Autoregressive Integrierte Gleitende Durchschnittliche Definition

Autoregressiver integrierter gleitender Durchschnitt In Statistik und Ökonometrie. Und insbesondere in der Zeitreihenanalyse. Ein autoregressives integriertes Moving Average Modell (ARIMA) ist eine Verallgemeinerung eines autoregressiven Moving Average (ARMA) Modells. Diese Modelle sind an Zeitreihendaten angepasst, um die Daten besser zu verstehen oder zukünftige Punkte in der Serie vorherzusagen (Prognose). Sie werden in einigen Fällen angewendet, in denen Daten Beweise für Nichtstationarität zeigen, wobei ein anfänglicher Differenzierungsschritt (der dem integrierten Teil des Modells entspricht) angewandt werden kann, um die Nichtstationarität zu entfernen. Das Modell wird allgemein als ein ARIMA-Modell (p, d, q) bezeichnet, wobei p. D. Und q sind nichtnegative Ganzzahlen, die sich auf die Reihenfolge der autoregressiven, integrierten und bewegten mittleren Teile des Modells beziehen. ARIMA-Modelle bilden einen wichtigen Teil des Box-Jenkins-Ansatzes für die Zeitreihenmodellierung. Wenn einer der Terme Null ist, ist es üblich, AR zu fallen. I oder MA. Beispielsweise ist ein I (1) - Modell ARIMA (0,1,0). Und ein MA (1) - Modell ist ARIMA (0,0,1). Definition Nehmen wir nun an, daß das Polynom eine einheitliche Wurzel der Multiplizität d hat. Dann kann es folgendermaßen umgeschrieben werden: Ein ARIMA-Prozess (p, d, q) drückt diese Eigenschaft der Polynomfaktorisierung aus und ist somit gegeben durch: und kann daher als ein besonderer Fall eines ARMA - (pd, q) Regressives Polynom mit einigen Wurzeln in der Einheit. Aus diesem Grund ist jedes ARIMA-Modell mit d gt0 nicht weiten Sinne stationär. Andere spezielle Formen Die explizite Identifizierung der Faktorisierung des Autoregressionspolynoms in Faktoren wie oben kann auf andere Fälle ausgedehnt werden, erstens auf das gleitende Mittelpolynom und zweitens auf andere Sonderfaktoren. Zum Beispiel, mit einem Faktor in einem Modell ist eine Möglichkeit, eine nicht-stationäre Saisonalität der Periode s in das Modell. Ein weiteres Beispiel ist der Faktor, der eine (nicht stationäre) Saisonalität der Periode 12 einschließt. Der Effekt des ersten Faktortyps besteht darin, daß jeder Jahreszeitwert separat über die Zeit abweichen kann, während sich der zweite Typwert für benachbarte Jahreszeiten zusammen bewegt . Die Identifikation und Spezifikation von geeigneten Faktoren in einem ARIMA-Modell kann ein wichtiger Schritt in der Modellierung sein, da sie eine Verringerung der Gesamtanzahl der zu schätzenden Parameter erlauben kann, während sie die Einführung des Modells von Verhaltensweisen ermöglicht, die Logik und Erfahrung suggerieren da sein. Prognosen mit ARIMA-Modellen ARIMA-Modelle werden für beobachtbare nichtstationäre Prozesse verwendet, die eindeutig erkennbare Trends aufweisen: In diesen Fällen kann das ARIMA-Modell als Kaskade von zwei Modellen betrachtet werden. Der erste ist nicht stationär: der zweite ist weiten Sinne stationär: Nun können Standardprognosemethoden für den Prozeß formuliert werden, und dann können (mit der ausreichenden Anzahl an Anfangsbedingungen) über geeignete Integrationsschritte prognostiziert werden. Einige wohlbekannte Spezialfälle ergeben sich natürlich. Zum Beispiel wird ein ARIMA (0,1,0) - Modell gegeben durch: Eine Anzahl von Variationen des ARIMA-Modells werden üblicherweise verwendet. Wenn zum Beispiel mehrere Zeitreihen verwendet werden, können die Vektoren als Vektoren betrachtet werden, und ein VARIMA-Modell kann geeignet sein. Manchmal wird eine saisonale Wirkung im Modell vermutet. Betrachten wir zum Beispiel ein Modell des