الانحدار الحركة من المتوسط - اكسل - مثال

أرما ونبلوغد هذا هو الإدخال الأول في سلسلتنا من البرامج التعليمية غير الموصولة، والتي نخوض في تفاصيل كل من نماذج السلاسل الزمنية التي كنت مألوفة بالفعل، وتسليط الضوء على الافتراضات الأساسية والقيادة المنزل الحدس وراءها. في هذا العدد، ونحن نعالج نموذج أرما حجر الزاوية في النمذجة السلاسل الزمنية. وبخلاف مسائل التحليل السابقة، سنبدأ هنا بتعريف عملية أرما، ونحدد المدخلات والمخرجات والمعلمات وقيود الاستقرار والافتراضات ونرسم أخيرا بعض المبادئ التوجيهية لعملية النمذجة. الخلفية يعد التعريف المتحرك التلقائي الانحداري (أرما)، بحكم تعريفه، عملية عشوائية ثابتة تتألف من مبالغ من إكسيل الانحداري الذاتي ومتوسطات الحركة المتحركة. بدلا من ذلك، في صياغة بسيطة: الافتراضات دعونا ننظر أقرب في صياغة. إن عملية أرما هي مجرد مجموع مرجح لمالحظات وصدمات اإلنتاج السابقة، مع افتراضات رئيسية قليلة: ماذا تعني هذه االفتراضات أن العملية العشوائية هي نظير لعملية حتمية تصف تطور متغير عشوائي مع مرور الوقت. في حالتنا، المتغير العشوائي هو عملية أرما يلتقط فقط الارتباط التسلسلي (أي الترابط التلقائي) بين الملاحظات. وبعبارة واضحة، تلخص عملية أرما قيم الملاحظات السابقة، وليس قيمها المربعة أو اللوغاريتمات، وما إلى ذلك. ويعتمد الاعتماد على النظام الأعلى على عملية مختلفة (مثل أرشغارتش، والنماذج غير الخطية، وما إلى ذلك). هناك أمثلة عديدة لعملية عشوائية حيث تؤثر القيم السابقة على القيم الحالية. على سبيل المثال، في مكتب المبيعات الذي يتلقى رفقس على أساس مستمر، وبعض تتحقق كما فازت المبيعات، وبعضها فقدان المبيعات، وعدد قليل انسكب إلى الشهر المقبل. ونتيجة لذلك، في أي شهر معين، تنشأ بعض الحالات التي فازت بها المبيعات على شكل طلبات إعادة شراء أو تعيد المبيعات من الأشهر السابقة. ما هي الصدمات أو الابتكارات أو المصطلحات الخطأ هذا سؤال صعب، والجواب لا يقل الخلط. ومع ذلك، يتيح محاولة إعطائها: وبعبارة بسيطة، يكون مصطلح الخطأ في نموذج معين عبارة عن دلو شامل لجميع الاختلافات التي لا يفسرها النموذج. لا يزال فقدت يتيح مثالا. بالنسبة إلى عملية سعر السهم، قد تكون هناك مئات العوامل التي تؤدي إلى رفع مستوى الأسعار، بما في ذلك: أرباح الأسهم وإعلانات سبليت تقارير الأرباح الفصلية أنشطة الاندماج والاستحواذ (مامبا) الأحداث القانونية، على سبيل المثال: التهديد الدعاوى القضائية. آخرون نموذج، من خلال التصميم، هو تبسيط واقع معقد، لذلك كل ما نترك خارج النموذج هو تلقائيا المجمعة في مصطلح الخطأ. تفترض عملية أرما أن التأثير الجماعي لجميع تلك العوامل يتصرف بشكل أو بآخر كضوضاء غوسية. لماذا نهتم بالصدمات السابقة على عكس نموذج الانحدار، فإن حدوث حافز (مثل الصدمة) قد يكون له تأثير على المستوى الحالي، وربما المستويات المستقبلية. على سبيل المثال، يؤثر الحدث