Autoregressive Integrated Moving Average - ARIMA. DEFINISI Autoregressive Integrated Moving Average - Model analisis statistik ARIMA. A yang menggunakan data deret waktu untuk memprediksi tren masa depan Ini adalah bentuk analisis regresi yang berusaha memprediksi pergerakan masa depan sepanjang jalan yang tampaknya acak yang diambil oleh saham. Dan pasar keuangan dengan memeriksa perbedaan antara nilai dalam rangkaian alih-alih menggunakan nilai data aktual Lags dari seri yang berbeda disebut sebagai autoregressive dan lags dalam data perkiraan disebut sebagai moving average. BREAKING DOWN Autoregressive Integrated Moving Average - ARIMA . Tipe model ini umumnya disebut sebagai ARIMA p, d, q, dengan bilangan bulat mengacu pada bagian rata-rata terpadu dan bergerak otomatis dari kumpulan data, pemodelan ARIMA masing-masing dapat memperhitungkan tren akun, siklus musiman, kesalahan dan non-stasioner Aspek kumpulan data saat membuat perkiraan. Pengenalan model ARIMA nonseasonal. ARIMA p, d, q forec Model persamaan ARIMA, secara teori, model model paling umum untuk meramalkan deret waktu yang dapat dibuat menjadi stasioner dengan membedakan jika perlu, mungkin bersamaan dengan transformasi nonlinier seperti pembalakan atau pengosongan jika diperlukan. Variabel acak yaitu Deret waktu tidak bergerak jika sifat statistiknya konstan sepanjang waktu. Seri stasioner tidak memiliki tren, variasinya berkisar rata-rata memiliki amplitudo konstan, dan bergoyang secara konsisten, yaitu pola waktu acak jangka pendeknya selalu terlihat sama. Dalam arti statistik Kondisi terakhir ini berarti korelasi autokorelasi dengan penyimpangannya sendiri dari mean tetap konstan dari waktu ke waktu, atau ekuivalen, bahwa spektrum kekuatannya tetap konstan dari waktu ke waktu Variabel acak dari bentuk ini dapat dilihat seperti biasa sebagai kombinasi. Dari sinyal dan noise, dan sinyal jika ada yang jelas bisa menjadi pola fast or slow mean reversion, atau osilator sinusoidal. Ion, atau alternasi cepat dalam tanda, dan bisa juga memiliki komponen musiman Model ARIMA dapat dipandang sebagai filter yang mencoba memisahkan sinyal dari kebisingan, dan sinyal kemudian diekstrapolasikan ke masa depan untuk mendapatkan perkiraan. ARIMA Persamaan peramalan untuk rangkaian waktu stasioner adalah persamaan regresi linier yaitu di mana prediktor terdiri dari kelambatan variabel dependen dan atau kelambatan dari kesalahan perkiraan. Nilai nominal Y adalah jumlah konstan dan atau jumlah tertimbang dari satu atau Nilai Y yang lebih baru dan atau jumlah tertimbang dari satu atau lebih nilai kesalahan terkini. Jika prediktor hanya terdiri dari nilai Y yang tertinggal, itu adalah model self-regressed autoregresif murni, yang hanyalah kasus khusus dari model regresi. Dan yang dapat dilengkapi dengan perangkat lunak regresi standar Sebagai contoh, model AR 1 autoregresif orde pertama untuk Y adalah model regresi sederhana dimana variabel independennya hanya Y yang tertinggal satu periode LAG Y, 1 pada Statgrafik atau Y LAG1 di RegressIt Jika beberapa prediktor tertinggal dari kesalahan, model ARIMA TIDAK merupakan model regresi linier, karena tidak ada cara untuk menentukan kesalahan periode lalu sebagai variabel independen kesalahan harus dihitung pada periode-ke - perimen dasar ketika model dipasang pada data Dari sudut pandang teknis, masalah dengan menggunakan kesalahan yang tertinggal sebagai prediktor adalah bahwa prediksi model bukan fungsi linier dari koefisien meskipun merupakan fungsi linier dari data masa lalu Jadi, koefisien Pada model ARIMA yang mencakup kesalahan tertinggal harus diestimasi dengan metode optimasi nonlinear untuk mendaki bukit daripada dengan hanya memecahkan sistem persamaan. Akronim ARIMA adalah singkatan dari Auto-Regressive Integrated