ครั้งแรกที่ สั่งซื้อ เฉลี่ยเคลื่อนที่ กระบวนการ

4.2 Linear Stationary Models for Time Series ที่ตัวแปรสุ่มเรียกว่านวัตกรรมเนื่องจากเป็นส่วนหนึ่งของตัวแปรที่สังเกตได้ซึ่งไม่สามารถคาดการณ์ได้เนื่องจากมีค่าในอดีต รูปแบบทั่วไป (4.4) อนุมานว่าเป็นผลลัพธ์ของตัวกรองเชิงเส้นที่เปลี่ยนรูปแบบของนวัตกรรมที่ผ่านมานั่นคือกระบวนการเชิงเส้น ข้อสันนิษฐานเชิงเส้นนี้ขึ้นอยู่กับทฤษฎีบทการสลายตัว Wolds (Wold 1938) ที่ระบุว่ากระบวนการแปรปรวนร่วมกันแบบ stationary สามารถแสดงเป็นผลรวมของสองกระบวนการที่ไม่เกี่ยวข้องกันซึ่งเป็นกระบวนการกำหนดล้วนๆและเป็นกระบวนการล้วนๆที่สามารถเขียนเป็นแบบเชิงเส้นได้ ผลรวมของกระบวนการสร้างนวัตกรรม: ลำดับของตัวแปรสุ่มที่ไม่เกี่ยวเนื่องกันเป็นลำดับโดยมีค่าเฉลี่ยศูนย์และความแปรปรวนร่วมกัน เงื่อนไขจำเป็นสำหรับ stationarity สูตร (4.4) คือ reparametrization จำกัด ของการแทนอนันต์ (4.5) - (4.6) ด้วยค่าคงที่ โดยปกติจะเขียนในแง่ของตัวดำเนินการล่าช้าที่กำหนดโดยซึ่งจะแสดงออกสั้นกว่า: ที่ชื่อพหุนามของโอเปอร์เรเตอร์ที่ล่าช้าและเรียกว่าพหุนามและพหุนามตามลำดับ เพื่อหลีกเลี่ยงความซ้ำซ้อนของพารามิเตอร์เราคิดว่าไม่มีปัจจัยร่วมกันระหว่างองค์ประกอบและส่วนประกอบ ต่อไปเราจะศึกษาพล็อตของชุดเวลาบางส่วนที่สร้างขึ้นโดยรูปแบบคงที่โดยมีจุดประสงค์เพื่อกำหนดรูปแบบหลักของวิวัฒนาการชั่วคราว รูปที่ 4.2 ประกอบด้วยชุดข้อมูลสองชุดที่สร้างขึ้นจากกระบวนการหยุดนิ่งต่อไปนี้ซึ่งคำนวณโดยวิธี quantum genarma: รูปที่ 4.2: อนุกรมเวลาที่สร้างขึ้นโดยโมเดลตามที่คาดหวังทั้งสองชุดเวลาจะเคลื่อนที่ไปรอบ ๆ ระดับคงที่โดยไม่มีการเปลี่ยนแปลงความแปรปรวนเนื่องจากสมบัตินิ่ง นอกจากนี้ระดับนี้อยู่ใกล้กับค่าเฉลี่ยทางทฤษฎีของกระบวนการและระยะทางของแต่ละจุดที่มีค่านี้แทบจะไม่ค่อยอยู่นอกขอบเขต นอกจากนี้วิวัฒนาการของซีรีส์ยังแสดงให้เห็นถึงการออกจากท้องถิ่นโดยเฉลี่ยซึ่งเป็นที่รู้จักกันในชื่อว่าการพลิกกลับหมายถึงลักษณะเฉพาะของชุดเวลาแบบคงที่ ให้เราศึกษากับรายละเอียดบางคุณสมบัติของกระบวนการที่แตกต่างกันโดยเฉพาะอย่างยิ่งฟังก์ชันความแปรปรวนอัตโนมัติที่จับคุณสมบัติแบบไดนามิกของขั้นตอนการ stochastic stationary ฟังก์ชันนี้ขึ้นอยู่กับหน่วยวัดดังนั้นการวัดระดับความเป็นเส้นตรงระหว่างตัวแปรเป็นค่าสัมประสิทธิ์สหสัมพันธ์ ในกรณีของกระบวนการนิ่งสัมประสิทธิ์การคลายค่าสัมบูรณ์ที่ล้าหลังแสดงด้วยหมายถึงความสัมพันธ์ระหว่างและ: ดังนั้นฟังก์ชันความสัมพันธ์ (autocorrelation function: ACF) เป็นฟังก์ชันความแปรปรวนอัตโนมัติที่แปรผันตามความแปรปรวน คุณสมบัติของ ACF คือ: ให้คุณสมบัติสมมาตร (4.10) ACF จะแสดงโดยใช้กราฟแท่งที่ไม่ล่าช้าที่เรียกสั้น ๆ ว่า correlogram อีกหนึ่งเครื่องมือที่เป็นประโยชน์ในการอธิบายพลวัตของกระบวนการนิ่งคือฟังก์ชัน autocorrelation บางส่วน (PACF) สัมประสิทธิ์การคลายความสัมพันธ์บางส่วนที่ล้าหลังวัดค่าความสัมพันธ์เชิงเส้นระหว่างและปรับค่าของค่ากลาง ดังนั้นจึงเป็นเพียงค่าสัมประสิทธิ์ในรูปแบบการถดถอยเชิงเส้น: สมบัติของ PACF เทียบเท่ากับ ACF (4.8) - (4.10) และง่ายต่อการพิสูจน์ว่า (Box and Jenkins 1976) เช่นเดียวกับ ACF ฟังก์ชัน autocorrelation บางส่วนไม่ขึ้นอยู่กับหน่วยของการวัดและจะแสดงโดยใช้กราฟแท่งที่ค่าความผิดพลาดที่ไม่เป็นนัยซึ่งเรียกว่า correlogram บางส่วน สมบัติเชิงพลวัตของแต่ละรูปแบบนิ่งจึงเป็นตัวกำหนดรูปร่างเฉพาะของ correlograms นอกจากนี้ยังสามารถแสดงให้เห็นว่าสำหรับกระบวนการนิ่งใด ๆ ทั้งสองฟังก์ชัน ACF และ PACF ให้เข้าใกล้ศูนย์เนื่องจากความล่าช้ามีแนวโน้มที่จะไม่มีที่สิ้นสุด โมเดลไม่ใช่กระบวนการหยุดนิ่งเสมอดังนั้นจึงต้องมีการกำหนดเงื่อนไขสำหรับการหยุดนิ่ง มีชั้นย่อยของแบบจำลองที่มีคุณสมบัติพิเศษเพื่อที่เราจะได้ศึกษาแยกจากกัน ดังนั้นเมื่อและมันเป็นกระบวนการเสียงสีขาว เมื่อใดก็ตามที่เป็นกระบวนการเฉลี่ยของการสั่งซื้อโดยเฉลี่ย และเมื่อเป็นกระบวนการอัตโนมัติ autoregressive สั่ง . 