiyel olarak iki hareketli ortalama katsayısı eklediğimizi gösteriyor. Dolayısıyla bir sonraki tahmin edilen model olabilir.
verimli
Biri daha sonra önemsiz sabiti silebilir ve rafine bir model elde edebilir:
Değişken değişkenlik gösteren bir artık kümesi elde etmek için hiçbir şekilde güç dönüşümüne gerek olmadığına dikkat çekiyoruz. Tahminlerin patlayıcı olmadığını unutmayın.
Basit ağırlıklı bir toplam olarak, biz var: 13 ağırlık; 3 sıfır olmayan ve eşittir (1.0.1,0., - 1.0)
Bu materyal, modelleme kararları vermek için otomatik olmayan ve sonuçta kullanıcı etkileşimi gerektiren bir şekilde sunulmuştur.
Bunu 1998 tarihli ders kitabımın 7. bölümünde Makridakis & Wheelwright ile yapmaya çalıştım. Başarılı olup olmadığımı, başkalarını yargılamaya bırakacağım. Bazı bölümleri Amazon üzerinden çevrimiçi olarak okuyabilirsiniz (p311'den). Amazon'u ilgili sayfaları göstermeye ikna etmek için kitaptaki "ARIMA" kelimesini aratın.
Güncelleme: Ücretsiz ve çevrimiçi olan yeni bir kitabım var. ARİMA bölümü burada .
Ben öneriyoruz Kavramları ve Cases: Jenkins Modelleri - Tek değişkenli Kutusu ile Öngörümlemesi Alan Pankratz tarafından. Bu klasik kitap, istediğiniz tüm özelliklere sahiptir:
Tek dezavantajı 1983 yılında basılmış ve bazı yeni gelişmeler olmayabilir. Yayıncı, Ocak 2014'te güncelleme ile birlikte 2. baskı ile geliyor.
Bir ARIMA modeli sadece ağırlıklı bir ortalamadır. Çifte soruya cevap verir;
ve
Diziyi (gerçekten belirtilmemiş nedensel değişkenlerin neden olduğu), önceki değerlere (ve YALNIZ önceki değerlere) nasıl ayarlanacağını belirlemeye yönelik olarak kızlık duasını yanıtlar.