| Oratore |
Trascrizione |
| |
Questo intervento ha lo scopo di evidenziare 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 temporali trasformate? |
| |
Diamo un'occhiata ai dati |
| 00 |
00.933 |
| |
06.200 |
| |
18 |
| |
conosciuta anche come compagnia aerea |
| |
set di dati dei passeggeri. |
| |
La serie originale è |
| 00 |
23.900 |
| |
23 |
| |
modello da. |
| |
Perché? Diamo un'occhiata alla trama... |
| 00 |
43.433 |
| |
27 |
| |
diventando più grande. E questa serie |
| |
non può essere gestito dal |
| 00 |
01.666 |
| |
31 |
| |
nella seconda immagine. Quindi il |
| |
la variazione non cambia |
| |
con le varie serie temporali ??? |
| 00 |
20.266 |
| |
36 |
| |
Quindi nella letteratura le persone |
| |
diciamo, bene, ci trasformeremo |
| 00 |
33.800 |
| |
38.700 |
| |
41 |
| |
42 |
| |
43 |
| |
della scala di trasformazione, in questo caso |
| |
qui è la scala logaritmica. |
| |
Inviandolo all'inverso |
| 00 |
04.366 |
| |
49 |
| |
trasformare. |
| |
Nel passato...nel passato |
| 00 |
21.966 |
| |
53 |
| |
semplificare l'intero processo. |
| |
Quello che devi fare è mettere |
| 00 |
39.133 |
| |
57 |
| |
bisogna fare i modelli, fare |
| |
previsione, quindi il software, |
| 00 |
55.933 |
| |
61 |
| |
metterà i passeggeri del registro in Y, |
| |
ma ora non dobbiamo farlo. 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 del triangolo rosso e fare clic |
| |
sia ARIMA che ARIMA stagionale. |
| 00 |
01.766 |
| |
78 |
| |
12 per la parte stagionale. |
| |
Senza intercettazione. Clicca |
| 00 |
19.633 |
| |
22.933 |
| |
24.500 |
| |
28.733 |
| |
85 |
| |
86 |
| |
previsione prendendosi cura del |
| |
trasformazione inversa. La |
| 00 |
49.600 |
| |
91 |
| |
si vedrà in questo. |
| |
trama e la previsione aveva |
| 00 |
05.033 |
| |
08.800 |
| |
11.100 |
| |
17.866 |
| |
98 |
| |
i modelli sono un cavallo di battaglia nel tempo |
| |
piattaforma di previsione delle 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 |
| |
di modelli di opere 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 termine di errore |
| |
mediante operazioni additive |
| 00 |
16.266 |
| |
19.200 |
| |
129 |
| |
130 |
| |
lo stato è il livello di stato tempo |
| |
serie. Lo stato di tendenza forma una |
| 00 |
40.733 |
| |
134 |
| |
135 |
| |
stato, e anche uno dei |
| |
precedenti stati stagionali. E |
| 00 |
59.733 |
| |
03.133 |
| |
140 |
| |
141 |
| |
lo stato di tendenza precedente sarà |
| |
tremd al prossimo. |
| |
stato di tendenza e stato di livello |
| 00 |
25.966 |
| |
146 |
| |
puntare a un altro punto temporale. E |
| |
ci sono più frecce...che ci sono |
| |
ci sono più transizioni di stato di quanto non sia |
| 00 |
49.700 |
| |
152 |
| |
serie in Y e fare clic su OK. |
| |
Per adattarci a questo tipo di modello, noi |
| 00 |
12.300 |
| |
16.766 |
| |
160 |
| |
161 |
| |
impostato, inserirò 12 |
| |
per il periodo. |
| |
E farò clic su Seleziona |
| |
Pulsante consigliato. |
| |
Dai modelli di errore additivi e |
| 00 |
47.666 |
| |
169 |
| |
questo particolare set, sto andando |
| |
per fare clic sui parametri di vincolo |
| 00 |
05.966 |
| |
173 |
| |
modelli consigliati per adattarsi a questi |
| |