المؤسسي (على سبيل المثال نشاط مامبا) على سعر سهم الشركة، ولكن التغيير قد يستغرق بعض الوقت ليكون له تأثيره الكامل، حيث أن المشاركين في السوق يمتصون المعلومات المتاحة ويتفاعلون وفقا لذلك. هذا يطرح السؤال: لا القيم الماضية من الناتج لديها بالفعل الصدمات الماضي المعلومات نعم، يتم حساب تاريخ الصدمات بالفعل في مستويات الانتاج الماضية. نموذج أرما يمكن تمثيله فقط كنموذج تلقائي ريجرسيف (أر) نقية، ولكن متطلبات التخزين لمثل هذا النظام في لانهائية. هذا هو السبب الوحيد لإدراج عنصر ما: لإنقاذ على التخزين وتبسيط صياغة. مرة أخرى، يجب أن تكون عملية أرما ثابتة للتباين الهامشي (غير المشروط) في الوجود. ملاحظة: في مناقشتي أعلاه، أنا لا تميز بين مجرد غياب جذر وحدة في المعادلة المميزة و ستراتاريتي العملية. وهي ذات صلة، ولكن عدم وجود جذر وحدة ليست ضمانة من الاستقرارية. ومع ذلك، يجب أن يكون الجذر وحدة تقع داخل دائرة وحدة لتكون دقيقة. خاتمة دعونا نلخص ما قمنا به حتى الآن. أولا قمنا بفحص عملية أرما ثابتة، جنبا إلى جنب مع صياغتها والمدخلات والافتراضات ومتطلبات التخزين. بعد ذلك، أظهرنا أن عملية أرما تتضمن قيم الانتاج (الترابط التلقائي) والصدمات التي واجهتها في وقت سابق في الانتاج الحالي. وأخيرا، أظهرنا أن عملية أرما ثابتة تنتج سلسلة زمنية مع متوسط ​​المدى الطويل مستقرة والتباين. في تحليل البيانات لدينا، قبل أن نقترح نموذج أرما، يجب علينا التحقق من افتراض الاستقرارية ومتطلبات الذاكرة المحددة. في حالة ظهور سلسلة البيانات اتجاها حتميا، نحن بحاجة لإزالة (دي-تريند) أولا، ومن ثم استخدام المخلفات ل أرما. في حالة عرض مجموعة البيانات اتجاها عشوائيا (على سبيل المثال المشي العشوائي) أو الموسمية، ونحن بحاجة للترفيه أريماساريما. وأخيرا، يمكن استخدام الرسم البياني (أي أكفاسف) لقياس متطلبات الذاكرة من النموذج الذي يجب أن نتوقع إما أسف أو باسف إلى التحلل بسرعة بعد بعض التأخير. إن لم يكن هذا، يمكن أن يكون هذا علامة على عدم وجود قطبية أو نمط طويل الأجل (على سبيل المثال أرفيما). أنا حقا محاولة، ولكن تكافح، لفهم كيفية الانحدار الذاتي والانتقال العمل. أنا فظيع جدا مع الجبر و النظر في أنه لا يحسن حقا فهم شيئا. ما أحب حقا هو مثال بسيط للغاية من يقول 10 الملاحظات تعتمد الوقت حتى أرى كيف تعمل. لذلك دعونا نقول لديك نقاط البيانات التالية من سعر الذهب: على سبيل المثال، في الفترة الزمنية 10، ماذا سيكون المتوسط ​​المتحرك لاج 2، ما (2)، يكون أو ما (1) و أر (1) أو أر (2) عرفت تقليديا عن المتوسط ​​المتحرك كونه شيء مثل: ولكن عند النظر إلى نماذج أرما، يتم شرح ما كدالة من شروط الخطأ السابقة، والتي لا أستطيع الحصول على رأسي حولها. هل هو مجرد وسيلة مربي الحيوانات لحساب نفس الشيء وجدت هذا المنصب مفيدة: (كيف نفهم ساريماكس حدسي) ولكن كيف يساعد الجبر، لا أستطيع أن أرى شيئا حقا بوضوح حتى أرى