Moving Average Lags dari rangkaian stasioner dalam persamaan peramalan disebut autoregressive Istilah, kelambatan dari kesalahan perkiraan disebut istilah rata-rata bergerak, dan deret waktu yang perlu dibedakan untuk dijadikan stasioner dikatakan sebagai inte Versi parut dari model stasioner Model random-walk dan random-trend, model autoregresif, dan model pemulusan eksponensial adalah semua kasus khusus model ARIMA. Model ARIMA nonseasonional diklasifikasikan sebagai model ARIMA p, d, q, where. p is Jumlah istilah autoregresif. d adalah jumlah perbedaan nonseasonal yang diperlukan untuk stationarity, dan. q adalah jumlah kesalahan perkiraan yang tertinggal dalam persamaan prediksi. Persamaan peramalan dibangun sebagai berikut Pertama, misalkan y menunjukkan perbedaan th th dari Y Yang berarti. Perhatikan bahwa perbedaan kedua kasus Y d 2 tidak berbeda dari 2 periode yang lalu. Sebaliknya, ini adalah perbedaan pertama-perbedaan pertama, yaitu analog diskrit dari derivatif kedua, yaitu lokal Percepatan seri daripada kecenderungan lokalnya. Dalam hal persamaan peramalan umum adalah. Di sini parameter rata-rata bergerak ditentukan sehingga rambu mereka negatif dalam persamaan, mengikuti konvensi yang diperkenalkan oleh Box and Jen Kins Beberapa penulis dan perangkat lunak termasuk bahasa pemrograman R mendefinisikannya sehingga mereka memiliki tanda tambah. Sebaliknya, ketika angka aktual dicolokkan ke dalam persamaan, tidak ada ambiguitas, namun penting untuk mengetahui konvensi mana yang digunakan perangkat lunak Anda saat Anda membaca hasilnya. Seringkali parameter dilambangkan di sana oleh AR 1, AR 2,, dan MA 1, MA 2, dll. Untuk mengidentifikasi model ARIMA yang sesuai untuk Y Anda memulai dengan menentukan urutan differencing d yang perlu membuat stasioner seri dan menghapus fitur kotornya. Dari musiman, mungkin bersamaan dengan transformasi yang menstabilkan variance seperti penebangan atau penguraian Jika Anda berhenti pada tahap ini dan memprediksi bahwa rangkaian yang berbeda konstan, Anda hanya memiliki model berjalan acak atau acak acak. Namun, rangkaian stasioner mungkin masih Memiliki kesalahan autokorelasi, menunjukkan bahwa beberapa jumlah istilah AR p 1 dan atau beberapa istilah MA q 1 juga diperlukan dalam persamaan peramalan. Proses penentuan th Nilai e dari p, d, dan q yang terbaik untuk rangkaian waktu tertentu akan dibahas di bagian selanjutnya dari catatan yang tautannya berada di bagian atas halaman ini, namun pratinjau beberapa jenis model ARIMA nonseasonal yang Yang biasa dijumpai diberikan di bawah ini. ARIMA 1.0,0 model autoregresif orde pertama jika rangkaiannya stasioner dan autokorelasi, mungkin dapat diprediksi sebagai kelipatan dari nilai sebelumnya, ditambah konstanta. Persamaan peramalan dalam kasus ini adalah. Yang Y mundur pada dirinya sendiri tertinggal oleh satu periode Ini adalah model konstan ARIMA 1.0,0 Jika mean Y adalah nol, maka istilah konstan tidak akan disertakan. Jika koefisien kemiringan 1 positif dan kurang dari 1 dalam Besarnya harus kurang dari 1 dalam besaran jika Y tidak bergerak, model ini menggambarkan perilaku rata-rata-reverting di mana nilai periode berikutnya harus diprediksi 1 kali lebih jauh dari rata-rata karena nilai periode ini Jika 1 negatif, Ini memprediksi perilaku rata-rata dengan alternasi tanda S, yaitu juga memprediksi bahwa Y akan berada di bawah rata-rata periode berikutnya jika berada di atas rata-rata periode ini. Dalam model autoregresif orde dua ARIMA 2,0,0, akan ada istilah Y t-2 di sebelah kanan. Juga, dan seterusnya Bergantung pada tanda dan besaran koefisien, model ARIMA 2,0,0 dapat menggambarkan sebuah sistem yang pembalikan rata-rata terjadi dengan mode sinusoidal oscillating, seperti gerak massa pada mata air yang Mengalami kejutan acak. ARIMA 