täglichen Straßenverkehrsvolumens. Wochenenden zeigen deutlich unterschiedliches Verhalten von Wochentagen. In diesem Fall wird es oft als besser betrachtet, ein SARIMA (saisonales ARIMA) - Modell zu verwenden, als die Reihenfolge der AR - oder MA-Teile des Modells zu erhöhen. Wenn die Zeitreihe vermutet wird, eine Langzeitabhängigkeit zu zeigen, dann kann der Parameter durch bestimmte nicht-ganzzahlige Werte in einem autoregressiven fraktionell integrierten gleitenden Durchschnittsmodell ersetzt werden, das auch als Fractional ARIMA (FARIMA oder ARFIMA) - Modell bezeichnet wird. Implementierungen in Statistikpaketen Für die Suche nach den richtigen Parametern für das ARIMA-Modell stehen verschiedene Methoden zur Verfügung, die Methoden wie die Box-Jenkins-Parameteroptimierung anwenden. In R. enthält das Statistikpaket eine Arima-Funktion. Die Funktion ist in der ARIMA Modellierung der Zeitreihe dokumentiert. Neben dem ARIMA (p, d, q) - Teil umfasst die Funktion auch saisonale Faktoren, einen Intercept-Term und exogene Variablen (xreg. Genannt externe Regressoren). Das Prognosepaket in R kann automatisch ein ARIMA-Modell für eine gegebene Zeitreihe mit der auto. arima () - Funktion auswählen. Das Paket kann auch saisonale und nicht saisonale ARIMA-Modelle mit seiner simulate. Arima () - Funktion simulieren. Es hat auch eine Funktion Arima (), die eine Wrapper für die Arima aus dem Statistik-Paket ist. SAS (R) von SAS Institute Inc. umfasst umfangreiche ARIMA-Prozesse in seinem Ökonometrischen und Zeitreihenanalysesystem: SASETS. Stata umfasst ARIMA Modellierung (mit seinem Befehl arima) ab Stata 9. Dieser Artikel enthält eine Liste der Referenzen. Bezogenen Lesung oder externen Links. Aber seine Quellen bleiben unklar, weil es inline Zitate fehlt. Bitte verbessern Sie diesen Artikel durch präzisere Zitate. (Mai 2011) References Mills, Terence C. (1990) Zeitreihen-Techniken für Wirtschaftswissenschaftler. Cambridge University Press Percival, Donald B. und Andrew T. Walden. (1993) Spektralanalyse für physikalische Anwendungen. Cambridge University Press. Dieser Eintrag kommt aus Wikipedia, der freien Enzyklopädie. Es kann nicht durch professionelle Redakteure überprüft worden sein (siehe vollständiger Haftungsausschluss) dictionnaire et traducteur pour sites web Une fenecirctre (pop-into) dinformation (contenu principal de Sensagent) est invoqueacutee un do clic sur nimporte quel mot de votre page web. LA fenecirctre fournit des explications et des traductions kontextuelles, cest-agrave-dire sans obliger votre visiteur agrave quitter votre Seite web Essayer ici. Teacuteleacutecharger le code Solution commerce eacutelectronique Augmenter le contenu de votre Aufstellungsort Ajouter de nouveaux contenus Fügen Sie hinzu agrave votre site depuis Sensagent par XML. Parcourir les produits et les annonces Informationen zur Datensicherheit XML-Datei Filtrer le meilleur contenu. Indexer der Bilder und deacutefinir des meacuteta-donneacutees Fixierer la signification de chaque meacuteta-donneacutee (mehrsprachig). Renseignements suite e-mail de description de votre projet. Jeux de lettres Lettris est un jeu de lettres von Gravitationnelles proche de Tetris. Chaque lettre qui apparaicirct Abstieg il faut placer les lettres de telle maniegravere que des mots se forment (gauche, droit, haut et bas) und que de la place soit libeacutereacutee. Il sagit en 3 Minuten de trouver le plus grand nombre de mots mögen de trois lettres et plus dans une grille de 16 lettres. Il est aussi mögliche de jouer avec la grille de 25 Fälle. Les lettres doivent ecirctre benachbart zu et les mots les plus longs