متوسط - مخلفات تتحرك ،

هذا السؤال يحتوي بالفعل على إجابة هنا: بالنسبة لنموذج أريما (0،0،1)، أفهم أن R يتبع المعادلة: ش مو e (t) ثيتاي (t-1) (يرجى تصحيح لي إذا كنت مخطئا) أنا افترض e (t-1) هو نفس بقايا الملاحظة الأخيرة. ولكن كيف يتم حساب e (t) على سبيل المثال، وهنا هي الملاحظات الأربعة الأولى في عينة البيانات: 526 658 624 611 هذه هي المعلمات أريما (0،0،1) نموذج أعطى: اعتراض 246.1848 ma1 0.9893 والقيمة الأولى التي R صالح باستخدام النموذج هو: 327.0773 كيف أحصل على القيمة الثانية التي استخدمتها: 246.1848 (0.9893 (526-327.0773)) 442.979 ولكن القيمة المجهزة 2 التي يعطىها R هي. 434.7928 أفترض أن الفرق هو بسبب مصطلح (t) e. ولكن أنا لا أعرف كيفية حساب مصطلح (ر) ه. سأل 28 يوليو 14 في 16:12 ملحوظ كنسخ من قبل جلينب 9830. نيك ستونر. ووبر 9830 جول 29 14 في 1:24 وقد طرح هذا السؤال من قبل، ولديه بالفعل إجابة. إذا كانت هذه الإجابات لا تعالج سؤالك بشكل كامل، فيرجى طرح سؤال جديد. يمكنك الحصول على القيم المجهزة كتنبؤات من خطوة واحدة باستخدام خوارزمية الابتكارات. انظر على سبيل المثال اقتراح 5.5.2 في بروكويل وديفيس دونلوابل من شبكة الإنترنت وجدت هذه الشرائح. ومن الأسهل بكثير الحصول على القيم المجهزة كالفرق بين القيم الملحوظة والمخلفات. في هذه الحالة، سؤالك يتلخص في الحصول على بقايا. يتيح أخذ هذه السلسلة ولدت كعملية ما (1): يمكن الحصول على بقايا، قبعة t، كمرشح العودية: على سبيل المثال، يمكننا الحصول على المتبقية في نقطة زمنية 140 كقيمة لوحظ في t140 ناقص المتوسط ​​المقدر ناقص قبعة مرات المتبقية السابقة، t139): مرشح وظيفة يمكن استخدامها للقيام بهذه العمليات الحسابية: يمكنك أن ترى أن النتيجة قريبة جدا من المخلفات التي عادت بقايا. الفرق في البقايا الأولى هو على الأرجح بسبب بعض التهيئة التي قد حذفت. القيم المجهزة هي مجرد القيم الملحوظة مطروحا منها البقايا: في الممارسة العملية يجب عليك استخدام بقايا الوظائف والمجهزة ولكن لأغراض تربوية يمكنك تجربة المعادلة العودية المستخدمة أعلاه. يمكنك البدء من خلال القيام ببعض الأمثلة باليد كما هو مبين أعلاه. أوصي لك أن تقرأ أيضا وثائق وظيفة مرشح ومقارنة بعض من الحسابات الخاصة بك معها. بمجرد فهم العمليات التي ينطوي عليها حساب البقايا والقيم المجهزة سوف تكون قادرة على جعل استخدام دراية من بقايا وظائف أكثر عملية ومجهزة. قد تجد بعض المعلومات الأخرى المتعلقة بسؤالك في هذا المنصب. عند حساب متوسط ​​متحرك قيد التشغيل، وضع المتوسط ​​في الفترة الزمنية الوسطى منطقي في المثال السابق قمنا بحساب متوسط ​​الفترات الزمنية الثلاث الأولى ووضعه بجانب فترة 3. كان يمكن أن يكون وضع المتوسط ​​في منتصف الفاصل الزمني من ثلاث فترات، وهذا هو، بجانب الفترة 2. هذا يعمل