0,1,0 random walk Jika seri Y tidak stasioner, model yang paling sederhana untuk model ini adalah model jalan acak, yang dapat dianggap sebagai kasus pembatas model AR 1 dimana autoregresif Koefisien sama dengan 1, yaitu seri dengan pembalikan rata-rata yang jauh lebih lambat Persamaan prediksi untuk model ini dapat dituliskan. Di mana istilah konstan adalah perubahan periode-ke-periode rata-rata yaitu drift jangka panjang di Y Model ini dapat dipasang Sebagai model regresi yang tidak mencegat dimana perbedaan pertama Y adalah d Variabel dependen Karena hanya mencakup perbedaan nonseasonal dan istilah konstan, ini diklasifikasikan sebagai model ARIMA 0,1,0 dengan konstan Model random-walk-without - drift akan menjadi model ARIMA 0,1,0 tanpa konstan. ARIMA 1.1,0 model autoregresif orde satu yang terdistorsi Jika kesalahan model jalan acak diobot dengan autokorelasi, mungkin masalahnya dapat diperbaiki dengan menambahkan satu lag dari variabel dependen ke persamaan prediksi - yaitu dengan menurunkan selisih pertama dari Y pada dirinya sendiri tertinggal oleh satu periode Ini akan menghasilkan persamaan prediksi berikut ini. Yang dapat disusun ulang menjadi. Ini adalah model autoregresif orde pertama dengan satu urutan perbedaan nonseasonal dan istilah konstan - yaitu model ARIMA 1.1,0.ARIMA 0,1,1 tanpa perataan eksponensial konstan sederhana Strategi lain untuk memperbaiki kesalahan autokorelasi dalam model jalan acak disarankan oleh model pemulusan eksponensial sederhana Ingatlah bahwa untuk beberapa rangkaian waktu nonstasioner misalnya yang menunjukkan flut yang bising Biaya kuliah di sekitar rata-rata yang bervariasi secara perlahan, model jalan acak tidak berjalan sebaik rata-rata nilai masa lalu yang bergerak. Dengan kata lain, daripada mengambil pengamatan terbaru sebagai perkiraan pengamatan berikutnya, lebih baik menggunakan rata-rata Dari beberapa pengamatan terakhir untuk menyaring noise dan memperkirakan secara lebih akurat mean lokal Model pemulusan eksponensial sederhana menggunakan rata-rata pergerakan rata-rata tertimbang eksponensial untuk mendapatkan efek ini. Persamaan prediksi untuk model pemulusan eksponensial sederhana dapat dituliskan. Sejumlah bentuk ekuivalen matematis yang salah satunya adalah bentuk koreksi kesalahan yang disebut, di mana ramalan sebelumnya disesuaikan ke arah kesalahan yang dibuatnya. Karena e t-1 Y t-1 - t-1 menurut definisinya, Ini dapat ditulis ulang sebagai. Yang merupakan persamaan peramalan ARIMA 0,1,1 tanpa perkiraan konstan dengan 1 1 - Ini berarti bahwa Anda dapat menyesuaikan smoothing eksponensial sederhana dengan menentukannya sebagai model ARIMA 0,1,1 tanpa con Stant, dan koefisien MA 1 yang sesuai sesuai dengan 1-minus-alpha dalam formula SES Ingat bahwa dalam model SES, usia rata-rata data dalam perkiraan 1 periode adalah 1 yang berarti bahwa mereka cenderung tertinggal Tren atau titik balik sekitar 1 periode Dengan demikian, rata-rata usia data dalam prakiraan 1-periode-depan dari ARIMA 0,1,1-tanpa model konstan adalah 1 1 - 1 Jadi, misalnya, jika 1 0 8, usia rata-rata adalah 5 Karena 1 mendekati 1, model ARIMA 0,1,1 tanpa model konstan menjadi moving average yang sangat panjang, dan saat mendekati 0, ia menjadi random-walk-without-drift. Model. What s cara terbaik untuk memperbaiki autokorelasi menambahkan istilah AR atau menambahkan istilah MA Dalam dua model sebelumnya yang dibahas di atas, masalah kesalahan autokorelasi dalam model jalan acak diperbaiki dengan dua cara yang berbeda dengan menambahkan nilai tertinggal dari perbedaan Seri ke persamaan atau menambahkan nilai tertinggal dari kesalahan perkiraan Pendekatan mana yang terbaik Aturan main untuk s ini Ituasi, yang akan dibahas lebih rinci nanti, adalah bahwa autokorelasi positif biasanya paling