Moving Average Model Stasioner

Memindahkan model perataan rata-rata dan eksponensial Sebagai langkah pertama dalam bergerak melampaui model mean, model jalan acak, dan model tren linier, pola nonseasonal dan tren dapat diekstrapolasikan dengan menggunakan model rata-rata bergerak atau 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 quotsmoothedquot dari rangkaian aslinya karena rata-rata jangka pendek memiliki efek menghaluskan benjolan pada rangkaian aslinya. Dengan menyesuaikan tingkat perataan (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. Rata-rata Bergerak Sederhana (rata-rata tertimbang): 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 rata-rata bergerak sederhana (SMA) sama dengan model jalan acak (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 mendapatkan kuotil kuotil terbaik ke data, yaitu kesalahan perkiraan terkecil rata-rata. 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 memilih sebagian besar quot quotisequot di Data (fluktuasi acak) serta quotsignalquot (mean lokal). Jika kita mencoba rata-rata bergerak sederhana dari 5 istilah, kita mendapatkan perkiraan perkiraan yang 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 yang terakhir diamati, 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 dapat menghitung penyimpangan standar sampel dari kesalahan pada setiap horison perkiraan, dan kemudian membangun interval kepercayaan untuk perkiraan jangka panjang dengan menambahkan dan mengurangkan kelipatan dari deviasi standar yang sesuai. Jika kita mencoba rata-rata pergerakan sederhana 9-term, 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, usia rata-rata 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 bergerak 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 ramalan. (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 mendapat 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 perkiraan 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 ramalan 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, bila 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 perkiraan rata-rata bergerak sederhana (SMA) 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 tingkat 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 masuk akal, dan secara substansial lebih sempit daripada interval kepercayaan untuk model perjalanan acak. Model SES mengasumsikan bahwa seri ini agak dapat diprediksi daripada model jalan acak. 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 linier 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 opsi penyesuaian musiman dinonaktifkan saat jenis model diatur 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 tepat 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 paling tidak tidak terlalu buruk untuk 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 kecenderungan 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 titik waktu yang berbeda. 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 Brown8217, seperti model pemulusan eksponensial sederhana, dapat dinyatakan dalam sejumlah bentuk yang berbeda namun setara. Bentuk quotstandardquot dari model ini biasanya dinyatakan sebagai berikut: Misalkan S menunjukkan deretan sumbu tunggal yang diperoleh dengan menerapkan smoothing eksponensial sederhana ke rangkaian Y. Artinya, nilai S pada periode t diberikan oleh: (Ingat lagi, di bawah sederhana Eksponensial smoothing, ini akan menjadi ramalan 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 pemulusan eksponensial dengan penyesuaian musiman. Model LES Linear Exponential Smoothing Brown8217s Lens menghitung perkiraan tingkat dan kecenderungan lokal dengan menghaluskan data terbaru, namun kenyataan bahwa hal itu terjadi 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 t, 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. Dapat 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 rata-rata umur data yang digunakan dalam memperkirakan tingkat lokal seri, usia rata-rata data yang digunakan dalam memperkirakan tren lokal sebanding dengan 1 946, meskipun tidak sama persis dengan itu. . Dalam hal ini ternyata pukul 10.006 125. Ini adalah angka yang sangat tepat karena keakuratan perkiraan 946 bukan benar-benar 3 angka desimal, namun memiliki tatanan umum yang 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 seri daripada tren konstan yang diperkirakan dalam model SEStrend. Juga, nilai estimasi 945 hampir sama dengan yang diperoleh dengan memasang model SES dengan atau tanpa tren, jadi model ini hampir sama. Sekarang, apakah ini terlihat seperti ramalan yang wajar 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 menyesuaikan konstanta pemulusan tren secara manual 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 terbaik: 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, smoothing eksponensial sederhana sering kali melakukan out-of-sample yang lebih baik daripada yang mungkin diharapkan, terlepas dari ekstrapolasi horisontal kuotometer. 