| Vocero |
Transcripción |
| |
Esta charla tiene como objetivo destacar algunos |
| 00 |
11.600 |
| |
3 |
| |
plataformas de series temporales. Tres son |
| |
de plataformas de series temporales y |
| 00 |
34.700 |
| |
38.400 |
| |
10 |
| |
11 |
| |
12 |
| |
¿Necesitamos a Box Cox? |
| |
¿Series temporales transformadas? |
| |
Echemos un vistazo a los datos. |
| 00 |
00.933 |
| |
06.200 |
| |
18 |
| |
También conocida como aerolínea |
| |
conjunto de datos de pasajeros. |
| |
La serie original es |
| 00 |
23.900 |
| |
23 |
| |
modelo de. |
| |
¿Por qué? Veamos un gráfico... |
| 00 |
43.433 |
| |
27 |
| |
cada vez más grande. Y esta serie |
| |
no puede ser manejado por el |
| 00 |
01.666 |
| |
31 |
| |
en la segunda imagen. Entonces el |
| |
la variación no cambia |
| |
¿con las distintas series temporales??? |
| 00 |
20.266 |
| |
36 |
| |
Así que en la literatura la gente... |
| |
digamos, bueno, nos transformaremos |
| 00 |
33.800 |
| |
38.700 |
| |
41 |
| |
42 |
| |
43 |
| |
de la escala de transformación, en este caso |
| |
Aquí, es la escala logarítmica. |
| |
Enviándolo a la inversa |
| 00 |
04.366 |
| |
49 |
| |
transformar. |
| |
En el pasado...en el pasado |
| 00 |
21.966 |
| |
53 |
| |
agilizar todo el proceso. |
| |
Lo que tienes que hacer es poner |
| 00 |
39.133 |
| |
57 |
| |
necesito hacer los modelos, hacer |
| |
pronóstico, luego el software, |
| 00 |
55.933 |
| |
61 |
| |
pondrá los pasajeros del registro en Y, |
| |
Pero ahora no tenemos que hacerlo. Nosotros |
| 00 |
15.033 |
| |
66 |
| |
para entrar al Box Cox |
| |
parámetro de transformación Lambda. |
| |
Cero, significa que es un tronco. |
| 00 |
28.333 |
| |
31.166 |
| |
37.433 |
| |
73 |
| |
el menú del triángulo rojo y haga clic |
| |
ya sea ARIMA o ARIMA estacional. |
| 00 |
01.766 |
| |
78 |
| |
12 para parte de temporada. |
| |
Sin intercepción. Clic |
| 00 |
19.633 |
| |
22.933 |
| |
24.500 |
| |
28.733 |
| |
85 |
| |
86 |
| |
Pronóstico del cuidado de la |
| |
transformación inversa. La |
| 00 |
49.600 |
| |
91 |
| |
La voluntad se mostrará en esto. |
| |
La trama y el pronóstico habían |
| 00 |
05.033 |
| |
08.800 |
| |
11.100 |
| |
17.866 |
| |
98 |
| |
Los modelos son un caballo de batalla en el tiempo |
| |
Plataforma de pronóstico de series. |
| |
Pueden adaptarse y pronosticar mucho. |
| 00 |
35.733 |
| |
39.633 |
| |
104 |
| |
El rendimiento es de alguna manera comparable |
| |
a la previsión |
| 00 |
59.366 |
| |
110 |
| |
111 |
| |
estudia por qué...por qué este tipo |
| |
de obras modelo y por qué algunas |
| 00 |
18.600 |
| |
115 |
| |
116 |
| |
Tipo de modelo en la serie temporal |
| |
plataforma que está diseñada para |
| 00 |
43.900 |
| |
120 |
| |
una función de lo desconocido |
| |
estado, estado no observado. Aquí en |
| 00 |
01.000 |
| |
124 |
| |
variables y el término de error |
| |
mediante operaciones aditivas |
| 00 |
16.266 |