baik ditangani dengan menambahkan istilah AR ke model dan autokorelasi negatif biasanya paling baik ditangani dengan menambahkan istilah MA Dalam rangkaian waktu bisnis dan ekonomi, autokorelasi negatif sering terjadi. Timbul sebagai artefak differencing Secara umum, differencing mengurangi autokorelasi positif dan bahkan dapat menyebabkan perubahan dari autokorelasi positif ke negatif Jadi, model ARIMA 0,1,1, di mana perbedaannya disertai dengan istilah MA, lebih sering digunakan daripada Model ARIMA 1.1,0.ARIMA 0,1,1 dengan pemulusan eksponensial sederhana konstan dengan pertumbuhan Dengan menerapkan model SES sebagai model ARIMA, Anda benar-benar mendapatkan beberapa fleksibilitas Pertama-tama, koefisien MA 1 yang diijinkan menjadi Negatif ini sesuai dengan faktor pemulusan yang lebih besar dari 1 dalam model SES, yang biasanya tidak diizinkan oleh prosedur pemasangan model SES Kedua, Anda memiliki pilihan untuk memasukkan istilah konstan dalam t Model ARIMA jika Anda ingin, untuk memperkirakan tren non-nol rata-rata Model ARIMA 0,1,1 dengan konstan memiliki persamaan prediksi. Prakiraan satu periode di depan dari model ini secara kualitatif serupa dengan SES Model, kecuali bahwa lintasan perkiraan jangka panjang biasanya garis miring yang kemiringannya sama dengan mu daripada garis horisontal. ARIMA 0,2,1 atau 0,2,2 tanpa pemulusan eksponensial linier linier Model pemulusan eksponensial linier Adalah model ARIMA yang menggunakan dua perbedaan nonseasonal dalam hubungannya dengan istilah MA Perbedaan kedua dari seri Y bukan hanya perbedaan antara Y dan dirinya tertinggal oleh dua periode, namun ini adalah perbedaan pertama dari perbedaan pertama - perubahan - di-perubahan Y pada periode t Jadi, perbedaan kedua Y pada periode t sama dengan Y t-Y t-1 - Y t-1 - Y t-2 Y t - 2Y t-1 Y t -2 Perbedaan kedua dari fungsi diskrit sama dengan turunan kedua dari fungsi kontinyu yang diimpu Res percepatan atau kelengkungan dalam fungsi pada suatu titik waktu tertentu. Model ARIMA 0,2,2 tanpa konstan memprediksi bahwa perbedaan kedua dari rangkaian sama dengan fungsi linier dari dua kesalahan perkiraan terakhir. Yang dapat disusun kembali sebagai. Di mana 1 dan 2 adalah koefisien MA 1 dan MA 2 Ini adalah model pemulusan eksponensial linier umum yang pada dasarnya sama dengan model Holt s, dan model Brown adalah kasus khusus yang menggunakan rata-rata bergerak berbobot secara eksponensial untuk memperkirakan tingkat lokal dan Tren lokal dalam seri Prakiraan jangka panjang dari model ini menyatu dengan garis lurus yang kemiringannya bergantung pada tren rata-rata yang diamati menjelang akhir rangkaian. ARIMA 1,1,2 tanpa perataan eksponensial linier yang terus-menerus teredam. Model ini Diilustrasikan dalam slide yang menyertainya pada model ARIMA. Ini mengekstrapolasikan tren lokal di akhir rangkaian namun meratakannya pada cakrawala perkiraan yang lebih panjang untuk memperkenalkan catatan konservatisme, sebuah praktik yang memiliki dukungan empiris. Lihat artikel tentang Mengapa Tren Damped bekerja dengan Gardner dan McKenzie dan artikel Golden Rule oleh Armstrong dkk untuk detailnya. Hal ini umumnya disarankan untuk berpegang pada model di mana setidaknya satu dari p dan q tidak lebih besar dari 1, yaitu melakukan Tidak mencoba menyesuaikan model seperti ARIMA 2,1,2, karena hal ini cenderung menyebabkan masalah overfitting dan common-factor yang dibahas secara lebih rinci dalam catatan mengenai struktur matematis model ARIMA. Penerapan model ARIMA seperti Seperti yang dijelaskan di atas mudah diterapkan pada spreadsheet Persamaan prediksi adalah persamaan linier yang mengacu pada nilai-nilai masa lalu dari rangkaian waktu asli dan nilai kesalahan masa lalu. Jadi, Anda dapat membuat spreadsheet perkiraan ARIMA dengan menyimpan data di