Conférencier | Transcription |
| Cette conférence a pour but de mettre en lumière certains |
| 00 | 11.600 |
| 3 |
| plateformes 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 temporelle transformée ? |
| Jetons un coup d'œil aux données |
| 00 | 00.933 |
| 06.200 |
| 18 |
| également connue 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 traité par le |
| 00 | 01.666 |
| 31 |
| sur la deuxième photo. Alors le |
| la variation ne change pas |
| avec les différentes séries temporelles ??? |
| 00 | 20.266 |
| 36 |
| Ainsi, dans la littérature, les gens |
| dis, eh bien, nous allons nous 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, c'est mettre |
| 00 | 39.133 |
| 57 |
| il faut faire les modèles, faire |
| les prévisions, puis le logiciel, |
| 00 | 55.933 |
| 61 |
| mettra les passagers du journal dans Y, |
| mais maintenant nous n'avons plus besoin de le faire. Nous |
| 00 | 15.033 |
| 66 |
| pour entrer dans la Box Cox |
| paramètre de transformation Lambda. |
| Zéro, ça veut dire que c'est un journal |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| le menu du triangle rouge et cliquez sur |
| soit ARIMA, soit 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 |
| prévisions en prenant soin de |
| transformation inverse. Le |
| 00 | 49.600 |
| 91 |
| cela le montrera. |
| l'intrigue et les prévisions avaient |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| les modèles sont un cheval de bataille dans le temps |
| plateforme de prévision de séries. |
| Ils peuvent s'adapter et prévoir beaucoup de choses |
| 00 | 35.733 |
| 39.633 |
| 104 |
| les performances sont en quelque sorte comparables |
| à la prévision |
| 00 | 59.366 |
| 110 |
| 111 |
| Etudie pourquoi... pourquoi ce type |
| des travaux de modèle et pourquoi certains |
| 00 | 18.600 |
| 115 |
| 116 |
| tapez le modèle dans la série chronologique |
| plateforme conçue pour |
| 00 | 43.900 |
| 120 |
| une fonction de l'inconnu |
| état, état inobservé. Ici à |
| 00 | 01.000 |
| 124 |
| variables et terme d'erreur |
| soit par des opérations additives |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| l'état est l'heure de l'état du niveau |
| série. 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 sera |
| passe au suivant. |
| état de tendance et état de niveau |
| 00 | 25.966 |
| 146 |
| pointer vers un autre moment. Et |
| il y a plus de flèches... que là |
| y a-t-il plus de transitions d'états que |
| 00 | 49.700 |
| 152 |
| série en Y et cliquez sur OK. |
| Pour adapter ce type de modèle, nous |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| réglé, je vais entrer 12 |
| pour la période. |
| Et je vais cliquer sur Sélectionner |
| Bouton recommandé. |
| À partir des modèles d'erreur additifs et |
| 00 | 47.666 |
| 169 |
| cet ensemble particulier, j'y vais |
| 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 un 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 |
| 00 | 45.133 |
| 198 |
| différence? Laissez-moi ouvrir le |
| 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 s'additionne en |
| 00 | 50.233 |
| 213 |
| la deuxième partie de ce rapport sont |
| les...sont la composante étatique |
| 00 | 06h100 |
| 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 dans |
| le passé. Il ne cesse d'augmenter |
| 00 | 48.266 |
| 227 |
| série et le modèle continue |
| vers l'avenir, et ceci |
| 00 | 03.466 |
| 231 |
| observé, mais la prévision est |
| plat. Cela m'a dérangé. |
| Maintenant, regardons la deuxième |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| graphique des composants d’état. Le niveau est |
| augmenté 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 |
| Passons à la deuxième diapositive. |
| Cette diapositive, puis la suivante |
| 00 | 45.100 |
| 259 |
| sur l'interprétation des prévisions |
| de ce modèle...ce type de |
| des modèles. Ici, je voudrais |
| 00 | 01.933 |
| 07.233 |
| 265 |
| en haut. J’en ai répertorié la moitié ici. |
| Oh, presque la moitié. Alors concentrons-nous |
| 00 | 27.033 |