sont les meilleurs. Teilnehmende au concours et enregistrer votre nom dans la liste de meilleurs joueurs. Jouer Dictionnaire de la langue franccedilaise Principales Reacutefeacuterences La plupart des deacutefinitions du franccedilais sont proposeacutees par SenseGates und comportent un approfondissement avec Littreacute et plusieurs auteurs Techniken speacutecialiseacutes. Lektion der Synonyme est surtout deacuteriveacute du Dictionnaire inteacutegral (TID). Lencyclopeacutedie franccedilaise beacuteneacuteficie de la Lizenz Wikipedia (GNU). Les jeux de lettres anagramme, mot-croiseacute, joker, Lettris und Boggle sont proposeacutes par Memodata. Internet-Anschluss Alexandria est motoriseacute par Memodata pour faciliter les recherches sur Ebay. Wechsler la langue cible pour obtenir des traductions. Astuce: parcourir les champs seacutemantiques du dictionnaire Weitere Übersetzungsbeispiele für. 5386 visiteurs en ligne calculeacute en 0,078sEinführung in ARIMA: Nichtseasonalmodelle ARIMA (p, d, q) Prognose von Gleichungen: ARIMA-Modelle sind in der Theorie die allgemeinste Klasse von Modellen zur Prognose einer Zeitreihe, die auf 8220 stationary8221 umgestellt werden kann (Falls erforderlich), möglicherweise in Verbindung mit nichtlinearen Transformationen, wie zum Beispiel Protokollierung oder Abscheidung (falls erforderlich). Eine Zufallsvariable, die eine Zeitreihe ist, ist stationär, wenn ihre statistischen Eigenschaften alle über die Zeit konstant sind. Eine stationäre Reihe hat keinen Trend, ihre Variationen um ihren Mittelwert haben eine konstante Amplitude, und sie wackelt in einer konsistenten Weise. D. h. seine kurzzeitigen Zufallszeitmuster sehen immer im statistischen Sinne gleich aus. Die letztgenannte Bedingung bedeutet, daß ihre Autokorrelationen (Korrelationen mit ihren eigenen vorherigen Abweichungen vom Mittelwert) über die Zeit konstant bleiben oder daß ihr Leistungsspektrum über die Zeit konstant bleibt. Eine zufällige Variable dieser Form kann (wie üblich) als eine Kombination von Signal und Rauschen betrachtet werden, und das Signal (wenn eines offensichtlich ist) könnte ein Muster einer schnellen oder langsamen mittleren Reversion oder einer sinusförmigen Oszillation oder eines schnellen Wechsels im Vorzeichen sein , Und es könnte auch eine saisonale Komponente. Ein ARIMA-Modell kann als ein 8220filter8221 betrachtet werden, der versucht, das Signal vom Rauschen zu trennen, und das Signal wird dann in die Zukunft extrapoliert, um Prognosen zu erhalten. Die ARIMA-Vorhersagegleichung für eine stationäre Zeitreihe ist eine lineare Gleichung (d. H. Regressionstyp), bei der die Prädiktoren aus Verzögerungen der abhängigen Variablen und oder Verzögerungen der Prognosefehler bestehen. Das heißt: Vorhergesagter Wert von Y eine Konstante undeine gewichtete Summe aus einem oder mehreren neuen Werten von Y und einer gewichteten Summe aus einem oder mehreren neuen Werten der Fehler. Wenn die Prädiktoren nur aus verzögerten Werten von Y bestehen, handelt es sich um ein reines autoregressives Modell (8220 selbst-regressed8221), das nur ein Spezialfall eines Regressionsmodells ist und mit einer Standard-Regressions-Software ausgestattet werden kann. Beispielsweise ist ein autoregressives Modell erster Ordnung (8220AR (1) 8221) für Y ein einfaches Regressionsmodell, bei dem die unabhängige Variable nur um eine Periode (LAG (Y, 1) in Statgraphics oder YLAG1 in RegressIt) verzögert ist. Wenn einige der Prädiktoren Verzögerungen der Fehler sind, handelt es sich bei einem ARIMA-Modell nicht um ein lineares Regressionsmodell, da es keine Möglichkeit gibt, 8220last period8217s