Autoregresyjny model średniej ruchomej: Wikis Oznaczenie AR (p) odnosi się do autoregresyjnego modelu rzędu p. Model AR (p) został napisany Model autoregresyjny to zasadniczo nieskończony filtr odpowiedzi impulsowej na wszystkie bieguny z umieszczoną na nim dodatkową interpretacją. Niektóre ograniczenia są konieczne dla wartości parametrów tego modelu, aby model pozostał nieruchomy. Na przykład procesy w modelu AR (1) z 1 1 nie są stacjonarne. Model średniej ruchomej Notacja MA (q) odnosi się do ruchomej średniej modelu rzędu q: Autoregresyjny model średniej ruchomej Oznaczenie ARMA (p. Q) odnosi się do modelu z p kategoriami autoregresyjnymi i q warunkami średniej ruchomej. Ten model zawiera modele AR (p) i MA (q), Uwaga na temat terminów błędu N (0, 2), gdzie 2 jest wariancją. Założenia te mogą zostać osłabione, ale spowoduje to zmianę właściwości modelu. W szczególności zmiana na i. i.d. założenie spowodowałoby dość zasadniczą różnicę. Specyfikacja w odniesieniu do operatora opóźnienia W niektórych tekstach modele zostaną określone w kategoriach operatora opóźnienia L. W tych kategoriach model AR (p) jest określony przez gdzie reprezentuje wielomian Model MA (q) jest określony przez gdzie reprezentuje wielomian W końcu połączony model ARMA (p. Q) jest podany przez co najmniej zwięzły, Alternatywny zapis Niektórzy autorzy, w tym Box, Jenkins amp Reinsel (1994) używają innej konwencji dla współczynników autoregresji. Dzięki temu wszystkie wielomiany związane z operatorem opóźnienia pojawiają się w podobnej formie w całym tekście. Zatem model ARMA będzie zapisany jako modele dopasowania Modele ARMA ogólnie mogą, po wybraniu p i q, zostać wyposażone w regresję metodą najmniejszych kwadratów, aby znaleźć wartości parametrów, które minimalizują błąd. Uważa się za dobrą praktykę znalezienie najmniejszych wartości p i q, które zapewniają akceptowalne dopasowanie do danych. W przypadku czystego modelu AR można zastosować równania Yule-Walker'a w celu zapewnienia dopasowania. Znalezienie odpowiednich wartości p i q w modelu ARMA (p, q) może być ułatwione przez wykreślenie funkcji częściowej autokorelacji dla oszacowania p. i podobnie używa funkcji autokorelacji dla oszacowania q. Więcej informacji można uzyskać, biorąc pod uwagę te same funkcje dla reszty modelu wyposażonego w początkową selekcję p i q. Implementacje w pakietach statystycznych W pakiecie R. tseries zawiera funkcję arma. Funkcja jest udokumentowana w modelach Fit ARMA do szeregów czasowych. MATLAB zawiera funkcję ar do estymacji modeli AR, zobacz tutaj po więcej szczegółów. Biblioteki numeryczne IMSL są bibliotekami funkcji analizy numerycznej, w tym procedurami ARMA i ARIMA implementowanymi w standardowych językach programowania, takich jak C, Java, C i Fortran. Gretl może również oszacować modele ARMA, zobacz tutaj, gdzie wspomniano. GNU Octave może estymować modele AR za pomocą funkcji z dodatkowej oktawy pakietowej kuźni. Aplikacje ARMA jest odpowiednie, gdy system jest funkcją szeregu nieobserwowanych wstrząsów (część MA), jak również własnego zachowania. Na przykład ceny akcji mogą zostać zaszokowane przez podstawowe informacje, a także wykazywać tendencje techniczne i skutki średniej zmiany wywołanej przez uczestników rynku. Generalizacje Zakłada się, że zależność X t od przeszłych wartości i terminów błędów t jest liniowa, chyba że podano inaczej. Jeśli zależność jest nieliniowa, model jest nazywany nieliniową średnią ruchomą (NMA), nieliniowym autoregresyjnym (NAR) lub nieliniowym autoregresyjnym modelem średniej ruchomej (NARMA). Autoregresyjne modele średniej ruchomej można uogólnić na inne sposoby. Zobacz także modele autoregressive warunkowej heteroskedastyczności (ARCH) i autoregresyjne zintegrowane modele średniej ruchomej (ARIMA). Jeśli ma być zainstalowanych kilka szeregów czasowych, wówczas można zastosować model ARIMA (lub VARIMA) wektora. Jeżeli omawiana seria czasowa wykazuje długą pamięć, wówczas może być odpowiednie ułamkowe modelowanie ARIMA (FARIMA, czasami nazywane ARFIMA): patrz Autoregressive frakcyjnie zintegrowana średnia ruchoma. Jeśli uważa się, że dane zawierają efekty sezonowe, może być modelowany przez SARIMA (sezonowy ARIMA) lub okresowy model ARMA. Kolejnym uogólnieniem jest wieloskalowy model autoregresyjny (MAR). Model MAR jest indeksowany przez węzły drzewa, podczas gdy standardowy (dyskretny czas) model autoregresyjny jest indeksowany przez liczby całkowite. Zobacz wieloreferencyjny model autoregresyjny, aby uzyskać listę odniesień. Zwróć uwagę, że model ARMA jest modelem jednowymiarowym. Rozszerzenia dla przypadku wielowymiarowego to Vector Autoregression (VAR) i Vector Autoregression Moving-Average (VARMA). Autoregresyjny model