صفحه محصول - دانلود فایل پاورپوینت آماده آنالیز سریهای زمانی مدلهای (باکس- جنکینز)

لینک دانلود و خرید پایین توضیحات
دسته بندی : پاورپوینت
نوع فایل : PowerPoint (..pptx) ( قابل ویرایش و آماده پرینت )
تعداد صفحه : 17 صفحه

قسمتی از متن PowerPoint (..pptx) :

بنام خدا آنالیز سریهای زمانی مدلهای (باکس- جنکینز) ARIMA ARIMA (p-d,q) ترتی ترتیب AR ترتیب مقاومتر Autoregressive Integrated Moving Average (ARIMA) 1- مقدمه ای بر مدل های ARIMA  مدل های (ARIMA) میانگین متحرک یکپارچه برگشتی خودکار یا متدلوژی باکس- جنکینز دسته ای از مدل های خطی می باشند که می توانند سری های زمانی ساکن و همین طور غیر ساکن را ارائه دهند.  مدل های ARIMA تا حد زیادی به الگوهای خود همبستگی در داده ها هم ACF و هم PACF وابسته می باشند که برای انتخاب مدل اولیه مورد استفاده قرار داده می شوند.  متدلوژی باکس – جنکینز از روش تکراری استفاده می کند : 1- مدل اولیه از کلاس کلی مدل های ARIMAانتخاب می شود که بر پایه بررسی TS و بررسی خودهمبستگی های خود برای چندین تاخیر زمانی می باشد. 2- سپس مدل انتخاب شده در مقابل داده های تاریخی مورد بررسی قرار داده می شود تا مشخص شود که آیا به طور دقیق سری ها را توصیف می کند. مدل در صورتی از سازگاری خوب برخوردار می باشد که (residuals) پس مانده ها به طور کلی کم و با توزیع اتفاقی باشند و دارای اطلاعات مفید نباشند. 3- اگر مدل مشخص شده رضایت بخش نباشد، فرایند با استفاده از مدل جدیدی تکرار می شود که برای بهبود دادن در مدل اصلی طراحی شده است. 4- در صورتی که مدل رضایت بخش باشد می توان آن را برای پیش بینی مورد استفاده قرار داد. توجه داشته باشید که فرایندهای ساکن پیرامون یک سطح ثابت متفاوت می باشند و پردازش های غیر ساکن یه سطح میانگین ثابت طبیعی ندارد. ACF و PACF متربط به TS با الگوی خود همبستگی تئوریکی هماهنگ می شوند ک به مدل ARIMA خاص مربوط می باشد. 2: مدل های برگشتی خودکار AF(P) مدل برگشتی خودکار با ترتیب pth یا فرمول زیر دارد :  مدل های اتورگرسیون (برگشتی خودکار) برای سری های زمانی ساکن مناسب می باشند و ضریب همبستگی به سطح ثابت سری مربوط می شود.  عملکرد تئوریکی ACF و PACF مربوط به مدل های AR(1) و AR(2) یک مدلAR(p) مدل رگرسیون با مقادیر تاخیری متغیر وابسته در مکان های متغیر غیر وابسته و بنابراین مدل برگشت خودکار (اتورگرسیو) نام می باشد. AR(1) ACF  0 PACF = 0 for lag > 1 AR(2) ACF  0 PACF = 0 for lag > 2 yt = متغیر پاسخ در زمان Tاست. yt – k = مشاهده (متغیر پیش بینی کننده) در زمان t- k می باشد. 1= ضریب های همبستگی برگشت (رگرسیون) که قرار است تخمین زده شوند.  1 = عبارت خطا در زمان t می باشد. عملکرد خود همبستگی ها و خود همبستگی های مربوط به AR(1) را نشان می دهد. عملکرد خود همبستگی ها و خود همبستگی های مربوط به AR(1) را نشان می دهد. 3 : مدل های میانگین متحرک  مدل میانگین متحرک ترتیب pth یا دارای فرمول زیر می باشد : مدل های MA برای سرهای زمانی ساکن مناسب می باشند. وزن های wi لزوما به 1 بالغ نمی شوند وممکن است مثبت یا منفی باشند.  عملکرد تئوریکی ACF و PACF را برای مدل های MA(1) و MA(2) نشان می دهد. مدل MA(q) یک مدل برگشتی (رگرسیون) با متغیر وابسته است که به مقادیر قبلی خطاها بیش از خود متغیر بستگی دارد. MA(1) ACF = 0 for lag > 1; PACF  0 MA(2) ACF = 0 for lag > 2; PACF  0 yt = متغیر پاسخ در زمان t می باشد.  = میانگین ثابت پردازش می باشد. wi = ضریب های همبستگی رگرسیون که قرار است برآورد شود می باشد. t-k= خطا در دوره زمانه t-k می باشد. اصطلاح میانگین متحرک تاریخی است و نباید با روش های ملایم ساز میانگین متحرک اشتباه گرفته شود. عملکرد خود همبستگی ها و خود همبستگی های مربوط به MA(1) را نشان می دهد. عملکرد خود همبستگی ها و خود همبستگی های مربوط به MA(1) را نشان می دهد.