4.2.1 กระบวนการเสียงสีขาวรูปแบบที่ง่ายที่สุดคือกระบวนการเสียงสีขาวซึ่งเป็นลำดับของตัวแปรศูนย์ที่ไม่สัมพันธ์กับค่าความแปรปรวนคงที่ มันแสดงด้วย กระบวนการนี้เป็นนิ่งถ้าค่าความแปรปรวนของมันมี จำกัด , ตั้งแต่ระบุว่า: ตรวจสอบเงื่อนไข (4.1) - (4.3) นอกจากนี้ยังไม่มีการเทียบเคียงกับเวลาดังนั้นฟังก์ชันความแปรปรวนแบบอัตโนมัติคือรูปที่ 4.7 แสดงชุดเวลาจำลองสองชุดที่สร้างขึ้นจากกระบวนการที่มีค่าศูนย์และค่าศูนย์และ -0.7 ตามลำดับ พารามิเตอร์ autoregressive วัดการคงอยู่ของเหตุการณ์ที่ผ่านมาไว้เป็นค่าปัจจุบัน ตัวอย่างเช่นถ้าการช็อกแบบบวก (หรือเชิงลบ) ส่งผลกระทบในทางบวก (หรือลบ) ในช่วงระยะเวลาหนึ่งซึ่งยาวนานกว่าค่าของ เมื่อซีรี่ส์เคลื่อนที่ไปมาประมาณค่าเฉลี่ยเนื่องจากการหมุนเวียนไปในทิศทางของผลกระทบของการช็อตที่ส่งผลกระทบในทางบวกในขณะนี้มีผลเสียต่อบวกเข้า กระบวนการนี้สามารถเปลี่ยนแปลงได้เสมอและเป็นนิ่งอยู่เมื่อพารามิเตอร์ของรูปแบบถูก จำกัด ให้อยู่ในพื้นที่ เพื่อพิสูจน์สภาพคงที่ก่อนอื่นเราเขียนในรูปแบบค่าเฉลี่ยเคลื่อนที่โดย recursive substitution of (4.14): รูปที่ 4.8: correlograms ประชากรสำหรับกระบวนการนั่นคือผลรวมถ่วงน้ำหนักของนวัตกรรมที่ผ่านมา น้ำหนักขึ้นอยู่กับค่าพารามิเตอร์: เมื่อใดก็ตามที่ (หรือ) อิทธิพลของนวัตกรรมที่กำหนดเพิ่มขึ้น (หรือลดลง) ตามเวลา คาดหวังให้ (4.15) เพื่อคำนวณค่าเฉลี่ยของกระบวนการเราได้รับ: ระบุว่าผลที่ได้คือผลรวมของเงื่อนไขที่ไม่สิ้นสุดที่ converges สำหรับค่าทั้งหมดเฉพาะถ้าในกรณีนี้ ปัญหาที่คล้ายกันนี้จะปรากฏขึ้นเมื่อเราคำนวณช่วงเวลาที่สอง พิสูจน์ได้ง่ายสมมติว่านั่นคือ จากนั้นความแปรปรวนคือ: อีกครั้งความแปรปรวนจะไปถึงอินฟินิตี้ยกเว้นในกรณีนี้ ง่ายต่อการตรวจสอบว่าทั้งค่าเฉลี่ยและความแปรปรวนระเบิดได้เมื่อเงื่อนไขดังกล่าวไม่ถือ ดังนั้นฟังก์ชันออโตโคเวียร์เรชั่นของกระบวนการนิ่งคือดังนั้นฟังก์ชันความสัมพันธ์แบบอิสระสำหรับแบบคงที่คือนั่นคือ correlogram แสดงการสลายตัวที่เป็นบวกด้วยค่าบวกเสมอถ้าเป็นบวกและมีการบวกทางบวกเชิงลบถ้าเป็นค่าลบ (ดูรูปที่ 4.8) นอกจากนี้อัตราการสลายตัวลดลงตามการเพิ่มขึ้นดังนั้นยิ่งค่าของความสัมพันธ์แบบไดนามิกที่แข็งแกร่งขึ้นในกระบวนการเท่านั้น สุดท้ายมีการตัดในฟังก์ชันความสัมพันธ์อิสระบางส่วนในช่วงแรก รูปที่ 4.9: correlograms ประชากรสำหรับกระบวนการสามารถแสดงให้เห็นว่ากระบวนการทั่วไป (Box and Jenkins 1976): อยู่นิ่งถ้ารากของสมการเฉพาะของพหุนามอยู่นอกวงกลมของหน่วย ความหมายของรูปแบบนิ่งคือ มีค่า invertible อยู่เสมอสำหรับค่าของพารามิเตอร์ใด ๆ ACTS จะไปเป็นศูนย์เป็นเลขชี้กำลังเมื่อรากของจริงหรือกับความผันผวนของคลื่นไซน์โคไซน์เมื่อมีความซับซ้อน PACF ของมันมีจุดตัดที่ความล่าช้านั่นคือตัวอย่างบางส่วนของ correlograms สำหรับรูปแบบที่ซับซ้อนมากขึ้นเช่น, สามารถดูได้ในรูปที่ 4.9 พวกเขามีความคล้ายคลึงกับรูปแบบเมื่อกระบวนการมีรากจริง แต่ใช้รูปร่างที่แตกต่างกันมากเมื่อรากมีความซับซ้อน (ดูคู่แรกของกราฟิกในรูปที่ 4.9) 4.2.4 โมเดลเฉลี่ยเคลื่อนที่แบบอัตโนมัติ (Autoregressive Moving Average Model) รูปแบบการเคลื่อนที่แบบอัตโนมัติเฉลี่ย (แบบ จำกัด ) ของออร์เดอร์คือ: กระบวนการเกิดข้อผิดพลาดในการเคลื่อนที่เฉลี่ยโดยอัตโนมัติ (ข้อผิดพลาด ARMA) และโมเดลอื่นที่เกี่ยวข้องกับความล่าช้าของข้อกำหนดข้อผิดพลาดสามารถประมาณได้โดยใช้คำสั่ง FIT และจำลองหรือคาดการณ์โดยใช้คำชี้แจง SOLVE โมเดล ARMA สำหรับกระบวนการข้อผิดพลาดมักใช้กับโมเดลที่มีส่วนที่ตกค้าง autocorrelated มาโคร AR สามารถใช้เพื่อระบุโมเดลที่มีกระบวนการเกิดข้อผิดพลาดแบบอัตโนมัติ แมโคร MA สามารถใช้เพื่อระบุโมเดลที่มีกระบวนการเกิดข้อผิดพลาดในการเคลื่อนที่โดยเฉลี่ย ข้อผิดพลาดแบบอัตโนมัติ (Autoregressive Errors) แบบจำลองที่มีข้อผิดพลาดในการตอบสนองอัตโนมัติอันดับแรก AR (1) มีรูปแบบในขณะที่กระบวนการข้อผิดพลาด AR (2) มีรูปแบบอื่น ๆ สำหรับกระบวนการที่มีลำดับขั้นสูง โปรดทราบว่า s มีความเป็นอิสระและมีการแจกแจงแบบเดียวกันและมีค่าที่คาดว่าจะเท่ากับ 0 ตัวอย่างของรูปแบบที่มีส่วนประกอบ AR (2) เป็นเช่นนี้สำหรับกระบวนการที่มีลำดับขั้นสูง ตัวอย่างเช่นคุณสามารถเขียนแบบจำลองการถดถอยเชิงเส้นแบบง่ายๆโดยมีข้อผิดพลาดในการเคลื่อนที่เฉลี่ยของ MA (2) เนื่องจาก MA1 และ MA2 เป็นค่าเฉลี่ยเคลื่อนที่ โปรดทราบว่า RESID. Y ถูกกำหนดโดย PROC MODEL โดยอัตโนมัติเนื่องจากต้องใช้ฟังก์ชัน ZLAG สำหรับโมเดล MA เพื่อตัดทอนการซ้ำซ้อนของความล่าช้า เพื่อให้แน่ใจว่าข้อผิดพลาดที่ล่าช้าเริ่มต้นที่ศูนย์ในระยะล่มเหนี่ยวและไม่เผยแพร่ค่าที่ขาดหายไปเมื่อตัวแปรลุ่มหลางพร้อยช่วงขาดหายไปและเพื่อให้แน่ใจว่าข้อผิดพลาดในอนาคตเป็นศูนย์แทนที่จะหายไประหว่างการจำลองหรือการคาดการณ์ สำหรับรายละเอียดเกี่ยวกับฟังก์ชันล่าช้าให้ดูที่ส่วน Lag Logic รูปแบบนี้เขียนโดยใช้มาโครแมคโครมีดังต่อไปนี้รูปแบบทั่วไปสำหรับโมเดล ARMA กระบวนการ ARMA ทั่วไป (p, q) มีรูปแบบต่อไปนี้รูปแบบ ARMA (p, q) สามารถระบุได้ดังต่อไปนี้: ที่ AR i และ MA j เป็นตัวแทน พารามิเตอร์ autoregressive และ moving average สำหรับความล่าช้าต่างๆ คุณสามารถใช้ชื่อใด ๆ ที่คุณต้องการสำหรับตัวแปรเหล่านี้ได้และมีวิธีการต่างๆมากมายที่สามารถเขียนข้อกำหนดได้ กระบวนการ ARMA แบบเวกเตอร์สามารถประมาณด้วย PROC MODEL ตัวอย่างเช่นตัวแปรสองตัวแปร AR (1) สำหรับข้อผิดพลาดของตัวแปรภายในสองตัว Y1 และ Y2 สามารถระบุได้ดังต่อไปนี้ปัญหา Convergence กับ ARMA Models รูปแบบ ARMA อาจเป็นเรื่องยากที่จะประมาณ หากค่าประมาณของพารามิเตอร์ไม่อยู่ในช่วงที่เหมาะสมโมเดลที่เหลืออยู่ของค่าเฉลี่ยเคลื่อนที่จะเพิ่มขึ้นเป็นทวีคูณ ส่วนที่เหลือที่คำนวณได้สำหรับข้อสังเกตในภายหลังอาจมีขนาดใหญ่มากหรืออาจล้น ซึ่งอาจเกิดขึ้นได้เนื่องจากค่าเริ่มต้นที่ไม่เหมาะสมถูกนำมาใช้หรือเนื่องจากการทำซ้ำได้ย้ายออกไปจากค่าที่สมเหตุสมผล ควรใช้ความระมัดระวังในการเลือกค่าเริ่มต้นสำหรับพารามิเตอร์ ARMA ค่าเริ่มต้นของ 0.001 สำหรับพารามิเตอร์ ARMA จะทำงานถ้ารูปแบบตรงกับข้อมูลที่ดีและปัญหาเป็นอย่างดีปรับอากาศ โปรดสังเกตว่าแบบจำลอง MA มักจะถูกประมาณด้วยรูปแบบ AR ที่มีลำดับสูงและในทางกลับกัน ซึ่งจะส่งผลให้เกิดความร่วมมือในระดับสูงในรูปแบบ ARMA แบบผสมซึ่งอาจทำให้เกิดการไม่ปฏิบัติอย่างร้ายแรงในการคำนวณและความไม่แน่นอนของการประมาณค่าพารามิเตอร์ หากคุณมีปัญหาเรื่องการลู่เข้าในขณะที่ประมาณแบบที่มีกระบวนการแก้ไขข้อผิดพลาด ARMA ให้ลองประมาณในขั้นตอน ขั้นแรกให้ใช้คำชี้แจง FIT เพื่อประมาณค่าพารามิเตอร์โครงสร้างที่มีพารามิเตอร์ ARMA ที่จัดไว้ให้เป็นศูนย์ (หรือก่อนการประมาณการที่สมเหตุสมผลหากมี) จากนั้นใช้คำสั่ง FIT อื่นเพื่อประมาณค่าพารามิเตอร์ ARMA เท่านั้นโดยใช้ค่าพารามิเตอร์โครงสร้างจากครั้งแรก เนื่องจากค่าของพารามิเตอร์โครงสร้างมีแนวโน้มที่ใกล้เคียงกับการประมาณขั้นสุดท้ายแล้วค่าพารามิเตอร์ ARMA จึงอาจมาบรรจบกัน สุดท้ายใช้คำสั่ง FIT อื่นเพื่อสร้างการประมาณค่าพารามิเตอร์ทั้งหมดพร้อมกัน เนื่องจากค่าเริ่มต้นของพารามิเตอร์นี้มีแนวโน้มใกล้เคียงกับการประมาณการร่วมขั้นสุดท้ายแล้วการประมาณการควรจะรวมกันได้อย่างรวดเร็วหากรูปแบบเหมาะสมกับข้อมูล เงื่อนไขเริ่มต้นของ AR ความล่าช้าเบื้องต้นของข้อผิดพลาดของ AR (p) สามารถจำลองได้หลายแบบ วิธีการเริ่มต้นของข้อผิดพลาด autoregressive ที่ได้รับการสนับสนุนโดย SASETS มีดังต่อไปนี้: เงื่อนไขอย่างน้อยสี่เหลี่ยม (ขั้นตอน ARIMA และ MODEL) รูปสี่เหลี่ยมผืนผ้าน้อยที่สุดที่ไม่มีเงื่อนไข (ขั้นตอน AUTOREG ARIMA และ MODEL) โอกาสสูงสุด (AUTOREG, ARIMA และ MODEL procedures) Yule-Walker (AUTOREG ขั้นตอนเท่านั้น) Hildreth-Lu ซึ่งจะลบข้อสังเกตแรก (ขั้นตอน MODEL เท่านั้น) ดูบทที่ 8 ขั้นตอน AUTOREG เพื่ออธิบายและอภิปรายถึงประโยชน์ของวิธีการเริ่มต้น AR (p) ต่างๆ การเริ่มต้น CLS, ULS, ML และ HL สามารถทำได้โดย PROC MODEL สำหรับข้อผิดพลาด AR (1) การเตรียมใช้งานเหล่านี้จะสามารถผลิตได้ดังแสดงในตารางที่ 18.2 วิธีการเหล่านี้เทียบเท่ากับตัวอย่างขนาดใหญ่ ตาราง 18.2 การเริ่มต้นดำเนินการโดย PROC MODEL: AR (1) ERRORS ความล่าช้าในการเริ่มต้นของข้อผิดพลาดของ MA (q) รุ่นนี้สามารถจำลองได้ด้วยวิธีต่างๆ กระบวนงาน ARIMA และ MODEL ได้รับการสนับสนุนตามขั้นตอนเริ่มต้นข้อผิดพลาดโดยเฉลี่ยต่อไปนี้: ขั้นต่ำสุดของเงื่อนไขน้อยที่สุดของเงื่อนไขการประมาณค่าข้อผิดพลาดโดยเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ไม่เหมาะสมเนื่องจากไม่สนใจปัญหาการเริ่มต้น ซึ่งจะช่วยลดประสิทธิภาพของการประมาณแม้ว่าจะยังคงเป็นกลาง ส่วนที่เหลือล้าหลังเริ่มต้นขยายก่อนการเริ่มต้นของข้อมูลถือว่าเป็น 0 ค่าที่คาดว่าจะไม่มีเงื่อนไข นี่เป็นการแนะนำความแตกต่างระหว่างส่วนที่เหลือเหล่านี้กับเศษที่เหลือน้อยที่สุดสำหรับความแปรปรวนร่วมเฉลี่ยที่เคลื่อนไหวซึ่งแตกต่างจากโมเดลอัตถิภาวนิยมยังคงอยู่ในชุดข้อมูล โดยปกติความแตกต่างนี้ลู่เข้าหากันอย่างรวดเร็วเป็น 0 แต่สำหรับกระบวนการเคลื่อนที่โดยเฉลี่ยที่ไม่สามารถพลิกผันลู่เข้าได้ค่อนข้างช้า เพื่อลดปัญหานี้คุณควรมีข้อมูลจำนวนมากและค่าพารามิเตอร์เฉลี่ยเคลื่อนไหวจะอยู่ในช่วงที่มีการเปลี่ยนแปลงได้ ปัญหานี้สามารถแก้ไขได้ด้วยค่าใช้จ่ายในการเขียนโปรแกรมที่ซับซ้อนมากขึ้น การประมาณค่ากำลังสองน้อยสุดที่ไม่มีเงื่อนไขสำหรับกระบวนการ MA (1) สามารถผลิตได้โดยการระบุรูปแบบดังนี้: ข้อผิดพลาดในการเคลื่อนที่เฉลี่ยอาจเป็นเรื่องยากที่จะประมาณได้ คุณควรพิจารณาการใช้ค่าประมาณ AR (p) กับค่าเฉลี่ยเคลื่อนที่ กระบวนการเฉลี่ยโดยเฉลี่ยอาจเป็นไปในทางเดียวกันโดยกระบวนการอัตโนมัติหากข้อมูลไม่ได้รับการปรับให้เรียบหรือแตกต่างกัน อาร์เรย์ AR มาโคร SAS สร้างอาร์เรย์การเขียนโปรแกรมสำหรับ PROC MODEL สำหรับโมเดลอัตถดถอย มาโคร AR เป็นส่วนหนึ่งของซอฟต์แวร์ SASETS และไม่มีตัวเลือกพิเศษที่ต้องตั้งค่าให้ใช้มาโคร กระบวนการอัตโนมัติสามารถนำไปใช้กับข้อผิดพลาดของสมการโครงสร้างหรือชุดภายในของตัวเองได้ อาร์กิวเมนต์ AR สามารถใช้สำหรับการทำงานแบบอัตโนมัติดังต่อไปนี้: การ จำกัด การให้อิสระแบบไม่ จำกัด แบบ จำกัด การอัตถิภาพแบบอัตโนมัติแบบอิสระ Univariate Autoregression ในการสร้างแบบจำลองคำผิดพลาดของสมการในรูปแบบอัตชีวประวัติให้ใช้คำสั่งต่อไปนี้หลังจากสมการ: ตัวอย่างเช่นสมมติว่า Y เป็น a ฟังก์ชันเชิงเส้นของ X1, X2 และข้อผิดพลาด AR (2) คุณจะเขียนแบบนี้ดังต่อไปนี้การเรียกร้องให้ AR ต้องมาหลังจากสมการทั้งหมดที่ใช้กับกระบวนการ การเรียกใช้แมโครก่อนหน้านี้ AR (y, 2) จะแสดงคำสั่งที่แสดงในผลลัพธ์ของ LIST ในรูปที่ 18.58 รูปที่ 18.58 ตัวเลือกตัวเลือกรายการสำหรับรุ่น AR (2) ตัวแปร PRED prefixed เป็นตัวแปรโปรแกรมชั่วคราวที่ใช้เพื่อให้ความล้าหลังของส่วนที่เหลือเป็นส่วนที่เหลือที่ถูกต้องและไม่ได้ถูกนิยามใหม่โดยสมการนี้ โปรดทราบว่านี่เทียบเท่ากับคำสั่งที่ระบุไว้อย่างชัดเจนในส่วน General Form for ARMA Models นอกจากนี้คุณยังสามารถ จำกัด ค่าพารามิเตอร์ autoregressive ให้เป็นศูนย์เมื่อเลือกล่าช้า ตัวอย่างเช่นถ้าคุณต้องการพารามิเตอร์ autoregressive ที่ lags 1, 12 และ 13 คุณสามารถใช้คำสั่งต่อไปนี้: งบเหล่านี้สร้างผลลัพธ์ที่แสดงในรูปภาพ 18.59 รูปที่ 18.59 ตัวเลือกตัวเลือกรายการสำหรับรุ่น AR ที่มีความล่าช้าที่ 1, 12 และ 13 รายการขั้นตอนการทำแบบจำลองของคำสั่งรหัสโปรแกรมที่คอมไพล์เป็น PRED. yab ที่วิเคราะห์แล้ว 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 มี รูปแบบของวิธีกำลังสองน้อยสุดที่มีเงื่อนไขทั้งนี้ขึ้นอยู่กับว่าการสังเกตการณ์เมื่อเริ่มต้นชุดข้อมูลใช้เพื่ออุ่นเครื่องกระบวนการ AR หรือไม่ โดยค่าเริ่มต้นวิธีอาร์เรย์น้อยสุดเงื่อนไขแบบอาร์เรย์จะใช้ข้อสังเกตทั้งหมดและสันนิษฐานค่าศูนย์สำหรับระยะเวลาเริ่มต้นของข้อกำหนดเชิงอัตรกรรม เมื่อใช้ตัวเลือก M คุณสามารถขอให้ AR ใช้วิธีการน้อยที่สุดที่ไม่มีเงื่อนไข (ULS) หรือวิธี maximum-likelihood (ML) แทน ตัวอย่างเช่นการอภิปรายเกี่ยวกับวิธีการเหล่านี้มีอยู่ในส่วน AR เงื่อนไขเริ่มต้น เมื่อใช้ตัวเลือก MCLS n คุณสามารถขอให้มีการใช้การสังเกต n แรกเพื่อคำนวณค่าประมาณของค่าความผิดพลาดที่เกิดขึ้นก่อน autoregressive ในกรณีนี้การวิเคราะห์จะเริ่มต้นด้วยการสังเกตการณ์ n 1. ตัวอย่างเช่นคุณสามารถใช้มาโคร AR เพื่อใช้โมเดลอัตถิภาวนากับตัวแปรภายนอกได้แทนที่จะใช้คำจำกัดความข้อผิดพลาดโดยใช้ตัวเลือก TYPEV ตัวอย่างเช่นถ้าคุณต้องการเพิ่มห้าลาก่อนที่ผ่านมาของ Y ไปยังสมการในตัวอย่างก่อนหน้านี้คุณสามารถใช้ AR เพื่อสร้างพารามิเตอร์และล่าช้าโดยใช้คำสั่งต่อไปนี้: งบก่อนหน้านี้สร้างผลลัพธ์ที่แสดงในรูป 18.60 รูป 18.60 ตัวเลือกตัวเลือกรายการสำหรับรุ่น AR ของ Y โมเดลนี้คาดการณ์ว่า Y เป็นชุดค่าผสมเชิงเส้นของ X1, X2, การสกัดกั้นและค่าของ Y ในช่วงห้างวดล่าสุด การกำหนดอัตลักษณ์ของเวกเตอร์ที่ไม่ จำกัด เพื่อสร้างแบบจำลองข้อผิดพลาดของชุดสมการเป็นกระบวนการอัตรอัตรกรเชิงอัตรณ์แบบเวกเตอร์ให้ใช้รูปแบบอาร์เรย์ AR ต่อไปนี้หลังจากสมการ: ค่า processname คือชื่อใด ๆ ที่คุณจ่ายให้ AR เพื่อใช้ในการสร้างชื่อสำหรับอัตรอัตรอัตรณ์ พารามิเตอร์ คุณสามารถใช้มาโคร AR เพื่อสร้างกระบวนการ AR หลาย ๆ แบบสำหรับชุดสมการต่างๆโดยใช้ชื่อกระบวนการที่แตกต่างกันสำหรับแต่ละชุด ชื่อกระบวนการทำให้แน่ใจได้ว่าชื่อตัวแปรที่ใช้จะไม่ซ้ำกัน ใช้ค่า processname สั้น ๆ สำหรับกระบวนการนี้ถ้าต้องประมาณค่าพารามิเตอร์ให้กับชุดข้อมูลขาออก มาโคร AR พยายามสร้างชื่อพารามิเตอร์ให้น้อยกว่าหรือเท่ากับแปดอักขระ แต่มีข้อ จำกัด ตามความยาวของ processname ซึ่งใช้เป็นคำนำหน้าสำหรับชื่อพารามิเตอร์ AR ตัวแปร variablelist คือรายการของตัวแปรภายในสำหรับสมการ ตัวอย่างเช่นสมมติว่าข้อผิดพลาดสำหรับสมการ Y1, Y2 และ Y3 ถูกสร้างขึ้นโดยกระบวนการอัตถิภาวนิยมแบบเวกเตอร์ลำดับที่สอง คุณสามารถใช้คำสั่งต่อไปนี้: ซึ่งสร้างข้อมูลต่อไปนี้สำหรับ Y1 และรหัสที่คล้ายกันสำหรับ Y2 และ Y3: สามารถใช้วิธีการเวกเตอร์เท่านั้นสำหรับวิธีเวคเตอร์เท่านั้น นอกจากนี้คุณยังสามารถใช้แบบฟอร์มเดียวกันกับข้อ จำกัด ที่ว่าค่าสัมประสิทธิ์เมทริกซ์เป็น 0 ที่ระยะเวลาที่เลือก