error8221 als eine unabhängige Variable festzulegen: Die Fehler müssen auf einer Periodenperiode berechnet werden Wenn das Modell an die Daten angepasst ist. Aus technischer Sicht ist das Problem der Verwendung von verzögerten Fehlern als Prädiktoren, dass die Vorhersagen von model8217s keine linearen Funktionen der Koeffizienten sind. Obwohl es sich um lineare Funktionen der vergangenen Daten handelt. Daher müssen Koeffizienten in ARIMA-Modellen, die verzögerte Fehler enthalten, durch nichtlineare Optimierungsmethoden (8220hill-climbing8221) abgeschätzt werden, anstatt nur ein Gleichungssystem zu lösen. Das Akronym ARIMA steht für Auto-Regressive Integrated Moving Average. Verzögerungen der stationären Reihe in der Prognose-Gleichung werden als autoregressiveQuot-Terme bezeichnet, die Verzögerungen der Prognosefehler werden als mittlere mittlere quot-Terme bezeichnet, und eine Zeitreihe, die differenziert werden muß, um stationär gemacht zu werden, wird als eine integrierte quotierte Version einer stationären Reihe bezeichnet. Random-walk und random-trend Modelle, autoregressive Modelle und exponentielle Glättungsmodelle sind alle Sonderfälle von ARIMA Modellen. Ein nicht seasonales ARIMA-Modell wird als ein quotarIMA-Modell (p, d, q) klassifiziert, wobei p die Anzahl der autoregressiven Terme ist, d die Anzahl der für die Stationarität benötigten Nicht-Seasonal-Differenzen und q die Anzahl der verzögerten Prognosefehler ist Die Vorhersagegleichung. Die Vorhersagegleichung ist wie folgt aufgebaut. Zuerst bezeichne y die d - te Differenz von Y. Das bedeutet, daß die zweite Differenz von Y (der Fall d2) nicht die Differenz von 2 Perioden ist. Es ist vielmehr die erste Differenz der ersten Differenz. Was das diskrete Analogon einer zweiten Ableitung ist, d. h. die lokale Beschleunigung der Reihe anstatt ihres lokalen Takts. In Bezug auf y. Ist die allgemeine Prognose-Gleichung: Hier sind die gleitenden Durchschnittsparameter (9528217s) so definiert, daß ihre Vorzeichen in der Gleichung negativ sind, und zwar nach der Konvention von Box und Jenkins. Einige Autoren und Software (einschließlich der Programmiersprache R) definieren sie so, dass sie stattdessen Pluszeichen haben. Wenn tatsächliche Zahlen in die Gleichung gesteckt werden, gibt es keine Mehrdeutigkeit, aber es ist wichtig zu wissen, welche Konvention Ihre Software verwendet, wenn Sie die Ausgabe lesen. Oft werden dort die Parameter mit AR (1), AR (2), 8230 und MA (1), MA (2), 8230 usw. bezeichnet. Um das entsprechende ARIMA-Modell für Y zu identifizieren, beginnt man die Reihenfolge der Differenzierung zu bestimmen (D) Notwendigkeit, die Serie zu stationarisieren und die Brutto-Merkmale der Saisonalität zu entfernen, möglicherweise in Verbindung mit einer variationsstabilisierenden Transformation, wie z. B. Protokollierung oder Entleerung. Wenn Sie an diesem Punkt anhalten und voraussagen, dass die differenzierten Serien konstant sind, haben Sie lediglich ein zufälliges oder zufälliges Trendmodell angebracht. Die stationäre Reihe kann jedoch weiterhin autokorrelierte Fehler aufweisen, was nahe legt, daß in der Vorhersagegleichung auch einige Anzahl von AR-Terme (p 8805 1) und einige MA-MA-Terme (q 8805 1) benötigt werden. Der Prozess der Bestimmung der Werte von p, d und q, die für eine gegebene Zeitreihe am besten sind, werden in späteren Abschnitten der Notizen (deren Links oben auf dieser Seite sind), aber eine Vorschau von einigen der Typen erörtert Von nicht-saisonalen ARIMA-Modellen, die üblicherweise angetroffen werden, ist unten angegeben. ARIMA (1,0,0) erstes autoregressives Modell: Wenn die Serie stationär und