مثالا مبسطا لذلك. وبالنظر إلى بيانات أسعار الذهب، فإنك ستقدر النموذج أولا ثم ترى كيف يعمل (توقعات تحليل الاستجابة النبضية). ربما يجب عليك تضييق سؤالك إلى الجزء الثاني فقط (وترك التقدير جانبا). أي أنك ستقدم أر (1) أو ما (1) أو أي نموذج (على سبيل المثال xt0.5 x فاريبسيلونت) وتساءلنا، كيف يعمل هذا النموذج بالذات. نداش ريتشارد هاردي 13 أغسطس 15 في 19:58 لأي نموذج أر (q) طريقة سهلة لتقدير المعلمة (ق) هو استخدام أولس - وتشغيل الانحدار: بريسيت beta0 beta1 السعر كدوت دوتسو بيتاق السعر كدوت دعونا نفعل ذلك (في R): (حسنا، لذلك خدعت قليلا واستخدمت وظيفة أريما في R، ولكنها تعطي نفس التقديرات لانحدار عملية شريان الحياة للسودان - حاول ذلك). الآن يتيح إلقاء نظرة على ما (1) نموذج. الآن نموذج ما هو مختلف جدا عن نموذج أر. و ما هو المتوسط ​​المرجح للخطأ في الفترات السابقة، حيث يستخدم نموذج أر قيم فترات البيانات الفعلية بريفيويس. و ما (1) هو: بريسيت مو وت theta1 كدوت w حيث مو هو المتوسط، و wt هي عبارات الخطأ - وليس قيمة بريفيويز السعر (كما هو الحال في نموذج أر). الآن، للأسف، لا يمكننا تقدير المعلمات بشيء بسيط مثل عملية شريان الحياة للسودان. أنا لن تغطي الطريقة هنا، ولكن R وظيفة أريما يستخدم أقصى قدر من ليكهيود. دعونا نحاول: نأمل أن يساعد هذا. (2) فيما يتعلق بسؤال ما (1). كنت أقول المتبقية هو 1.0023 للفترة الثانية. منطقي. فهمي للباقي هو it39s الفرق بين القيمة المتوقعة والقيمة الملحوظة. ولكن بعد ذلك يمكنك القول القيمة المتوقعة للفترة 2، يتم احتساب باستخدام المتبقية للفترة 2. هل هذا الحق Isn39t القيمة المتوقعة للفترة 2 فقط (0.54230 4.9977) نداش سوف تي أغسطس 17 15 في 11: 24 أريما التنبؤ مع إكسيل و R مرحبا اليوم أنا ذاهب إلى المشي لكم من خلال مقدمة لنموذج أريما ومكوناته، فضلا عن شرح موجز لطريقة بوكس ​​جينكينز لكيفية تحديد نماذج أريما. وأخيرا، قمت بإنشاء تنفيذ إكسيل باستخدام R، الذي I8217ll تظهر لك كيفية إعداد واستخدام. نماذج المتوسط ​​المتحرك للإنحدار الذاتي (أرما) يستخدم نموذج المتوسط ​​المتحرك للإنحدار الذاتي للنمذجة والتنبؤ بعمليات السلاسل الزمنية الثابتة والمؤقتة. هو مزيج من اثنين من التقنيات الإحصائية المتقدمة سابقا، والانحدار الذاتي (أر) والمتوسط ​​المتحرك (ما) نماذج ووصفها في الأصل بيتر ويتل في عام 1951. جورج E. P. قام بوكس ​​وجويليم جينكينز بنشر النموذج في عام 1971 من خلال تحديد خطوات منفصلة لنمذجة تحديد الهوية والتقدير والتحقق. وسيتم وصف هذه العملية في وقت لاحق كمرجع. سنبدأ بإدخال نموذج أرما من خلال مكوناته المختلفة، أر، و ما نماذج ثم تقديم تعميم شعبية من نموذج أرما، أريما (الانحدار الانحداري المتكامل المتوسط ​​المتحرك) والتنبؤ ومواصفات نموذج الخطوات. وأخيرا، سأشرح تطبيق إكسيل الذي قمت بإنشائه وكيفية استخدامه لجعل توقعات سلسلة الوقت