B) model rata rata

Proses error moving-average Autoregressive (kesalahan ARMA) dan model lain yang melibatkan keterlambatan istilah kesalahan dapat diperkirakan dengan menggunakan pernyataan FIT dan simulasi atau perkiraan dengan menggunakan pernyataan SOLVE. Model ARMA untuk proses kesalahan sering digunakan untuk model dengan residu autokorelasi. AR macro dapat digunakan untuk menentukan model dengan proses error autoregressive. Makro MA dapat digunakan untuk menentukan model dengan proses error rata-rata bergerak. Kesalahan Autoregressive Model dengan kesalahan autoregresif orde pertama, AR (1), memiliki bentuk sementara proses kesalahan AR (2) memiliki bentuk dan sebagainya untuk proses orde tinggi. Perhatikan bahwa s independen dan terdistribusi secara identik dan memiliki nilai yang diharapkan dari 0. Contoh model dengan komponen AR (2) dan sebagainya untuk proses orde tinggi. Sebagai contoh, Anda dapat menulis model regresi linier sederhana dengan MA (2) kesalahan rata-rata bergerak dimana MA1 dan MA2 adalah parameter rata-rata bergerak. Perhatikan bahwa RESID. Y didefinisikan secara otomatis oleh MODEL PROC karena fungsi ZLAG harus digunakan untuk model MA untuk memotong rekursi lag. Hal ini memastikan bahwa kesalahan yang tertinggal mulai dari nol pada fase lag-priming dan tidak menyebarkan nilai yang hilang saat variabel periode lag-priming hilang, dan ini memastikan bahwa kesalahan masa depan nol daripada hilang selama simulasi atau peramalan. Untuk rincian tentang fungsi lag, lihat bagian Lag Logic. Model yang ditulis menggunakan makro MA adalah sebagai berikut: Formulir Umum untuk Model ARMA Proses ARMA umum (p, q) memiliki bentuk berikut Model ARMA (p, q) dapat ditentukan sebagai berikut: di mana AR i dan MA j mewakili Parameter autoregresif dan moving-average untuk berbagai kelambatan. Anda dapat menggunakan nama yang Anda inginkan untuk variabel-variabel ini, dan ada banyak cara setara yang bisa ditulis spesifikasi. Proses ARMA vektor juga dapat diestimasi dengan MODEL PROC. Sebagai contoh, dua variabel AR (1) proses untuk kesalahan dari dua variabel endogen Y1 dan Y2 dapat ditentukan sebagai berikut: Masalah Konvergensi dengan Model ARMA Model ARMA dapat diperkirakan sulit. Jika perkiraan parameter tidak berada dalam kisaran yang sesuai, model rata-rata bergerak rata-rata tumbuh secara eksponensial. Residu yang dihitung untuk pengamatan selanjutnya bisa sangat besar atau bisa meluap. Hal ini bisa terjadi baik karena nilai awal yang salah digunakan atau karena iterasi menjauh dari nilai yang masuk akal. Perawatan harus digunakan untuk memilih nilai awal untuk parameter ARMA. Nilai awal 0,001 untuk parameter ARMA biasanya bekerja jika model sesuai dengan data dengan baik dan masalahnya ber-AC. Perhatikan bahwa model MA sering didekati dengan model AR orde tinggi, dan sebaliknya. Hal ini dapat mengakibatkan collinearity yang tinggi pada model ARMA campuran, yang pada gilirannya dapat menyebabkan gangguan serius pada perhitungan dan ketidakstabilan estimasi parameter. Jika Anda memiliki masalah konvergensi sambil memperkirakan model dengan proses kesalahan ARMA, cobalah untuk memperkirakan secara bertahap. Pertama, gunakan pernyataan FIT untuk memperkirakan hanya parameter struktural dengan parameter ARMA yang dimiliki hingga nol (atau perkiraan perkiraan sebelumnya jika tersedia). Selanjutnya, gunakan pernyataan FIT lain untuk memperkirakan parameter ARMA saja, dengan menggunakan nilai parameter struktural dari putaran pertama. Karena nilai parameter struktural cenderung mendekati perkiraan akhir, perkiraan parameter ARMA sekarang mungkin akan terpenuhi. Akhirnya, gunakan pernyataan FIT lain untuk menghasilkan perkiraan simultan semua parameter. Karena nilai awal parameter sekarang mungkin mendekati perkiraan akhir bersama mereka, taksiran harus disimpulkan dengan cepat jika modelnya sesuai untuk data. AR Kondisi Awal Kelambatan awal dari hal-hal kesalahan model AR (p) dapat dimodelkan dengan berbagai cara. Metode startup error autoregressive yang didukung oleh prosedur SASETS adalah sebagai berikut: conditional least squares (prosedur ARIMA dan MODEL) prosedur kuadrat tanpa syarat (prosedur AUTOREG, ARIMA, dan MODEL) Kemungkinan maksimum (prosedur AUTOREG, ARIMA, dan MODEL) Yule-Walker (AUTOREG Prosedur saja) Hildreth-Lu, yang menghapus pengamatan p pertama (hanya prosedur MODEL) Lihat Bab 8, Prosedur AUTOREG, untuk penjelasan dan pembahasan tentang manfaat dari berbagai metode startup AR (p). Inisialisasi CLS, ULS, ML, dan HL dapat dilakukan oleh PROC MODEL. Untuk kesalahan AR (1), inisialisasi ini dapat diproduksi seperti ditunjukkan pada Tabel 18.2. Metode ini setara dengan sampel besar. Tabel 18.2 Inisialisasi yang Dilakukan oleh MODEL PROC: AR (1) KESALAHAN Keterlambatan awal dari istilah kesalahan model MA (q) juga dapat dimodelkan dengan berbagai cara. Paradigma start-up kesalahan rata-rata bergerak berikut didukung oleh prosedur ARIMA dan MODEL: kuadrat tanpa syarat minimal bersyarat kuadrat bersyarat Metode kuadrat terkecil bersyarat untuk memperkirakan rata-rata kesalahan rata-rata bergerak tidak optimal karena mengabaikan masalah start-up. Hal ini mengurangi efisiensi perkiraan, meskipun tetap tidak bias. Residu tertinggal awal, berlanjut sebelum dimulainya data, diasumsikan 0, nilai harapan tak bersyarat. Ini memperkenalkan perbedaan antara residu ini dan residu kuadrat generalized yang umum untuk kovarian bergerak-rata-rata, yang, tidak seperti model autoregresif, bertahan melalui kumpulan data. Biasanya perbedaan ini menyatu dengan cepat ke 0, namun untuk proses moving-average yang hampir tidak dapat diputar, konvergensinya cukup lambat. Untuk meminimalkan masalah ini, Anda harus memiliki banyak data, dan estimasi parameter rata-rata bergerak harus berada dalam kisaran yang dapat dibalik. Masalah ini bisa diperbaiki dengan mengorbankan penulisan program yang lebih kompleks. Perkiraan kuadrat terkecil tanpa syarat untuk proses MA (1) dapat diproduksi dengan menentukan model sebagai berikut: Kesalahan rata-rata bergerak bisa sulit diperkirakan. Anda harus mempertimbangkan menggunakan pendekatan AR (p) pada proses rata-rata bergerak. Proses rata-rata bergerak biasanya dapat didekati dengan baik oleh proses autoregresif jika data belum diratakan atau dibedakan. AR Macro SAS macro AR menghasilkan pernyataan pemrograman untuk PROC MODEL untuk model autoregresif. AR macro adalah bagian dari perangkat lunak SASETS, dan tidak ada pilihan khusus yang perlu diatur untuk menggunakan makro. Proses autoregresif dapat diterapkan pada persamaan persamaan struktural atau rangkaian endogen sendiri. AR macro dapat digunakan untuk jenis autoregression berikut: vektor autoregression vektor yang tidak terbatas membatasi autoregresi vektor Autoregression univariat Untuk memodelkan kesalahan dari persamaan sebagai proses autoregresif, gunakan pernyataan berikut setelah persamaan: Misalnya, anggaplah Y adalah Fungsi linier X1, X2, dan kesalahan AR (2). Anda akan menulis model ini sebagai berikut: Panggilan ke AR harus mengikuti semua persamaan yang prosesnya berlaku. Permintaan makro sebelumnya, AR (y, 2), menghasilkan pernyataan yang ditunjukkan dalam output LIST pada Gambar 18.58. Gambar 18.58 DAFTAR LIST Output untuk model AR (2) Variabel prefixed PRED adalah variabel program sementara yang digunakan sehingga kelambatan residu adalah residu yang benar dan bukan yang didefinisikan ulang oleh persamaan ini. Perhatikan bahwa ini sama dengan pernyataan yang ditulis secara eksplisit dalam bagian General Form for ARMA Models. Anda juga dapat membatasi parameter autoregresif menjadi nol pada kelambatan yang dipilih. Misalnya, jika Anda menginginkan parameter autoregresif pada kelambatan 1, 12, dan 13, Anda dapat menggunakan pernyataan berikut: Pernyataan ini menghasilkan keluaran yang ditunjukkan pada Gambar 18.59. Gambar 18.59 DAFTAR LIST Output untuk Model AR dengan Lags pada 1, 12, dan 13 Daftar Prosedur MODEL Pernyataan Kode Program yang Disusun sebagai Parsed PRED. yab x1 c x2 RESID. y PRED. y - ACTUAL. y ERROR. y PRED. Y - y OLDPRED. y PRED. y yl1 ZLAG1 (y - perdy) yl12 ZLAG12 (y - perdy) yl13 ZLAG13 (y - perdy) RESID. y PRED. y - ACTUAL. y ERROR. y PRED. y - y Ada Variasi pada metode kuadrat bersyarat minimum, tergantung pada apakah pengamatan pada awal rangkaian digunakan untuk menghangatkan proses AR. Secara default, metode kuadrat terkecil AR menggunakan semua pengamatan dan mengasumsikan angka nol untuk kelambatan awal istilah autoregresif. Dengan menggunakan opsi M, Anda dapat meminta AR menggunakan metode kuadrat tanpa syarat (ULS) atau maximum-likelihood (ML). Misalnya, Diskusi tentang metode ini diberikan di bagian AR Initial Conditions. Dengan menggunakan opsi MCLS n, Anda dapat meminta agar n observasi pertama digunakan untuk menghitung perkiraan keterlambatan autoregressive awal. Dalam kasus ini, analisis dimulai dengan pengamatan n 1. Sebagai contoh: Anda dapat menggunakan makro AR untuk menerapkan model autoregresif ke variabel endogen, bukan ke istilah kesalahan, dengan menggunakan opsi TYPEV. Misalnya, jika Anda ingin menambahkan lima lintasan terakhir Y ke persamaan pada contoh sebelumnya, Anda dapat menggunakan AR untuk menghasilkan parameter dan tertinggal dengan menggunakan pernyataan berikut: Pernyataan sebelumnya menghasilkan output yang ditunjukkan pada Gambar 18.60. Gambar 18.60 DAFTAR Opsi Output untuk model AR Y Model ini memprediksi Y sebagai kombinasi linear X1, X2, intercept, dan nilai Y dalam lima periode terakhir. Vector Autoregression Tidak Terikat Untuk memodelkan istilah kesalahan dari satu himpunan persamaan sebagai proses autoregresif vektor, gunakan bentuk makro AR berikut setelah persamaan: Nilai processname adalah nama yang Anda berikan agar AR digunakan dalam membuat nama untuk autoregresif. Parameter. Anda dapat menggunakan makro AR untuk memodelkan beberapa proses AR yang berbeda untuk rangkaian persamaan yang berbeda dengan menggunakan nama proses yang berbeda untuk setiap rangkaian. Nama proses memastikan bahwa nama variabel yang digunakan adalah unik. Gunakan nilai processname singkat untuk proses jika estimasi parameter ditulis ke kumpulan data output. Makro AR mencoba untuk membangun nama parameter kurang dari atau sama dengan delapan karakter, namun ini dibatasi oleh panjang nama proses. Yang digunakan sebagai awalan untuk nama parameter AR. Nilai variablelist adalah daftar variabel endogen untuk persamaan. Sebagai contoh, anggaplah bahwa kesalahan untuk persamaan Y1, Y2, dan Y3 dihasilkan oleh proses autoregresif vektor orde kedua. Anda dapat menggunakan pernyataan berikut: yang menghasilkan berikut untuk Y1 dan kode serupa untuk Y2 dan Y3: Hanya metode kuadrat bersyarat minimum (MCLS atau MCLS n) yang dapat digunakan untuk proses vektor. Anda juga dapat menggunakan bentuk yang sama dengan batasan bahwa matriks koefisien menjadi 0 pada kelambatan yang dipilih. Sebagai contoh, pernyataan berikut menerapkan proses vektor orde ketiga ke persamaan kesalahan dengan semua koefisien pada lag 2 dibatasi sampai 0 dan dengan koefisien pada lags 1 dan 3 tidak dibatasi: Anda dapat memodelkan tiga seri Y1Y3 sebagai proses autoregresif vektor. Dalam variabel bukan pada kesalahan dengan menggunakan opsi TYPEV. Jika Anda ingin memodelkan Y1Y3 sebagai fungsi nilai-nilai masa lalu Y1Y3 dan beberapa variabel atau konstanta eksogen, Anda dapat menggunakan AR untuk menghasilkan pernyataan untuk istilah lag. Tuliskan persamaan untuk setiap variabel untuk bagian model yang tidak sesuai, dan kemudian hubungi AR dengan opsi TYPEV. Misalnya, Bagian nonautoregresif dari model dapat menjadi fungsi dari variabel eksogen, atau dapat mencegat parameter. Jika tidak ada komponen eksogen terhadap model autoregression vektor, termasuk tidak ada penyadapan, maka tetapkan nol ke masing-masing variabel. Harus ada tugas untuk masing-masing variabel sebelum AR dipanggil. Contoh ini memodelkan vektor Y (Y1 Y2 Y3) sebagai fungsi linier hanya nilainya dalam dua periode sebelumnya dan vektor error noise putih. Model memiliki 18 (3 3 3 3) parameter. Sintaks dari AR Makro Ada dua kasus sintaks dari AR macro. Ketika pembatasan pada proses AR vektor tidak diperlukan, sintaks makro AR memiliki bentuk umum yang menentukan awalan AR yang akan digunakan dalam membangun nama variabel yang diperlukan untuk menentukan proses AR. Jika endolist tidak ditentukan, daftar endogen akan diberi nama default. Yang harus menjadi nama persamaan dimana proses kesalahan AR akan diterapkan. Nilai nama tidak boleh melebihi 32 karakter. Adalah urutan proses AR. Menentukan daftar persamaan dimana proses AR diterapkan. Jika lebih dari satu nama diberikan, proses vektor yang tidak terbatas dibuat dengan residu struktural dari semua persamaan yang disertakan sebagai regresor pada masing-masing persamaan. Jika tidak ditentukan, default endolist akan diberi nama. Menentukan daftar kelambatan di mana istilah AR harus ditambahkan. Koefisien dari syarat pada lags yang tidak terdaftar ditetapkan ke 0. Semua lags yang tercantum harus kurang dari atau sama dengan nlag. Dan pasti tidak ada duplikat. Jika tidak ditentukan, laglist default untuk semua lags 1 sampai nlag. Menentukan metode estimasi untuk diimplementasikan. Nilai M yang valid adalah CLS (perkiraan kuadrat terkecil), ULS (taksiran kuadrat terkecil), dan ML (perkiraan kemungkinan maksimum). MCLS adalah default Hanya MCLS yang diperbolehkan bila lebih dari satu persamaan ditentukan. Metode ULS dan ML tidak didukung untuk model AR vektor oleh AR. Menentukan bahwa proses AR harus diterapkan pada variabel endogen sendiri dan bukan pada residu struktural dari persamaan. Autoregression Vector yang Dibatasi Anda dapat mengontrol parameter mana yang termasuk dalam proses, membatasi hingga 0 parameter yang tidak Anda sertakan. Pertama, gunakan AR dengan opsi DEFER untuk mendeklarasikan daftar variabel dan menentukan dimensi proses. Kemudian, gunakan panggilan AR tambahan untuk menghasilkan istilah untuk persamaan yang dipilih dengan variabel terpilih pada kelambatan yang dipilih. Sebagai contoh, Persamaan kesalahan yang dihasilkan adalah sebagai berikut: Model ini menyatakan bahwa kesalahan untuk Y1 bergantung pada kesalahan Y1 dan Y2 (tapi bukan Y3) pada kedua lag 1 dan 2, dan bahwa kesalahan untuk Y2 dan Y3 bergantung pada kesalahan Kesalahan sebelumnya untuk ketiga variabel, tapi hanya pada lag 1. AR Macro Syntax for Restricted Vector AR Salah satu penggunaan AR dapat digunakan untuk menerapkan pembatasan pada proses AR vektor dengan memanggil AR beberapa kali untuk menentukan persyaratan AR yang berbeda dan tertinggal untuk perbedaan. Persamaan. Panggilan pertama memiliki bentuk umum yang menentukan awalan AR yang akan digunakan dalam membangun nama variabel yang diperlukan untuk menentukan proses AR vektor. Menentukan urutan proses AR. Menentukan daftar persamaan dimana proses AR diterapkan. Menentukan bahwa AR bukan untuk menghasilkan proses AR tapi menunggu informasi lebih lanjut yang ditentukan dalam panggilan AR nanti dengan nilai nama yang sama. Panggilan berikutnya memiliki bentuk umum sama seperti pada panggilan pertama. Menentukan daftar persamaan dimana spesifikasi dalam panggilan AR ini harus diterapkan. Hanya nama yang ditentukan dalam nilai endolist dari panggilan pertama untuk nilai nama yang dapat muncul dalam daftar persamaan dalam eqlist. Menentukan daftar persamaan yang residu struktural tertinggal harus dimasukkan sebagai regresor dalam persamaan di eqlist. Hanya nama dalam endolist dari panggilan pertama untuk nilai nama yang bisa muncul di varlist. Jika tidak ditentukan, varlist default ke endolist. Menentukan daftar kelambatan di mana istilah AR harus ditambahkan. Koefisien dari syarat pada lag tidak terdaftar ditetapkan ke 0. Semua lags yang tercantum harus kurang dari atau sama dengan nilai nlag. Dan pasti tidak ada duplikat. Jika tidak ditentukan, default laglist untuk semua lags 1 sampai nlag. MA Makro MA makro SAS menghasilkan pernyataan pemrograman untuk MODEL PROC untuk model rata-rata bergerak. Makalah MA adalah bagian dari perangkat lunak SASETS, dan tidak ada opsi khusus yang diperlukan untuk menggunakan makro. Proses kesalahan rata-rata bergerak dapat diterapkan pada kesalahan persamaan struktural. Sintaks makro MA sama dengan makro AR kecuali tidak ada argumen TYPE. Bila Anda menggunakan kombinasi makro MA dan AR, makro MA harus mengikuti makro AR. Pernyataan SASIML berikut menghasilkan proses kesalahan ARMA (1, (1 3)) dan menyimpannya di kumpulan data MADAT2. Pernyataan PROC MODEL berikut digunakan untuk memperkirakan parameter model ini dengan menggunakan struktur kesalahan likelihood maksimum: Perkiraan parameter yang dihasilkan oleh langkah ini ditunjukkan pada Gambar 18.61. Gambar 18.61 Perkiraan dari Proses ARMA (1, (1 3)) Ada dua kasus sintaks untuk makro MA. Ketika pembatasan pada proses MA vektor tidak diperlukan, sintaks makro MA memiliki bentuk umum yang menentukan awalan untuk digunakan oleh MA dalam membangun nama variabel yang diperlukan untuk menentukan proses MA dan merupakan endolist default. Adalah urutan proses MA. Menentukan persamaan dimana proses MA diterapkan. Jika lebih dari satu nama diberikan, estimasi CLS digunakan untuk proses vektor. Menentukan kelambatan dimana syarat MA ditambahkan. Semua lags yang tercantum harus kurang dari atau sama dengan nlag. Dan pasti tidak ada duplikat. Jika tidak ditentukan, laglist default untuk semua lags 1 sampai nlag. Menentukan metode estimasi untuk diimplementasikan. Nilai M yang valid adalah CLS (perkiraan kuadrat terkecil), ULS (taksiran kuadrat terkecil), dan ML (perkiraan kemungkinan maksimum). MCLS adalah default Hanya MCLS yang diperbolehkan bila lebih dari satu persamaan ditentukan dalam endolist. MA Makro Sintaks untuk Vector Beralih Rata-rata Penggunaan MA alternatif diperbolehkan menerapkan pembatasan pada proses MA vektor dengan menghubungi MA beberapa kali untuk menentukan persyaratan MA dan lag yang berbeda untuk persamaan yang berbeda. Panggilan pertama memiliki bentuk umum yang menentukan awalan untuk digunakan oleh MA dalam membangun nama variabel yang diperlukan untuk menentukan proses MA vektor. Menentukan urutan proses MA. Menentukan daftar persamaan dimana proses MA akan diterapkan. Menentukan bahwa MA bukan untuk menghasilkan proses MA tapi menunggu informasi lebih lanjut yang ditentukan di MA kemudian memanggil dengan nilai nama yang sama. Panggilan berikutnya memiliki bentuk umum sama seperti pada panggilan pertama. Menentukan daftar persamaan dimana spesifikasi dalam panggilan MA ini harus diterapkan. Menentukan daftar persamaan yang residu struktural tertinggal harus dimasukkan sebagai regresor dalam persamaan di eqlist. Menentukan daftar kelambanan di mana istilah MA harus ditambahkan. Model rata-rata dan pemulusan eksponensial Sebagai langkah pertama dalam bergerak melampaui model mean, model jalan acak, dan model tren linier, pola nonseasonal dan tren dapat diekstrapolasikan dengan menggunakan gerakan - pengukuran atau model pemulusan. Asumsi dasar di balik model rata-rata dan perataan adalah bahwa deret waktu secara lokal bersifat stasioner dengan mean yang bervariasi secara perlahan. Oleh karena itu, kita mengambil rata-rata bergerak (lokal) untuk memperkirakan nilai rata-rata saat ini dan kemudian menggunakannya sebagai perkiraan untuk waktu dekat. Hal ini dapat dianggap sebagai kompromi antara model rata-rata dan model random-walk-without-drift-model. Strategi yang sama dapat digunakan untuk memperkirakan dan mengekstrapolasikan tren lokal. Rata-rata bergerak sering disebut versi quotmoothedquot dari rangkaian aslinya karena rata-rata jangka pendek memiliki efek menghaluskan benjolan pada rangkaian aslinya. Dengan menyesuaikan tingkat smoothing (lebar rata-rata bergerak), kita dapat berharap untuk mencapai keseimbangan optimal antara kinerja model jalan rata-rata dan acak. Jenis model rata - rata yang paling sederhana adalah. Simple Moving Average: Prakiraan untuk nilai Y pada waktu t1 yang dilakukan pada waktu t sama dengan rata-rata sederhana dari pengamatan m terakhir: (Disini dan di tempat lain saya akan menggunakan simbol 8220Y-hat8221 untuk berdiri Untuk ramalan dari deret waktu yang dibuat Y pada tanggal sedini mungkin dengan model yang diberikan.) Rata-rata ini dipusatkan pada periode t - (m1) 2, yang menyiratkan bahwa perkiraan mean lokal cenderung tertinggal dari yang sebenarnya. Nilai mean lokal sekitar (m1) 2 periode. Jadi, kita katakan bahwa rata-rata usia data dalam rata-rata pergerakan sederhana adalah (m1) 2 relatif terhadap periode dimana ramalan dihitung: ini adalah jumlah waktu dimana perkiraan akan cenderung tertinggal dari titik balik data. . Misalnya, jika Anda rata-rata mendapatkan 5 nilai terakhir, prakiraan akan sekitar 3 periode terlambat dalam menanggapi titik balik. Perhatikan bahwa jika m1, model simple moving average (SMA) sama dengan model random walk (tanpa pertumbuhan). Jika m sangat besar (sebanding dengan panjang periode estimasi), model SMA setara dengan model rata-rata. Seperti parameter model peramalan lainnya, biasanya menyesuaikan nilai k untuk memperoleh kuotil kuotil terbaik ke data, yaitu kesalahan perkiraan terkecil. Berikut adalah contoh rangkaian yang tampaknya menunjukkan fluktuasi acak di sekitar rata-rata yang bervariasi secara perlahan. Pertama, mari mencoba menyesuaikannya dengan model jalan acak, yang setara dengan rata-rata bergerak sederhana dari 1 istilah: Model jalan acak merespons dengan sangat cepat terhadap perubahan dalam rangkaian, namun dengan begitu, ia menggunakan banyak kuotimasi dalam Data (fluktuasi acak) serta quotsignalquot (mean lokal). Jika kita mencoba rata-rata bergerak sederhana dari 5 istilah, kita mendapatkan perkiraan perkiraan yang tampak lebih halus: Rata-rata pergerakan sederhana 5 langkah menghasilkan kesalahan yang jauh lebih kecil daripada model jalan acak dalam kasus ini. Usia rata-rata data dalam ramalan ini adalah 3 ((51) 2), sehingga cenderung tertinggal beberapa titik balik sekitar tiga periode. (Misalnya, penurunan tampaknya terjadi pada periode 21, namun prakiraan tidak berbalik sampai beberapa periode kemudian.) Perhatikan bahwa perkiraan jangka panjang dari model SMA adalah garis lurus horizontal, seperti pada pergerakan acak. model. Dengan demikian, model SMA mengasumsikan bahwa tidak ada kecenderungan dalam data. Namun, sedangkan prakiraan dari model jalan acak sama dengan nilai pengamatan terakhir, prakiraan dari model SMA sama dengan rata-rata tertimbang nilai terakhir. Batas kepercayaan yang dihitung oleh Statgraf untuk perkiraan jangka panjang rata-rata bergerak sederhana tidak semakin luas seiring dengan meningkatnya horizon peramalan. Ini jelas tidak benar Sayangnya, tidak ada teori statistik yang mendasari yang memberi tahu kita bagaimana interval kepercayaan harus melebar untuk model ini. Namun, tidak terlalu sulit untuk menghitung perkiraan empiris batas kepercayaan untuk perkiraan horizon yang lebih panjang. Misalnya, Anda bisa membuat spreadsheet di mana model SMA akan digunakan untuk meramalkan 2 langkah di depan, 3 langkah di depan, dan lain-lain dalam sampel data historis. Anda kemudian bisa menghitung penyimpangan standar sampel dari kesalahan pada setiap horison perkiraan, dan kemudian membangun interval kepercayaan untuk perkiraan jangka panjang dengan menambahkan dan mengurangi kelipatan dari deviasi standar yang sesuai. Jika kita mencoba rata-rata bergerak sederhana 9-istilah, kita mendapatkan perkiraan yang lebih halus dan lebih banyak efek lagging: Usia rata-rata sekarang adalah 5 periode ((91) 2). Jika kita mengambil moving average 19-term, rata-rata usia meningkat menjadi 10: Perhatikan bahwa, memang, ramalannya sekarang tertinggal dari titik balik sekitar 10 periode. Jumlah smoothing yang terbaik untuk seri ini Berikut adalah tabel yang membandingkan statistik kesalahan mereka, juga termasuk rata-rata 3-rata: Model C, rata-rata pergerakan 5-term, menghasilkan nilai RMSE terendah dengan margin kecil di atas 3 - term dan rata-rata 9-istilah, dan statistik lainnya hampir sama. Jadi, di antara model dengan statistik kesalahan yang sangat mirip, kita bisa memilih apakah kita lebih memilih sedikit responsif atau sedikit lebih kehalusan dalam prakiraan. (Lihat ke atas halaman.) Browns Simple Exponential Smoothing (rata-rata bergerak rata-rata tertimbang) Model rata-rata bergerak sederhana yang dijelaskan di atas memiliki properti yang tidak diinginkan sehingga memperlakukan pengamatan terakhir secara sama dan sama sekali mengabaikan semua pengamatan sebelumnya. Secara intuitif, data masa lalu harus didiskontokan secara lebih bertahap - misalnya, pengamatan terbaru harus mendapatkan bobot sedikit lebih besar dari yang terakhir, dan yang ke-2 terakhir harus mendapatkan bobot sedikit lebih banyak dari yang ke-3 terakhir, dan Begitu seterusnya Model pemulusan eksponensial sederhana (SES) menyelesaikan hal ini. Misalkan 945 menunjukkan kuototmothing constantquot (angka antara 0 dan 1). Salah satu cara untuk menulis model adalah dengan menentukan rangkaian L yang mewakili tingkat saat ini (yaitu nilai rata-rata lokal) dari seri yang diperkirakan dari data sampai saat ini. Nilai L pada waktu t dihitung secara rekursif dari nilai sebelumnya seperti ini: Dengan demikian, nilai smoothed saat ini adalah interpolasi antara nilai smoothed sebelumnya dan pengamatan saat ini, di mana 945 mengendalikan kedekatan nilai interpolasi dengan yang paling baru. pengamatan. Perkiraan untuk periode berikutnya hanyalah nilai merapikan saat ini: Secara ekivalen, kita dapat mengekspresikan ramalan berikutnya secara langsung dalam perkiraan sebelumnya dan pengamatan sebelumnya, dengan versi setara berikut. Pada versi pertama, ramalan tersebut merupakan interpolasi antara perkiraan sebelumnya dan pengamatan sebelumnya: Pada versi kedua, perkiraan berikutnya diperoleh dengan menyesuaikan perkiraan sebelumnya ke arah kesalahan sebelumnya dengan jumlah pecahan 945. adalah kesalahan yang dilakukan pada Waktu t. Pada versi ketiga, perkiraan tersebut adalah rata-rata bergerak tertimbang secara eksponensial (yaitu diskon) dengan faktor diskonto 1- 945: Versi perumusan rumus peramalan adalah yang paling mudah digunakan jika Anda menerapkan model pada spreadsheet: sesuai dengan Sel tunggal dan berisi referensi sel yang mengarah ke perkiraan sebelumnya, pengamatan sebelumnya, dan sel dimana nilai 945 disimpan. Perhatikan bahwa jika 945 1, model SES setara dengan model jalan acak (tanpa pertumbuhan). Jika 945 0, model SES setara dengan model rata-rata, dengan asumsi bahwa nilai smoothing pertama ditetapkan sama dengan mean. (Kembali ke atas halaman.) Usia rata-rata data dalam perkiraan pemulusan eksponensial sederhana adalah 1 945 relatif terhadap periode dimana ramalan dihitung. (Ini tidak seharusnya jelas, namun dengan mudah dapat ditunjukkan dengan mengevaluasi rangkaian tak terbatas.) Oleh karena itu, perkiraan rata-rata bergerak sederhana cenderung tertinggal dari titik balik sekitar 1 945 periode. Misalnya, ketika 945 0,5 lag adalah 2 periode ketika 945 0,2 lag adalah 5 periode ketika 945 0,1 lag adalah 10 periode, dan seterusnya. Untuk usia rata-rata tertentu (yaitu jumlah lag), ramalan eksponensial eksponensial sederhana (SES) agak lebih unggul daripada ramalan rata-rata bergerak sederhana karena menempatkan bobot yang relatif lebih tinggi pada pengamatan terakhir - i. Ini sedikit lebih responsif terhadap perubahan yang terjadi di masa lalu. Sebagai contoh, model SMA dengan 9 istilah dan model SES dengan 945 0,2 keduanya memiliki usia rata-rata 5 untuk data dalam perkiraan mereka, namun model SES memberi bobot lebih besar pada 3 nilai terakhir daripada model SMA dan pada Pada saat yang sama, hal itu sama sekali tidak sesuai dengan nilai lebih dari 9 periode, seperti yang ditunjukkan pada tabel ini: Keuntungan penting lain dari model SES dibandingkan model SMA adalah model SES menggunakan parameter pemulusan yang terus menerus bervariasi, sehingga mudah dioptimalkan. Dengan menggunakan algoritma quotsolverquot untuk meminimalkan kesalahan kuadrat rata-rata. Nilai optimal 945 dalam model SES untuk seri ini ternyata adalah 0,2961, seperti yang ditunjukkan di sini: Usia rata-rata data dalam ramalan ini adalah 10.2961 3,4 periode, yang serupa dengan rata-rata pergerakan sederhana 6-istilah. Perkiraan jangka panjang dari model SES adalah garis lurus horisontal. Seperti pada model SMA dan model jalan acak tanpa pertumbuhan. Namun, perhatikan bahwa interval kepercayaan yang dihitung oleh Statgraphics sekarang berbeda dengan mode yang tampak wajar, dan secara substansial lebih sempit daripada interval kepercayaan untuk model perjalanan acak. Model SES mengasumsikan bahwa seri ini agak dapat diprediksi daripada model acak berjalan. Model SES sebenarnya adalah kasus khusus model ARIMA. Sehingga teori statistik model ARIMA memberikan dasar yang kuat untuk menghitung interval kepercayaan untuk model SES. Secara khusus, model SES adalah model ARIMA dengan satu perbedaan nonseasonal, MA (1), dan tidak ada istilah konstan. Atau dikenal sebagai model quotARIMA (0,1,1) tanpa constantquot. Koefisien MA (1) pada model ARIMA sesuai dengan kuantitas 1- 945 pada model SES. Misalnya, jika Anda memasukkan model ARIMA (0,1,1) tanpa konstan pada rangkaian yang dianalisis di sini, koefisien MA (0) diperkirakan berubah menjadi 0,7029, yang hampir persis satu minus 0,2961. Hal ini dimungkinkan untuk menambahkan asumsi tren linear konstan non-nol ke model SES. Untuk melakukan ini, cukup tentukan model ARIMA dengan satu perbedaan nonseasonal dan MA (1) dengan konstan, yaitu model ARIMA (0,1,1) dengan konstan. Perkiraan jangka panjang kemudian akan memiliki tren yang sama dengan tren rata-rata yang diamati selama periode estimasi keseluruhan. Anda tidak dapat melakukan ini bersamaan dengan penyesuaian musiman, karena pilihan penyesuaian musiman dinonaktifkan saat jenis model disetel ke ARIMA. Namun, Anda dapat menambahkan tren eksponensial jangka panjang yang konstan ke model pemulusan eksponensial sederhana (dengan atau tanpa penyesuaian musiman) dengan menggunakan opsi penyesuaian inflasi dalam prosedur Peramalan. Kecepatan quotinflationquot (persentase pertumbuhan) yang sesuai per periode dapat diperkirakan sebagai koefisien kemiringan dalam model tren linier yang sesuai dengan data yang terkait dengan transformasi logaritma alami, atau dapat didasarkan pada informasi independen lain mengenai prospek pertumbuhan jangka panjang. . (Kembali ke atas halaman.) Browns Linear (yaitu ganda) Exponential Smoothing Model SMA dan model SES mengasumsikan bahwa tidak ada kecenderungan jenis apapun dalam data (yang biasanya OK atau setidaknya tidak terlalu buruk selama 1- Prakiraan ke depan saat data relatif bising), dan mereka dapat dimodifikasi untuk menggabungkan tren linier konstan seperti yang ditunjukkan di atas. Bagaimana dengan tren jangka pendek Jika suatu seri menampilkan tingkat pertumbuhan atau pola siklus yang berbeda yang menonjol dengan jelas terhadap kebisingan, dan jika ada kebutuhan untuk meramalkan lebih dari 1 periode di depan, maka perkiraan tren lokal mungkin juga terjadi. sebuah isu. Model pemulusan eksponensial sederhana dapat digeneralisasi untuk mendapatkan model pemulusan eksponensial linear (LES) yang menghitung perkiraan lokal tingkat dan kecenderungan. Model tren waktu yang paling sederhana adalah model pemulusan eksponensial Browns linier, yang menggunakan dua seri penghalusan berbeda yang berpusat pada berbagai titik waktu. Rumus peramalan didasarkan pada ekstrapolasi garis melalui dua pusat. (Versi yang lebih canggih dari model ini, Holt8217s, dibahas di bawah ini.) Bentuk aljabar model pemulusan eksponensial linier Brown8217s, seperti model pemulusan eksponensial sederhana, dapat dinyatakan dalam sejumlah bentuk yang berbeda namun setara. Bentuk quotstandardquot model ini biasanya dinyatakan sebagai berikut: Misalkan S menunjukkan deretan sumbu tunggal yang diperoleh dengan menerapkan smoothing eksponensial sederhana ke seri Y. Artinya, nilai S pada periode t diberikan oleh: (Ingat, bahwa dengan sederhana Eksponensial smoothing, ini akan menjadi perkiraan untuk Y pada periode t1.) Kemudian, biarkan Squot menunjukkan seri merapikan ganda yang diperoleh dengan menerapkan perataan eksponensial sederhana (menggunakan yang sama 945) ke seri S: Akhirnya, perkiraan untuk Y tk. Untuk setiap kgt1, diberikan oleh: Ini menghasilkan e 1 0 (yaitu menipu sedikit, dan membiarkan perkiraan pertama sama dengan pengamatan pertama yang sebenarnya), dan e 2 Y 2 8211 Y 1. Setelah itu prakiraan dihasilkan dengan menggunakan persamaan di atas. Ini menghasilkan nilai pas yang sama seperti rumus berdasarkan S dan S jika yang terakhir dimulai dengan menggunakan S 1 S 1 Y 1. Versi model ini digunakan pada halaman berikutnya yang menggambarkan kombinasi smoothing eksponensial dengan penyesuaian musiman. Model LES Linear Exponential Smoothing Brown8217s Ls menghitung perkiraan lokal tingkat dan tren dengan menghaluskan data baru-baru ini, namun kenyataan bahwa ia melakukannya dengan parameter pemulusan tunggal menempatkan batasan pada pola data yang dapat disesuaikan: tingkat dan tren Tidak diizinkan untuk bervariasi pada tingkat independen. Model LES Holt8217s membahas masalah ini dengan memasukkan dua konstanta pemulusan, satu untuk level dan satu untuk tren. Setiap saat, seperti pada model Brown8217s, ada perkiraan L t tingkat lokal dan perkiraan T t dari tren lokal. Di sini mereka dihitung secara rekursif dari nilai Y yang diamati pada waktu t dan perkiraan tingkat dan kecenderungan sebelumnya oleh dua persamaan yang menerapkan pemulusan eksponensial kepada mereka secara terpisah. Jika perkiraan tingkat dan tren pada waktu t-1 adalah L t82091 dan T t-1. Masing, maka perkiraan untuk Y tshy yang akan dilakukan pada waktu t-1 sama dengan L t-1 T t-1. Bila nilai aktual diamati, perkiraan tingkat yang diperbarui dihitung secara rekursif dengan menginterpolasi antara Y tshy dan ramalannya, L t-1 T t-1, dengan menggunakan bobot 945 dan 1- 945. Perubahan pada tingkat perkiraan, Yaitu L t 8209 L t82091. Bisa diartikan sebagai pengukuran yang bising pada tren pada waktu t. Perkiraan tren yang diperbarui kemudian dihitung secara rekursif dengan menginterpolasi antara L t 8209 L t82091 dan perkiraan sebelumnya dari tren, T t-1. Menggunakan bobot 946 dan 1-946: Interpretasi konstanta perataan tren 946 sama dengan konstanta pemulusan tingkat 945. Model dengan nilai kecil 946 beranggapan bahwa tren hanya berubah sangat lambat seiring berjalannya waktu, sementara model dengan Lebih besar 946 berasumsi bahwa itu berubah lebih cepat. Sebuah model dengan besar 946 percaya bahwa masa depan yang jauh sangat tidak pasti, karena kesalahan dalam estimasi tren menjadi sangat penting saat meramalkan lebih dari satu periode di masa depan. (Kembali ke atas halaman.) Konstanta pemulusan 945 dan 946 dapat diperkirakan dengan cara biasa dengan meminimalkan kesalahan kuadrat rata-rata dari perkiraan satu langkah ke depan. Bila ini dilakukan di Stategaf, perkiraannya adalah 945 0,3048 dan 946 0,008. Nilai yang sangat kecil dari 946 berarti bahwa model tersebut mengasumsikan perubahan sangat sedikit dalam tren dari satu periode ke periode berikutnya, jadi pada dasarnya model ini mencoba memperkirakan tren jangka panjang. Dengan analogi dengan pengertian umur rata-rata data yang digunakan dalam memperkirakan tingkat lokal seri, rata-rata usia data yang digunakan dalam memperkirakan tren lokal sebanding dengan 1 946, meskipun tidak sama persis dengan itu. . Dalam hal ini ternyata 10.006 125. Ini adalah jumlah yang sangat tepat karena keakuratan estimasi 946 tidak benar-benar ada 3 tempat desimal, namun urutannya sama besarnya dengan ukuran sampel 100, jadi Model ini rata-rata memiliki cukup banyak sejarah dalam memperkirakan tren. Plot perkiraan di bawah ini menunjukkan bahwa model LES memperkirakan tren lokal yang sedikit lebih besar di akhir rangkaian daripada tren konstan yang diperkirakan dalam model SEStrend. Juga, nilai estimasi 945 hampir sama dengan yang diperoleh dengan cara memasang model SES dengan atau tanpa tren, jadi model ini hampir sama. Sekarang, apakah ini terlihat seperti ramalan yang masuk akal untuk model yang seharusnya memperkirakan tren lokal Jika Anda memilih plot ini, sepertinya tren lokal telah berubah ke bawah pada akhir seri Apa yang telah terjadi Parameter model ini Telah diperkirakan dengan meminimalkan kesalahan kuadrat dari perkiraan satu langkah ke depan, bukan perkiraan jangka panjang, dalam hal ini tren tidak menghasilkan banyak perbedaan. Jika semua yang Anda lihat adalah kesalahan 1 langkah maju, Anda tidak melihat gambaran tren yang lebih besar mengenai (katakanlah) 10 atau 20 periode. Agar model ini lebih selaras dengan ekstrapolasi data bola mata kami, kami dapat secara manual menyesuaikan konstanta perataan tren sehingga menggunakan garis dasar yang lebih pendek untuk estimasi tren. Misalnya, jika kita memilih menetapkan 946 0,1, maka usia rata-rata data yang digunakan dalam memperkirakan tren lokal adalah 10 periode, yang berarti bahwa kita rata-rata mengalami trend selama 20 periode terakhir. Berikut ini perkiraan plot perkiraan jika kita menetapkan 946 0,1 sambil mempertahankan 945 0,3. Ini terlihat sangat masuk akal untuk seri ini, meskipun mungkin berbahaya untuk memperkirakan tren ini lebih dari 10 periode di masa depan. Bagaimana dengan statistik kesalahan Berikut adalah perbandingan model untuk kedua model yang ditunjukkan di atas dan juga tiga model SES. Nilai optimal 945. Untuk model SES adalah sekitar 0,3, namun hasil yang serupa (dengan sedikit atau kurang responsif, masing-masing) diperoleh dengan 0,5 dan 0,2. (A) Holts linear exp. Smoothing dengan alpha 0.3048 dan beta 0.008 (B) Holts linear exp. Smoothing dengan alpha 0.3 dan beta 0,1 (C) Smoothing eksponensial sederhana dengan alpha 0.5 (D) Smoothing eksponensial sederhana dengan alpha 0.3 (E) Smoothing eksponensial sederhana dengan alpha 0.2 Statistik mereka hampir identik, jadi kita benar-benar tidak dapat membuat pilihan berdasarkan dasar Kesalahan perkiraan 1 langkah di depan sampel data. Kita harus kembali pada pertimbangan lain. Jika kita sangat percaya bahwa masuk akal untuk mendasarkan perkiraan tren saat ini pada apa yang telah terjadi selama 20 periode terakhir, kita dapat membuat kasus untuk model LES dengan 945 0,3 dan 946 0,1. Jika kita ingin bersikap agnostik tentang apakah ada tren lokal, maka salah satu model SES mungkin akan lebih mudah dijelaskan dan juga akan memberikan prakiraan tengah jalan untuk periode 5 atau 10 berikutnya. (Apa yang dimaksud dengan tren-ekstrapolasi paling baik: Bukti empiris horizontal atau linier menunjukkan bahwa, jika data telah disesuaikan (jika perlu) untuk inflasi, maka mungkin tidak bijaksana untuk melakukan ekstrapolasi linier jangka pendek Tren sangat jauh ke depan. Tren yang terbukti hari ini dapat mengendur di masa depan karena beragam penyebabnya seperti keusangan produk, persaingan yang meningkat, dan kemerosotan siklis atau kenaikan di industri. Untuk alasan ini, perataan eksponensial sederhana sering kali melakukan out-of-sample yang lebih baik daripada yang mungkin diharapkan, terlepas dari ekstrapolasi naluriah kuotriotipnya. Modifikasi tren yang teredam dari model pemulusan eksponensial linier juga sering digunakan dalam praktik untuk memperkenalkan catatan konservatisme ke dalam proyeksi trennya. Model LES teredam-tren dapat diimplementasikan sebagai kasus khusus model ARIMA, khususnya model ARIMA (1,1,2). Hal ini dimungkinkan untuk menghitung interval kepercayaan sekitar perkiraan jangka panjang yang dihasilkan oleh model pemulusan eksponensial, dengan menganggapnya sebagai kasus khusus model ARIMA. (Hati-hati: tidak semua perangkat lunak menghitung interval kepercayaan untuk model ini dengan benar.) Lebar interval kepercayaan bergantung pada (i) kesalahan RMS pada model, (ii) jenis smoothing (sederhana atau linier) (iii) nilai (S) dari konstanta pemulusan (s) dan (iv) jumlah periode di depan yang Anda peramalkan. Secara umum, interval menyebar lebih cepat saat 945 semakin besar dalam model SES dan menyebar jauh lebih cepat bila perataan linier dan bukan perataan sederhana digunakan. Topik ini dibahas lebih lanjut di bagian model ARIMA dari catatan. (Model di atas). Model Moving Average (model MA) Model deret waktu yang dikenal sebagai model ARIMA dapat mencakup istilah autoregresif dan atau istilah rata-rata bergerak. Pada minggu ke 1, kita belajar istilah autoregressive dalam model time series untuk variabel x t adalah nilai lag dari x t. Misalnya, lag 1 autoregressive term adalah x t-1 (dikalikan dengan koefisien). Pelajaran ini mendefinisikan istilah rata-rata bergerak. Istilah rata-rata bergerak dalam model time series adalah kesalahan masa lalu (dikalikan dengan koefisien). Misalkan (wt overset N (0, sigma2w)), yang berarti bahwa w t identik, didistribusikan secara independen, masing-masing dengan distribusi normal memiliki mean 0 dan varian yang sama. Model rata-rata bergerak urutan 1, dilambangkan dengan MA (1) adalah (xt mu wt theta1w) Model rata-rata bergerak urutan 2 yang dinotasikan dengan MA (2) adalah (xt mu wt theta1w theta2w) Model rata-rata pergerakan harga th q th , Dilambangkan dengan MA (q) adalah (xt mu wt theta1w theta2w titik thetaqw) Catatan. Banyak buku teks dan program perangkat lunak menentukan model dengan tanda negatif sebelum persyaratan. Ini tidak mengubah sifat teoritis umum dari model, meskipun ia membalik tanda aljabar dari nilai koefisien perkiraan dan (unsquared) terms dalam formula untuk ACF dan varians. Anda perlu memeriksa perangkat lunak Anda untuk memverifikasi apakah tanda negatif atau positif telah digunakan untuk menuliskan model perkiraan dengan benar. R menggunakan tanda-tanda positif pada model dasarnya, seperti yang kita lakukan di sini. Sifat Teoritis dari Seri Waktu dengan Model MA (1) Perhatikan bahwa satu-satunya nilai nol pada ACF teoritis adalah untuk lag 1. Semua autokorelasi lainnya adalah 0. Jadi sampel ACF dengan autokorelasi signifikan hanya pada lag 1 adalah indikator dari model MA (1) yang mungkin. Bagi siswa yang tertarik, bukti sifat ini adalah lampiran untuk handout ini. Contoh 1 Misalkan model MA (1) adalah x t 10 w t .7 w t-1. Dimana (wt overset N (0,1)). Dengan demikian koefisiennya 1 0,7. ACF teoritis diberikan oleh sebidang ACF berikut. Plot yang baru saja ditunjukkan adalah ACF teoritis untuk MA (1) dengan 1 0,7. Dalam prakteknya, contoh biasanya akan memberikan pola yang jelas. Dengan menggunakan R, kita mensimulasikan n 100 nilai sampel menggunakan model x t 10 w t .7 w t-1 dimana w t iid N (0,1). Untuk simulasi ini, plot time series dari data sampel berikut. Kami tidak tahu banyak dari plot ini. Contoh ACF untuk data simulasi berikut. Kita melihat lonjakan pada lag 1 diikuti oleh nilai-nilai non-signifikan secara umum untuk kelambatan masa lalu 1. Perhatikan bahwa sampel ACF tidak sesuai dengan pola teoritis MA yang mendasarinya, yaitu bahwa semua autokorelasi untuk kelambatan 1 akan menjadi 0 Sampel yang berbeda akan memiliki sampel ACF yang sedikit berbeda yang ditunjukkan di bawah ini, namun kemungkinan memiliki fitur luas yang sama. Sifat Teori dari Seri Waktu dengan Model MA (2) Untuk model MA (2), sifat teoretis adalah sebagai berikut: Perhatikan bahwa satu-satunya nilai tak-nol dalam ACF teoritis adalah untuk lags 1 dan 2. Autokorelasi untuk kelambatan yang lebih tinggi adalah 0 Jadi, sampel ACF dengan autokorelasi signifikan pada kelambatan 1 dan 2, namun autokorelasi yang tidak signifikan untuk kelambatan yang lebih tinggi mengindikasikan model MA (2) yang mungkin. Iid N (0,1). Koefisiennya adalah 0,5 dan 0,3. Karena ini adalah MA (2), ACF teoritis akan memiliki nilai tak-nol hanya pada kelambatan 1 dan 2. Nilai dari kedua autokorelasi tak-nol adalah sebidang ACF teoritis berikut. Seperti yang hampir selalu terjadi, sampel data tidak akan berperilaku sangat sempurna seperti teori. Kami mensimulasikan n 150 nilai sampel untuk model x t 10 w t .5 w t-1, 3 w t-2. Dimana w t iid N (0,1). Plot seri waktu dari data berikut. Seperti halnya plot seri waktu untuk data sampel MA (1), Anda tidak tahu banyak tentangnya. Contoh ACF untuk data simulasi berikut. Pola ini khas untuk situasi di mana model MA (2) mungkin berguna. Ada dua lonjakan yang signifikan secara statistik pada lag 1 dan 2 diikuti oleh nilai non-signifikan untuk kelambatan lainnya. Perhatikan bahwa karena kesalahan sampling, sampel ACF tidak sesuai dengan pola teoritisnya. ACF untuk General MA (q) Model Properti dari model MA (q) secara umum adalah bahwa ada autokorelasi tak-nol untuk q lags pertama dan autokorelasi 0 untuk semua lags gt q. Non-keunikan hubungan antara nilai 1 dan (rho1) pada MA (1) Model. Dalam model MA (1), untuk nilai 1. Timbal balik 1 1 memberikan nilai yang sama untuk Sebagai contoh, gunakan 0,5 untuk 1. Dan kemudian gunakan 1 (0.5) 2 untuk 1. Anda akan mendapatkan (rho1) 0,4 dalam kedua contoh. Untuk memenuhi batasan teoritis yang disebut invertibilitas. Kami membatasi model MA (1) untuk memiliki nilai dengan nilai absolut kurang dari 1. Pada contoh yang diberikan, 1 0,5 akan menjadi nilai parameter yang diijinkan, sedangkan 1 10,5 2 tidak akan. Keterbacaan model MA Model MA dikatakan dapat dibalikkan jika secara aljabar setara dengan model AR tak berhingga yang terkuak. Dengan konvergensi, berarti koefisien AR turun menjadi 0 saat kita bergerak mundur. Invertibilitas adalah pembatasan yang diprogram dalam perangkat lunak time series yang digunakan untuk memperkirakan koefisien model dengan persyaratan MA. Ini bukan sesuatu yang kita periksa dalam analisis data. Informasi tambahan tentang batasan invertibilitas untuk model MA (1) diberikan dalam lampiran. Catatan Teori Lanjutan Untuk model MA (q) dengan ACF tertentu, hanya ada satu model yang dapat dibalik. Kondisi yang diperlukan untuk invertibilitas adalah bahwa koefisien memiliki nilai sedemikian rupa sehingga persamaan 1- 1 y-. - q y q 0 memiliki solusi untuk y yang berada di luar lingkaran unit. Kode R untuk Contoh-Contoh Pada Contoh 1, kami menyusun model teoritis ACF dari model x t 10 w t. 7w t-1. Dan kemudian disimulasikan n 150 nilai dari model ini dan diplotkan time series sampel dan sampel ACF untuk data simulasi. Perintah R yang digunakan untuk merencanakan ACF teoritis adalah: acfma1ARMAacf (mac (0.7), lag. max10) 10 lag dari ACF untuk MA (1) dengan theta1 0.7 lags0: 10 menciptakan variabel yang disebut lags yang berkisar dari 0 sampai 10. plot (Lags, acfma1, xlimc (1,10), ylabr, typeh, ACF utama untuk MA (1) dengan theta1 0.7) abline (h0) menambahkan sumbu horizontal ke plot Perintah pertama menentukan ACF dan menyimpannya dalam objek Bernama acfma1 (pilihan nama kami). Perintah plot (perintah ke-3) cenderung tertinggal dibandingkan nilai ACF untuk lags 1 sampai 10. Parameter ylab memberi label sumbu y dan parameter utama menempatkan sebuah judul pada plot. Untuk melihat nilai numerik ACF cukup gunakan perintah acfma1. Simulasi dan plot dilakukan dengan perintah berikut. Xcarima. sim (n150, list (mac (0.7))) Simulasikan n 150 nilai dari MA (1) xxc10 menambahkan 10 untuk membuat mean 10. Simulasi default berarti 0. plot (x, typeb, mainSimulated MA (1) data) Acf (x, xlimc (1,10), mainACF untuk data sampel simulasi) Pada Contoh 2, kami merencanakan teoritis ACF dari model xt 10 wt .5 w t-1, 3 w t-2. Dan kemudian disimulasikan n 150 nilai dari model ini dan diplotkan time series sampel dan sampel ACF untuk data simulasi. Perintah R yang digunakan adalah acfma2ARMAacf (mac (0,5,0,3), lag. max10) acfma2 lags0: 10 plot (lags, acfma2, xlimc (1,10), ylabr, typeh, ACF utama untuk MA (2) dengan theta1 0.5, Theta20.3) abline (h0) xcarima. sim (n150, list (mac (0.5, 0.3))) xxc10 plot (x, typeb, seri Simulated MA (2)) acf (x, xlimc (1,10) MainACF untuk simulasi MA (2) Data) Lampiran: Bukti Sifat MA (1) Bagi siswa yang berminat, berikut adalah bukti sifat teoritis model MA (1). Varians: teks (teks teks (xt) teks (wt theta1 w) 0 teks (wt) teks (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Bila h 1, ungkapan sebelumnya 1 w 2. Untuk h 2, ungkapan sebelumnya 0 Alasannya adalah bahwa, dengan definisi independensi wt. E (w k w j) 0 untuk setiap k j. Selanjutnya, karena meannya 0, E (w j w j) E (w j 2) w 2. Untuk seri waktu, Terapkan hasil ini untuk mendapatkan ACF yang diberikan di atas. Model MA yang dapat dibalik adalah salah satu yang dapat ditulis sebagai model AR berurutan tak terbatas yang menyatu sehingga koefisien AR bertemu ke 0 saat kita bergerak mundur jauh waktu. Nah, mendifinisikan invertibilitas model MA (1). Kita kemudian mengganti hubungan (2) untuk w t-1 dalam persamaan (1) (3) (zt wt theta1 (z-theta1w) dengan theta1z-theta2w) Pada waktu t-2. Persamaan (2) menjadi Kami kemudian mengganti hubungan (4) untuk w t-2 dalam persamaan (3) (zt wt theta1 z-theta21w wta theta1z-theta21w wt theta1z - theta12z theta31w) Jika kita melanjutkan ( Tak terbatas), kita akan mendapatkan model AR tak berhingga (zt wt theta1 z - theta21z theta31z - theta41z dots) Namun perlu dicatat bahwa jika 1 1, koefisien yang mengalikan kelambatan z akan meningkat (tak terbatas) jika kita bergerak kembali waktu. Untuk mencegah hal ini, kita membutuhkan 1 lt1. Ini adalah kondisi untuk model MA (1) yang dapat dibalik. Model MA Order Tak Terhingga Pada minggu ke 3, perhatikan bahwa model AR (1) dapat dikonversi menjadi model MA pesanan tak terbatas: (xt - mu wt phi1w phi21w titik phik1 w titik jumlah phij1w) Penjumlahan istilah white noise masa lalu ini diketahui. Sebagai representasi kausal AR (1). Dengan kata lain, x t adalah tipe MA khusus dengan jumlah tak terhingga dari istilah yang masuk ke masa lalu. Ini disebut MA tak terbatas atau MA (). Urutan terbatas MA adalah AR tak berhingga dan urutan terbatas AR adalah MA tak terbatas. Ingat di Minggu 1, kami mencatat bahwa persyaratan untuk AR stasioner (1) adalah bahwa 1 lt1. Mari menghitung Var (x t) dengan menggunakan representasi kausal. Langkah terakhir ini menggunakan fakta dasar tentang deret geometris yang membutuhkan (phi1lt1) jika rangkaiannya menyimpang. Navigasi