| |
19.200 |
| |
129 |
| |
130 |
| |
estado es el estado de nivel tiempo |
| |
serie. El estado de tendencia forma una |
| 00 |
40.733 |
| |
134 |
| |
135 |
| |
estado, y también uno de los |
| |
estados estacionales anteriores. Y |
| 00 |
59.733 |
| |
03.133 |
| |
140 |
| |
141 |
| |
El estado de tendencia anterior será |
| |
temblar al siguiente. |
| |
estado de tendencia y estado de nivel |
| 00 |
25.966 |
| |
146 |
| |
apuntar a otro punto temporal. Y |
| |
Hay más flechas...que ahí |
| |
Hay más transiciones de estados que |
| 00 |
49.700 |
| |
152 |
| |
serie en Y y haga clic en Aceptar. |
| |
Para adaptarnos a este tipo de modelo, debemos: |
| 00 |
12.300 |
| |
16.766 |
| |
160 |
| |
161 |
| |
listo voy a ingresar 12 |
| |
por periodo. |
| |
Y voy a hacer clic en Seleccionar |
| |
Botón recomendado. |
| |
De los modelos de error aditivo y |
| 00 |
47.666 |
| |
169 |
| |
Este conjunto en particular, voy a... |
| |
Para hacer clic en los parámetros de restricción |
| 00 |
05.966 |
| |
173 |
| |
Modelos recomendados para adaptarse a estos |
| |
tipo de...estas series de tiempo y |
| 00 |
23.666 |
| |
27.966 |
| |
179 |
| |
180 |
| |
modelo con AIC más pequeño y |
| |
Mis ojos están puestos en los dos primeros |
| 00 |
52.300 |
| |
184 |
| |
modelos. Y déjame |
| |
superponer el pronóstico |
| 00 |
09.366 |
| |
10.566 |
| |
17.666 |
| |
190 |
| |
191 |
| |
192 |
| |
193 |
| |
de la serie temporal original |
| |
Más agradablemente. |
| |
Así que en mi preferencia, yo sería: |
| 00 |
45.133 |
| |
198 |
| |
¿diferencia? Déjame abrir el |
| |
primero MAA...MAM. |
| |
Bajemos abajo. Esto |
| 00 |
05.533 |
| |
10.666 |
| |
204 |
| Éste |
Estados de los componentes. |
| |
Este es un especial para esto |
| 00 |
32.900 |
| |
209 |
| |
la primera letra. |
| |
Y la tendencia es aditiva por |
| 00 |
50.233 |
| |
213 |
| |
La segunda parte de este informe son |
| |
los...son el componente estatal |
| 00 |
06.100 |
| |
217 |
| |
parte es la predicción de |
| |
este estado específico. |
| |
El período de la serie temporal |
| 00 |
27.500 |
| |
222 |
| |
223 |
| |
tiene un patrón creciente en |
| |
El pasado. Sigue aumentando. |
| 00 |
48.266 |
| |
227 |
| |
serie y el patrón continúa |
| |
Hacia el futuro, y esto |
| 00 |
03.466 |
| |
231 |
| |
observado, pero el pronóstico es |
| |
plano. Esto me molestó. |
| |
Ahora veamos el segundo. |
| 00 |
17.333 |
| |
20.366 |
| |
23.566 |
| |
27.933 |
| |
239 |
| |
240 |
| |
Gráfico de componentes de estado. El nivel es |
| |
aumentando en el pasado había |
| 00 |
44.366 |
| |
48.466 |
| |
245 |
| |
246 |
| |
247 |
| |
248 |
| |
futuro. Esto es más razonable. |
| |
trama que puedo aceptar. Así es. |
| 00 |
14.866 |
| |
252 |
| |
Pasemos a la segunda diapositiva. |
| |
Esta diapositiva y luego la siguiente |
| 00 |
45.100 |
| |
259 |
| |
sobre la interpretación de los pronósticos |
| |
De este modelo...este tipo de |