kolom A, rumus peramalan pada kolom B, dan data kesalahan dikurangi perkiraan di kolom C Rumusan peramalan pada sel biasa di kolom B hanya akan menjadi ekspresi linier yang mengacu pada nilai pada baris sebelumnya kolom A dan C , Dikalikan dengan koefisien AR atau MA yang sesuai yang tersimpan dalam sel di tempat lain pada spreadsheet. RIMA adalah singkatan dari model Movor Average Autoregressive Integrated Moving Model vektor tunggal univariat ARIMA adalah teknik peramalan yang memproyeksikan nilai masa depan dari seri yang didasarkan sepenuhnya pada inersia sendiri. Aplikasi berada di area peramalan jangka pendek yang memerlukan setidaknya 40 titik data historis Ini bekerja paling baik bila data Anda menunjukkan pola yang stabil atau konsisten dari waktu ke waktu dengan jumlah outlier minimum Terkadang disebut Box-Jenkins setelah penulis aslinya, ARIMA biasanya lebih unggul. Untuk teknik smoothing eksponensial bila data cukup panjang dan korelasi antara pengamatan terakhir stabil Jika datanya pendek atau sangat mudah berubah, maka beberapa metode pemulusan mungkin berkinerja lebih baik Jika Anda tidak memiliki minimal 38 titik data, Anda harus mempertimbangkan beberapa hal lainnya. Metode daripada ARIMA. Langkah pertama dalam menerapkan metodologi ARIMA adalah untuk memeriksa stasioneritas stationarity imp Kebohongan bahwa seri tetap pada tingkat yang cukup konstan dari waktu ke waktu Jika ada kecenderungan, seperti pada sebagian besar aplikasi ekonomi atau bisnis, maka data Anda TIDAK stasioner Data juga harus menunjukkan varians konstan dalam fluktuasi dari waktu ke waktu Ini mudah dilihat dengan Seri yang sangat musiman dan tumbuh pada tingkat yang lebih cepat Dalam kasus seperti ini, pasang surut di musim ini akan menjadi lebih dramatis dari waktu ke waktu Tanpa kondisi stasioneritas ini terpenuhi, banyak perhitungan yang terkait dengan proses tidak dapat dihitung. Plot grafis dari data menunjukkan nonstationarity, maka Anda harus membedakan seri Differencing adalah cara terbaik untuk mentransformasikan sebuah seri nonstasioner menjadi yang stasioner Hal ini dilakukan dengan mengurangi pengamatan pada periode saat dari sebelumnya Jika transformasi ini dilakukan hanya sekali Untuk seri, Anda mengatakan bahwa data telah dibedakan pertama Proses ini pada dasarnya menghilangkan tren jika seri Anda tumbuh pada tingkat yang adil. Y tingkat konstan Jika tumbuh pada tingkat yang meningkat, Anda dapat menerapkan prosedur yang sama dan membedakan data lagi Data Anda kemudian akan menjadi perbedaan kedua. Autokorelasi adalah nilai numerik yang menunjukkan bagaimana rangkaian data dikaitkan dengan dirinya sendiri dari waktu ke waktu Lebih tepatnya, ia mengukur seberapa kuat nilai data pada sejumlah periode tertentu yang terpisah berkorelasi satu sama lain sepanjang waktu Jumlah periode terpisah biasanya disebut lag For Contoh, autokorelasi pada lag 1 mengukur bagaimana nilai 1 periode terpisah berkorelasi satu sama lain sepanjang rangkaian Autokorelasi pada lag 2 mengukur bagaimana data dua periode terpisah berkorelasi sepanjang deret Autokorelasi berkisar antara 1 sampai -1 Nilai yang mendekati 1 menunjukkan korelasi positif yang tinggi sementara nilai mendekati -1 menyiratkan korelasi negatif yang tinggi Langkah-langkah ini paling sering dievaluasi melalui plot grafis yang disebut correlagrams Sebuah correlagram memplot nilai korelasi otomatis untuk rangkaian yang diberikan pada kelambatan yang berbeda. Hal ini disebut sebagai Fungsi autokorelasi dan sangat penting dalam metode ARIMA. Metodologi AMMA mencoba untuk menggambarkan pergerakan a Seri waktu stasioner sebagai fungsi dari apa yang disebut parameter acak autoregressive dan moving Ini disebut parameter AR parameter autoregessive dan MA moving averages Model AR dengan