الخاصة بك. نماذج الانحدار الذاتي يستخدم نموذج الانحدار الذاتي لوصف العمليات العشوائية والعمليات المتغيرة للوقت ويحدد متغير الناتج يعتمد خطيا على قيمه السابقة. تم وصف النموذج على النحو التالي: شت c سوم فارفي، شت-i فاريبسيلونت حيث varphi1، لدوتس، فارفيفارفي هي معلمات النموذج، C ثابت، و فاريبسيلونت هو مصطلح الضوضاء البيضاء. أساسا، ما يصفه النموذج هو لأي قيمة معينة X (t). يمكن تفسيره بوظائف قيمته السابقة. بالنسبة لنموذج مع معلمة واحدة، يتم تفسير فارفي 1. X (t) قيمته السابقة X (t-1) و فاريبسيلونت خطأ عشوائي. بالنسبة إلى نموذج يحتوي على أكثر من معلمة، على سبيل المثال، يتم إعطاء فارفي 2. X (t) بواسطة X (t-1). X (t-2) و فاريبسيلونت خطأ عشوائي. نموذج المتوسط ​​المتحرك يستخدم نموذج المتوسط ​​المتحرك (ما) في كثير من الأحيان لنمذجة سلاسل زمنية أحادية المتغير ويعرف على النحو التالي: شت مو فاريبسيلونت theta1، فاريبسيلون لدوتس ثيتاق، فاريبسيلون مو هو متوسط ​​السلاسل الزمنية. ثيتا، لدوتس، ثيتاق هي معلمات النموذج. فاريبسيلونت، فاريبسيلون، لدوتس هي الأخطاء خطأ الضوضاء البيضاء. q هو ترتيب نموذج المتوسط ​​المتحرك. نموذج المتوسط ​​المتحرك هو الانحدار الخطي للقيمة الحالية للسلسلة مقارنة مع مصطلحات فاريبسيلونت في الفترة السابقة، t. فاريبسيلون. على سبيل المثال، يتم شرح نموذج ما من س 1. X (t) عن طريق الخطأ الحالي فاريبسيلونت في نفس الفترة وقيمة الخطأ الماضي، فاريبسيلون. بالنسبة لنموذج من النظام 2 (ف 2)، يتم شرح X (t) بقيم الخطأ السابقة، فاريبسيلون و فاريبسيلون. يتم استخدام المصطلحات أر (p) و ما (q) في نموذج أرما، الذي سيتم عرضه الآن. الانحدار الذاتي المتوسط ​​المتحرك النموذج الانحدار الذاتي يستخدم نموذج المتوسط ​​المتحرك مجموعتين متعددتي الحدود، أر (p) و ما (q) ويصف عملية عشوائية عشوائية. ولا تتغير العملية الثابتة عندما تتحول في الزمان والمكان، وبالتالي فإن العملية الثابتة لها متوسط ​​ثابت والتباين. وغالبا ما يشار إلى نموذج أرما من حيث تعدد الحدود، أرما (p، q). يتم كتابة تدوين النموذج: شت c فاريبسيلونت سوم فارفي 1 X سوم ثيتاي فاريبسيلون يتم وصف اختيار وتقدير والتحقق من النموذج من قبل عملية بوكس ​​جينكينز. طريقة بوكس-جينكينز لتعريف النموذج فيما يلي أكثر من مخطط لطريقة بوكس-جينكينز، حيث أن العملية الفعلية لإيجاد هذه القيم يمكن أن تكون ساحقة تماما بدون حزمة إحصائية. ورقة إكسيل المضمنة في هذه الصفحة تحدد تلقائيا أفضل نموذج مناسب. الخطوة الأولى من طريقة بوكس-جينكينز هي تحديد النموذج. وتشمل الخطوة تحديد الموسمية، والاختلاف إذا لزم الأمر، وتحديد ترتيب p و q عن طريق رسم الترابط الذاتي ووظائف الترابط الذاتي الجزئي. بعد تحديد النموذج، فإن الخطوة التالية هي تقدير المعلمات. يستخدم تقدير المعلمة الحزم الإحصائية وخوارزميات الحساب للعثور على أفضل المعلمات