| |
modelos. Aquí me gustaría |
| 00 |
01.933 |
| |
07.233 |
| |
265 |
| |
Arriba. Enumeré la mitad de ellos aquí. |
| |
Oh, casi la mitad. Así que centrémonos. |
| 00 |
27.033 |
| |
30.800 |
| |
271 |
| |
Algunos aumentarán la tendencia y lo harán |
| |
disminuyendo hacia el final. |
| |
Y por otro lado, podemos |
| 00 |
54.233 |
| |
277 |
| |
ver el pronóstico usando esto |
| |
modelo de tipo. Si la estacionalidad |
| |
No está involucrado. Cuando yo |
| 00 |
11.066 |
| |
14.200 |
| |
19.566 |
| |
284 |
| |
285 |
| |
286 |
| |
El primero, este es |
| |
Un pronóstico plano si la estacionalidad |
| 00 |
46.833 |
| |
51.266 |
| |
291 |
| |
tienen un aumento lineal |
| |
patern y así sucesivamente |
| |
similar a los demás. Ahora |
| 00 |
06.800 |
| |
12.566 |
| |
297 |
| |
Simplemente está aumentando. |
| |
Después de aplicar el |
| 00 |
34.033 |
| |
302 |
| |
La estacionalidad multiplicativa en |
| |
la cima de nuestro creciente |
| 00 |
48.966 |
| |
306 |
| |
este tipo...diferente tipo de |
| formas |
departamento |
| 00 |
05.666 |
| |
10.733 |
| |
311 |
| |
312 |
| |
obtenemos esos diferentes...diferentes |
| |
formas. Entonces vuelvo a entrar??? |
| 00 |
33.466 |
| |
40.433 |
| |
318 |
| |
Lo que finalmente vemos en |
| |
El pronóstico. |
| |
Tienes los patrones planos o |
| 00 |
00.733 |
| |
323 |
| |
parámetros. Así que separé |
| |
Estas partes y yo también |
| 00 |
14.866 |
| |
20.400 |
| |
328 |
| |
329 |
| |
330 |
| |
La tendencia generalmente parecerá plana, |
| |
obtendremos un aumento |
| |
Patrón en el estado de nivel. |
| |
Cuando es lineal y |
| |
Cuando es curva. |
| |
Todo depende de cómo sea esto. |
| 00 |
52.233 |
| |
57.666 |
| |
339 |
| |
aumentando o disminuyendo en el |
| |
nivel exponencialmente. Así que esto es |
| 00 |
13.466 |
| |
343 |
| |
es delgado y piensa en ello como |
| |
tasa de interés compuesta si |
| |
Si el nivel de estado aumenta |
| 00 |
32.466 |
| |
348 |
| |
Hacen previsiones, intentan... |
| |
Trate de no sobrepasar |
| |
o no alcanzar el pronóstico que |
| 00 |
59.833 |
| |
355 |
| |
Cómo interpretar |
| |
El pronóstico del estado |
| 00 |
20.133 |
| |
359 |
| |
segundo, ninguno de estos |
| |
Los modelos son estacionarios. Son |
| 00 |
37.466 |
| |
364 |
| |
Así que si estás considerando esto |
| |
series temporales. Cosas |
| 00 |
55.566 |
| |
59.600 |
| |
369 |
| |
El tercero, si solo lo ves |
| |
esa serie temporal no |
| 00 |
12.000 |
| |
373 |
| |
374 |
| |
un resultado en un...en |
| |
La siguiente diapositiva que encajará |
| 00 |
31.933 |
| |
378 |
| |
comparar entre tipos de |
| |
Modelo, ten cuidado. |
| |
Esta diapositiva es para mostrar cómo... |
| 00 |
51.800 |
| |
383 |
| |
Es el pronóstico. |
| |
Y de manera similar, planifico mi |
| 00 |
07.400 |
| |
387 |
| |
aplicar este tipo de espacio de estados |
| |
Suavizar modelos a estacionarios |
| |