ตัวอย่างเช่นข้อความต่อไปนี้ใช้กระบวนการเวกเตอร์ลำดับที่สามกับข้อผิดพลาดของสมการกับค่าสัมประสิทธิ์ทั้งหมดที่ความล่าช้า 2 จำกัด ไว้ที่ 0 และมีค่าสัมประสิทธิ์ที่ lags 1 และ 3 ที่ไม่ จำกัด : คุณสามารถจำลองสามชุด Y1Y3 เป็นกระบวนการอัตโนมัติแบบเวกเตอร์ ในตัวแปรแทนข้อผิดพลาดโดยใช้ตัวเลือก TYPEV ถ้าคุณต้องการจำลอง Y1Y3 เป็นฟังก์ชันของค่าที่ผ่านมาของ Y1Y3 และตัวแปรภายนอกหรือค่าคงที่บางตัวคุณสามารถใช้ AR เพื่อสร้างข้อความสำหรับข้อกำหนดล่าช้าได้ เขียนสมการสำหรับแต่ละตัวแปรสำหรับส่วนที่ไม่เป็นไปตามแนวตั้งของโมเดลจากนั้นให้เรียก AR พร้อมกับตัวเลือก TYPEV ตัวอย่างเช่นส่วนที่ไม่เป็นไปตามแนวความคิดของแบบจำลองสามารถเป็นหน้าที่ของตัวแปรภายนอกหรือสามารถตัดพารามิเตอร์ได้ หากไม่มีองค์ประกอบภายนอกที่เป็นแบบจำลองการโต้วาทีแบบเวกเตอร์รวมทั้งไม่มีการสกัดกั้นให้กำหนดค่าเป็นศูนย์ให้กับแต่ละตัวแปร ต้องมีการกำหนดให้กับแต่ละตัวแปรก่อนที่จะเรียกว่า AR ตัวอย่างนี้เป็นตัวอย่างของเวกเตอร์ Y (Y1 Y2 Y3) เป็นฟังก์ชันเชิงเส้นของค่าในช่วงสองช่วงก่อนหน้านี้และมีรูปแบบข้อผิดพลาดของสีขาว โมเดลมีพารามิเตอร์ 18 (3 3 3 3) ไวยากรณ์ของ AR Macro มีสองกรณีของไวยากรณ์ของแมโคร AR เมื่อข้อ จำกัด เกี่ยวกับกระบวนการเวกเตอร์ AR ไม่จำเป็นต้องใช้ไวยากรณ์ของมาโคร AR มีรูปแบบทั่วไประบุคำนำหน้าสำหรับ AR เพื่อใช้ในการสร้างชื่อของตัวแปรที่จำเป็นสำหรับการกำหนดกระบวนการ AR ถ้าไม่มีการระบุ endolist รายการ endogenous จะตั้งชื่อ ซึ่งจะต้องเป็นชื่อของสมการที่จะใช้กระบวนการข้อผิดพลาด AR ค่าชื่อต้องมีไม่เกิน 32 อักขระ เป็นลำดับของกระบวนการ AR ระบุรายการสมการที่จะใช้กระบวนการ AR ถ้ามีมากกว่าหนึ่งชื่อจะมีการสร้างกระบวนการเวกเตอร์ที่ไม่ จำกัด โดยมีส่วนที่เหลืออยู่ของสมการทั้งหมดที่รวมอยู่ใน regressors ในแต่ละสมการ ถ้าไม่ได้ระบุค่าเริ่มต้น endolist เพื่อตั้งชื่อ ระบุรายการล่าช้าที่จะเพิ่มเงื่อนไข AR ค่าสัมประสิทธิ์ของข้อตกลงที่ล่าช้าไม่อยู่ในรายการจะถูกตั้งค่าเป็น 0 ความล่าช้าที่ระบุทั้งหมดต้องน้อยกว่าหรือเท่ากับ nlag และต้องไม่มีรายการที่ซ้ำกัน ถ้าไม่ได้ระบุค่าล๊อคเกอร์จะผิดนัดกับ nlag ทั้งหมด 1 ถึง 1 ระบุวิธีการประมาณค่าที่จะใช้ ค่าที่ถูกต้องของ M คือ CLS (การประมาณการกำลังสองน้อยสุดเงื่อนไข), ULS (ค่าประมาณสี่เหลี่ยมจัตุรัสน้อยที่สุดไม่มีเงื่อนไข) และ ML (ค่าประมาณความน่าจะเป็นสูงสุด) MCLS เป็นค่าเริ่มต้น อนุญาตเฉพาะ MCLS เมื่อมีการระบุสมการมากกว่าหนึ่งสมการเท่านั้น วิธีการ ULS และ ML ไม่ได้รับการสนับสนุนสำหรับโมเดล AR ของเวกเตอร์โดย AR ระบุว่ากระบวนการ AR จะถูกนำไปใช้กับตัวแปรภายในตัวเองแทนการเหลือโครงสร้างของสมการ คุณสามารถควบคุมพารามิเตอร์ที่จะรวมอยู่ในกระบวนการ จำกัด ด้วยพารามิเตอร์ 0 เหล่านี้ที่คุณไม่ได้รวมไว้ ขั้นแรกให้ใช้ AR กับตัวเลือก DEFER เพื่อประกาศรายการตัวแปรและกำหนดขนาดของกระบวนการ จากนั้นใช้อาร์เรย์อาร์เรย์เพิ่มเติมเพื่อสร้างเงื่อนไขสำหรับสมการที่เลือกด้วยตัวแปรที่เลือกในช่วงเวลาที่เลือก ตัวอย่างเช่นสมการข้อผิดพลาดที่ผลิตมีดังต่อไปนี้โมเดลนี้ระบุว่าข้อผิดพลาดสำหรับ Y1 ขึ้นอยู่กับข้อผิดพลาดของทั้ง Y1 และ Y2 (แต่ไม่ใช่ Y3) ที่ทั้งล่าช้า 1 และ 2 และข้อผิดพลาดของ Y2 และ Y3 ขึ้นอยู่กับ ข้อผิดพลาดก่อนหน้านี้สำหรับตัวแปรทั้งสาม แต่เฉพาะที่ล่าช้า 1 อาร์คันซอไวยากรณ์สำหรับ AR ที่ถูก จำกัด การใช้ทางเลือกของ AR ได้รับอนุญาตให้กำหนดข้อ จำกัด ในกระบวนการเวกเตอร์ AR โดยการเรียก AR หลายครั้งเพื่อระบุเงื่อนไข AR ที่แตกต่างกันและล่าช้าสำหรับการที่แตกต่างกัน สมการ การเรียกครั้งแรกมีรูปแบบทั่วไประบุคำนำหน้าสำหรับ AR เพื่อใช้ในการสร้างชื่อของตัวแปรที่จำเป็นในการกำหนดกระบวนการ AR เวกเตอร์ ระบุลำดับของกระบวนการ AR ระบุรายการสมการที่จะใช้กระบวนการ AR ระบุว่า AR ไม่ใช่การสร้างกระบวนการ AR แต่ต้องรอข้อมูลเพิ่มเติมที่ระบุไว้ในการเรียก AR ในภายหลังสำหรับค่าชื่อเดียวกัน การโทรครั้งต่อไปจะมีรูปแบบทั่วไปเช่นเดียวกับในสายแรก ระบุรายการสมการที่จะใช้ข้อกำหนดในการเรียก AR นี้ เฉพาะชื่อที่ระบุไว้ใน endolist ค่าของสายแรกสำหรับชื่อค่าสามารถปรากฏในรายการของสมการใน eqlist ระบุรายชื่อสมการที่เหลืออยู่ของโครงสร้างที่เหลือจะถูกรวมเป็น regressors ในสมการใน eqlist เฉพาะชื่อใน endolist ของการเรียกครั้งแรกสำหรับค่าชื่อสามารถปรากฏใน varlist หากไม่ได้ระบุค่าเริ่มต้นของ varlist เพื่อ endolist ระบุรายการล่าช้าที่จะเพิ่มเงื่อนไข AR ค่าสัมบูรณ์ของข้อตกลงที่ล่าช้าไม่อยู่ในรายการถูกตั้งค่าเป็น 