الانحدار الحركة من المتوسط - الثعبان

تحليل سلسلة الوقت تسا. يحتوي على فئات نموذجية ووظائف مفيدة لتحليل السلاسل الزمنية ويشمل هذا حاليا نماذج الانحدار الذاتي المتحد المتغير أر ونماذج الانحدار الذاتي المتجه فار ونماذج التحرك الانحداري المتحد أحادي المتغير أرما كما يتضمن إحصائيات وصفية للسلاسل الزمنية، على سبيل المثال الارتباط الذاتي، وجزء من وظيفة الترابط الذاتي و بيريودوغرام، فضلا عن الخصائص النظرية المقابلة من أرما أو العمليات ذات الصلة ويشمل أيضا أساليب للعمل مع الانحدار الذاتي والانتقال المتوسط ​​متخلفة متعدد الحدود بالإضافة إلى ذلك، الاختبارات الإحصائية ذات الصلة وبعض وظائف المساعد مفيدة متوفرة. تم إما إما عن طريق دقيقة أو مشروطة أقصى احتمال أو المشروطة المربعات الصغرى، إما باستخدام كالمان تصفية أو مرشحات مباشرة. حاليا، وظائف والفئات يجب أن يتم استيرادها من وحدة المقابلة، ولكن سيتم توفير الطبقات الرئيسية في مساحة الاسم هيكل الوحدة هو ضمن is. stattools الخصائص التجريبية والاختبارات ، أسف، باسف، غر غب-سباسيتي، أدف أونيت روت تيست و لجونغ-بوكس تيست و others. armodel ونفرداريت أوتورجريسيف بروسيس والتقدير مع احتمالية قصوى مشروطة ودقيقة وشرط أقل المربعات. اريمامودل ونيفراريت أرما العملية، تقدير مع المشروط واحتمال أقصى الدقيق، المخرجات، متغير فار، متجه فار، متجه فار، عملية تحليل الانحدار الذاتي، تحليل استجابة النبضات، تحليل تحلل أخطاء التنبؤ، أدوات تصور البيانات. فئات تقدير كالمانف ل أرما ونماذج أخرى مع مل دقيق باستخدام خصائص كالمان Filter. armaprocess لعمليات أرما مع المعلمات المعطاة، وهذا يشمل أدوات لتحويل بين أرما، ما و أر التمثيل وكذلك أسف، باسف، الكثافة الطيفية، الدالة استجابة الدافع وما شابه ذلك. على غرار أرمابروسيس ولكن تعمل في مجال الترددات. اتسولس وظائف المساعد إضافية، لإنشاء صفائف من المتغيرات المتخلفة، بناء ريجريسورس للاتجاه، ديتريند و مشابهة. المرشح وظيفة المساعد لتصفية الوقت سلسلة. بعض الوظائف الإضافية التي هي أيضا مفيدة لتحليل سلسلة زمنية هي في أجزاء أخرى من أجهزة القياس، على سبيل المثال اختبارات إحصائية إضافية. وتتوفر بعض الوظائف ذات الصلة أيضا في ماتلوتليب، نيتيمي، وقد صممت هذه الوظائف أكثر للاستخدام في معالجة الإشارات حيث تتوفر سلاسل زمنية أطول وتعمل في كثير من الأحيان في مجال التردد. الإحصاء الوصفي والاختبارات. x، غير متحيزة، ديميان، fft. Statsmodels هي حزمة بيثون التي توفر مكمل ل سسيبي لحسابات الإحصائية بما في ذلك الإحصاءات الوصفية وتقدير النماذج الإحصائية. اسم تم تغييره إلى ستاتسموديلز الإصدار الجديد هو at. Main Features. regression المعمم المربعات الصغرى بما في ذلك المربعات الصغرى المرجحة والمربعات الصغرى مع أخطاء الانحدار الذاتي، العاديين المربعات الصغرى. النماذج الخطية المعممة مع دعم لجميع التوزيعات العائلية الأسيوية ذات المعلمة الواحدة. نماذج