بشكل جيد مع فترات زمنية فردية، ولكن ليست جيدة جدا لفترات زمنية حتى. إذا أين نضع المتوسط ​​المتحرك الأول عند M4 من الناحية الفنية، فإن المتوسط ​​المتحرك سينخفض ​​عند t 2.5، 3.5. لتجنب هذه المشكلة نحن على نحو سلس على ماس باستخدام M 2. وهكذا نحن على نحو سلس القيم أملس إذا كنا متوسط ​​عدد حتى من المصطلحات، ونحن بحاجة إلى تسهيل السلس القيم ويبين الجدول التالي النتائج باستخدام M 4.Purpose: تحقق العشوائية ارتباطات الترابط الذاتي (بوكس أند جينكينز، ص 28-32) هي أداة شائعة الاستخدام لفحص العشوائية في مجموعة بيانات. ويتم التحقق من هذه العشوائية عن طريق حساب الارتباطات التلقائية لقيم البيانات في فترات زمنية متفاوتة. إذا كانت عشوائية، يجب أن تكون هذه أوتوكوريلاتيونس قريبة من الصفر لأي والفواصل الزمنية كل تأخر. إذا كان غير عشوائي، ثم واحد أو أكثر من أوتوكوريلاتيونس سيكون بشكل كبير غير الصفر. بالإضافة إلى ذلك، يتم استخدام قطع الترابط الذاتي في مرحلة تحديد النموذج لنماذج الانحدار الذاتي بوكس-جينكينز، ومتوسط ​​نماذج السلاسل الزمنية المتحركة. الترابط الذاتي هو مقياس واحد فقط من العشوائية ملاحظة أن غير مترابطة لا يعني بالضرورة عشوائية. البيانات التي لها علاقة ذاتية كبيرة ليست عشوائية. ومع ذلك، فإن البيانات التي لا تظهر الارتباط الذاتي كبيرة لا تزال تظهر غير العشوائية بطرق أخرى. الارتباط الذاتي هو مجرد مقياس واحد من العشوائية. في سياق التحقق من صحة النموذج (الذي هو النوع الأساسي من العشوائية نحن ديكوس في كتيب)، والتحقق من الارتباط الذاتي هو عادة اختبار كاف من العشوائية منذ بقايا من نماذج المناسب الفقراء تميل إلى عرض العشوائية غير خفية. ومع ذلك، تتطلب بعض التطبيقات تحديد أكثر صرامة من العشوائية. في هذه الحالات، يتم تطبيق بطارية من الاختبارات، والتي قد تشمل التحقق من الارتباط الذاتي، لأن البيانات يمكن أن تكون غير عشوائية في العديد من الطرق المختلفة ودقيقة في كثير من الأحيان. ومثال على ذلك حيث يلزم إجراء فحص أكثر صرامة للعشوائية في اختبار مولدات الأرقام العشوائية. عينة مؤامرة: أوتوكوريلاتيونس ينبغي أن تكون قريبة من الصفر لعشوائية. وهذا ليس هو الحال في هذا المثال، ومن ثم يفشل افتراض العشوائية تبين هذه العينة مؤامرة الترابط الذاتي أن السلاسل الزمنية ليست عشوائية، بل لديها درجة عالية من الترابط الذاتي بين الرصدات المجاورة وشبه المجاورة. تعريف: r (h) مقابل h تتشكل مؤامرات الارتباط الذاتي بواسطة المحور الرأسي: معامل الترابط الذاتي حيث C h هي وظيفة التباعد الذاتي و C 0 هي دالة التباين لاحظ أن R h بين -1 و 1. لاحظ أن بعض المصادر قد تستخدم بعد صيغة لوظيفة أوتوكاريفاريانس على الرغم من أن هذا التعريف له تحيز أقل، فإن الصيغة (1 N) لها بعض الخصائص الإحصائية المرغوبة، وهي الشكل