0 ความล่าช้าที่ระบุทั้งหมดต้องน้อยกว่าหรือเท่ากับค่าของ nlag และต้องไม่มีรายการที่ซ้ำกัน หากไม่ได้ระบุไว้ค่าเริ่มต้น laglist ไปยัง lags ทั้งหมด 1 ถึง nlag มาโครแมโครแมโคร SAS แมโคสร้างแถลงการเขียนโปรแกรมสำหรับ PROC MODEL สำหรับโมเดลเฉลี่ยเคลื่อนที่ MA แมโครเป็นส่วนหนึ่งของซอฟต์แวร์ SASETS และไม่มีตัวเลือกพิเศษที่จำเป็นในการใช้แมโคร กระบวนการความผิดพลาดโดยเฉลี่ยเคลื่อนที่สามารถใช้กับข้อผิดพลาดของสมการโครงสร้าง ไวยากรณ์ของ MA แมโครจะเหมือนกับแมโคร AR ยกเว้นไม่มีอาร์กิวเมนต์ TYPE เมื่อคุณใช้มาโคร MA และ AR รวมแมโคร MA ต้องเป็นไปตามมาโคร AR ข้อความ SASIML ต่อไปนี้ก่อให้เกิดข้อผิดพลาดของ ARMA (1, (1 3)) และบันทึกไว้ในชุดข้อมูล MADAT2 งบ PROC MODEL ต่อไปนี้ใช้เพื่อประมาณค่าพารามิเตอร์ของโมเดลนี้โดยใช้โครงสร้างข้อผิดพลาดสูงสุด: การประมาณค่าพารามิเตอร์ที่สร้างขึ้นโดยการดำเนินการนี้จะแสดงในรูปที่ 18.61 รูปที่ 18.61 ค่าประมาณจาก ARMA (1, (1 3)) Process มีไวยากรณ์ MA แมนวลสองกรณี เมื่อข้อ จำกัด ในกระบวนการเวกเตอร์แมสซาชูเซตส์ไม่จำเป็นต้องใช้ไวยากรณ์ของมาโครแมกกาซีนมีรูปแบบทั่วไประบุคำนำหน้าสำหรับแมสซาชูเซตส์ที่ใช้ในการสร้างชื่อของตัวแปรที่จำเป็นในการกำหนดกระบวนการแมสซาชูเซตส์และเป็น endolist เริ่มต้น คือลำดับของกระบวนการ MA ระบุสมการที่จะใช้กระบวนการ MA ถ้ามีมากกว่าหนึ่งชื่อการประมาณค่า CLS จะใช้สำหรับกระบวนการเวกเตอร์ ระบุความล่าช้าที่จะเพิ่ม MA terms ความล่าช้าที่ระบุทั้งหมดต้องน้อยกว่าหรือเท่ากับ nlag และต้องไม่มีรายการที่ซ้ำกัน ถ้าไม่ได้ระบุค่าล๊อคเกอร์จะผิดนัดกับ nlag ทั้งหมด 1 ถึง 1 ระบุวิธีการประมาณค่าที่จะใช้ ค่าที่ถูกต้องของ M คือ CLS (การประมาณการกำลังสองน้อยสุดเงื่อนไข), ULS (ค่าประมาณสี่เหลี่ยมจัตุรัสน้อยที่สุดไม่มีเงื่อนไข) และ ML (ค่าประมาณความน่าจะเป็นสูงสุด) MCLS เป็นค่าเริ่มต้น อนุญาตเฉพาะ MCLS เมื่อมีการระบุสมการมากกว่าหนึ่งสมการใน endolist ไวยากรณ์แมโคร MAro สำหรับการเคลื่อนที่แบบเวกเตอร์ที่ถูก จำกัด การใช้ MA แบบอื่นสามารถใช้กำหนดการ จำกัด เวกเตอร์แมสซาชูเซตส์ได้โดยการเรียก MA หลาย ๆ ครั้งเพื่อระบุเงื่อนไขของ MA และ Lags ที่แตกต่างกันสำหรับสมการที่ต่างกัน สายแรกมีรูปแบบทั่วไประบุคำนำหน้าสำหรับ MA เพื่อใช้ในการสร้างชื่อของตัวแปรที่จำเป็นในการกำหนดเวกเตอร์แมสซาชูเซตส์ ระบุลำดับของกระบวนการ MA ระบุรายการสมการที่จะใช้กระบวนการ MA ระบุว่า MA ไม่ได้สร้างกระบวนการ MA แต่ต้องรอข้อมูลเพิ่มเติมที่ระบุไว้ในการเรียก MA ในภายหลังสำหรับค่าชื่อเดียวกัน การโทรครั้งต่อไปจะมีรูปแบบทั่วไปเช่นเดียวกับในสายแรก ระบุรายการสมการที่จะใช้ข้อกำหนดในการโทร MA นี้ ระบุรายชื่อสมการที่เหลืออยู่ของโครงสร้างที่เหลือจะถูกรวมเป็น regressors ในสมการใน eqlist ระบุลำดับของความล่าช้าที่จะเพิ่ม MA term การจำลองแบบเคลื่อนไหวเฉลี่ย (First Order) การสาธิตถูกตั้งค่าให้มีการใช้จุดสุ่มแบบเดียวกับที่ไม่ว่าค่าคงที่จะมีการเปลี่ยนแปลงเท่าไร อย่างไรก็ตามเมื่อกดปุ่ม quotrandomizequot จะมีการสร้างและใช้ชุดแบบสุ่มใหม่ การรักษาแบบสุ่มให้เหมือนกันช่วยให้ผู้ใช้สามารถมองเห็นผลกระทบของชุดค่าผสม ARMA ได้อย่างแม่นยำ ค่าคงที่ถูก จำกัด ไว้ที่ (-1,1) เนื่องจากความแตกต่างของผลลัพธ์ของชุด ARMA เมื่อ การสาธิตคือขั้นตอนการสั่งซื้อครั้งแรกเท่านั้น คำศัพท์ AR เพิ่มเติมจะช่วยให้สามารถสร้างชุดที่ซับซ้อนขึ้นได้ในขณะที่ข้อกำหนดเพิ่มเติมของ MA จะช่วยเพิ่มความเรียบ สำหรับรายละเอียดของกระบวนการ ARMA ดูตัวอย่างเช่น G. Box, G. M. Jenkins และ G. Reinsel, Time Series Analysis: Forecasting and Control 3rd ed. (MA models) แบบจำลองของซีรีส์เวลาที่รู้จักกันในชื่อ ARIMA models อาจรวมถึงข้อกำหนดเชิงอัตรกรรมและเงื่อนไขการเคลื่อนที่โดยเฉลี่ย ในสัปดาห์ที่ 1 เราได้เรียนรู้คำอัตโนมัติในรูปแบบชุดเวลาสำหรับตัวแปร x t เป็นค่า lag ของ x t ตัวอย่างเช่นคำจำกัดความที่ล่าช้า 1 คือ x t-1 (คูณด้วยสัมประสิทธิ์) บทเรียนนี้กำหนดคำศัพท์เฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่ในรูปแบบของชุดเวลาเป็นข้อผิดพลาดที่ผ่านมา (คูณด้วยสัมประสิทธิ์) อนุญาต (wt overset N (0, sigma2w)) ซึ่งหมายความว่า w w เป็นเหมือนกันกระจายอย่างอิสระแต่ละอันมีการแจกแจงแบบปกติมีค่าเฉลี่ย 0 และค่าความแปรปรวนเดียวกัน รูปแบบการเคลื่อนที่โดยเฉลี่ยที่ 1 แสดงโดย MA (1) คือ (xt mu wt theta1w) รูปแบบการเคลื่อนที่โดยเฉลี่ยแบบที่ 2 แสดงโดย MA (2) คือ (xt mu wt