المناسبة. وبمجرد اختيار المعلمات، فإن الخطوة الأخيرة هي التحقق من النموذج. ويتم فحص النموذج بالاختبار لمعرفة ما إذا كان النموذج يتوافق مع سلسلة زمنية ثابتة أحادية المتغير. كما ينبغي للمرء أن يؤكد أن البقايا مستقلة عن بعضها البعض وأن تظهر متوسطا ثابتا وتباينا على مر الزمن، وهو ما يمكن القيام به عن طريق إجراء اختبار لجونغ بوكس ​​أو مرة أخرى للتخطيط للعلاقة الذاتية والترابط الذاتي الجزئي للمخلفات. لاحظ الخطوة الأولى تنطوي على التحقق من الموسمية. إذا كانت البيانات التي تعمل مع يحتوي على الاتجاهات الموسمية، يمكنك 8220difference8221 من أجل جعل البيانات ثابتة. وتؤدي خطوة الاختلاف هذه إلى تعميم نموذج أرما في نموذج أريما أو المتوسط ​​المتحرك المتكامل الانحداري الذاتي حيث يتوافق 8216Integrated8217 مع خطوة الاختلاف. نماذج الانحدار الذاتي المتكامل الانحدار الذاتي يحتوي نموذج أريما على ثلاث معلمات، p، d، q. من أجل تحديد نموذج أرما لتشمل مصطلح الاختلاف، نبدأ بإعادة ترتيب نموذج أرما القياسي لفصل X (t) اللاتكس و اللاتكس فاريبسيلونت من الجمع. (1 - مجموع ألفاي لي) شت (1 مجموع ثيتاي لي) فاريبسيلونت حيث L هو عامل تأخر و ألفاي. thetai. فاريبسيلونت هي الانحدار الذاتي والمتوسط ​​المتحرك المعلمات، وشروط الخطأ، على التوالي. نحن الآن جعل افتراض أول متعدد الحدود من وظيفة، (1 - مجموع ألفاي لي) لديه جذر وحدوي للتعدد د. ثم يمكننا إعادة كتابته إلى ما يلي: نموذج أريما يعبر عن عامل متعدد الحدود مع ب - د ويعطينا: (1 - مجموع في لي) (1 - L) د شت (1 مجموع ثيتاي لي) فاريبسيلونت وأخيرا، فإننا تعميم نموذج آخر بإضافة مصطلح الانجراف، الذي يعرف نموذج أريما كما أريما (p، d، q) مع الانجراف فراك. (1 - سوم في لي) (1 - L) د شت دلتا (1 سوم ثيتاي لي) فاريبسيلونت مع نموذج يعرف الآن، يمكننا عرض نموذج أريما كما منفصلة أجزاء، واحدة غير ثابتة وغيرها من ثابت واسع النطاق ثابتة (لا يتغير توزيع الاحتمالات المشتركة عندما يتحول في الزمان والمكان). نموذج غير ثابت: نموذج ثابت ثابت واسع: (1 - مجموع في لي) يت (1 مجموع ثيتاي لي) فاريبسيلونت ويمكن الآن التنبؤات على يت باستخدام طريقة التنبؤ الانحدار الذاتي المعمم. الآن بعد أن ناقشنا نموذجي أرما و أريما، ننتقل الآن إلى كيف يمكننا استخدامها في التطبيقات العملية لتوفير التنبؤ. إيف بنيت تنفيذ مع إكسيل باستخدام R لجعل توقعات أريما فضلا عن خيار لتشغيل محاكاة مونت كارلو على نموذج لتحديد احتمال التنبؤات. تنفيذ إكسيل وكيفية استخدامها قبل استخدام ورقة، يجب تحميل R و ريكسيل من موقع ستاتكون. إذا كان لديك بالفعل R تثبيت، يمكنك فقط تحميل ريكسيل. إذا لم يكن لديك R تثبيت، يمكنك تحميل راندفريندس الذي يحتوي على أحدث نسخة من R و ريكسيل. يرجى ملاحظة، ريكسيل يعمل فقط على 32bit إكسيل لرخصة غير التجارية. إذا كان لديك 64 بت إكسيل مثبتة، سيكون لديك للحصول على رخصة