Ano ang Isang Autoregressive Pinagsamang Paglipat ng Average?
Ang isang autoregressive integrated average average, o ARIMA, ay isang istatistikong pagsusuri ng istatistika na gumagamit ng data ng serye ng oras upang mas mahusay na maunawaan ang set ng data o upang mahulaan ang mga uso sa hinaharap.
Pag-unawa sa Autoregressive Integrated Moving Average (ARIMA)
Ang isang autoregressive integrated na average na paglipat ng average na modelo ay isang anyo ng pagsusuri ng regression na sumusukat sa lakas ng isang nakasalalay na variable na may kaugnayan sa iba pang mga pagbabago sa variable. Ang layunin ng modelo ay upang mahulaan ang mga hinaharap na mga seguridad o merkado sa pananalapi ay gumagalaw sa pamamagitan ng pagsusuri sa mga pagkakaiba sa pagitan ng mga halaga sa serye sa halip na sa pamamagitan ng aktwal na mga halaga.
Ang isang modelo ng ARIMA ay maaaring maunawaan sa pamamagitan ng pagbalangkas sa bawat isa sa mga sangkap nito tulad ng sumusunod:
- Ang Autoregression (AR) ay tumutukoy sa isang modelo na nagpapakita ng isang nagbabago na variable na nagreresulta sa sarili nitong lagging, o naunang, mga halaga. Ang pinagsamang (I) ay kumakatawan sa pagkakaiba-iba ng mga hilaw na obserbasyon upang payagan na ang mga serye ng oras upang maging nakapirmi, ibig sabihin, ang mga halaga ng data ay pinalitan ng pagkakaiba sa pagitan ng mga halaga ng data at ng mga nakaraang halaga. Ang average na paglipat (MA) ay isinasama ang dependant sa pagitan ng isang obserbasyon at isang natitirang error mula sa isang gumagalaw na average na modelo na inilalapat sa mga lagging obserbasyon.
Ang bawat sangkap ay gumagana bilang isang parameter na may isang karaniwang notasyon. Para sa mga modelo ng ARIMA, ang isang karaniwang notasyon ay ARIMA na may p, d, at q, kung saan ang mga halaga ng integer ay kapalit ng mga parameter upang ipahiwatig ang uri ng ARIMA modelo na ginamit. Ang mga parameter ay maaaring tinukoy bilang:
- p : ang bilang ng mga obserbasyon ng lag sa modelo; kilala rin bilang lag order. d : ang bilang ng mga beses na ang mga hilaw na obserbasyon ay naiiba; kilala rin bilang ang antas ng pagkakaiba.q: ang laki ng paglipat ng average na window; kilala rin bilang ang pagkakasunud-sunod ng paglipat average.
Sa isang linear na regression model, halimbawa, ang bilang at uri ng mga termino ay kasama. Ang isang 0 na halaga, na maaaring magamit bilang isang parameter, ay nangangahulugang ang partikular na sangkap ay hindi dapat gamitin sa modelo. Sa ganitong paraan, ang modelo ng ARIMA ay maaaring itayo upang maisagawa ang pag-andar ng isang modelo ng ARMA, o kahit simpleng mga modelo ng AR, I, o MA.
Autoregressive Pinagsamang Paglipat Average at Pagkakaisa
Sa isang autoregressive integrated na gumagalaw na average na modelo, ang data ay naiiba upang gawin itong nakatigil. Ang isang modelo na nagpapakita ng pagkakaisa ay isa na nagpapakita na may patuloy na data sa paglipas ng panahon. Karamihan sa mga data sa pang-ekonomiya at merkado ay nagpapakita ng mga uso, kaya ang layunin ng pagkakaiba ay upang alisin ang anumang mga uso o mga pana-panahong istraktura.
Panahon ng panahon, o kapag ang data ay nagpapakita ng regular at mahuhulaan na mga pattern na ulitin sa loob ng isang taon ng kalendaryo, ay maaaring negatibong nakakaapekto sa modelo ng regression. Kung lumilitaw ang isang takbo at hindi pagkilala ang pagkakasundo, marami sa mga pagkalkula sa buong proseso ay hindi maaaring gawin nang may mahusay na kahusayan.