الاختيار الساكنة بويسون، بروبيت، لوجيت، مولتينوميال logit. rlm النماذج الخطية القوية مع دعم لعدة M - تقديرات. نماذج تحليل السلاسل الزمنية، بما في ذلك أرما، أر، VAR. nonparametric تقديرات كثافة نواة أحادية المتغير. مجموعات البيانات التي سيتم توزيعها واستخدامها للأمثلة وفي الاختبار. أدوات بيدتا لقراءة ملفات ستاتا إلى صفائف نامبي. احصائيات مجموعة واسعة من الاختبارات الإحصائية. الصندوق وهناك أيضا رمل الذي يحتوي على رمز لمعمم المضافة مو ديلس غير مختبرة، نماذج مختلطة الآثار، كوكس المخاطر النسبية نموذج على حد سواء لم تختبر ولا تزال تعتمد على إطار صيغة نيبي، توليد إحصاءات وصفية، وإخراج الجدول الطباعة إلى أسكي، اللاتكس، و هتمل وهناك أيضا شفرة تجريبية لأنظمة المعادلات الانحدار، والوقت سلسلة من النماذج، ومقدرات البيانات لوحة والمعلومات التدابير النظرية لا شيء من هذا الرمز يعتبر إنتاج جاهزة. حيث الحصول عليه. وسوف تكون فروع التنمية على جيثب هذا هو المكان للذهاب إلى الحصول على أكثر ما يصل إلى رمز التاريخ في فرع الجذع رمز تجريبي هو استضافت هنا في الفروع والشوك المطور يتم دمج هذا الرمز لإتقان في كثير من الأحيان ونحن نحاول أن نتأكد من أن الفرع الرئيسي هو دائما مستقرة. سورس تحميل العلامات مستقرة سيكون على سورسيفورج. إنترودكتيون إلى أريما نماذج نونزيسونال. أريما p، د، ف التنبؤ معادلة نماذج أريما هي، من الناحية النظرية، الفئة الأكثر عمومية من النماذج للتنبؤ السلاسل الزمنية التي يمكن جعلها لتكون ثابتة عن طريق الاختلاف إذا لزم الأمر، بي يتقاطع مع التحولات غير الخطية مثل قطع الأشجار أو التفريغ إذا لزم الأمر المتغير العشوائي الذي هو عبارة عن سلسلة زمنية ثابت إذا كانت خصائصه الإحصائية ثابتة على مر الزمن سلسلة ثابتة لا يوجد لها اتجاه، والاختلافات حول المتوسط ​​لها اتساع مستمر، و فإنه يتلائم بطريقة متسقة أي أن أنماط الوقت العشوائي على المدى القصير تبدو دائما نفسها بالمعنى الإحصائي يعني الشرط الأخير أن ارتباطات أوتوكوريلاتيونس مع انحرافاتها السابقة عن المتوسط ​​تظل ثابتة على مر الزمن أو ما يعادلها، يبقى ثابتا بمرور الوقت ويمكن النظر إلى المتغير العشوائي لهذا النموذج كالمعتاد على أنه مزيج من الإشارة والضوضاء، والإشارة إذا كان المرء ظاهرا يمكن أن يكون نمطا للانعكاس السريع أو البطيء أو التذبذب الجيبية أو التبدل السريع في الإشارة ، ويمكن أن يكون أيضا مكون موسمية ويمكن النظر إلى نموذج أريما كمرشح الذي يحاول فصل إشارة من الضوضاء، و ومن ثم يتم استخلاص إشارة e في المستقبل للحصول على التنبؤات. ومعادلة التنبؤ أريما لسلسلة زمنية ثابتة هي المعادلة الخطية أي الانحدار من نوع التي تتكون من التنبؤات المتخلفة من المتغير التابع أو التأخر في أخطاء التنبؤ وهذا هو. القيمة المتوقعة ل Y ثابتة و أو مجموع مرجح لقيمة واحدة أو أكثر من القيم الأخيرة أو Y أو مجموع مرجح لقيمة أو أكثر من القيم الأخيرة للأخطاء. إذا كانت المتنبئات