Conférencier | Transcription |
| Cette conférence vise à mettre en évidence certains |
| 00 | 11 600 |
| 3 |
| plates-formes de séries chronologiques. Trois sont |
| à partir de plateformes de séries chronologiques et |
| 00 | 34.700 |
| 38.400 |
| dix |
| 11 |
| 12 |
| avons-nous besoin de Box Cox |
| série chronologique transformée? |
| Jetons un coup d'œil aux données |
| 00 | 00,933 |
| 06.200 |
| 18 |
| également connu sous le nom de compagnie aérienne |
| ensemble de données sur les passagers. |
| La série originale est |
| 00 | 23.900 |
| 23 |
| modèle de. |
| Pourquoi? Jetons un coup d'œil à une intrigue ... |
| 00 | 43,433 |
| 27 |
| devenir plus grand. Et cette série |
| ne peut pas être géré par le |
| 00 | 01.666 |
| 31 |
| dans la deuxième image. Alors le |
| la variation ne change pas |
| avec les différentes séries chronologiques ??? |
| 00 | 20,266 |
| 36 |
| Donc, dans la littérature, les gens |
| dis, eh bien, nous allons transformer |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| de l'échelle de transformation, dans ce cas |
| ici, c'est l'échelle logarithmique. |
| L'envoyer à l'inverse |
| 00 | 04.366 |
| 49 |
| transformer. |
| Dans le passé ... dans le passé |
| 00 | 21,966 |
| 53 |
| rationaliser l'ensemble du processus. |
| Ce que vous devez faire est de mettre |
| 00 | 39,133 |
| 57 |
| besoin de faire les modèles, faire |
| prévision, puis le logiciel, |
| 00 | 55,933 |
| 61 |
| mettra les passagers en rondins dans Y, |
| mais maintenant nous n'avons pas à le faire. Nous |
| 00 | 15,033 |
| 66 |
| pour entrer dans la Box Cox |
| paramètre de transformation Lambda. |
| Zéro, cela signifie que c'est un journal |
| 00 | 28,333 |
| 31,166 |
| 37,433 |
| 73 |
| le menu du triangle rouge et cliquez sur |
| soit ARIMA ou ARIMA saisonnier. |
| 00 | 01.766 |
| 78 |
| 12 pour la partie saisonnière. |
| Sans interception. Cliquez sur |
| 00 | 19,633 |
| 22,933 |
| 24 500 |
| 28,733 |
| 85 |
| 86 |
| prévision prenant soin de la |
| transformation inverse. Le |
| 00 | 49 600 |
| 91 |
| montrera dans ce. |
| intrigue et la prévision avait |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| modèles est un bourreau de travail dans le temps |
| plate-forme de prévision de série. |
| Ils peuvent s'adapter et prévoir beaucoup |
| 00 | 35,733 |
| 39,633 |
| 104 |
| les performances sont en quelque sorte comparables |
| à la prévision |
| 00 | 59,366 |
| 110 |
| 111 |
| étudiez pourquoi ... pourquoi ce type |
| du modèle fonctionne et pourquoi certains |
| 00 | 18 600 |
| 115 |
| 116 |
| type de modèle dans la série chronologique |
| plate-forme conçue pour |
| 00 | 43,900 |
| 120 |
| une fonction de l'inconnu |
| état, état non observé. Ici à |
| 00 | 01.000 |
| 124 |
| variables et le terme d'erreur |
| soit par des opérations additives |
| 00 | 16,266 |
| 19.200 |
| 129 |
| 130 |
| state est le temps de l'état du niveau |
| séries. L'état de tendance forme un |
| 00 | 40,733 |
| 134 |
| 135 |
| état, et aussi l'un des |
| états saisonniers précédents. Et |
| 00 | 59,733 |
| 03.133 |
| 140 |
| 141 |
| l'état de tendance précédent |
| tremd au suivant. |
| état de tendance et état de niveau |
| 00 | 25,966 |
| 146 |
| pointer vers un autre point dans le temps. Et |
| il y a plus de flèches ... que là |
| il y a plus de transitions d'états que de |
| 00 | 49.700 |
| 152 |
| série en Y et cliquez sur OK. |
| Pour s'adapter à ce type de modèle, nous |
| 00 | 12,300 |
| 16,766 |
| 160 |
| 161 |
| set, je vais entrer 12 |
| pour la période. |
| Et je vais cliquer sur Sélectionner |
| Bouton recommandé. |
| À partir des modèles d'erreur additive et |
| 00 | 47,666 |
| 169 |
| cet ensemble particulier, je vais |