autokorreliert ist, kann sie vielleicht als ein Vielfaches ihres eigenen vorherigen Wertes plus einer Konstante vorhergesagt werden. Die Prognose-Gleichung ist in diesem Fall 8230, die Y auf sich selbst zurückgeblieben um eine Periode zurückgeblieben ist. Dies ist ein 8220ARIMA (1,0,0) constant8221 Modell. Wenn der Mittelwert von Y Null ist, dann würde der konstante Term nicht eingeschlossen werden. Wenn der Steigungskoeffizient 981 & sub1; positiv und kleiner als 1 in der Grße ist (er muß kleiner als 1 in der Grße sein, wenn Y stationär ist), beschreibt das Modell ein Mittelrücksetzverhalten, bei dem der nächste Periodenblockwert 981 1 mal als vorhergesagt werden sollte Weit weg vom Durchschnitt, wie dieser Zeitraum8217s Wert. Wenn 981 & sub1; negativ ist, prognostiziert es ein Mittelwert-Wiederherstellungsverhalten mit einer Veränderung von Vorzeichen, d. h. es sagt auch voraus, daß Y unterhalb der mittleren nächsten Periode liegt, wenn sie über dem Mittel dieser Periode liegt. In einem autoregressiven Modell zweiter Ordnung (ARIMA (2,0,0)), würde es auch einen Yt-2-Term auf der rechten Seite geben, und so weiter. Abhängig von den Zeichen und Größen der Koeffizienten kann ein ARIMA (2,0,0) - Modell ein System beschreiben, dessen mittlere Reversion sinusförmig oszillierend erfolgt, wie die Bewegung einer Masse auf einer Feder, die zufälligen Schocks ausgesetzt ist . ARIMA (0,1,0) zufälliger Weg: Wenn die Reihe Y nicht stationär ist, ist das einfachste mögliche Modell ein zufälliges Wandermodell, das als Begrenzungsfall eines AR (1) - Modells betrachtet werden kann, in dem die autoregressive Koeffizient ist gleich 1, dh eine Reihe mit unendlich langsamer mittlerer Reversion. Die Vorhersagegleichung für dieses Modell kann folgendermaßen geschrieben werden: wobei der konstante Term die mittlere Periodenperiodenänderung (dh die Langzeitdrift) in Y ist. Dieses Modell könnte als ein No-Intercept-Regressionsmodell angepasst werden, in dem die Die erste Differenz von Y ist die abhängige Variable. Da es nur einen nicht sonderbaren Unterschied und einen konstanten Term enthält, wird er als quotarima (0,1,0) - Modell mit constant. quot klassifiziert. Das random-walk-ohne - driftmodell wäre ein ARIMA (0,1, 0) - Modell ohne konstantes ARIMA (1,1,0) differenziertes autoregressives Modell erster Ordnung: Wenn die Fehler eines Zufallswegmodells autokorreliert werden, kann das Problem möglicherweise durch Hinzufügen einer Verzögerung der abhängigen Variablen zu der Vorhersagegleichung - - ie Durch Rückgang der ersten Differenz von Y auf sich selbst verzögert um eine Periode. Dies würde die folgende Vorhersagegleichung ergeben, die umgeordnet werden kann: Dies ist ein autoregressives Modell erster Ordnung mit einer Ordnung der Nichtsaisonaldifferenzierung und einem konstanten Term - d. e. Ein ARIMA (1,1,0) - Modell. ARIMA (0,1,1) ohne konstante einfache exponentielle Glättung: Eine weitere Strategie zur Korrektur autokorrelierter Fehler in einem Random-Walk-Modell wird durch das einfache exponentielle Glättungsmodell vorgeschlagen. Es sei daran erinnert, dass für einige nichtstationäre Zeitreihen (z. B. diejenigen, die geräuschschwankungen um einen langsam variierenden Mittelwert aufweisen) das Zufallswegmodell nicht ebenso gut funktioniert wie ein gleitender Durchschnitt von vergangenen Werten. Mit anderen Worten, anstatt die letzte Beobachtung als Prognose der nächsten Beobachtung zu nehmen, ist es besser, einen Durchschnitt der letzten Beobachtungen zu verwenden, um das Rauschen herauszufiltern und das lokale Mittel genauer zu schätzen. Das einfache exponentielle Glättungsmodell verwendet einen