تتكون فقط من قيم متخلفة من Y فهي ذاتي الانحدار الذاتي النقي ، وهو مجرد حالة خاصة من نموذج الانحدار والتي يمكن تركيبها مع برامج الانحدار القياسية على سبيل المثال، نموذج أول الانحدار الذاتي أر 1 ل Y هو نموذج الانحدار بسيط الذي المتغير المستقل هو مجرد Y المتخلفة من خلال فترة واحدة لاغ Y، 1 في ستاتغرافيكس أو YLAG1 في ريجرسيت إذا كان بعض من التنبؤات هي متخلفة من الأخطاء، وهو نموذج أريما انها ليست نموذج الانحدار الخطي، لأنه لا توجد وسيلة لتحديد الفترة الماضية خطأ s s متغير مستقل يجب حساب الأخطاء على أساس فترة إلى فترة عندما يكون النموذج مثبتا على البيانات من وجهة النظر التقنية، فإن مشكلة استخدام الأخطاء المتأخرة كمتنبئات هي أن تنبؤات النموذج ليست وظائف خطية من معاملات على الرغم من أنها وظائف خطية من البيانات الماضية لذلك، يجب أن تقدر معاملات في نماذج أريما التي تشمل أخطاء متخلفة من قبل أساليب الأمثل غير الخطية هيل تسلق بدلا من مجرد حل نظام من المعادلات. الاسم المختصر أريما لتقف على السيارات الانحدارية المتكاملة المتوسط ​​المتحرك يتطابق التأخر في السلسلة المستقرة في معادلة التنبؤ بعبارات الانحدار الذاتي، وتسمى فترات التأخير في أخطاء التنبؤ بمتوسطات المتوسط ​​المتحرك، ويقال إن السلاسل الزمنية التي يجب أن تكون مختلفة لتكون ثابتة، هي نسخة متكاملة من ثابت سلسلة عشوائية المشي ونماذج الاتجاه العشوائي، ونماذج الانحدار الذاتي، ونماذج تمهيد الأسي كلها حالات خاصة من نماذج أريما. نونز يتم تصنيف نموذج أريما أسونال على أنه نموذج أريما p، d، q، حيث هو عدد المصطلحات الانحدارية الذاتية d. هو عدد الاختلافات غير الموسمية اللازمة للمحطة، و. ق هو عدد أخطاء التنبؤات المتأخرة في معادلة التنبؤ معادلة التنبؤ مبنية على النحو التالي أولا، اسمحوا y تدل على الفرق د من Y مما يعني. لاحظ أن الفرق الثاني من Y د 2 الحالة ليست الفرق من 2 منذ فترات بدلا من ذلك، هو الفرق الأول - من الفرق الأول الذي هو التناظرية منفصلة من المشتقة الثانية، أي تسارع المحلي للسلسلة بدلا من الاتجاه المحلي. من حيث y معادلة التنبؤ العام هو. هنا يتم تعريف المعلمات المتوسط ​​المتحرك s بحيث علامات سلبية في المعادلة، بعد الاتفاقية التي قدمها بوكس ​​وجينكينز بعض المؤلفين والبرمجيات بما في ذلك لغة البرمجة R تعريفها بحيث لديهم علامات زائد بدلا من ذلك عندما يتم توصيل الأرقام الفعلية في المعادلة، وهناك لا غموض، ولكن من المهم أن تعرف أي اتفاقية يستخدم البرنامج الخاص بك عندما كنت تقرأ الإخراج غالبا ما يشار إلى المعلمات هناك من قبل أر 1، أر 2، و ما 1، ما 2، إلخ. لتحديد نموذج أريما المناسب ل Y تبدأ بتحديد ترتيب اختلاف الحاجة إلى تجميع سلسلة وإزالة الميزات الإجمالية للموسمية، وربما بالتزامن مع التحول استقرار التباين مثل قطع الأشجار أو تفريغ إذا توقفت عند هذه النقطة والتنبؤ بأن سلسلة ديفيرنتد هو ثابت، لديك مجرد تركيب المشي العشوائي أو نموذج الاتجاه