Altoparlante | Trascrizione |
| Questo discorso è per evidenziarne alcuni |
| 00 | 11.600 |
| 3 |
| piattaforme di serie temporali. Tre sono |
| dalle piattaforme di serie temporali e |
| 00 | 34.700 |
| 38.400 |
| 10 |
| 11 |
| 12 |
| abbiamo bisogno di Box Cox |
| serie storica trasformata? |
| Diamo uno sguardo ai dati |
| 00 | 00.933 |
| 06.200 |
| 18 |
| noto anche come compagnia aerea |
| set di dati dei passeggeri. |
| La serie originale è |
| 00 | 23.900 |
| 23 |
| modello da. |
| Perché? Diamo un'occhiata a una trama ... |
| 00 | 43.433 |
| 27 |
| diventando più grande. E questa serie |
| non può essere gestito da |
| 00 | 01.666 |
| 31 |
| nella seconda foto. Così la |
| la variazione non cambia |
| con le varie serie temporali ??? |
| 00 | 20.266 |
| 36 |
| Quindi nella letteratura le persone lo faranno |
| dì, beh, ci trasformeremo |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| della scala di trasformazione, in questo caso |
| qui, è la scala logaritmica. |
| Invio a inverso |
| 00 | 04.366 |
| 49 |
| trasformare. |
| In passato ... in passato |
| 00 | 21.966 |
| 53 |
| snellire l'intero processo. |
| Quello che devi fare è mettere |
| 00 | 39.133 |
| 57 |
| bisogno di fare i modelli, fare |
| previsione, quindi il software, |
| 00 | 55.933 |
| 61 |
| metterà i passeggeri del log in Y, |
| ma ora non dobbiamo. Noi |
| 00 | 15.033 |
| 66 |
| per entrare nel Box Cox |
| parametro di trasformazione Lambda. |
| Zero, significa che è un registro |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| il menu triangolo rosso e fare clic |
| ARIMA o ARIMA stagionale. |
| 00 | 01.766 |
| 78 |
| 12 per la parte stagionale. |
| Senza intercettazione. Clic |
| 00 | 19.633 |
| 22.933 |
| 24.500 |
| 28.733 |
| 85 |
| 86 |
| previsione occupandosi del |
| trasformazione inversa. Il |
| 00 | 49.600 |
| 91 |
| mostrerà in questo. |
| trama e le previsioni avevano |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| models è un cavallo di battaglia nel tempo |
| piattaforma di previsione della serie. |
| Possono adattarsi e prevedere molto |
| 00 | 35.733 |
| 39.633 |
| 104 |
| le prestazioni sono in qualche modo paragonabili |
| alla previsione |
| 00 | 59.366 |
| 110 |
| 111 |
| studia perché ... perché questo tipo |
| del modello funziona e perché alcuni alcuni |
| 00 | 18.600 |
| 115 |
| 116 |
| digitare il modello nella serie temporale |
| piattaforma progettata per |
| 00 | 43.900 |
| 120 |
| una funzione dell'ignoto |
| stato, stato inosservato. Qui a |
| 00 | 01.000 |
| 124 |
| variabili e il termine di errore |
| da entrambe le operazioni additive |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| stato è il livello stato tempo |
| serie. Lo stato di tendenza forma a |
| 00 | 40.733 |
| 134 |
| 135 |
| stato, e anche uno dei |
| stati stagionali precedenti. E |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| lo stato di tendenza precedente |
| tremd al prossimo. |
| stato di tendenza e stato di livello |
| 00 | 25.966 |
| 146 |
| indica un altro punto temporale. E |
| ci sono più frecce ... che lì |
| sono più transizioni di stato di quanto non lo sia |
| 00 | 49.700 |
| 152 |
| serie in Y e fare clic su OK. |
| Per adattarsi a questo tipo di modello, noi |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| impostato, inserisco 12 |
| per periodo. |
| E farò clic su Seleziona |
| Pulsante consigliato. |
| Dai modelli di errore additivo e |
| 00 | 47.666 |
| 169 |
| questo particolare set, vado |
| per fare clic sui parametri dei vincoli |