تجارية من ستاتكون. فمن المستحسن لتحميل راندفريندس لأنه يجعل أسرع وأسهل التركيب ولكن إذا كان لديك بالفعل R وترغب في تثبيته يدويا، اتبع الخطوات التالية. تثبيت يدويا ريكسيل لتثبيت ريكسيل والحزم الأخرى لجعل R العمل في إكسيل، أول فتح R كمسؤول عن طريق النقر بزر الماوس الأيمن على. exe. في وحدة التحكم R، قم بتثبيت ريكسيل عن طريق كتابة العبارات التالية: الأوامر أعلاه سوف تثبيت ريكسيل على الجهاز الخاص بك. الخطوة التالية هي تثبيت ركوم، وهي حزمة أخرى من ستاتكون لحزمة ريكسيل. لتثبيت هذا، اكتب الأوامر التالية، والتي سيتم أيضا تثبيت رسكبروكسي تلقائيا من الإصدار R 2.8.0. مع تثبيت هذه الحزم، يمكنك الانتقال إلى إعداد الاتصال بين R و إكسيل. على الرغم من أن ليس من الضروري للتركيب، حزمة مفيد لتحميل هو رسمدر، التي وضعتها جون فوكس. رسمر يخلق القوائم R التي يمكن أن تصبح القوائم في إكسيل. وتأتي هذه الميزة بشكل افتراضي مع تثبيت "أصدقاء الصداقة" ويجعل العديد من الأوامر R متوفرة في إكسيل. اكتب الأوامر التالية إلى R لتثبيت رسدر. يمكننا إنشاء الارتباط إلى R و إكسيل. ملاحظة في الإصدارات الأخيرة من ريكسيل يتم هذا الاتصال مع بسيطة انقر نقرا مزدوجا فوق ملف. bat المقدمة ActivateRExcel2010، لذلك يجب أن تحتاج فقط إلى اتباع هذه الخطوات إذا قمت بتثبيت يدويا R و ريكسيل أو إذا لسبب ما لم يتم إجراء الاتصال خلال تثبيت الأصدقاء. إنشاء الاتصال بين R و إكسيل فتح كتاب جديد في إكسيل وانتقل إلى شاشة الخيارات. انقر فوق خيارات ثم الوظائف الإضافية. يجب أن تشاهد قائمة بجميع الوظائف الإضافية النشطة وغير النشطة لديك حاليا. انقر على الزر غو في الأسفل. في مربع الحوار الوظائف الإضافية، سترى جميع مراجع الوظيفة الإضافية التي قمت بإجرائها. انقر على استعراض. انتقل إلى المجلد ريكسيل، وعادة ما تقع في C: بروغرام فليزركسيلسلس أو شيء مماثل. العثور على RExcel. xla إضافة في وانقر فوقه. الخطوة التالية هي إنشاء مرجع من أجل وحدات الماكرو التي تستخدم R للعمل بشكل صحيح. في مستند إكسيل، أدخل ألت F11. سيؤدي هذا إلى فتح إكسيلس فبا إديتور. الذهاب إلى أدوات المراجع - gt، والعثور على مرجع ريكسيل، ريكسلفبليب. ريكسيل يجب أن تكون الآن جاهزة للاستخدام باستخدام ورقة إكسل الآن أن R و ريكسيل تكوينها بشكل صحيح، وقتها للقيام ببعض التنبؤ فتح ورقة التنبؤ وانقر فوق تحميل الملقم. هذا هو لبدء خادم ركوم وأيضا تحميل الوظائف اللازمة للقيام التنبؤ. سوف يظهر صندوف حوار. حدد الملف itall. R المضمنة في الورقة. يحتوي هذا الملف على الوظائف التي تستخدمها أداة التنبؤ. وقد وضعت معظم الوظائف الواردة من قبل البروفيسور ستوفر في جامعة بيتسبرغ. أنها توسع قدرات R وتعطينا بعض الرسوم البيانية التشخيصية مفيدة جنبا إلى جنب مع الإخراج التنبؤ لدينا. وهناك أيضا وظيفة لتحديد تلقائيا أفضل المعلمات المناسب من نموذج أريما. بعد تحميل