SPSS On-Line Training Workshop Time Series-proceduren tillhandahåller verktygen för att skapa modeller, tillämpa en existerande modell för tidsserieanalys, säsongssönderdelning och spektralanalys av tidsseriedata, samt verktyg för att beräkna autokorrelationer och korskorrelationer. Följande två filmklipp visar hur man skapar en exponentiell utjämningstidsseriemodell och hur man applicerar en befintlig tidsseriemodell för att analysera tidsseriedata. MOVIE: Exponentiell utjämningsmodell MOVIE: ARIMA Model amp Expert Modeler Tool I den här onlinebutiken hittar du många filmklipp. Varje filmklipp visar en viss användning av SPSS. Skapa TS-modeller. Det finns olika metoder tillgängliga i SPSS för att skapa Time Series-modeller. Det finns förfaranden för exponentiell utjämning, univariate och multivariate Autoregressive Integrated Moving-Average (ARIMA) - modeller. Dessa förfaranden ger prognoser. Utjämningsmetoder vid prognoser - Flyttande medelvärden, viktade glidmedel och exponentiella utjämningsmetoder används ofta vid prognoser. Huvudsyftet med var och en av dessa metoder är att släpa ut de slumpmässiga fluktuationerna i tidsserierna. Dessa är effektiva när tidsserierna inte uppvisar signifikanta trenden, cykliska eller säsongseffekter. Det vill säga tidsserierna är stabila. Utjämningsmetoder är generellt bra för kortdistansprognoser. Flyttande medelvärden: Flyttande medelvärden använder medelvärdet av de senaste k-datavärdena i tidsserierna. Enligt definitionen MA S (senaste k-värdena) k. Den genomsnittliga MA ändras när nya observationer blir tillgängliga. Viktat rörande medelvärde: I MA-metoden får varje datapunkt samma vikt. I viktat glidande medelvärde använder vi olika vikter för varje datapunkt. Vid val av vikter beräknar vi vägt genomsnitt av de senaste k-datavärdena. I många fall får den senaste datapunkten den största vikten och vikten minskar för äldre datapunkter. Summan av vikterna är lika med 1. Ett sätt att välja vikter är att använda vikter som minimerar medelkvadratfelet (MSE) - kriteriet. Exponentiell utjämning metod. Detta är en speciell vägd genomsnittlig metod. Denna metod väljer vikten för den senaste observationen och vikter för äldre observationer beräknas automatiskt. Dessa andra vikter minskar när observationer blir äldre. Den grundläggande exponentiella utjämningsmodellen är där F t 1 prognos för perioden t 1, t observation vid period t. F t prognos för period t. och en utjämningsparameter (eller konstant) (0 lt a lt1). För en tidsserie ställer vi in F 1 1 för period 1 och efterföljande prognoser för perioder 2, 3, kan beräknas med formeln för F t 1. Med hjälp av detta tillvägagångssätt kan man visa att exponentiell utjämningsmetod är ett viktat medelvärde av alla tidigare datapunkter i tidsserierna. En gång är känt behöver vi veta t och F t för att beräkna prognosen för period t 1. I allmänhet väljer vi ett a som minimerar MSE. Enkel: lämplig för serier där det inte finns någon trend eller säsong. Flyttande medelvärde (q) komponent: Flytta genomsnittliga order anger hur avvikelser från seriens medelvärden för tidigare värden används för att förutsäga nuvarande värden. Expert Time Series Modeler bestämmer automatiskt den bästa passformen för tidsseriedata. Som standard betraktar Expert Modeler både exponentiell utjämning och ARIMA-modeller. Användaren kan bara välja antingen ARIMA eller utjämningsmodeller och ange automatisk detektering av avvikare. Följande filmklipp visar hur man skapar en ARIMA-modell med hjälp av ARIMA-metoden och Expert Modeler som tillhandahålls av SPSS. Datasatsen som används för denna demonstration är AirlinePassenger dataset. Se sidan Dataset för detaljer. Flygpassagerens personuppgifter anges som serie G i boken Tidsserieanalys: Prognos och kontroll av Box och Jenkins (1976). Det rörliga numret är månadspassagerantalet i tusentals. Under logtransformationen har data analyserats i litteraturen. Applicera Time Series Modeller. Denna procedur laddar en befintlig tidsseriemodell från en extern fil och modellen tillämpas på den aktiva SPSS-datasatsen. Detta kan användas för att få prognoser för serier för vilka nya eller reviderade data finns tillgängliga utan att börja bygga en ny modell. Huvuddialogrutan liknar dialogrutan Skapa modeller. Spektralanalys Denna procedur kan användas för att visa periodiskt beteende i tidsserier. Sekvensdiagram. Denna procedur används för att plotta fall i följd. För att köra denna procedur behöver du en tidsseriedata eller en dataset som är sorterad i viss meningsfull ordning. Autokorrelationer. Detta