Modelo De Adição Média Média

Revista de Matemática e Estatística Volume 7, Problema 1 Declaração do problema: A maioria dos modelos de média móvel integrada autônoma sazonal (SARIMA) utilizados para a previsão de séries temporais sazonais são modelos SARIMA multiplicativos. Esses modelos assumem que há um parâmetro significativo como resultado da multiplicação entre parâmetros não sazonais e sazonais sem teste por determinado teste estatístico. Além disso, o software estatístico mais popular, como MINITAB e SPSS, tem facilidade para se adequar a um modelo multiplicativo. O objetivo desta pesquisa é propor um novo procedimento para identificar a ordem mais apropriada do modelo SARIMA, seja envolvendo subconjunto, ordem multiplicativa ou aditiva. Em particular, o estudo examinou se um parâmetro multiplicativo existia no modelo SARIMA. Abordagem: derivação teórica sobre autocorrelação (ACF) e auto-correlação parcial (PACF) funções de subconjunto, modelo multiplicativo e aditivo SARIMA foi discutido pela primeira vez e, em seguida, programa R foi usado para criar os gráficos desses ACF e PACF teórico. Então, dois conjuntos de dados mensais foram utilizados como estudos de caso, ou seja, os dados e as séries internacionais de passageiros da companhia aérea sobre o número de chegadas de turistas para Bali, Indonésia. O passo de identificação do modelo para determinar a ordem do modelo ARIMA foi feito usando o programa MINITAB e o passo da estimativa do modelo utilizado pelo programa SAS para testar se o modelo consistiu em subconjunto, ordem multiplicativa ou aditiva. Resultados: A ACF e o PACF teóricos mostraram que os modelos SARIMA de subconjuntos, multiplicativos e aditivos apresentam padrões diferentes, especialmente no atraso como resultado da multiplicação entre atrasos não sazonais e sazonais. A modelagem dos dados da companhia aérea produziu um modelo de SARIMA subjacente como o melhor modelo, enquanto um modelo de SARIMA aditivo é o melhor modelo para prever o número de chegadas de turistas para Bali. Conclusão: Ambos os estudos de caso mostraram que um modelo SARIMA multiplicativo não era o melhor modelo para a previsão desses dados. A avaliação de comparação mostrou que os modelos de SARIMA subconjugais e aditivos forneceram valores previstos mais precisos em conjuntos de dados fora da amostra do que o modelo SARIMA multiplicativo para conjuntos de dados de chegadas de companhias aéreas e turistas, respectivamente. Este estudo é uma contribuição valiosa para o procedimento Box-Jenkins, particularmente nas etapas de identificação e estimativa do modelo no modelo SARIMA. O trabalho adicional que envolve múltiplos modelos ARIMA sazonais, como a previsão de dados de carga de curto prazo em determinados países, pode fornecer informações adicionais sobre as ordens de subconjunto, multiplicativas ou aditivas. Copie 2011 Suhartono. Este é um artigo de acesso aberto distribuído sob os termos da Licença de Atribuição de Commons. Que permite o uso, a distribuição e a reprodução sem restrições em qualquer meio, desde que o autor e a fonte originais sejam creditados. A lista pop-up Intervalos de confiança permite que você defina o nível de confiança para as faixas de confiança de previsão. Os diálogos para modelos de suavização sazonal incluem uma caixa Periods Per Season para definir o número de períodos em uma estação. A lista pop-up Restrições permite que você especifique o tipo de restrição que deseja aplicar nos pesos de suavização durante o ajuste. As restrições são: expande a caixa de diálogo para permitir estabelecer restrições em pesos individuais de suavização. Cada peso de suavização pode ser Limitada. Fixo. Ou sem restrições conforme determinado pela configuração do menu pop-up ao lado do nome do peso. Ao inserir valores para pesos fixos ou limitados, os valores podem ser números reais positivos ou negativos. O exemplo mostrado aqui tem o nível de peso () fixado em um valor de 0,3 e o peso da tendência () limitado por 0,1 e 0,8. Neste caso, o valor do peso da Tendência pode mover-se dentro do intervalo de 0,1 a 0,8 enquanto o peso do Nível é mantido em 0,3. Observe que você pode especificar todos os pesos de suavização com antecedência, usando essas restrições personalizadas. Nesse caso, nenhum dos pesos seria estimado a partir dos dados, embora as previsões e os resíduos ainda fossem computados. Quando você clicar em Estimativa. Os resultados do ajuste aparecem no lugar da caixa de diálogo. A equação de suavização, L t y t (1) L t -1. É definido em termos de um único peso de suavização. Este modelo é equivalente a um modelo ARIMA (0, 1, 1) onde