theta1w theta2w) , แสดงโดย MA (q) คือ (xt หมู่น้ำหนักเบา theta1w theta2w จุด thetaqu) หมายเหตุ ตำราเรียนและโปรแกรมซอฟต์แวร์จำนวนมากกำหนดรูปแบบที่มีสัญญาณเชิงลบก่อนข้อกำหนด นี้ไม่ได้เปลี่ยนคุณสมบัติทางทฤษฎีทั่วไปของรูปแบบแม้ว่าจะไม่พลิกสัญญาณเกี่ยวกับพีชคณิตของค่าสัมประสิทธิ์ประมาณและเงื่อนไข (unsquared) ในสูตรสำหรับ ACFs และความแปรปรวน คุณจำเป็นต้องตรวจสอบซอฟต์แวร์ของคุณเพื่อตรวจสอบว่ามีการใช้เครื่องหมายเชิงลบหรือบวกในการเขียนแบบจำลองที่ถูกต้องหรือไม่ R ใช้เครื่องหมายบวกในโมเดลต้นแบบดังที่เราทำที่นี่ คุณสมบัติเชิงทฤษฎีของซีรี่ส์เวลากับแบบ MA (1) โปรดทราบว่าค่าที่ไม่ใช่ศูนย์เดียวใน ACF ทางทฤษฎีเป็นค่าความล่าช้า 1 autocorrelations อื่น ๆ ทั้งหมดเป็น 0 ดังนั้นตัวอย่าง ACF กับ autocorrelation อย่างมีนัยสำคัญเท่านั้นที่ล่าช้า 1 เป็นตัวบ่งชี้ของรูปแบบที่เป็นไปได้ MA (1) สำหรับนักเรียนที่สนใจการพิสูจน์คุณสมบัติเหล่านี้เป็นส่วนเสริมของเอกสารฉบับนี้ ตัวอย่างที่ 1 สมมติว่าแบบจำลอง MA (1) คือ x t 10 w t .7 w t-1 ที่ไหน (น้ำหนักเกิน N (0,1)) ดังนั้นค่าสัมประสิทธิ์ 1 0.7 ทฤษฎี ACF ได้รับโดยพล็อตของ ACF นี้ดังนี้ พล็อตที่แสดงให้เห็นคือทฤษฎี ACF สำหรับ MA (1) กับ 1 0.7 ในทางปฏิบัติตัวอย่างมักไม่ค่อยให้รูปแบบที่ชัดเจนเช่นนี้ ใช้ R เราจำลองค่า n 100 ตัวอย่างโดยใช้โมเดล x t 10 w t .7 w t-1 โดยที่ w t iid N (0,1) สำหรับการจำลองแบบนี้ข้อมูลพร็อพเพอร์ตี้ตามเวลาจะเป็นดังนี้ เราไม่สามารถบอกได้มากจากพล็อตนี้ ตัวอย่าง ACF สำหรับข้อมูลจำลองดังต่อไปนี้ เราจะเห็นการเพิ่มขึ้นของความล่าช้าที่ 1 ตามด้วยค่าที่ไม่ใช่นัยสำคัญสำหรับความล่าช้าในอดีต 1. โปรดทราบว่าตัวอย่าง ACF ไม่ตรงกับรูปแบบทางทฤษฎีของ MA ต้นแบบ (1) ซึ่งเป็นค่าความสัมพันธ์ระหว่างความล่าช้าทั้งหมดที่ผ่านมา 1 จะเป็น 0 ตัวอย่างที่แตกต่างกันจะมีตัวอย่าง ACF ที่แตกต่างกันเล็กน้อยที่แสดงด้านล่าง แต่อาจมีลักษณะกว้างเช่นเดียวกัน สมบัติทางทฤษฎีของแบบเวลากับแบบ MA (2) สำหรับแบบจำลอง MA (2) คุณสมบัติทางทฤษฎีมีดังต่อไปนี้: โปรดสังเกตว่าค่าที่ไม่ใช่ศูนย์เดียวใน ACF ทางทฤษฎีมีความล่าช้า 1 และ 2 ค่าความสัมพันธ์กับความล่าช้าที่สูงขึ้นคือ 0 ดังนั้น ACF ตัวอย่างกับ autocorrelations อย่างมีนัยสำคัญที่ล่าช้า 1 และ 2 แต่ autocorrelations ที่ไม่สำคัญสำหรับความล่าช้าสูงแสดงให้เห็นถึงรูปแบบที่เป็นไปได้ MA (2) iid N (0,1) ค่าสัมประสิทธิ์คือ 1 0.5 และ 2 0.3 เนื่องจากนี่คือ MA (2) ทฤษฎี ACF จะมีค่าที่ไม่ใช่ศูนย์เฉพาะที่ล่าช้า 1 และ 2 ค่าของสอง autocorrelations ไม่ใช่ศูนย์เป็นพล็อตของทฤษฎี ACF ดังต่อไปนี้ เกือบตลอดเวลาเป็นกรณีตัวอย่างข้อมูลเคยชินทำงานค่อนข้างสมบูรณ์เพื่อเป็นทฤษฎี เราจำลองค่าตัวอย่าง 150 ตัวอย่างสำหรับรุ่น x t 10 w t .5 w t-1 .3 w t-2 โดยที่ w t iid N (0,1) พล็อตชุดข้อมูลตามลำดับ เช่นเดียวกับชุดข้อมูลอนุกรมเวลาสำหรับข้อมูลตัวอย่าง MA (1) คุณไม่สามารถบอกได้มากจากข้อมูล ตัวอย่าง ACF สำหรับข้อมูลจำลองดังต่อไปนี้ รูปแบบเป็นเรื่องปกติสำหรับสถานการณ์ที่โมเดล MA (2) อาจเป็นประโยชน์ มีสอง spikes ที่สำคัญอย่างมีนัยสำคัญที่ล่าช้า 1 และ 2 ตามด้วยค่าที่ไม่สำคัญสำหรับความล่าช้าอื่น ๆ โปรดทราบว่าเนื่องจากข้อผิดพลาดในการสุ่มตัวอย่างตัวอย่าง ACF ไม่ตรงกับรูปแบบทางทฤษฎีเลย ACF for General MA (q) Models คุณสมบัติของโมเดล MA (q) โดยทั่วไปคือมีความสัมพันธ์กับค่าที่ไม่ใช่ศูนย์สำหรับ q lags แรกและ autocorrelations 0 สำหรับ lags ทั้งหมด gtq ความไม่เป็นเอกลักษณ์ของการเชื่อมต่อระหว่างค่า 1 และ (rho1) ในรูปแบบ MA (1) ในรูปแบบ MA (1) สำหรับค่า 1 1 1 ซึ่งกันและกันให้ค่าเช่นเดียวกับตัวอย่างให้ใช้ 0.5 เป็นเวลา 1 จากนั้นใช้ 1 (0.5) 2 เป็นเวลา 1 คุณจะได้รับ (rho1) 0.4 ในทั้งสองกรณี เพื่อตอบสนองข้อ จำกัด ทางทฤษฎีที่เรียกว่า invertibility เรา จำกัด โมเดล MA (1) ให้มีค่าที่มีค่าสัมบูรณ์น้อยกว่า 1. ในตัวอย่างที่ให้ไว้เพียงแค่ 1 0.5 จะเป็นค่าพารามิเตอร์ที่อนุญาตได้ในขณะที่ 1 10.5 2 จะไม่ ความผันแปรของรูปแบบ MA แบบจำลอง MA กล่าวได้ว่าเป็น invertible ถ้าเป็นพีชคณิตเทียบเท่ากับรูปแบบ AR อนันต์ converging โดยการบรรจบกันเราหมายถึงค่าสัมประสิทธิ์ของ AR ลดลงเป็น 0 เมื่อเราเคลื่อนที่ย้อนกลับไปในเวลา Invertibility คือข้อจํากัดที่ตั้งโปรแกรมเป็นซอฟต์แวร์ชุดเวลาที่ใช้ในการประมาณสัมประสิทธิ์ของแบบจำลองที่มีเงื่อนไขของ MA ไม่ใช่สิ่งที่เราตรวจสอบในการวิเคราะห์ข้อมูล ข้อมูลเพิ่มเติมเกี่ยวกับข้อ จำกัด