tipo di...queste serie temporali e |
| 00 |
23.666 |
| |
27.966 |
| |
179 |
| |
180 |
| |
modello con AIC più piccolo e |
| |
i miei occhi sono puntati sui primi due |
| 00 |
52.300 |
| |
184 |
| |
modelli. E lasciatemi |
| |
sovrapporre la previsione |
| 00 |
09.366 |
| |
10.566 |
| |
17.666 |
| |
190 |
| |
191 |
| |
192 |
| |
193 |
| |
dalla serie temporale originale |
| |
più piacevolmente. |
| |
Quindi, secondo la mia preferenza, |
| 00 |
45.133 |
| |
198 |
| |
differenza? Lasciami aprire il |
| |
il primo MAA...MAM. |
| |
Scendiamo più in basso. Questo |
| 00 |
05.533 |
| |
10.666 |
| |
204 |
| Questo |
stati dei componenti. |
| |
Questa è una speciale per questo |
| 00 |
32.900 |
| |
209 |
| |
la prima lettera. |
| |
E la tendenza è additiva |
| 00 |
50.233 |
| |
213 |
| |
seconda parte di questo rapporto sono |
| |
...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 un andamento crescente in |
| |
il passato. Continua ad aumentare |
| 00 |
48.266 |
| |
227 |
| |
serie e il modello continua |
| |
verso il futuro, e questo |
| 00 |
03.466 |
| |
231 |
| |
osservato, ma la previsione è |
| |
piatto. Questo mi dava fastidio. |
| |
Ora diamo un'occhiata al secondo |
| 00 |
17.333 |
| |
20.366 |
| |
23.566 |
| |
27.933 |
| |
239 |
| |
240 |
| |
grafico dei componenti di stato. Il livello è |
| |
aumentando 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 |
| |
passiamo alla 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 aumenteranno la tendenza e lo faranno |
| |
diminuire gradualmente verso la fine. |
| |
E d'altra parte, possiamo |
| 00 |
54.233 |
| |
277 |
| |
vedi dalle previsioni usando questo |
| |
modello di tipo. 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 |
| |
modello e così via |
| |
simile agli altri. Ora |
| 00 |
06.800 |
| |
12.566 |
| |
297 |
| |
sta semplicemente aumentando. |
| |
Dopo aver applicato il |
| 00 |
34.033 |
| |
302 |
| |
la stagionalità moltiplicativa su |
| |
il vertice della nostra crescita |
| 00 |
48.966 |
| |
306 |
| |
questo tipo...diverso tipo di |
| forme |
Piatto |
| 00 |
05.666 |
| |
10.733 |
| |
311 |
| |
312 |
| |
otteniamo quelle diverse...diverse |
| |
forme. Quindi sto entrando ??? |
| 00 |
33.466 |
| |
40.433 |
| |
318 |
| |
ciò che alla fine vediamo in |
| |
le previsioni. |
| |
Hai i modelli piatti o |
| 00 |
00.733 |
| |
323 |
| |
parametri. Quindi ho 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. |
| |
Tutto dipende da come questo |
| 00 |
52.233 |
| |
57.666 |
| |
339 |
| |
aumentando o diminuendo nel |
| |
livello in modo esponenziale. Quindi questo è |
| 00 |
13.466 |
| |
343 |
| |
è magro e pensalo come |
| |
tasso di interesse composto se |
| |
se lo stato del livello aumenta |
| 00 |
32.466 |
| |
348 |
| |
fanno previsioni, cercano di... |
| |
cercare di non esagerare |
| |
o non rispettare le previsioni che |
| 00 |
59.833 |
| |
355 |
| |
come interpretare |
| |
le previsioni dello stato |
| 00 |
20.133 |
| |
359 |
| |
secondo, nessuno di questi |
| |
i modelli sono stazionari. Sono |
| 00 |
37.466 |
| |
364 |
| |
Quindi se stai considerando queste |
| |
serie temporali. Cose |
| 00 |
55.566 |
| |
59.600 |
| |
369 |
| |
terzo, se solo vedi |
| |