exponentiell gewichteten gleitenden Durchschnitt vergangener Werte, um diesen Effekt zu erzielen. Die Vorhersagegleichung für das einfache exponentielle Glättungsmodell kann in einer Anzahl mathematisch äquivalenter Formen geschrieben werden. Von denen eine die sogenannte 8220-Fehlerkorrektur8221-Form ist, in der die vorhergehende Prognose in der Richtung ihres Fehlers angepasst wird: Weil e t-1 Y t-1 - 374 t-1 per Definition umgeschrieben werden kann : Es handelt sich um eine ARIMA (0,1,1) - konstante Vorhersagegleichung mit 952 1 1 - 945. Dies bedeutet, dass Sie eine einfache exponentielle Glättung durch Angabe als ARIMA (0,1,1) - Modell ohne passen Konstant und der geschätzte MA (1) - Koeffizient entspricht 1-minus-alpha in der SES-Formel. Denken Sie daran, dass im SES-Modell das Durchschnittsalter der Daten in den 1-Periodenprognosen 1 945 beträgt, was bedeutet, dass sie tendenziell hinter Trends oder Wendepunkten um etwa 1 945 Perioden zurückbleiben werden. Daraus folgt, dass das Durchschnittsalter der Daten in den 1-Periodenprognosen eines ARIMA-Modells (0,1,1) ohne Konstante 1 (1 - 952 1) ist. Wenn beispielsweise 952 1 0,8 beträgt, ist das Durchschnittsalter 5. Da sich 952 1 1 nähert, wird das ARIMA-Modell (0,1,1) ohne Konstante zu einem sehr langfristigen gleitenden Durchschnitt und als 952 1 Ansätze 0 wird es ein random-walk-ohne-Drift-Modell. What8217s der beste Weg, um für Autokorrelation zu korrigieren: Hinzufügen von AR-Begriffe oder Hinzufügen von MA-Begriffen In den vorherigen beiden Modellen, die oben diskutiert wurden, wurde das Problem der autokorrelierten Fehler in einem zufälligen Fußmodell auf zwei verschiedene Arten behoben: durch Hinzufügen eines Verzögerungswertes der differenzierten Reihe Auf die Gleichung oder das Hinzufügen eines verzögerten Wertes des Prognosefehlers. Welcher Ansatz am besten ist Eine Regel für diese Situation, die später noch ausführlicher diskutiert wird, besteht darin, dass die positive Autokorrelation normalerweise am besten durch Hinzufügen eines AR-Terms zum Modell behandelt wird und negative Autokorrelation in der Regel am besten durch Hinzufügen eines MA-Semester. In der Wirtschafts - und Wirtschaftszeitreihe entsteht häufig eine negative Autokorrelation als Artefakt der Differenzierung. (Im allgemeinen differenziert die Differenzierung die positive Autokorrelation und kann sogar einen Wechsel von positiver zu negativer Autokorrelation bewirken.) Daher wird das ARIMA (0,1,1) - Modell, in dem die Differenzierung von einem MA-Begriff begleitet wird, häufiger verwendet als ein ARIMA (1,1,0) - Modell. ARIMA (0,1,1) mit konstanter, einfacher exponentieller Glättung mit Wachstum: Durch die Implementierung des SES-Modells als ARIMA-Modell gewinnen Sie tatsächlich etwas Flexibilität. Zuerst darf der geschätzte MA (1) - Koeffizient negativ sein. Dies entspricht einem Glättungsfaktor von mehr als 1 in einem SES-Modell, das nach dem SES-Modellanpassungsverfahren meist nicht zulässig ist. Zweitens haben Sie die Möglichkeit, einen konstanten Begriff in das ARIMA-Modell aufzunehmen, wenn Sie es wünschen, um einen durchschnittlichen Trend, der nicht Null ist, abzuschätzen. Das Modell ARIMA (0,1,1) mit Konstante hat die Vorhersagegleichung: Die Ein-Perioden-Prognosen aus diesem Modell sind qualitativ denjenigen des SES-Modells ähnlich, mit der Ausnahme, dass die Trajektorie der Langzeitprognosen typischerweise a ist (Deren Neigung gleich mu ist) und nicht eine horizontale Linie. ARIMA (0,2,1) oder (0,2,2) ohne konstante lineare Exponentialglättung: Lineare exponentielle Glättungsmodelle sind ARIMA-Modelle, die zwei nicht-sauren Differenzen