ด้านความสามารถในการซ่อนตัวของ MA (1) ได้รับในภาคผนวก ทฤษฎีขั้นสูงหมายเหตุ สำหรับแบบจำลอง MA (q) ที่มี ACF ที่ระบุมีรูปแบบที่มีการเปลี่ยนแปลงได้เพียงแบบเดียว เงื่อนไขที่จำเป็นสำหรับ invertibility คือสัมประสิทธิ์มีค่าเช่นว่าสมการ 1- 1 y - - q y q 0 มีคำตอบสำหรับ y ที่อยู่นอกวงกลมหน่วย R รหัสสำหรับตัวอย่างในตัวอย่างที่ 1 เราได้วางแผนทฤษฎี ACF ของโมเดล x t 10 w t 7w t-1 จากนั้นจำลองค่า n 150 จากแบบจำลองนี้และวางแผนตัวอย่างซีพียูและตัวอย่าง ACF สำหรับข้อมูลจำลอง คำสั่ง R ที่ใช้ในการวางแผน ACF ทางทฤษฎีคือ acfma1ARMAacf (mac (0.7), lag. max10) 10 ACL ล่าช้าสำหรับ MA (1) กับ theta1 0.7 lags0: 10 สร้างตัวแปรล่าช้าที่มีตั้งแต่ 0 ถึง 10 (h0) เพิ่มแกนนอนลงในพล็อตคำสั่งแรกกำหนด ACF และจัดเก็บไว้ในอ็อบเจกต์ (ACF) และจะมีการจัดเก็บข้อมูลไว้ในออปเจ็กต์ (acfma1, xlimc (1,10), ylabr, typeh, ACF หลักสำหรับ MA (1) ด้วย theta1 0.7) ชื่อ acfma1 (เลือกชื่อของเรา) พล็อตคำสั่ง (คำสั่งที่ 3) แปลงล่าช้ากับค่า ACF สำหรับล่าช้า 1 ถึง 10 พารามิเตอร์ ylab ตั้งชื่อแกน y และพารามิเตอร์หลักจะทำให้ชื่อเรื่องเป็นพล็อต หากต้องการดูค่าตัวเลขของ ACF เพียงแค่ใช้คำสั่ง acfma1 การจำลองและแปลงทำตามคำสั่งต่อไปนี้ xcarima. sim (n150 รายการ (mac (0.7))) เลียนแบบ n 150 ค่าจาก MA (1) xxc10 เพิ่ม 10 เพื่อให้ค่าเฉลี่ย 10. ค่าเริ่มต้นของการจำลองจะหมายถึง 0. plot (x, typeb, mainSimulated MA (1) data) acf (x, xlimc (1,10), mainACF สำหรับข้อมูลตัวอย่างจำลอง) ในตัวอย่างที่ 2 เราวางแผนใช้ทฤษฎี ACF ของโมเดล xt 10 wt .5 w t-1 .3 w t-2 จากนั้นจำลองค่า n 150 จากแบบจำลองนี้และวางแผนตัวอย่างซีพียูและตัวอย่าง ACF สำหรับข้อมูลจำลอง คำสั่ง R ใช้คือ acfma2ARMAacf (mac (0.5,0.3), lag. max10) acfma2 lags0: 10 พล็อต (ล่าช้า, acfma2, xlimc (1,10), ylabr, typeh, ACF หลักสำหรับ MA (2) กับ theta1 0.5, theta20.3) abline (h0) xcarima. sim (n150 รายการ (mac (0.5, 0.3))) xxc10 พล็อต (x, typeb, หลักจำลองแมสซาชูเซตส์ (2) ซีรี่ส์) acf (x, xlimc (1,10), mainACF สำหรับข้อมูลจำลอง MA (2)) ภาคผนวก: หลักฐานคุณสมบัติของ MA (1) สำหรับนักเรียนที่สนใจนี่คือเอกสารพิสูจน์คุณสมบัติทางทฤษฎีของโมเดล MA (1) ความแปรปรวน: (text (xt) text (mu wt theta1 w) ข้อความ 0 (wt) text (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) เมื่อ h 1 นิพจน์ก่อนหน้านี้ 1 w 2. สำหรับ h 2 ใด ๆ นิพจน์ก่อนหน้า 0 เหตุผลก็คือตามนิยามของความเป็นอิสระของน้ำหนัก E (w k w j) 0 สำหรับ k j ใด ๆ นอกจากนี้เนื่องจาก w t มีค่าเฉลี่ยเป็น 0, E (w j w j) E (w j 2) w 2 สำหรับซีรี่ส์เวลาให้ใช้ผลลัพธ์นี้เพื่อให้ได้ ACF ที่ระบุไว้ด้านบน รูปแบบแมสซาชูเซตแบบพลิกกลับเป็นแบบที่สามารถเขียนเป็นแบบจำลอง AR ที่ไม่มีที่สิ้นสุดซึ่งจะมาบรรจบกันเพื่อให้ค่าสัมประสิทธิ์ AR แปรผันไปที่ 0 เมื่อเราเคลื่อนตัวกลับในเวลาอนันต์ แสดงให้เห็นถึงความสามารถในการพลิกกลับของ MA (1) ได้ดี จากนั้นเราจะแทนความสัมพันธ์ (2) สำหรับ w t-1 ในสมการ (1) (3) (zt wt theta1 (z-theta1w) wt theta1z-theta2w) ณ เวลา t-2 สมการ (2) กลายเป็นเราแทนความสัมพันธ์ (4) สำหรับ w t-2 ในสมการ (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) ถ้าเราจะดำเนินการต่อ อนันต์) เราจะได้รับแบบอนุกรม AR อนันต์ (zt wt theta1 z - theta21z theta31z - theta41z จุด) หมายเหตุ แต่ที่ 1 1 สัมประสิทธิ์คูณความล่าช้าของ z จะเพิ่มขึ้น (อนันต์) ในขนาดที่เราย้ายกลับมา เวลา. เพื่อป้องกันปัญหานี้เราต้องใช้ 1 lt1 นี่เป็นเงื่อนไขสำหรับรูปแบบ MA (1) ที่มองไม่เห็น รูปแบบการสั่งซื้อ Infinite Order ในสัปดาห์ที่ 3 ให้ดูว่าแบบจำลอง AR (1) สามารถแปลงเป็นแบบจำลอง MA อนันต์: (xt - mu wt phi1w phi21w dots phik1 w counts sum phij1w) ข้อสรุปของคำพูดเสียงสีขาวที่ผ่านมาเป็นที่รู้จักกัน เป็นตัวแทนเชิงสาเหตุของ AR (1) กล่าวอีกนัยหนึ่ง x t เป็น MA ชนิดพิเศษที่มีจำนวนอนันต์ที่จะย้อนกลับไปในเวลา นี่เรียกว่าลำดับ MA หรือ MA () ที่ไม่มีขีด จำกัด คำสั่งที่แน่นอนคือแมสซาชูเซตส์อนันต์ลำดับ AR และคำสั่งใด ๆ ที่ จำกัด AR เป็นลำดับที่ไม่มีขีด จำกัด MA จำได้ว่าในสัปดาห์ที่ 1 เราสังเกตเห็นว่าข้อกำหนดสำหรับ AR (1) ที่หยุดนิ่งคือ 1 lt1 ให้คำนวณ Var (x t) โดยใช้การแทนสาเหตุ ขั้นตอนสุดท้ายนี้ใช้ข้อเท็จจริงพื้นฐานเกี่ยวกับชุดข้อมูลทางเรขาคณิตที่ต้องใช้ (phi1lt1) มิฉะนั้นชุดข้อมูลจะแตกต่างออกไป การเดินเรือ