hanya 1 parameter dapat dituliskan sebagai di mana X t time series dalam penyelidikan. Parameter autoregresif urutan 1.X t-1 deret waktu tertinggal 1 periode. Pada istilah kesalahan model. Ini berarti bahwa setiap nilai yang diberikan X t dapat dijelaskan oleh beberapa fungsi dari nilai sebelumnya, X t - 1, ditambah beberapa kesalahan acak yang tidak dapat dijelaskan, E t Jika nilai estimasi A 1 adalah 30, maka nilai seri saat ini akan terkait dengan 30 nilainya 1 periode yang lalu Tentu saja, seri ini dapat dikaitkan dengan lebih dari sekedar Satu nilai masa lalu Sebagai contoh. X t A 1 X t-1 A 2 X t-2 E t. Ini menunjukkan bahwa nilai seri saat ini adalah kombinasi dari dua nilai sebelumnya, X t-1 dan X t - 2, ditambah beberapa kesalahan acak E t Model kami sekarang merupakan model pesanan autoregresif 2.Moving Aver Model usia. Tipe kedua model Box-Jenkins disebut model rata-rata bergerak Meskipun model ini terlihat sangat mirip dengan model AR, konsep di belakangnya sangat berbeda. Parameter rata-rata pergerakan terkait dengan apa yang terjadi pada periode t hanya pada kesalahan acak yang terjadi. Terjadi pada periode waktu yang lalu, yaitu E t-1, E t-2, dll daripada X t-1, X t-2, Xt-3 seperti pada pendekatan autoregresif Model moving average dengan satu istilah MA dapat ditulis Sebagai berikut. Istilah B 1 disebut MA order 1 Tanda negatif di depan parameter digunakan hanya untuk konvensi dan biasanya dicetak secara otomatis oleh kebanyakan program komputer Model di atas hanya mengatakan bahwa setiap nilai X T berhubungan langsung hanya dengan kesalahan acak pada periode sebelumnya, E t-1, dan pada istilah kesalahan saat ini, E t Seperti pada kasus model autoregresif, model rata-rata bergerak dapat diperluas ke struktur orde tinggi yang mencakup kombinasi yang berbeda. Dan panjang rata-rata bergerak. Metodologi AMMA juga O memungkinkan model yang akan dibangun yang menggabungkan parameter rata-rata autoregressive dan moving together Model ini sering disebut sebagai model campuran Meskipun ini membuat peramalan alat yang lebih rumit, struktur ini memang dapat mensimulasikan rangkaian lebih baik dan menghasilkan perkiraan yang lebih akurat. Model murni Menyiratkan bahwa struktur hanya terdiri dari parameter AR atau MA - tidak keduanya. Model yang dikembangkan oleh pendekatan ini biasanya disebut model ARIMA karena mereka menggunakan kombinasi AR autoregresif, integrasi I - mengacu pada proses balik dari differencing untuk menghasilkan perkiraan, Dan MA bergerak rata-rata MA Model ARIMA biasanya dinyatakan sebagai ARIMA p, d, q Ini mewakili urutan komponen autoregresif p, jumlah operator differensiasi d, dan urutan tertinggi dari rata-rata moving average Misalnya, ARIMA 2, 1,1 berarti Anda memiliki model autoregressive orde kedua dengan komponen rata-rata bergerak urutan pertama yang serinya telah berbeda onc E untuk menginduksi stationarity. Picking Spesifikasi yang Tepat. Masalah utama pada Box-Jenkins klasik adalah mencoba untuk menentukan spesifikasi ARIMA yang akan digunakan - berapa banyak parameter AR dan atau MA yang disertakan. Inilah yang paling banyak digunakan oleh Box-Jenkings 1976 Proses identifikasi Hal ini bergantung pada evaluasi grafis dan numerik dari autokorelasi sampel dan fungsi autokorelasi parsial Nah, untuk model dasar Anda, tugasnya tidak terlalu sulit Setiap fungsi autokorelasi yang terlihat dengan cara tertentu Namun, ketika Anda naik dalam kompleksitas , Pola tidak begitu mudah dideteksi Untuk membuat masalah lebih sulit, data Anda hanya mewakili contoh proses yang mendasari Ini berarti bahwa kesalahan sampling outlier, kesalahan pengukuran, dll dapat mendistorsi proses identifikasi teoritis Itulah sebabnya pemodelan ARIMA tradisional adalah sebuah seni Bukan sains.
No comments:
Post a Comment