| 00 | 05.966 |
| 173 |
| modelli consigliati per adattarli |
| tipo di ... queste serie temporali e |
| 00 | 23.666 |
| 27.966 |
| 179 |
| 180 |
| modello con AIC e |
| i miei occhi sono sui primi due |
| 00 | 52.300 |
| 184 |
| Modelli. E lasciami |
| sovrapporre la previsione |
| 00 | 09.366 |
| 10.566 |
| 17.666 |
| 190 |
| 191 |
| 192 |
| 193 |
| dalla serie storica originale |
| più piacevolmente. |
| Quindi, a mia preferenza, lo farei |
| 00 | 45.133 |
| 198 |
| differenza? Fammi aprire il file |
| primo MAA ... MAM. |
| Andiamo in basso. Questo |
| 00 | 05.533 |
| 10.666 |
| 204 |
| Questo | stati dei componenti. |
| Questo è uno speciale per questo |
| 00 | 32.900 |
| 209 |
| la prima lettera. |
| E la tendenza è additiva da |
| 00 | 50.233 |
| 213 |
| seconda parte di questo rapporto sono |
| i ... sono la componente statale |
| 00 | 06.100 |
| 217 |
| parte è la previsione di |
| questo stato specifico. |
| Il periodo della serie temporale |
| 00 | 27.500 |
| 222 |
| 223 |
| ha uno schema crescente in |
| il passato. Continua ad aumentare |
| 00 | 48.266 |
| 227 |
| serie e lo schema continua |
| verso il futuro, e questo |
| 00 | 03.466 |
| 231 |
| osservato, ma la previsione è |
| piatto. Questo mi ha infastidito. |
| Ora diamo un'occhiata al secondo |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| Stato componente grafico. Il livello è |
| in aumento in passato aveva |
| 00 | 44.366 |
| 48.466 |
| 245 |
| 246 |
| 247 |
| 248 |
| futuro. Questo è più ragionevole |
| trama che posso accettare. Così è |
| 00 | 14.866 |
| 252 |
| sulla seconda diapositiva. |
| Questa diapositiva e poi la successiva |
| 00 | 45.100 |
| 259 |
| sull'interpretazione delle previsioni |
| da questo modello ... questo tipo di |
| Modelli. Qui vorrei |
| 00 | 01.933 |
| 07.233 |
| 265 |
| su. Ne ho elencati la metà qui. |
| Oh, quasi la metà. Quindi concentriamoci |
| 00 | 27.033 |
| 30.800 |
| 271 |
| alcuni aumentano la tendenza e la volontà |
| si assottiglia verso la fine. |
| E d'altra parte, possiamo |
| 00 | 54.233 |
| 277 |
| vedere dalle previsioni usando questo |
| tipo di modello. Se la stagionalità |
| non è coinvolto. Quando io |
| 00 | 11.066 |
| 14.200 |
| 19.566 |
| 284 |
| 285 |
| 286 |
| il primo, questo è |
| una previsione piatta se la stagionalità |
| 00 | 46.833 |
| 51.266 |
| 291 |
| avere un aumento lineare |
| patern e così via |
| simile agli altri. Adesso |
| 00 | 06.800 |
| 12.566 |
| 297 |
| sta semplicemente aumentando. |
| Dopo aver applicato il |
| 00 | 34.033 |
| 302 |
| la stagionalità moltiplicativa attiva |
| il massimo del nostro aumento |
| 00 | 48.966 |
| 306 |
| questo tipo ... diverso tipo di |
| forme | piatto |
| 00 | 05.666 |
| 10.733 |
| 311 |
| 312 |
| otteniamo quelli diversi ... diversi |
| forme. Quindi sto entrando ??? |
| 00 | 33.466 |
| 40.433 |
| 318 |
| ciò in cui alla fine vediamo |
| la previsione. |
| Hai i modelli piatti o |
| 00 | 00.733 |
| 323 |
| parametri. Quindi mi sono separato |
| queste parti e anche io |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 329 |
| 330 |
| la tendenza di solito apparirà piatta, |
| otterremo un aumento |
| modello nello stato di livello. |
| Quando è lineare e |
| quando è curvo. |
| Dipende tutto da come questo |
| 00 | 52.233 |
| 57.666 |
| 339 |
| aumentare o diminuire nel |
| livello esponenziale. Quindi questo è |
| 00 | 13.466 |
| 343 |
| è magra e pensaci come |
| tasso di interesse composto se |
| se lo stato del livello aumenta |
| 00 | 32.466 |
| 348 |
| fanno previsioni, cercano di ... |