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). Ada kemungkinan untuk menghitung interval kepercayaan di sekitar perkiraan jangka panjang yang dihasilkan oleh model penghalusan 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 saat perangkat lunak daripada smoothing sederhana digunakan. Topik ini dibahas lebih lanjut di bagian model ARIMA dari catatan. (Model ke-2) Model Moving Average (Model MA) Model deret waktu yang dikenal sebagai model ARIMA dapat mencakup istilah autoregresif dan atau istilah rata-rata bergerak. Dalam Minggu 1, kita belajar istilah autoregressive dalam model time series untuk variabel x t adalah nilai lag dari x t. Misalnya, istilah autoregressive lag 1 adalah x t-1 (dikalikan dengan koefisien). Pelajaran ini mendefinisikan istilah rata-rata bergerak. Istilah rata-rata bergerak dalam model deret waktu 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 di dalam teoritis ACF 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, rangkaian 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 yang tidak signifikan secara umum untuk kelambatan masa lalu 1. Perhatikan bahwa sampel ACF tidak sesuai dengan pola teoritis dari MA yang mendasarinya (1), yaitu bahwa semua autokorelasi untuk kelambatan masa lalu 1 akan menjadi 0 Sampel yang berbeda akan memiliki sampel ACF yang sedikit berbeda yang ditunjukkan di bawah, 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 nol pada 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 dua 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). Kumpulan deret 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 signifikan statistik pada lags 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 Model Umum MA (q) Properti dari model MA (q) secara umum adalah bahwa ada otokorelasi 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 merencanakan teoritis ACF dari model x t 10 w t. 7w t-1. Dan kemudian disimulasikan n 150 nilai dari model ini dan diplotkan deret waktu 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 sebuah variabel bernama 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 kita). 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 deret waktu 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). Vance: (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 tak berhingga yang menyatu sehingga koefisien AR menyatu menjadi 0 saat kita bergerak jauh melampaui batas waktu. Nah tunjukkan ketidakseimbangan 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) dengan 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 mengalikan kelambanan 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 Dalam minggu ke 3, perhatikan bahwa model AR (1) dapat dikonversi menjadi model MA tak terhingga: (xt - mu wt phi1w phi21w dots phik1 w dots sum phij1w) Penjumlahan istilah white noise masa lalu ini diketahui. Sebagai representasi kausal AR (1). Dengan kata lain, x t adalah tipe khusus dari MA dengan jumlah tak terhingga yang akan kembali pada waktunya. Ini disebut MA tak terbatas atau MA (). Urutan MA yang terbatas 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. Navigation8.4 Model rata-rata bergerak Daripada menggunakan nilai masa lalu dari variabel perkiraan dalam regresi, model rata-rata bergerak menggunakan kesalahan perkiraan masa lalu dalam model seperti regresi. Anda bisa melakukannya, di mana et berkedip putih. Kami menyebut ini sebagai model MA (q). Tentu saja, kita tidak mengamati nilai et, jadi tidak benar-benar regresi dalam arti biasa. Perhatikan bahwa setiap nilai dari yt dapat dianggap sebagai rata-rata bergerak tertimbang dari beberapa kesalahan perkiraan sebelumnya. Namun, model rata-rata bergerak tidak boleh disamakan dengan perataan rata-rata bergerak yang telah kita bahas di Bab 6. Model rata-rata bergerak digunakan untuk meramalkan nilai masa depan sambil meratakan rata-rata bergerak digunakan untuk memperkirakan siklus tren nilai masa lalu. Gambar 8.6: Dua contoh data dari model rata-rata bergerak dengan parameter yang berbeda. Kiri: MA (1) dengan t hitung 0.8e t-1. Kanan: MA (2) dengan t t i t-1 0.8e t-2. Dalam kedua kasus tersebut, e t biasanya terdistribusi white noise dengan mean nol dan varians satu. Gambar 8.6 menunjukkan beberapa data dari model MA (1) dan model MA (2). Mengubah parameter theta1, titik, thetaq menghasilkan pola deret waktu yang berbeda. Seperti model autoregresif, varians dari istilah kesalahan et hanya akan mengubah skala seri, bukan pola. Ada kemungkinan untuk menulis model AR (p) stasioner sebagai model MA (infty). Sebagai contoh, dengan menggunakan substitusi berulang, kita dapat menunjukkan hal ini untuk model AR (1): mulai yt amp phi1y et amp phi1 (phi1y e) et l phi12y phi1 e et amp phi13y phi12e phi1 e et amptext end Disediakan -1 lt phi1 lt 1, nilai phi1k akan menjadi lebih kecil karena k semakin besar. Jadi akhirnya kita bisa mendapatkan cdots, sebuah proses MA (infty). Hasil sebaliknya berlaku jika kita menerapkan beberapa batasan pada parameter MA. Kemudian model MA disebut invertible. Artinya, kita bisa menulis proses MA (q) invertible apapun sebagai proses AR (infty). Model yang dapat dibalik tidak hanya memungkinkan kita untuk mengubah model MA menjadi model AR. Mereka juga memiliki beberapa sifat matematika yang membuat mereka lebih mudah digunakan dalam praktik. Kendala invertibilitas sama dengan batasan stasioneritas. Untuk model MA (1): -1lttheta1lt1. Untuk model MA (2): -1lttheta2lt1, theta2theta1 gt-1, theta1-theta2 lt 1. Kondisi yang lebih rumit berlaku untuk qge3. Sekali lagi, R akan menangani kendala ini saat memperkirakan model.