förfarande visar autokorrelationsfunktionen och partiell autokorrelationsfunktion av en eller flera tidsserier. Korskorrelationer. Detta förfarande avbildar korskorrelationsfunktionen för två eller flera tidsserier för positiva, negativa och nolllags. Se SPSS Help Menu för mer information om tidsseriemodell, spektralanalys, sekvensdiagram, autokorrelationer och korskorrelationsprocedurer. T hans online SPSS Training Workshop är utvecklad av Dr Carl Lee, Dr Felix Famoye. studentassistenter Barbara Shelden och Albert Brown. Institutionen för matematik, Central Michigan University. Alla rättigheter förbehållna. De utrustade ARIMA-modellerna diagnostiserades med hjälp av AIC, SBC och log-sannolikhetskvotetestet. Parameteruppskattning för ARIMA-modellerna gjordes med Gaussian MLE-kriteriet. De monterade ARIMA-modellerna var adekvata eftersom de standardiserade resthalterna och kvadrerade rester inte var signifikant korrelerade, vilket framgår av Ljung-Box Q-statistiken. Dessutom avvisade J-B-statistiken starkt nollhypotesen om normalitet i restvärdena för hela serien. Enligt resultaten och utvärderingen av olika ARIMA-modeller, som presenteras i tabellerna 4 respektive 5, kan den bästa modellen skrivas om på följande sätt: Från ekvation (14), baserad på en 5-procentig nivå, är det tydligt att observationer är signifikanta vid första fördröjningen och även interaktionen mellan observationer och felen är signifikant vid alla lager för den monterade modellen. 4,3. Prognosprognoser Undersökningen betonade prognosprestandan, vilket föreslår mer fokus på att minimera prognosfel utanför prover än att maximera passformens godhet. Tillvägagångssättet var därför en modellmodell med målet att optimera prognosprestandan. Modellerna effektiviteter utvärderades med hjälp av Mean Squared Error (MSE). Modellen som hade minimal MSE ansågs vara den mest effektiva. Men andra statistiska egenskaper, särskilt diagnostik och godhet med passformtest, togs i beaktande vid val av den mest effektiva modellen. MSE för de olika ARMA-modellerna ges i tabell 4. Tabell 4. MSE av olika ARMA-modeller. 5. Sammanfattning, Slutsats och Rekommendationer Syftet med studien var att modellera och prognostisera Keniens BNP baserat på Box-Jenkins metodik och tillhandahålla fem års inflationsprognoser i Kenya. Genom att samla in och granska de årliga BNP-uppgifterna i Kenya, bestämma integrationens ordning, modellidentifikation, diagnostisk kontroll, modellstabilitetstestning och prognosutvärdering, föreslogs den bästa ARIMA-modellen i ekvation (14) baserat på den minsta genomsnittliga kvadraten felkriterier. Tidsintervall och korrelogram användes för att testa stationariteten hos data. Dessutom användes Gaussian MLE-kriteriet för att beräkna modellen. 5,2. Huvudbedömningar Det första huvudsakliga empiriska resultatet av studien är den modell som har identifierats för prognostisering av BNP och presenteras nedan: Detta är prognosmodellen för BNP i Kenya som rekommenderas för konsekvent prognos. Alla koefficienter var statistiskt signifikanta vid 5 procent. Andra statistiska egenskaper, speciellt diagnostik och godhet med passningstester, beaktades vid val av den mest effektiva modellen. Modellverkningsgrad bestämdes med hjälp av medelkvadratfelet som visas i tabell 4. Olika ARIMA-modeller med olika ordning med autoregressiva och rörliga genomsnittsvillkor jämfördes baserat på deras prestanda, kontrollerades och verifierades genom att använda statistiken som AIC, SBC, loggbarhet , Hannan Quinn-kriterium och Jarque-Bera-statistiken. Resultaten indikerar att den föreslagna modellen har fungerat bra både i prov och i urvalet. Det andra empiriska resultatet av studien är 5 års BNP-prognoser från Kenya. Resultatet av de kortfristiga prognoserna som erhållits tyder på en ökning av den kenyanska BNP-nivån. 5,3. Slutsats och rekommendation Genom tidsserieanalys av kenyansk BNP under åren 1960 till 2007 bildades ARIMA (2, 2, 2) modellen. Transformering av serien med modellparametrarna gjorde kvarvarande sekvensen i vit brussekvens. Det passande resultatet av modellen är övertygande och praktiskt genom att använda Gretl. BNP i Kenya beräknas genom att använda modellen. Resultatet visar att det relativa felet ligger inom intervallet 5, vilket är relativt idealiskt. Enligt de förväntade värdena visar den kenyanska BNP en högre tillväxtutveckling de närmaste fem åren från 2013 till 2020. Prognosresultatet av denna modell är emellertid bara ett förutsagt värde, den nationella ekonomin är ett komplext och dynamiskt system. Justeringen av makropolitiken och förändringarna i utvecklingsmiljön kommer att medföra en relativ förändring av makroekonomiska indikatorer. Därför bör vi vara uppmärksamma på risken för anpassning i den ekonomiska verksamheten och upprätthålla stabiliteten och kontinuiteten i den mikroekonomiska reglering och kontroll för att förhindra ekonomin från svåra fluktuationer och justera motsvarande målvärde enligt den faktiska situationen. 