| pour cliquer sur les paramètres de contrainte |
| 00 | 05.966 |
| 173 |
| modèles recommandés pour s'adapter à ces |
| type de ... ces séries chronologiques et |
| 00 | 23,666 |
| 27,966 |
| 179 |
| 180 |
| modèle avec AIC plus petit et |
| mes yeux sont sur les deux premiers |
| 00 | 52,300 |
| 184 |
| des modèles. Et laisse moi |
| superposer les prévisions |
| 00 | 09.366 |
| 10,566 |
| 17,666 |
| 190 |
| 191 |
| 192 |
| 193 |
| de la série chronologique originale |
| plus gentiment. |
| Donc, dans ma préférence, je voudrais |
| 00 | 45,133 |
| 198 |
| différence? Laisse moi ouvrir le |
| premier MAA ... MAM. |
| Descendons ci-dessous. Ce |
| 00 | 05.533 |
| 10,666 |
| 204 |
| celui-ci | états des composants. |
| C'est un spécial pour ça |
| 00 | 32.900 |
| 209 |
| La première lettre. |
| Et la tendance est additive par |
| 00 | 50,233 |
| 213 |
| deuxième partie de ce rapport sont |
| les ... sont la composante de l'État |
| 00 | 06.100 |
| 217 |
| une partie est la prédiction de |
| cet état spécifique. |
| La période de la série chronologique |
| 00 | 27 500 |
| 222 |
| 223 |
| a une tendance croissante |
| le passé. Ça continue d'augmenter |
| 00 | 48,266 |
| 227 |
| série et le modèle continue |
| vers le futur, et ce |
| 00 | 03.466 |
| 231 |
| observé, mais la prévision est |
| plat. Cela m'a dérangé. |
| Regardons maintenant la seconde |
| 00 | 17,333 |
| 20,366 |
| 23,566 |
| 27,933 |
| 239 |
| 240 |
| graphe de composants d'état. Le niveau est |
| augmentant dans le passé avait |
| 00 | 44,366 |
| 48,466 |
| 245 |
| 246 |
| 247 |
| 248 |
| avenir. C'est plus raisonnable |
| complot que je peux accepter. Donc est-il |
| 00 | 14.866 |
| 252 |
| sur la deuxième diapositive. |
| Cette diapositive puis la suivante |
| 00 | 45.100 |
| 259 |
| sur l'interprétation des prévisions |
| à partir de ce modèle ... ce type de |
| des modèles. Ici je voudrais |
| 00 | 01.933 |
| 07.233 |
| 265 |
| en haut. J'en ai énuméré la moitié ici. |
| Oh, presque la moitié. Alors concentrons-nous |
| 00 | 27,033 |
| 30.800 |
| 271 |
| une certaine tendance à la hausse et |
| diminuez vers la fin. |
| Et d'un autre côté, nous pouvons |
| 00 | 54,233 |
| 277 |
| voir dans les prévisions en utilisant ceci |
| modèle de type. Si la saisonnalité |
| n'est pas impliqué. Quand je |
| 00 | 11,066 |
| 14.200 |
| 19,566 |
| 284 |
| 285 |
| 286 |
| le premier, c'est |
| une prévision plate si la saisonnalité |
| 00 | 46,833 |
| 51,266 |
| 291 |
| avoir une augmentation linéaire |
| patern et ainsi de suite |
| semblable aux autres. À présent |
| 00 | 06.800 |
| 12,566 |
| 297 |
| il ne fait qu'augmenter. |
| Après avoir appliqué le |
| 00 | 34,033 |
| 302 |
| la saisonnalité multiplicative sur |
| le sommet de notre augmentation |
| 00 | 48,966 |
| 306 |
| ce type ... type différent de |
| formes | plat |
| 00 | 05.666 |
| 10,733 |
| 311 |
| 312 |
| nous obtenons ces différents ... différents |
| formes. Alors je rentre ??? |
| 00 | 33,466 |
| 40,433 |
| 318 |
| ce que nous voyons finalement dans |
| Les prévisions. |
| Vous avez les modèles plats ou |
| 00 | 00.733 |
| 323 |
| paramètres. Alors je me suis séparé |
| ces pièces et aussi je |
| 00 | 14.866 |
| 20 400 |
| 328 |
| 329 |
| 330 |
| la tendance aura généralement l'air plate, |
| nous obtiendrons une augmentation |
| motif dans l'état de niveau. |
| Quand c'est linéaire et |
| quand il est courbé. |
| Tout dépend de la façon dont cela |
| 00 | 52,233 |
| 57,666 |
| 339 |
| augmentation ou diminution de la |
| niveau exponentiellement. Alors ceci est |
| 00 | 13,466 |
| 343 |
| est maigre et pensez-y comme |
| taux d'intérêt composé si |
| si l'état du niveau augmente |
| 00 | 32,466 |
| 348 |