in Verbindung mit MA-Begriffen verwenden. Die zweite Differenz einer Folge Y ist nicht einfach die Differenz von Y und selbst von zwei Perioden verzögert, sondern sie ist die erste Differenz der ersten Differenz - i. e. Die Änderung in der Änderung von Y in der Periode t. Somit ist die zweite Differenz von Y in der Periode t gleich (Yt - Yt - 1) - (Yt - 1 - Yt - 2) Yt - 2Yt - 1Yt - 2. Eine zweite Differenz einer diskreten Funktion ist analog zu einer zweiten Ableitung einer stetigen Funktion: sie mißt zu einem gegebenen Zeitpunkt die Quota-Beschleunigung quot oder quotvequot in der Funktion. Das ARIMA (0,2,2) - Modell ohne Konstante sagt voraus, daß die zweite Differenz der Reihe eine lineare Funktion der letzten beiden Prognosefehler ist, die umgeordnet werden können: wobei 952 1 und 952 2 die MA (1) und MA (2) Koeffizienten. Dies ist ein allgemeines lineares exponentielles Glättungsmodell. Im Wesentlichen das gleiche wie Holt8217s Modell, und Brown8217s Modell ist ein spezieller Fall. Es verwendet exponentiell gewichtete gleitende Mittelwerte, um sowohl eine lokale Ebene als auch einen lokalen Trend in der Reihe abzuschätzen. Die Langzeitprognosen von diesem Modell konvergieren zu einer Geraden, deren Steigung von dem durchschnittlichen Trend abhängt, der gegen Ende der Reihe beobachtet wird. ARIMA (1,1,2) ohne konstante gedämpfte lineare Exponentialglättung. Dieses Modell ist in den begleitenden Dias auf ARIMA-Modellen dargestellt. Es extrapoliert die lokale Tendenz am Ende der Serie, sondern flacht es auf längere Prognose Horizonte, um eine Notiz von Konservatismus, eine Praxis, die empirische Unterstützung hat einzuführen. Siehe den Artikel auf quotWarum die Damped Trend Werke von Gardner und McKenzie und die quotGolden Rulequot Artikel von Armstrong et al. für Details. Es ist grundsätzlich ratsam, bei Modellen zu bleiben, bei denen mindestens einer von p und q nicht größer als 1 ist, dh nicht versuchen, ein Modell wie ARIMA (2,1,2) anzubringen, da dies zu Überbeanspruchungen führen kann Die in den Anmerkungen zur mathematischen Struktur von ARIMA-Modellen näher erläutert werden. Spreadsheet-Implementierung: ARIMA-Modelle wie die oben beschriebenen lassen sich einfach in einer Tabellenkalkulation implementieren. Die Vorhersagegleichung ist einfach eine lineare Gleichung, die sich auf vergangene Werte von ursprünglichen Zeitreihen und vergangenen Werten der Fehler bezieht. Auf diese Weise können Sie eine ARIMA-Prognosekalkulation einrichten, indem Sie die Daten in Spalte A, die Prognoseformel in Spalte B und die Fehler (Daten minus Prognosen) in Spalte C speichern. Die Prognoseformel in einer typischen Zelle in Spalte B wäre einfach Ein linearer Ausdruck, der sich auf Werte in vorhergehenden Zeilen der Spalten A und C bezieht, multipliziert mit den entsprechenden AR - oder MA-Koeffizienten, die in Zellen an anderer Stelle auf dem Spreadsheet gespeichert sind. SARIMA Analysis Notes: Die Reihenfolge der saisonalen oder nicht-saisonalen AR - (oder MA-) Komponente Wird ausschließlich durch die Reihenfolge der letzten verzögerten Variablen mit einem Koeffizienten ungleich Null bestimmt. Grundsätzlich können Sie weniger Parameter haben als die Reihenfolge der Komponente. Die Varianz der Stöße ist konstant oder zeitinvariant. Die Reihenfolge der saisonalen oder nicht saisonalen AR (oder MA) Komponente wird ausschließlich durch die Reihenfolge der letzten verzögerten Variablen mit einem Koeffizienten ungleich Null bestimmt. Grundsätzlich können Sie weniger Parameter haben als die Reihenfolge der Komponente. Beispiel: Betrachten Sie das folgende SARIMA (0,1,1) (0,1,1) 12-Verfahren: