Autoregressiv Integriert Gleitend Durchschnittlich Spss

SPSS On-Line Training Workshop Time Series Verfahren bietet die Werkzeuge für die Erstellung von Modellen, die Anwendung eines bestehenden Modells für die Zeitreihenanalyse, die saisonale Zersetzung und die Spektralanalyse von Zeitreihendaten sowie Werkzeuge für die Berechnung von Autokorrelationen und Kreuzkorrelationen. Die folgenden zwei Videoclips zeigen, wie man ein exponentielles Glättungs-Zeitreihenmodell erstellt und wie man ein bestehendes Zeitreihenmodell zur Analyse von Zeitreihendaten anwendet. FILM: Exponentielles Glättungsmodell FILM: ARIMA Modell amp Expert Modeler Tool In diesem Online-Workshop finden Sie viele Videoclips. Jeder Filmclip zeigt einige spezifische Verwendung von SPSS. TS-Modelle erstellen Es gibt verschiedene Methoden in SPSS zur Erstellung von Time Series Models. Es gibt Verfahren für exponentielle Glättung, univariate und multivariate Autoregressive Integrated Moving-Average (ARIMA) Modelle. Diese Verfahren erzeugen Prognosen. Glättungsmethoden in der Prognose - Bewegungsdurchschnitte, gewichtete Bewegungsdurchschnitte und exponentielle Glättungsmethoden werden häufig bei der Prognose verwendet. Das Hauptziel jeder dieser Methoden ist es, die zufälligen Schwankungen in der Zeitreihe zu glätten. Diese sind wirksam, wenn die Zeitreihen keine signifikanten Tendenz, zyklische oder saisonale Effekte aufweisen. Das ist, die Zeitreihe ist stabil. Glättungsmethoden sind in der Regel gut für Kurzstreckenprognosen. Moving Averages: Moving Averages verwendet den Durchschnitt der aktuellsten k Datenwerte in der Zeitreihe. Nach Definition, MA S (die letzten k-Werte) k. Die durchschnittliche MA ändert sich, wenn neue Beobachtungen verfügbar werden. Weighted Moving Average: Bei MA-Methode erhält jeder Datenpunkt das gleiche Gewicht. Im gewichteten gleitenden Durchschnitt verwenden wir für jeden Datenpunkt unterschiedliche Gewichte. Bei der Auswahl der Gewichte berechnen wir den gewichteten Durchschnitt der letzten k Datenwerte. In vielen Fällen erhält der aktuellste Datenpunkt das meiste Gewicht und das Gewicht verringert sich für ältere Datenpunkte. Die Summe der Gewichte ist gleich 1. Eine Möglichkeit, Gewichte auszuwählen, besteht darin, Gewichte zu verwenden, die das mittlere quadratische Fehler (MSE) - Kriterium minimieren. Exponentielle Glättungsmethode. Dies ist eine spezielle gewichtete Durchschnittsmethode. Diese Methode wählt das Gewicht für die aktuellste Beobachtung aus und Gewichte für ältere Beobachtungen werden automatisch berechnet. Diese anderen Gewichte sinken, wenn die Beobachtungen älter werden. Das grundlegende exponentielle Glättungsmodell ist, wo F t 1 für die Periode t 1, t Beobachtung in der Periode t prognostiziert. F t Vorhersage für Periode t. Und einen Glättungsparameter (oder konstant) (0 lt a lt1). Für eine Zeitreihe setzen wir F 1 1 für Periode 1 und nachfolgende Prognosen für die Perioden 2, 3, können nach der Formel für F t 1 berechnet werden. Mit diesem Ansatz kann man zeigen, dass die exponentielle Glättungsmethode ein gewichteter Durchschnitt aller bisherigen Datenpunkte in der Zeitreihe ist. Einmal ist bekannt, müssen wir t und F t kennen, um die Prognose für die Periode t 1 zu berechnen. Im Allgemeinen wählen wir eine a, die das MSE minimiert. Einfach: passend für Serien, in denen es keinen Trend oder Saisonalität gibt. Moving Average (q) Komponente: Verschieben von durchschnittlichen Ordnungen legen fest, wie Abweichungen von der Serie für vorherige Werte verwendet werden, um aktuelle Werte vorherzusagen. Expert Time Series Modeler bestimmt automatisch die beste Passform für die Zeitreihendaten. Standardmäßig berücksichtigt der Expert Modeler sowohl exponentielle Glättung als auch ARIMA-Modelle. Der Benutzer kann nur ARIMA - oder Glättungsmodelle auswählen und die automatische Erkennung von Ausreißern angeben. Der folgende Filmclip veranschaulicht, wie ein ARIMA-Modell mit der ARIMA-Methode und dem Expert Modeler von SPSS bereitgestellt wird. Der für diese Demonstration verwendete Datensatz ist der AirlinePassenger-Datensatz. Weitere Informationen finden Sie auf der Seite Datensatz. Die Fluggastdaten werden als Reihe G im Buch Zeitreihenanalyse: Vorhersage und Kontrolle durch Box und Jenkins (1976) gegeben. Die variable Zahl ist der monatliche Passagier in Tausend. Unter der Log-Transformation wurden die Daten in der Literatur analysiert. Anwenden von Zeitreihenmodellen. Diese Prozedur lädt ein bestehendes Zeitreihenmodell aus einer externen Datei und das Modell wird auf das aktive SPSS-Dataset angewendet. Dies kann verwendet werden, um Prognosen für Serien zu erhalten, für die neue oder überarbeitete Daten verfügbar sind, ohne ein neues Modell aufzubauen. Das Hauptdialogfeld ähnelt dem Hauptdialogfeld "Modelle erstellen". Spektralanalyse . Dieser Vorgang kann verwendet werden, um periodisches Verhalten in Zeitreihen zu zeigen. Sequenzdiagramme. Diese Vorgehensweise wird verwendet, um Fälle nacheinander zu zeichnen. Um diese Prozedur auszuführen, benötigen Sie eine Zeitreihendaten oder einen Datensatz, der in einer aussagekräftigen Reihenfolge sortiert ist. Autokorrelationen. Diese Prozedur zeichnet die Autokorrelationsfunktion und die partielle Autokorrelationsfunktion einer oder mehrerer Zeitreihen auf. Kreuz-Korrelationen. Diese Prozedur zeichnet die Kreuzkorrelationsfunktion von zwei oder mehr Zeitreihen für positive, negative und Null-Verzögerungen auf. Weitere Informationen zum Anwenden von Zeitreihenmodellen, Spektralanalyse, Sequenzdiagrammen, Autokorrelationen und Kreuzkorrelationsverfahren finden Sie im SPSS-Hilfemenü. T seine Online-SPSS Training Workshop wird von Dr. Carl Lee, Dr. Felix Famoye entwickelt. Studentenassistenten Barbara Shelden und Albert Brown. Abteilung für Mathematik, Central Michigan University. Alle Rechte vorbehalten. Die passenden ARIMA Modelle wurden mit AIC, SBC und dem Log Likelihood Ratio Test diagnostiziert. Die Parameterschätzung für die ARIMA-Modelle erfolgte nach dem Gaußschen MLE-Kriterium. Die ARIMA-Modelle waren ausreichend, da die standardisierten Residuen und quadratischen Residuen nicht signifikant korreliert waren, wie die Ljung-Box Q-Statistik zeigt. Darüber hinaus haben die J-B-Statistiken die Null-Hypothese der Normalität in den Residuen für alle Serien stark zurückgewiesen. Entsprechend den Ergebnissen und Auswertungen verschiedener ARIMA-Modelle, wie sie in den Tabellen 4 und 5 dargestellt sind, kann das beste Modell wie folgt umgeschrieben werden: Aus Gleichung (14), die auf einer 5-prozentigen Signifikanz beruht, ist klar, dass die Beobachtungen sind bei der ersten Verzögerung signifikant und auch die Wechselwirkung zwischen Beobachtungen und den Fehlern sind bei allen Verzögerungen für das passende Modell signifikant. 4.3 Out-of-Sample Prognosen Die Studie betonte auf Prognose-Performance, die darauf hindeutet, konzentrieren sich auf die Minimierung von Out-of-Probe-Prognose Fehler als auf Maximierung in-Probe Güte der Passform. Der angewandte Ansatz war daher ein Modellbau mit dem Ziel, die Prognoseleistung zu optimieren. Die Modellwirkungsgrade wurden mit den Mean Squared Errors (MSE) ausgewertet. Das Modell, das die minimale MSE hatte, wurde als das effizienteste angesehen. Allerdings wurden bei der Auswahl des effizientesten Modells auch andere statistische Eigenschaften, insbesondere die Diagnostik und die Güte der Fit-Tests, berücksichtigt. Die MSE für die verschiedenen ARMA-Modelle sind in Tabelle 4 angegeben. Tabelle 4. Die MSE von verschiedenen ARMA Modellen. 5. Zusammenfassung, Schlussfolgerung und Empfehlungen Das Ziel der Studie war es, das kenianische BIP auf der Grundlage der Box-Jenkins-Methodik zu modellieren und zu prognostizieren und fünf Jahre Inflationsprognosen von Kenia bereitzustellen. Durch die Erfassung und Prüfung der jährlichen BIP-Daten von Kenia, die Bestimmung der Reihenfolge der Integration, Modellidentifikation, Diagnoseprüfung, Modellstabilitätstests und Prognoseleistungsbewertung wurde das beste ARIMA-Modell in Gleichung (14) auf der Grundlage der am wenigsten mittleren quadratischen vorgeschlagen Fehlerkriterien Zeitplots und das Korrelogramm wurden für die Prüfung der Stationarität der Daten verwendet. Auch das Gaußsche MLE-Kriterium wurde für die Schätzung des Modells verwendet. 5.2. Hauptergebnisse Der erste wesentliche empirische Befund der Studie ist das Modell, das für die Prognose des BIP identifiziert wurde, und es wird unten dargestellt: Dies ist das Prognosemodell des BIP in Kenia, das für eine konsistente Prognose empfohlen wird. Alle Koeffizienten waren mit 5 Prozent statistisch signifikant. Andere statistische Eigenschaften, insbesondere die Diagnose und die Güte der Fit-Tests, wurden bei der Auswahl des effizientesten Modells berücksichtigt. Die Modell-Effizienz wurde unter Verwendung des Mean Squared Error, wie in Tabelle 4 gezeigt, bestimmt. Verschiedene ARIMA-Modelle mit unterschiedlicher Reihenfolge von Autoregressiven und Moving Average-Terminen wurden basierend auf ihrer Leistung verglichen, überprüft und überprüft, indem sie die Statistiken wie AIC, SBC, Log-Likelihood verwenden , Hannan Quinn Criterion und die Jarque-Bera-Statistik. Die Ergebnisse zeigen, dass das vorgeschlagene Modell sowohl in der Stichprobe als auch in der Stichprobe gut abläuft. Der zweite empirische Befund der Studie ist die 5-jährige BIP-Prognose von Kenia. Die Ergebnisse der Stichproben-Kurzzeitprognosen zeigen eine Zunahme des kenianischen BIP-Niveaus. 5.3 Fazit und Empfehlung Durch die Zeitreihenanalyse des kenianischen BIP in den Jahren 1960 bis 2007 wurde das Modell ARIMA (2, 2, 2) eingerichtet. Die Transformation der Reihe durch die Modellparameter verwandelte die Restsequenz in die weiße Rauschsequenz. Das passende Ergebnis des Modells ist überzeugend und praktisch mit Gretl. Das BIP von Kenia wird mit dem Modell prognostiziert. Das Ergebnis zeigt, dass der relative Fehler innerhalb des Bereichs von 5 liegt, was relativ ideal ist. Nach den vorhergesagten Werten zeigt das kenianische BIP einen höheren Wachstumstrend in den nächsten fünf Jahren von 2013 bis2017. Allerdings ist das Prognoseergebnis dieses Modells nur ein vorhergesagter Wert der Volkswirtschaft ein komplexes und dynamisches System. Die Anpassungen der Makropolitik und die Veränderungen der Entwicklungsumgebung führen zu einer relativen Veränderung der makroökonomischen Indikatoren. Daher sollten wir auf das Risiko einer Anpassung in den wirtschaftlichen Betrieb achten und die Stabilität und Kontinuität der mikroökonomischen Regulierung und Kontrolle beibehalten, um die Wirtschaft vor schweren Schwankungen zu verhindern und den entsprechenden Zielwert entsprechend der tatsächlichen Situation anzupassen. 5.4 Vorschläge für weitere Forschung Aus den Ergebnissen der Studie werden folgende Bereiche für weitere Untersuchungen vorgeschlagen: i. Analyse der BIP-Dynamik in Kenia mit verschiedenen Modellen. Ii. Prüfung der einzelnen Bestandteile des BIP. Standardfehler der Residuen 0.0976013 Tabelle 6. In-Sample BIP Prognosen 1960-2012.Journal der Mathematik und Statistik Band 7, Ausgabe 1 Problem Statement: Die meisten saisonalen autoregressiven integrierten Moving Average (SARIMA) Modelle, die für die Prognose saisonalen Zeitreihen verwendet werden, sind multiplikativ SARIMA Modelle. Diese Modelle gehen davon aus, dass es einen signifikanten Parameter als Ergebnis der Multiplikation zwischen Nichtsaison und saisonalen Parametern ohne Prüfung durch bestimmte statistische Test. Darüber hinaus hat die populärste statistische Software wie MINITAB und SPSS nur die Möglichkeit, ein multiplikatives Modell zu passen. Ziel dieser Forschung ist es, ein neues Verfahren zur Indentifizierung der am besten geeigneten Reihenfolge des SARIMA-Modells vorzuschlagen, ob es sich um eine Untermenge, eine multiplikative oder eine additive Ordnung handelt. Insbesondere untersuchte die Studie, ob ein multiplikativer Parameter im SARIMA-Modell existierte. Ansatz: Theoretische Ableitung über Autokorrelation (ACF) und partielle Autokorrelation (PACF) - Funktionen aus Teilmenge, multiplikativem und additivem SARIMA-Modell wurde zunächst diskutiert und dann wurde R-Programm verwendet, um die Grafiken dieser theoretischen ACF und PACF zu erstellen. Dann wurden zwei monatliche Datensätze als Fallstudien verwendet, d. h. die internationalen Fluggastdaten 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 durchgeführt, und das Modellschätzungsschritt verwendete das SAS-Programm, um zu testen, ob das Modell aus einer Untermenge, einer multiplikativen oder einer additiven Reihenfolge bestand. Ergebnisse: Die theoretische ACF und PACF zeigten, dass die subset-, multiplikativen und additiven SARIMA-Modelle unterschiedliche Muster aufweisen, vor allem bei der Verzögerung als Folge der Multiplikation zwischen nicht-saisonalen und saisonalen Verzögerungen. Die Modellierung der Airline-Daten ergab ein Subset-SARIMA-Modell als das beste Modell, während ein additives SARIMA-Modell das beste Modell für die Prognose der Anzahl der touristischen Ankünfte nach Bali ist. Schlussfolgerung: Beide Fallstudien zeigten, dass ein multiplikatives SARIMA-Modell nicht das beste Modell für die Prognose dieser Daten war. Die Vergleichsbewertung zeigte, dass Subset - und Additiv-SARIMA-Modelle genauere prognostizierte Werte bei Out-Sample-Datensätzen lieferten als das multiplikative SARIMA-Modell für Airlines und touristische Ankunftsdatensätze. Diese Studie ist ein wertvoller Beitrag zum Box-Jenkins-Verfahren, insbesondere bei den Modellidentifikations - und Schätzschritten im SARIMA-Modell. Weitere Arbeiten mit mehreren saisonalen ARIMA-Modellen, wie z. B. kurzfristige Lastdatenvorhersage in bestimmten Ländern, können weitere Erkenntnisse über die Teilmenge, multiplikative oder additive Aufträge liefern. Kopie 2011 Suhartono. Dies ist ein Open Access Artikel, der unter den Bedingungen der Creative Commons Attribution License verteilt wird. Die eine uneingeschränkte Nutzung, Verteilung und Vervielfältigung in jedem Medium zulässt, sofern der ursprüngliche Autor und die Quelle gutgeschrieben werden. Autoregressive Integrated Moving Average - ARIMA DEFINITION Autoregressive Integrated Moving Average - ARIMA Ein statistisches Analysemodell, das Zeitreihendaten verwendet, um zukünftige Trends vorherzusagen. Es ist eine Form der Regressionsanalyse, die künftige Bewegungen entlang der scheinbar zufälligen Wanderung von Aktien und dem Finanzmarkt vorhersagen will, indem sie die Unterschiede zwischen den Werten in der Reihe untersucht, anstatt die tatsächlichen Datenwerte zu verwenden. Lags der differenzierten Serien werden als autoregressiv bezeichnet und Verzögerungen innerhalb der prognostizierten Daten werden als gleitender Durchschnitt bezeichnet. BREAKING DOWN Autoregressive Integrated Moving Average - ARIMA Dieser Modelltyp wird im Allgemeinen als ARIMA (p, d, q) bezeichnet, wobei die Ganzzahlen sich auf den autoregressiven beziehen. Integrierte und gleitende Mittelteile des Datensatzes. ARIMA-Modellierung kann Trends berücksichtigen, Saisonalität. Zyklen, Fehler und nicht-stationäre Aspekte eines Datensatzes bei der Erstellung von Prognosen.