¿Serie temporal? Aquí simulo una |
| 00 |
32.633 |
| |
393 |
| |
394 |
| |
395 |
| |
modelos a esta serie temporal, la |
| |
El mejor modelo resulta estar en un |
| 00 |
54.266 |
| |
399 |
| |
400 |
| |
bastante diferente porque lo es |
| |
un modelo de paseo aleatorio y el |
| 00 |
13.466 |
| |
16.466 |
| |
18.733 |
| |
22.333 |
| |
408 |
| |
característica en esta presentación |
| |
Pronóstico en espera. |
| |
Esta función le permite |
| 00 |
37.966 |
| |
40.500 |
| |
45.833 |
| |
415 |
| |
416 |
| |
417 |
| |
418 |
| |
Uno es de otro modelo. |
| |
Y luego puedes compararlos |
| 00 |
11.833 |
| |
423 |
| |
424 |
| |
Para activar esta función, entonces... |
| |
Es necesario especificar |
| |
la longitud de la retención |
| 00 |
35.200 |
| |
38.466 |
| |
430 |
| |
431 |
| |
432 |
| |
Haga clic en Seleccionar recomendado, |
| |
y comprobar la restricción |
| 00 |
06.433 |
| |
438 |
| |
439 |
| |
parte de la serie, |
| |
enumeramos la retención |
| 00 |
26.000 |
| |
443 |
| |
444 |
| |
por defecto, pero puedes |
| |
Cambia siempre las métricas que utilizas. |
| 00 |
39.900 |
| |
44.866 |
| |
449 |
| |
Los informes son similares a |
| |
a lo obtenido del análisis |
| |
resultados sin activar esto |
| 00 |
05.433 |
| |
454 |
| |
455 |
| |
Vamos a resumir. |
| |
Lo que hemos aprendido de |
| 00 |
25.566 |
| |
459 |
| |
Rendimiento durante la retención |
| |
datos. Pero esos criterios son |
| 00 |
41.366 |
| |
463 |
| |
proceso. Vemos el más bien |
| |
diferente de cómo lo usamos |
| 00 |
57.700 |
| |
467 |
| |
parte del ajuste del modelo |
| |
proceso, así que esto es algo |
| 00 |
17.000 |
| |
471 |
| |
retención para evaluar |
| |
diferentes modelos en función de su |
| |
rendimiento de las previsiones. Así que... |
| 00 |
32.033 |
| |
35.366 |
| |
478 |
| |
La columna es esa serie temporal |
| |
Indicador. Y es serie temporal |
| 00 |
55.666 |
| |
482 |
| |
resumir el conjunto de datos, ya sea |
| |
tiempo o series de tiempo, por |
| 00 |
09.533 |
| |
12.066 |
| |
16.600 |
| |
488 |
| |
489 |
| |
especificación o cambiar la |
| |
estrategia de selección de modelos, nosotros |
| 00 |
39.200 |
| |
494 |
| |
comprobar...cambiar selección en el |
| |
Primer cuadro combinado para pronosticar |
| |
rendimiento. Entonces podemos elegir |
| |
rendimiento de la previsión |
| 00 |
04.633 |
| |
500 |
| |
Queremos pronóstico. Pero puedes |
| |
elige cualquiera...cambia a cualquiera |
| 00 |
17.833 |
| |
25.466 |
| |
30.866 |
| |
506 |
| |
507 |
| |
usando el entrenamiento |
| |
series temporales, seleccione la mejor |
| 00 |
49.800 |
| |
52.333 |
| |
54.766 |
| |
57.900 |
| |
00.966 |
| |
515 |
| |
Plataforma de la serie. Primero analizar |
| |
Serie temporal transformada de Box Cox. |
| |
El segundo es el estado de ajuste. |
| 00 |
27.666 |
| |
521 |
| |
522 |
| |
así como también usarlo como |
| |
Y método de selección de modelos. |
| |
Muchas gracias. |