| 30.800 |
| 271 |
| une certaine tendance à la hausse et |
| se rétrécit vers la fin. |
| Et d'un autre côté, nous pouvons |
| 00 | 54.233 |
| 277 |
| voir à partir des prévisions en utilisant ceci |
| tapez le modèle. Si 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. Maintenant |
| 00 | 06.800 |
| 12.566 |
| 297 |
| cela 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... un 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 mises à plat ou |
| 00 | 00.733 |
| 323 |
| paramètres. Alors je me suis séparé |
| ces pièces et moi aussi |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 329 |
| 330 |
| la tendance semblera généralement plate, |
| nous aurons une augmentation |
| modèle dans l’état de niveau. |
| Quand c'est linéaire et |
| quand il est courbé. |
| Tout dépend de la façon dont ça se passe |
| 00 | 52.233 |
| 57.666 |
| 339 |
| augmentant ou diminuant dans le |
| niveau exponentiel. Alors ceci est |
| 00 | 13.466 |
| 343 |
| est maigre et pensez-y comme |
| taux d'intérêt composé si |
| si l'état de niveau augmente |
| 00 | 32.466 |
| 348 |
| ils font des prévisions, ils essaient de... |
| essaie de ne pas dépasser |
| ou en deçà des prévisions selon lesquelles |
| 00 | 59.833 |
| 355 |
| comment interpréter |
| les prévisions de l'état |
| 00 | 20.133 |
| 359 |
| le deuxième, aucun de ceux-là |
| les modèles sont stationnaires. Ils sont |
| 00 | 37.466 |
| 364 |
| Donc, si vous envisagez ces |
| des séries chronologiques. Des choses |
| 00 | 55.566 |
| 59.600 |
| 369 |
| troisième, si tu vois juste |
| cette série chronologique n'est pas |
| 00 | 12.000 |
| 373 |
| 374 |
| un résultat dans un...dans |
| la prochaine diapositive qui conviendra |
| 00 | 31.933 |
| 378 |
| comparer selon le type de |
| modèle soyez prudent. |
| Cette diapositive a pour but de montrer comment... |
| 00 | 51.800 |
| 383 |
| est la prévision. |
| Et de même, je trace mon |
| 00 | 07.400 |
| 387 |
| appliquer ce type d'espace d'état |
| 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 s'avère 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 |
| figure dans cette présentation |
| prévision en retenue. |
| Cette fonctionnalité vous permet |
| 00 | 37.966 |
| 40.500 |
| 45.833 |
| 415 |
| 416 |
| 417 |
| 418 |
| l'un vient d'un autre modèle. |
| Et puis vous pourrez les comparer |
| 00 | 11.833 |
| 423 |
| 424 |
| pour activer cette fonctionnalité. Alors je |
| il faut préciser |
| la durée de la retenue |
| 00 | 35.200 |
| 38.466 |
| 430 |
| 431 |
| 432 |
| cliquez sur Sélectionner recommandé, |
| et cochez 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 vient de l'analyse |
| résultats sans activer cette fonction |
| 00 | 05.433 |
| 454 |
| 455 |
| laissez-moi résumer |
| ce que nous avons appris |
| 00 | 25.566 |
| 459 |
| performance sur la retenue |
| données. Mais ces critères sont |
| 00 | 41.366 |
| 463 |
| processus. On voit plutôt |
| différent de la façon dont nous utilisons |
| 00 | 57.700 |
| 467 |
| une partie du montage du modèle |
| processus, donc c'est quelque chose |
| 00 | 17.000 |
| 471 |
| retenue à évaluer |
| différents modèles en fonction de leur |
| performances prévisionnelles. Alors on |
| 00 | 32.033 |
| 35.366 |
| 478 |
| la 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 |
| cochez...modifiez la sélection dans le |
| première zone de liste déroulante pour les prévisions |
| performance. Ensuite, nous pouvons choisir |
| prévision des performances |
| 00 | 04.633 |
| 500 |
| nous voulons des prévisions. Mais tu peux |
| choisissez-en un... changez-le en n'importe lequel |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| utiliser la formation |
| séries chronologiques, sélectionnez la meilleure |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| plateforme de série. Première analyse |
| Série chronologique transformée par Box Cox. |
| Le deuxième est l'état d'aptitude |
| 00 | 27.666 |
| 521 |
| 522 |
| ainsi et l'utiliser comme |
| Et méthode de sélection du modèle. |
| Merci beaucoup. |