| ils font des prévisions, ils essaient de ... |
| essayez de ne pas dépasser |
| ou sous-estimez les prévisions |
| 00 | 59,833 |
| 355 |
| comment interpréter |
| la prévision de l'état |
| 00 | 20,133 |
| 359 |
| deuxième, aucun de ces |
| les modèles sont stationnaires. Elles sont |
| 00 | 37,466 |
| 364 |
| Donc, si vous envisagez ces |
| des séries chronologiques. Des choses |
| 00 | 55,566 |
| 59.600 |
| 369 |
| troisième, si vous voyez juste |
| cette série chronologique pas |
| 00 | 12 000 |
| 373 |
| 374 |
| un résultat dans un ... |
| la prochaine diapositive qui conviendra |
| 00 | 31,933 |
| 378 |
| comparer entre les types de |
| modèle soyez prudent. |
| Cette diapositive montre comment ... |
| 00 | 51.800 |
| 383 |
| est la prévision. |
| Et de même, je trace mon |
| 00 | 07.400 |
| 387 |
| appliquer ce type d'espace d'états |
| lissage des modèles à l'arrêt |
| des séries chronologiques? Ici, je simule un |
| 00 | 32,633 |
| 393 |
| 394 |
| 395 |
| modèles à cette série chronologique, le |
| le meilleur modèle se révèle être dans un |
| 00 | 54,266 |
| 399 |
| 400 |
| plutôt différent parce que c'est |
| un modèle de marche aléatoire et le |
| 00 | 13,466 |
| 16,466 |
| 18,733 |
| 22,333 |
| 408 |
| caractéristique de cette présentation |
| prévision sur retenue. |
| Cette fonctionnalité vous permet |
| 00 | 37,966 |
| 40.500 |
| 45,833 |
| 415 |
| 416 |
| 417 |
| 418 |
| l'un est d'un autre modèle. |
| Et puis vous pouvez comparer ces |
| 00 | 11,833 |
| 423 |
| 424 |
| pour activer cette fonction. Alors je |
| besoin de spécifier |
| la longueur de la retenue |
| 00 | 35 200 |
| 38,466 |
| 430 |
| 431 |
| 432 |
| cliquez sur Sélectionner recommandé, |
| et vérifiez la contrainte |
| 00 | 06.433 |
| 438 |
| 439 |
| partie de la série, |
| nous avons répertorié la retenue |
| 00 | 26 000 |
| 443 |
| 444 |
| par défaut, mais vous pouvez |
| changez toujours les métriques que vous |
| 00 | 39.900 |
| 44.866 |
| 449 |
| les rapports sont similaires à |
| à cela obtenu de l'analyse |
| résultats sans l'activer |
| 00 | 05.433 |
| 454 |
| 455 |
| laissez-moi résumer |
| ce que nous avons appris de |
| 00 | 25,566 |
| 459 |
| performance sur la retenue |
| Les données. Mais ces critères sont |
| 00 | 41,366 |
| 463 |
| traiter. On voit le plutôt |
| différent de la façon dont nous utilisons |
| 00 | 57.700 |
| 467 |
| partie du raccord du modèle |
| processus, donc c'est quelque chose |
| 00 | 17 000 |
| 471 |
| retenue pour évaluer |
| différents modèles en fonction de leur |
| prévision des performances. Alors on |
| 00 | 32,033 |
| 35,366 |
| 478 |
| colonne est cette série chronologique |
| indicateur. Y est une série chronologique |
| 00 | 55,666 |
| 482 |
| résumer l'ensemble de données, soit |
| chronologique ou série chronologique, par |
| 00 | 09.533 |
| 12,066 |
| 16 600 |
| 488 |
| 489 |
| spécification ou modifier le |
| stratégie de sélection de modèle, nous |
| 00 | 39 200 |
| 494 |
| vérifier ... modifier la sélection dans |
| première liste déroulante à la prévision |
| performance. Ensuite, nous pouvons choisir |
| prévision des performances |
| 00 | 04.633 |
| 500 |
| nous voulons des prévisions. Mais tu peux |
| choisissez n'importe quel ... changez en n'importe quel |
| 00 | 17,833 |
| 25,466 |
| 30.866 |
| 506 |
| 507 |
| utiliser la formation |
| série chronologique, sélectionnez la meilleure |
| 00 | 49.800 |
| 52,333 |
| 54,766 |
| 57.900 |
| 00,966 |
| 515 |
| plate-forme de série. Analyser d'abord |
| Série chronologique transformée de Box Cox. |
| Le second est l'état de forme |
| 00 | 27,666 |
| 521 |
| 522 |
| ainsi et en l'utilisant comme |
| Et méthode de sélection du modèle. |
| Merci beaucoup. |