5,4. Förslag till vidare forskning Från studiernas undersökningar föreslås följande områden för vidare forskning: i. Analys av BNP Dynamics i Kenya med olika modeller. ii. Undersökning av enskilda delar av BNP. Standardfel av rester 0,0976013 Tabell 6. Prognos för BNP-prognoser 1960-2012.Journal of Mathematics and Statistics Volym 7, Utgåva 1 Problembeskrivning: De flesta av SARIMA-modellerna som används för prognoser för säsongsbetonade tidsserier är multiplicativa SARIMA modeller. Dessa modeller antar att det finns en signifikant parameter som ett resultat av multiplikation mellan icke-säsongs - och säsongsparametrar utan testning genom ett visst statistiskt test. Dessutom har mest populära statistiska program som MINITAB och SPSS bara möjlighet att passa en multiplikativ modell. Syftet med denna forskning är att föreslå ett nytt förfarande för att identifiera den lämpligaste ordningen av SARIMA-modellen, oavsett om det gäller delmängd, multiplikativ eller additiv ordning. I synnerhet undersökte studien om en multiplikativ parameter fanns i SARIMA-modellen. Tillvägagångssätt: Teoretisk avledning om autokorrelation (ACF) och partiell autokorrelation (PACF) - funktioner från delmängd, multiplikativ och additiv SARIMA-modell diskuterades först och sedan användes R-programmet för att skapa grafiken för dessa teoretiska ACF och PACF. Därefter användes två månatliga dataset som fallstudier, det vill säga de internationella uppgifterna om passagerarinformation och serier om antalet turistanmälningar till Bali, Indonesien. Modellidentifieringssteget för att bestämma ARIMA-modellens ordning gjordes med hjälp av MINITAB-programmet och modelluppskattningssteget användes SAS-program för att testa om modellen bestod av delmängd, multiplikativ eller additiv ordning. Resultat: Den teoretiska ACF och PACF visade att subset, multiplikativ och additiv SARIMA-modeller har olika mönster, särskilt vid lagret som ett resultat av multiplikation mellan icke-säsongsbetonade och säsongsmässiga lags. Modellering av flygdata gav en SARIMA-modell som den bästa modellen, medan en additiv SARIMA-modell är den bästa modellen för att förutse antalet turistanlända till Bali. Slutsats: Båda fallstudierna visade att en multiplikativ SARIMA-modell inte var den bästa modellen för prognoser för dessa data. Jämförelsevalueringen visade att subset - och additiv-SARIMA-modellerna gav mer exakta prognosvärden vid out-sample dataset än multiplikativ SARIMA-modell för respektive dataset för flygbolag och turister. Denna studie är värdefullt bidrag till Box-Jenkins-förfarandet, särskilt vid modellidentifiering och uppskattning i SARIMA-modellen. Ytterligare arbete som involverar flera säsongsbetonade ARIMA-modeller, såsom korttidsbelastning av data i vissa länder, kan ge ytterligare insikter angående delmängden, multiplikativ eller additiv order. kopiera 2011 Suhartono. Detta är en öppen åtkomstartikel som distribueras enligt villkoren för Creative Commons Attribution License. som tillåter obegränsad användning, distribution och reproduktion i vilket medium som helst, förutsatt att den ursprungliga författaren och källan krediteras. Utbildningsintegrerat integrerat rörligt medelvärde - ARIMA DEFINITION av autoregressivt integrerat rörligt medelvärde - ARIMA En statistisk analysmodell som använder tidsseriedata för att förutsäga framtida trender. Det är en form av regressionsanalys som syftar till att förutsäga framtida rörelser längs den till synes slumpmässiga promenad som tagits av aktier och finansmarknaden genom att undersöka skillnaderna mellan värden i serien istället för att använda de faktiska datavärdena. Lags av de olika serierna kallas autoregressiva och lags inom prognostiserad data kallas glidande medelvärde. BREAKA NED Autoregressivt integrerat rörligt medelvärde - ARIMA Denna modelltyp kallas generellt ARIMA (p, d, q), med heltal som hänvisar till den autoregressiva. integrerade och rörliga genomsnittliga delar av datasatsen. ARIMA modellering kan ta hänsyn till trender, säsongsmässighet. cykler, fel och icke-stationära aspekter av en dataset vid prognoser.
No comments:
Post a Comment