| cerca di non superare il limite |
| o sottovalutare la previsione che |
| 00 | 59.833 |
| 355 |
| come interpretare |
| la previsione dallo stato |
| 00 | 20.133 |
| 359 |
| secondo, nessuno di questi |
| i modelli sono fissi. Sono |
| 00 | 37.466 |
| 364 |
| Quindi, se stai considerando questi |
| serie temporali. Cose |
| 00 | 55.566 |
| 59.600 |
| 369 |
| terzo, se solo vedi |
| quella serie temporale no |
| 00 | 12.000 |
| 373 |
| 374 |
| un risultato in un ... in |
| la diapositiva successiva che si adatterà |
| 00 | 31.933 |
| 378 |
| confronta il tipo di |
| modello stai attento. |
| Questa diapositiva mostra come ... |
| 00 | 51.800 |
| 383 |
| è la previsione. |
| E allo stesso modo, traccio il mio |
| 00 | 07.400 |
| 387 |
| applicare questo tipo di spazio degli stati |
| levigare i modelli a stazionari |
| serie temporale? Qui simulo un file |
| 00 | 32.633 |
| 393 |
| 394 |
| 395 |
| modelli di questa serie temporale, il |
| il miglior modello risulta essere in un |
| 00 | 54.266 |
| 399 |
| 400 |
| piuttosto diverso perché lo è |
| un modello di passeggiata casuale e il |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 408 |
| caratteristica in questa presentazione |
| previsione in attesa. |
| Questa funzione te lo consente |
| 00 | 37.966 |
| 40.500 |
| 45.833 |
| 415 |
| 416 |
| 417 |
| 418 |
| uno è di un altro modello. |
| E poi puoi confrontare questi |
| 00 | 11.833 |
| 423 |
| 424 |
| per attivare questa funzione. Quindi io |
| bisogno di specificare |
| la lunghezza dell'holdback |
| 00 | 35.200 |
| 38.466 |
| 430 |
| 431 |
| 432 |
| fare clic su Seleziona consigliato, |
| e seleziona Vincolo |
| 00 | 06.433 |
| 438 |
| 439 |
| parte della serie, |
| abbiamo elencato l'holdback |
| 00 | 26.000 |
| 443 |
| 444 |
| per impostazione predefinita, ma puoi |
| cambia sempre le metriche |
| 00 | 39.900 |
| 44.866 |
| 449 |
| i rapporti sono simili a |
| a quello ottenuto dall'analisi |
| risultati senza attivarlo |
| 00 | 05.433 |
| 454 |
| 455 |
| lasciatemi riassumere |
| da cosa abbiamo imparato |
| 00 | 25.566 |
| 459 |
| prestazioni rispetto all'holdback |
| dati. Ma questi criteri lo sono |
| 00 | 41.366 |
| 463 |
| processi. Vediamo piuttosto |
| diverso da come lo usiamo |
| 00 | 57.700 |
| 467 |
| parte della vestibilità del modello |
| processo, quindi questo è qualcosa |
| 00 | 17.000 |
| 471 |
| trattenere da valutare |
| diversi modelli in base al loro |
| previsione delle prestazioni. Quindi noi |
| 00 | 32.033 |
| 35.366 |
| 478 |
| colonna è quella serie temporale |
| indicatore. Y è la serie temporale |
| 00 | 55.666 |
| 482 |
| riassumere anche il set di dati |
| tempo o serie temporale, di |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 488 |
| 489 |
| specifica o modificare il file |
| strategia di selezione del modello, noi |
| 00 | 39.200 |
| 494 |
| controllare ... modificare la selezione nel file |
| prima casella combinata per la previsione |
| prestazione. Allora possiamo scegliere |
| previsione delle prestazioni |
| 00 | 04.633 |
| 500 |
| vogliamo previsioni. Ma tu puoi |
| scegli qualsiasi ... cambia in qualsiasi |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| utilizzando la formazione |
| serie temporale, seleziona la migliore |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| piattaforma di serie. Prima analizzare |
| Box Cox Serie temporale trasformata. |
| Il secondo è in forma |
| 00 | 27.666 |
| 521 |
| 522 |
| pure e usandolo come |
| E metodo di selezione del modello. |
| Grazie mille. |