che la serie temporale non |
| 00 |
12.000 |
| |
373 |
| |
374 |
| |
un risultato in un...in |
| |
la prossima diapositiva che si adatterà |
| 00 |
31.933 |
| |
378 |
| |
confrontare tra i tipi di |
| |
modello fai attenzione. |
| |
Questa diapositiva serve a mostrare come... |
| 00 |
51.800 |
| |
383 |
| |
è la previsione. |
| |
E allo stesso modo, traccio il mio |
| 00 |
07.400 |
| |
387 |
| |
applicare questo tipo di spazio di stato |
| |
modelli di levigatura a stazionari |
| |
serie temporali? Qui simulo una |
| 00 |
32.633 |
| |
393 |
| |
394 |
| |
395 |
| |
modelli a questa serie temporale, il |
| |
il modello migliore risulta essere in un |
| 00 |
54.266 |
| |
399 |
| |
400 |
| |
piuttosto diverso perché è |
| |
un modello di camminata casuale e il |
| 00 |
13.466 |
| |
16.466 |
| |
18.733 |
| |
22.333 |
| |
408 |
| |
caratteristica in questa presentazione |
| |
previsione in attesa. |
| |
Questa funzione ti 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 |
| |
è necessario specificare |
| |
la lunghezza del holdback |
| 00 |
35.200 |
| |
38.466 |
| |
430 |
| |
431 |
| |
432 |
| |
fare clic su Seleziona Consigliato, |
| |
e controlla il vincolo |
| 00 |
06.433 |
| |
438 |
| |
439 |
| |
parte della serie, |
| |
abbiamo elencato la ritenuta |
| 00 |
26.000 |
| |
443 |
| |
444 |
| |
di default, ma puoi |
| |
cambia sempre le metriche che usi |
| 00 |
39.900 |
| |
44.866 |
| |
449 |
| |
i report sono simili a |
| |
a quello ottenuto dall'analisi |
| |
risultati senza attivare questo |
| 00 |
05.433 |
| |
454 |
| |
455 |
| |
lasciami riassumere |
| |
cosa abbiamo imparato da |
| 00 |
25.566 |
| |
459 |
| |
prestazioni rispetto al trattenimento |
| |
dati. Ma quei criteri sono |
| 00 |
41.366 |
| |
463 |
| |
processo. Vediamo piuttosto |
| |
diverso da come lo usiamo |
| 00 |
57.700 |
| |
467 |
| |
parte del montaggio del modello |
| |
processo, quindi questa è una cosa |
| 00 |
17.000 |
| |
471 |
| |
trattenere per valutare |
| |
diversi modelli in base alla loro |
| |
prestazioni di previsione. Quindi noi |
| 00 |
32.033 |
| |
35.366 |
| |
478 |
| |
la colonna è quella serie temporale |
| |
indicatore. Y è la serie temporale |
| 00 |
55.666 |
| |
482 |
| |
riassumere il set di dati, sia |
| |
tempo o serie temporali, da |
| 00 |
09.533 |
| |
12.066 |
| |
16.600 |
| |
488 |
| |
489 |
| |
specifica o modifica il |
| |
strategia di selezione del modello, noi |
| 00 |
39.200 |
| |
494 |
| |
controlla...modifica la selezione in |
| |
prima casella combinata per la previsione |
| |
prestazioni. Quindi possiamo scegliere |
| |
previsione delle prestazioni |
| 00 |
04.633 |
| |
500 |
| |
vogliamo le previsioni. Ma puoi |
| |
scegli qualsiasi...cambia in qualsiasi |
| 00 |
17.833 |
| |
25.466 |
| |
30.866 |
| |
506 |
| |
507 |
| |
utilizzando la formazione |
| |
serie temporali, seleziona il migliore |
| 00 |
49.800 |
| |
52.333 |
| |
54.766 |
| |
57.900 |
| |
00.966 |
| |
515 |
| |
piattaforma di serie. Prima analizza |
| |
Serie temporali trasformate da Box Cox. |
| |
Il secondo è lo stato di adattamento |
| 00 |
27.666 |
| |
521 |
| |
522 |
| |
anche e usandolo come |
| |
E metodo di selezione del modello. |
| |
Grazie mille. |