العشوائي ومع ذلك، فإن سلسلة ثابتة قد لا تزال لديها أخطاء أوتوكوريلاتد، مما يشير إلى أن بعض عدد من المصطلحات أر ص 1 و أو بعض الشروط ما عدد س 1 وهناك حاجة أيضا في معادلة التنبؤ. عملية تحديد قيم p و d و q التي هي الأفضل لسلسلة زمنية معينة سوف تناقش في أقسام لاحقة من الملاحظات التي الروابط في الجزء العلوي من هذه الصفحة، ولكن معاينة لبعض س f نماذج أريما غير الموسمية التي يتم مواجهتها بشكل عام هي أدناه. أريما 1،0،0 النموذج الأول للانحدار الذاتي إذا كانت السلسلة ثابتة و أوتوكورلاتد، وربما يمكن التنبؤ بها كمضاعفة لقيمتها السابقة، بالإضافة إلى ثابت معادلة التنبؤ في هذه الحالة هي. وهذا هو Y تراجع على نفسها تخلفت بفترة واحدة هذا هو أريما 1،0،0 نموذج ثابت إذا كان متوسط ​​Y هو الصفر، ثم لن يتم تضمين المصطلح الثابت. إذا كان المنحدر يكون المعامل 1 موجبا وأقل من 1 في الحجم يجب أن يكون أقل من 1 من حيث الحجم إذا كان Y ثابتا، يصف النموذج سلوك التراجع المتوسط ​​الذي ينبغي التنبؤ فيه بقيمة الفترة التالية لتكون 1 مرة بعيدا عن المتوسط قيمة هذه الفترة إذا كان الرقم 1 سالبا، فإنه يتنبأ بسلوك معاد للعكس مع تبديل الإشارات، أي أنه يتوقع أيضا أن يكون Y أقل من متوسط ​​الفترة التالية إذا كان أعلى من متوسط ​​هذه الفترة. في نموذج طلب الانحدار الذاتي من الدرجة الثانية أريما 2،0،0، سيكون هناك Y - 2 على اليمين كذلك، وهلم جرا اعتمادا على علامات ومقدار المعاملات، يمكن أن نموذج أريما 2،0،0 وصف نظام الذي انعكس متوسط ​​يحدث في نمط يتأرجح الجيبية، مثل حركة كتلة على الربيع الذي يتعرض لصدمات عشوائية. أريما 0،1،0 المشي العشوائي إذا كانت السلسلة Y ليست ثابتة، أبسط نموذج ممكن لأنه هو نموذج المشي العشوائي، والتي يمكن اعتبارها حالة الحد من أر 1 النموذج الذي يكون فيه معامل الانحدار الذاتي مساويا ل 1، أي سلسلة مع عكس متوسط ​​بطيء بلا حدود. يمكن كتابة معادلة التنبؤ لهذا النموذج كما. حيث يكون المصطلح الثابت هو متوسط ​​التغير من فترة إلى أخرى، أي الانجراف طويل الأجل في Y ويمكن تركيب هذا النموذج كنموذج انحدار لا اعتراض يكون فيه الاختلاف الأول لل Y هو المتغير التابع لأنه لا يتضمن إلا اختلافا غير منطقي ومدة ثابتة، فإنه يصنف على أنه نموذج أريما 0،1،0 مع ثابت ذي عشوائي المشي دون - drift مو سيكون نموذج أريما 0،1،0 بدون ثابت. أريما 1،1،0 اختلافا عن نموذج الانحدار الذاتي من الدرجة الأولى إذا كانت أخطاء نموذج المشي العشوائي هي أوتوكوريلاتد، ربما المشكلة يمكن أن تكون ثابتة عن طريق إضافة تأخر واحد من الاعتماد متغير إلى معادلة التنبؤ - أي عن طريق التراجع عن الاختلاف الأول لل Y على نفسه متأخرا بفترة واحدة وهذا من شأنه أن يسفر عن المعادلة التالية للتنبؤ. التي يمكن إعادة ترتيبها. هذا نموذج أولي للانحدار الذاتي مع ترتيب واحد من اختلاف غير منطقي و مدة ثابتة - أي أريما 1،1،0 موديل. أريما 0،1،1 بدون تمهيد أسي بسيط ثابت إستراتيجية أخرى لتصحيح الأخطاء ذات الصلة في نموذج المشي العشوائي يقترحها نموذج التجانس الأسي البسيط استذكر أن لبعض غير المستقرة على سبيل المثال تلك التي تظهر تقلبات صاخبة حول متوسط ​​متغير ببطء، نموذج المشي العشوائي لا يؤدي فضلا عن المتوسط ​​المتحرك للقيم الماضية وبعبارة أخرى، بدلا من اتخاذ أحدث أوبس كما هو الحال بالنسبة للتنبؤ بالمراقبة التالية، فمن الأفضل استخدام متوسط ​​الملاحظات القليلة الأخيرة من أجل تصفية الضوضاء وتقدير المتوسط ​​المحلي بدقة أكبر يستخدم نموذج التمهيد الأسي البسيط المتوسط ​​المتحرك المرجح أضعافا للقيم السابقة إلى تحقيق هذا التأثير يمكن كتابة معادلة التنبؤ لنموذج تمهيد الأسي البسيط في عدد من الأشكال المكافئة رياضيا واحد منها هو ما يسمى شكل تصحيح الخطأ، الذي يتم تعديل التوقعات السابقة في اتجاه الخطأ الذي قدم. لأن e t-1 y t-1 - t-1 بحكم التعريف، يمكن إعادة كتابة هذا as. which هو أريما 0،1،1 - without ثابت معادلة التنبؤ مع 1 1 - وهذا يعني أنه يمكنك تناسب الأسي بسيط والتجانس من خلال تحديده كنموذج أريما 0،1،1 بدون ثابت، ويقابل معامل ما 1 المقدر 1-ناقص ألفا في صيغة سيس تذكر أنه في نموذج سيس، متوسط ​​عمر البيانات في نموذج 1- قبل الفورا (1) يعني أنها سوف تميل إلى التخلف عن الاتجاهات أو نقاط التحول بنحو 1 فترات ويترتب على ذلك أن متوسط ​​عمر البيانات في التنبؤات السابقة على الفترة الزمنية لنموذج أريما 0،1،1 بدون ثابت هو 1 1 - 1 إذا، على سبيل المثال، إذا كان 1 0 8، متوسط ​​العمر 5 كمقاربات 1، يصبح النموذج أريما 0،1،1 بدون ثابت متوسط ​​متحرك طويل الأجل جدا، 0 يصبح نموذج المشي العشوائي دون الانجراف. ما هي أفضل طريقة لتصحيح الارتباط الذاتي إضافة مصطلحات أر أو إضافة شروط ما في النموذجين السابقين نوقشت أعلاه، تم إصلاح مشكلة أخطاء أوتوكوريلاتد في نموذج المشي العشوائي في بطريقتين مختلفتين عن طريق إضافة قيمة متخلفة من سلسلة الاختلاف إلى المعادلة أو إضافة قيمة متأخرة لخطأ التنبؤ أي النهج هو الأفضل قاعدة الإبهام لهذا الوضع، والتي سيتم مناقشتها بمزيد من التفصيل في وقت لاحق، هو أن عادة ما يتم التعامل مع الارتباط الذاتي الإيجابي من خلال إضافة مصطلح أر إلى النموذج و أوتوكوريلاتي السلبي عادة ما يتم التعامل معها على النحو الأمثل من خلال إضافة مصطلح ما في سلسلة الأعمال التجارية والوقت الاقتصادي، وغالبا ما تنشأ الارتباط الذاتي السلبي باعتباره قطعة أثرية من الاختلاف بشكل عام، الاختلاف يقلل من الارتباط الذاتي الإيجابي وربما حتى يسبب التحول من الإيجابية إلى السلبية الارتباط الذاتي لذلك، أريما 0، 1،1 نموذج، حيث يرافق اختلاف من قبل مصطلح ما، وغالبا ما تستخدم من أريما 1،1،0 نموذج. أريما 0،1،1 مع التمهيد الأسي المستمر المستمر مع النمو من خلال تنفيذ نموذج سيس كما أريما نموذج، كنت في الواقع كسب بعض المرونة أولا وقبل كل شيء، يسمح معامل ما 1 المقدرة لتكون سلبية وهذا يتوافق مع عامل تمهيد أكبر من 1 في نموذج سيس، والتي عادة ما لا يسمح بها سيس نموذج تركيب الإجراء ثانيا، أنت لديها خيار إدراج مدة ثابتة في نموذج أريما إذا كنت ترغب في ذلك، من أجل تقدير متوسط ​​الاتجاه غير الصفر نموذج أريما 0،1،1 مع ثابت لديه معادلة التنبؤ. التوقعات من فترة واحدة من t فإن نموذجه مشابه نوعيا لنموذج سيس، إلا أن مسار التنبؤات الطويلة الأجل هو عادة خط منحدر يساوي ميله مو بدلا من خط أفقي. أريما 0،2،1 أو 0،2، 2 بدون تجانس أسي خطي ثابت نماذج تمهيد أسي خطي هي نماذج أريما التي تستخدم فروق نونسوناسيونال بالاقتران مع المصطلحات ما الفرق الثاني لسلسلة Y ليس مجرد الفرق بين Y وتخلف نفسها بفترتين، وإنما هو الأول الفرق بين الاختلاف الأول - أي التغير في التغير في Y في الفترة t وهكذا، فإن الفرق الثاني لل Y في الفترة t يساوي Y t - Y t-1 - Y t-1 - Y t - 2 Y t - 2Y t-1 Y t-2 الفرق الثاني لوظيفة منفصلة مشابه لمشتقة ثانية من دالة مستمرة يقيس التسارع أو الانحناء في الدالة عند نقطة معينة من الزمن. أريما 0،2 ، 2 نموذج دون توقع مستمر أن الفرق الثاني من سلسلة يساوي لين وظيفة الأذن من آخر اثنين من الأخطاء المتوقعة. وهو يمكن إعادة ترتيب as. where 1 و 2 هي ما 1 و ما 2 معاملات هذا هو خطية الأسية نموذج تمهيد أساسا نفس نموذج هولت s، ونموذج براون s هو خاص حالة يستخدم المتوسطات المتحركة المرجح أضعافا مضاعفة لتقدير كل من المستوى المحلي والاتجاه المحلي في سلسلة وتوقعات طويلة الأجل من هذا النموذج تتلاقى إلى خط مستقيم يعتمد ميله على الاتجاه المتوسط ​​لوحظ نحو نهاية السلسلة. أريما 1 ، 1،2 دون ثابت الانحناء الاتجاه الخطي الأسي تمهيد. ويوضح هذا النموذج في الشرائح المصاحبة على نماذج أريما فإنه يستقلب الاتجاه المحلي في نهاية السلسلة ولكن تسطح بها في آفاق توقعات أطول لإدخال مذكرة المحافظة، وهي ممارسة لها دعم تجريبي انظر المقال حول لماذا الاتجاه المخفف يعمل من قبل غاردنر وماكنزي ومقال القاعدة الذهبية من قبل ارمسترونج وآخرون للحصول على التفاصيل. ومن المستحسن عموما التمسك نماذج ط n الذي لا يقل عن واحد من p و q لا يزيد عن 1، أي لا تحاول أن تناسب نموذج مثل أريما 2،1،2، لأن هذا من المرجح أن يؤدي إلى الإفراط في الكتابة والقضايا عامل مشترك التي نوقشت في أكثر التفاصيل في الملاحظات على الهيكل الرياضي من نماذج أريما. تنفيذ نماذج أريما مثل تلك المذكورة أعلاه هي سهلة التنفيذ على جدول البيانات معادلة التنبؤ هي مجرد معادلة خطية تشير إلى القيم السابقة من سلسلة زمنية الأصلي والقيم الماضية من الأخطاء وهكذا، يمكنك إعداد جدول بيانات التنبؤ أريما عن طريق تخزين البيانات في العمود ألف، وصيغة التنبؤ في العمود باء، وبيانات الأخطاء مطروحا منها التنبؤات الواردة في العمود C. إن صيغة التنبؤ في خلية نموذجية في العمود B ستكون ببساطة خطية تعبير يشير إلى القيم في الصفوف السابقة من العمودين A و C مضروبا في معاملات أر أو ما المناسبة المخزنة في خلايا أخرى في جدول البيانات.