الخادم، أدخل البيانات في عمود البيانات. حدد نطاق البيانات، وانقر بزر الماوس الأيمن وحدد نطاق الاسم. اسم النطاق كبيانات. بعد ذلك، تعيين وتيرة البيانات الخاصة بك في الخلية C6. يشير التكرار إلى الفترات الزمنية للبيانات. إذا كان أسبوعيا، فإن التردد سيكون 7. شهري سيكون 12 بينما ربع سنوي سيكون 4، وهلم جرا. أدخل الفترات المقبلة للتنبؤ. لاحظ أن نماذج أريما تصبح غير دقيقة تماما بعد عدة تنبؤات تردد متعاقبة. قاعدة جيدة من الإبهام لا تتجاوز 30 خطوة كما أي شيء الماضي التي يمكن أن تكون غير موثوقة إلى حد ما. هذا يعتمد على حجم مجموعة البيانات الخاصة بك كذلك. إذا كان لديك بيانات محدودة، فمن المستحسن أن تختار عدد الخطوات خطوة إلى الأمام أصغر. بعد إدخال البيانات الخاصة بك، وتسمية ذلك، وتحديد التردد المطلوب والخطوات إلى الأمام للتنبؤ، انقر فوق تشغيل. قد يستغرق الأمر بعض الوقت حتى تتم عملية التنبؤ. وبمجرد الانتهاء، سوف تحصل على القيم المتوقعة إلى الرقم الذي حددته، والخطأ القياسي للنتائج، واثنين من الرسوم البيانية. واليسار هي القيم المتوقعة التي تم رسمها مع البيانات، في حين يحتوي الحق على تشخيص مفيد يضم مخلفات موحدة، والعلاقة الذاتية للمخلفات، ومؤامرة غ من البقايا، ورسم إحصاءات ليجون بوكس ​​لتحديد ما إذا كان النموذج مجهزا بشكل جيد. أنا لن تحصل على الكثير من التفاصيل حول الطريقة التي تبحث عن نموذج مجهز بشكل جيد، ولكن على الرسم البياني أسف كنت لا تريد أي (أو الكثير) من المسامير تأخر عبور خط الأزرق المنقطة. على مؤامرة ز، والمزيد من الدوائر التي تمر من خلال الخط، وأكثر تطبيع وأفضل تركيب النموذج هو. أما بالنسبة لمجموعات البيانات الكبيرة، فقد يعبر ذلك الكثير من الدوائر. وأخيرا، اختبار يجونغ بوكس ​​هو مقال في حد ذاته ومع ذلك، والمزيد من الدوائر التي هي فوق الخط الأزرق المنقطة، وأفضل النموذج هو. إذا كانت نتيجة التشخيص لا تبدو جيدة، يمكنك محاولة إضافة المزيد من البيانات أو البدء في نقطة مختلفة أقرب إلى النطاق الذي تريد التنبؤ به. يمكنك بسهولة مسح النتائج التي تم إنشاؤها عن طريق النقر على أزرار القيم المتوقعة. وهذا في الوقت الحالي، عمود التاريخ لا تفعل أي شيء آخر للرجوع اليها، ولكن ليس من الضروري للأداة. إذا وجدت الوقت، سوء العودة وإضافة ذلك يظهر الرسم البياني المعروض الوقت الصحيح. قد تتلقى أيضا خطأ عند تشغيل التوقعات. ويرجع ذلك عادة إلى وظيفة أن يجد أفضل المعلمات غير قادر على تحديد النظام الصحيح. يمكنك اتباع الخطوات المذكورة أعلاه لمحاولة ترتيب بياناتك بشكل أفضل لكي تعمل الوظيفة. آمل أن تحصل على استخدام للخروج من أداة حفظ لي الكثير من الوقت في العمل، والآن كل ما علي القيام به هو إدخال البيانات، تحميل الملقم وتشغيله. وآمل أيضا هذا يظهر لك كيف R رهيبة يمكن أن يكون، وخصوصا عند استخدامها مع الأمامية مثل إكسيل. كود، ورقة عمل إكسيل وملف. bas أيضا على جيثب هنا.