الأكثر استخداما في الأدبيات الإحصائية. انظر الصفحات 20 و 49-50 في تشاتفيلد للحصول على التفاصيل. المحور الأفقي: الفارق الزمني h (h 1، 2، 3.) يحتوي السطر أعلاه أيضا على عدة خطوط مرجعية أفقية. الخط الأوسط هو في الصفر. خطوط الأربعة الأخرى هي 95 و 99 فرق الثقة. لاحظ أن هناك صيغتين متميزتين لتوليد نطاقات الثقة. إذا تم استخدام مؤامرة الارتباط الذاتي لاختبار العشوائية (أي عدم الاعتماد على الوقت في البيانات)، يوصى باستخدام الصيغة التالية: حيث N هو حجم العينة، z هي دالة التوزيع التراكمي للتوزيع العادي المعياري و (ألفا ) هو مستوى الأهمية. وفي هذه الحالة، تكون نطاقات الثقة ذات عرض ثابت يعتمد على حجم العينة. هذه هي الصيغة التي استخدمت لتوليد نطاقات الثقة في المؤامرة المذكورة أعلاه. وتستخدم أيضا قطع الترابط الذاتي في مرحلة تحديد النموذج لتركيب نماذج أريما. وفي هذه الحالة، يفترض نموذج متوسط ​​متحرك للبيانات، وينبغي توليد نطاقات الثقة التالية: حيث k هو الفارق الزمني، N هو حجم العينة، z هي دالة التوزيع التراكمي للتوزيع العادي المعياري و (ألفا) هو مستوى الأهمية. وفي هذه الحالة، تزداد نطاقات الثقة مع زيادة الفارق الزمني. ويمكن أن توفر مؤامرة الارتباط الذاتي إجابات على الأسئلة التالية: هل عشوائية البيانات هل ملاحظة تتعلق بالملاحظة المجاورة هل ملاحظة تتعلق بملاحظة مرتين إزالتها (وما إلى ذلك) هل الضجيج الأبيض لسلسلة زمنية لوحظ هو السلاسل الزمنية الملحوظة الجيبية هو الانحدار الذاتي للسلسلة الزمنية الملحوظة ما هو النموذج المناسب للسلاسل الزمنية الملحوظة هل النموذج صحيح وكاف هل الصيغة سكرت صحيحة الأهمية: التأكد من صحة الاستنتاجات الهندسية العشوائية (مع النموذج الثابت، التباين الثابت، والتوزيع الثابت) هي واحدة من الافتراضات الأربعة التي تكمن عادة في جميع عمليات القياس. إن افتراض العشوائية ذو أهمية حاسمة للأسباب الثلاثة التالية: تعتمد معظم الاختبارات الإحصائية القياسية على العشوائية. ترتبط صحة استنتاجات الاختبار مباشرة بصحة افتراض العشوائية. تعتمد العديد من الصيغ الإحصائية الشائعة الاستخدام على افتراض العشوائية، والصيغة الأكثر شيوعا هي صيغة تحديد الانحراف المعياري لمتوسط ​​العينة: حيث s هو الانحراف المعياري للبيانات. على الرغم من استخدامها بشكل كبير، والنتائج من استخدام هذه الصيغة ليست ذات قيمة ما لم يكن افتراض العشوائية يحمل. بالنسبة إلى البيانات أحادية المتغير، يكون النموذج الافتراضي هو إذا كانت البيانات غير عشوائية، وهذا النموذج غير صحيح وغير صالح، وتصبح التقديرات للمعلمات (مثل الثابت) غير منطقية وغير صالحة. وباختصار، إذا لم يتحقق المحلل من العشوائية، فإن صحة العديد من الاستنتاجات الإحصائية تصبح مشبوهة. مؤامرة الارتباط الذاتي هو وسيلة ممتازة للتحقق من مثل هذه العشوائية.