Journal of Mathematics and Statistics Volume 7, Issue 1 Problembeschreibung: Die meisten saisonalen Autoregressive Integrated Moving Average (SARIMA) Modelle, die für die Prognose saisonale Zeitreihen verwendet werden, sind multiplikative SARIMA Modelle. Diese Modelle gehen davon aus, dass es einen signifikanten Parameter als Ergebnis der Multiplikation zwischen nicht saisonalen und saisonalen Parametern gibt, ohne durch einen bestimmten statistischen Test zu testen. Darüber hinaus ist die beliebteste statistische Software wie MINITAB und SPSS nur die Möglichkeit, ein multiplikatives Modell passen. Ziel dieser Forschung ist es, ein neues Verfahren zur Indentifizierung der geeignetsten Ordnung des SARIMA-Modells vorzuschlagen, ob es sich um subset-, multiplikative oder additive Ordnung handelt. Insbesondere untersuchte die Studie, ob ein multiplikativer Parameter im SARIMA-Modell existiert. Ansatz: Theoretische Ableitung über Autokorrelation (ACF) und partielle Autokorrelation (PACF) Funktionen aus subset, multiplikative und additive SARIMA-Modell wurde zunächst diskutiert und dann R-Programm wurde verwendet, um die Grafik dieser theoretischen ACF und PACF zu schaffen. Dann wurden zwei monatliche Datensätze als Fallstudien verwendet, d. H. Die internationalen Passagierdaten der Fluggesellschaft und Serien über die Anzahl der touristischen Ankünfte nach Bali, Indonesien. Der Modellidentifizierungsschritt, um die Reihenfolge des ARIMA-Modells zu bestimmen, wurde unter Verwendung des MINITAB-Programms und des Modellschätzschrittes mit dem SAS-Programm durchgeführt, um zu testen, ob das Modell aus einer subset-, multiplikativen oder additiven Ordnung bestand. Ergebnisse: Die theoretischen ACF und PACF zeigten, dass subset, multiplikative und additive SARIMA Modelle haben unterschiedliche Muster, vor allem bei der Verzögerung als Folge der Multiplikation zwischen nicht saisonalen und saisonalen Verzögerungen. Die Modellierung der Flugzeugdaten ergab ein SARIMA-Modell als das beste Modell, während ein additives SARIMA-Modell das beste Modell für die Vorhersage der Zahl der Touristenankünfte nach Bali ist. Fazit: Beide Fallstudien zeigten, dass ein multiplikatives SARIMA-Modell nicht das beste Modell für die Prognose dieser Daten war. Die Vergleichsuntersuchung ergab, dass subset - und additive SARIMA-Modelle genauere prognostizierte Werte in Out-Sample-Datenmengen liefern als multiplikatives SARIMA-Modell für Airline - und Touristenankunfts-Datensätze. Diese Studie ist ein wertvoller Beitrag zum Box-Jenkins-Verfahren, insbesondere bei den Modellidentifikations - und Schätzschritten im SARIMA-Modell. Weitere Arbeiten, die mehrere saisonale ARIMA-Modelle betreffen, wie kurzfristige Lastdatenvorhersagen in bestimmten Ländern, können weitere Erkenntnisse über die subset-, multiplikativen oder additiven Aufträge liefern. Kopieren Sie 2011 Suhartono. Dies ist ein Open Access Artikel, der unter den Bedingungen der Creative Commons Attribution License verteilt wird. Die uneingeschränkte Nutzung, Verteilung und Reproduktion in jedem Medium erlaubt, vorausgesetzt, der ursprüngliche Autor und die Quelle werden gutgeschrieben. Die Popup-Liste "Vertrauensintervalle" erlaubt Ihnen, das Vertrauensniveau für die Prognose-Vertrauensbänder festzulegen. Die Dialoge für saisonale Glättung Modelle enthalten eine Perioden pro Saison Feld für die Einstellung der Anzahl der Perioden in einer Saison. In der Constraints-Popup-Liste können Sie festlegen, welche Art von Constraint auf den Glättungsgewichten während des Fits erzwungen werden soll. Die Einschränkungen sind: erweitert den Dialog, um die Einschränkungen der einzelnen Glättungsgewichte einzustellen. Jedes Glättungsgewicht kann gebunden werden. Behoben. Oder Unbeschränkt, wie durch die Einstellung des Popup-Menüs neben dem Namen der Gewichte bestimmt. Bei der Eingabe von Werten für feste oder beschränkte Gewichte können die Werte positive oder negative reelle Zahlen sein. Das hier gezeigte Beispiel hat das Pegelgewicht () bei einem Wert von 0,3 und das durch 0,1 und 0,8 begrenzte Trendgewicht (). In diesem Fall kann der Wert des Trendgewichts innerhalb des Bereichs von 0,1 bis 0,8 bewegt werden, während das Niveaugewicht bei 0,3 gehalten wird. Beachten Sie, dass Sie alle Glättungsgewichte im Voraus festlegen können, indem Sie diese benutzerdefinierten Einschränkungen verwenden. In diesem Fall würde keines der Gewichte aus den Daten abgeschätzt, obwohl Prognosen und Residuen noch berechnet würden. Wenn Sie auf Abschätzen klicken. Werden die Ergebnisse der Anpassung anstelle des Dialogs angezeigt. Die Glättungsgleichung L t y t (1) L t -1. Wird in Form eines einzigen Glättungsgewichts definiert. Dieses Modell entspricht einem ARIMA-Modell (0, 1, 1)
Comments
Post a Comment