średniej ruchomej z modelem wejść egzogennych (model ARMAX) Oznaczenie ARMAX (p. Q. B) odnosi się do modelu z p kategoriami autoregresyjnymi, q warunkami średniej ruchomej i b warunkami wejściowymi egzogennymi. Model ten zawiera modele AR (p) i MA (q) oraz liniową kombinację ostatnich b terminów znanej i zewnętrznej serii czasowej d t. Podaje: Niektóre nieliniowe warianty modeli ze zmiennymi egzogenicznymi zostały zdefiniowane: patrz na przykład Nieliniowy autoregresyjny model egzogenny. Pakiety statystyczne implementują model ARMAX poprzez użycie zmiennych egzogennych lub niezależnych. Referencje George Box. Gwilym M. Jenkins. i Gregory C. Reinsel. Analiza szeregu czasowego: prognozowanie i kontrola. trzecia edycja. Prentice-Hall, 1994. Mills, Terence C. Czas Series Techniques for Economists. Cambridge University Press, 1990. Percival, Donald B. and Andrew T. Walden. Analiza spektralna dla zastosowań fizycznych. Cambridge University Press, 1993. Pandit, Sudhakar M. i Wu, Shien-Ming. Szeregi czasowe i analiza systemu z aplikacjami. John Wiley amp Sons, Inc. 1983.Autoregresywny model średniej ruchomej Z Wikipedii, wolnej encyklopedii W statystyce i przetwarzaniu sygnału. modele autoregressive moving average (ARMA). czasami nazywane modelami Box-Jenkinsa po iteracyjnej metodzie Box-Jenkinsa zwykle używanej do ich estymacji, są zazwyczaj stosowane do danych szeregów czasowych. Biorąc pod uwagę szereg czasowy danych X t. Model ARMA jest narzędziem do zrozumienia i, być może, przewidywania przyszłych wartości w tej serii. Model składa się z dwóch części, części autoregresyjnej (AR) i części średniej ruchomej (MA). Model ten jest zwykle określany jako model ARMA (p, q), gdzie p jest rzędem części autoregresyjnej, a q jest rzędem części ruchomej średniej (jak zdefiniowano poniżej). edytuj model autoregresyjny Zapis AR (p) odnosi się do autoregresyjnego modelu rzędu p. Model AR (p) został napisany Model autoregresyjny to zasadniczo nieskończony filtr odpowiedzi impulsowej na wszystkie bieguny z umieszczoną na nim dodatkową interpretacją. Niektóre ograniczenia są konieczne dla wartości parametrów tego modelu, aby model pozostał nieruchomy. Na przykład procesy w modelu AR (1) z 1 1 nie są stacjonarne. edit Średni model ruchomy Notacja MA (q) odnosi się do ruchomego średniego modelu rzędu q: edytuj autoregresyjny model średniej ruchomej Zapis ARMA (p. q) odnosi się do modelu z p kategoriami autoregresyjnymi i q warunkami średniej ruchomej. Ten model zawiera modele AR (p) i MA (q), edytuj Uwaga na temat terminów błędu N (0, 2), gdzie 2 jest wariancją. Założenia te mogą zostać osłabione, ale spowoduje to zmianę właściwości modelu. W szczególności zmiana na i. i.d. założenie spowodowałoby dość zasadniczą różnicę. edit Specyfikacja pod względem operatora lag W niektórych tekstach modele zostaną określone w kategoriach operatora lag L. W tych kategoriach model AR (p) jest określony przez gdzie reprezentuje wielomian Model MA (q) jest określony przez gdzie reprezentuje wielomian W końcu połączony model ARMA (p. Q) jest podany przez zwięzłe lub bardziej zwięzłe, edytuj Alternatywny notacja Niektórzy autorzy, w tym Box, Jenkins amp Reinsel (1994) używają innej konwencji dla współczynników autoregresji. Dzięki temu wszystkie wielomiany związane z operatorem opóźnienia pojawiają się w podobnej formie w całym tekście. W ten sposób model ARMA zostanie zapisany jako edycja Modele dopasowania Modele ARMA ogólnie mogą, po wybraniu p i q, zostać wyposażone w regresję metodą najmniejszych kwadratów, aby znaleźć wartości parametrów, które minimalizują błąd. Uważa się za dobrą praktykę znalezienie najmniejszych wartości p i q, które zapewniają akceptowalne dopasowanie do danych. W przypadku czystego modelu AR można zastosować równania Yule-Walker'a w celu zapewnienia dopasowania. edit Implementacje w pakietach statystycznych edit Aplikacje ARMA jest odpowiednia, gdy system jest funkcją szeregu nieobserwowanych wstrząsów (część MA) potrzebnych do wyjaśnienia, a także własnego zachowania. Na przykład ceny akcji mogą zostać zaszokowane przez podstawowe informacje, a także wykazywać tendencje techniczne i skutki średniej zmiany wywołanej przez uczestników rynku. edit Uogólnienia Zależność X t od przeszłych wartości i od błędów t przyjmuje się za liniową, chyba że podano inaczej. Jeśli zależność jest nieliniowa, model jest nazywany nieliniową średnią ruchomą (NMA), nieliniowym autoregresyjnym (NAR) lub nieliniowym autoregresyjnym modelem średniej ruchomej (NARMA). Autoregresyjne modele średniej ruchomej można uogólnić na inne sposoby. Zobacz także modele autoregressive warunkowej heteroskedastyczności (ARCH) i autoregresyjne zintegrowane modele średniej ruchomej (ARIMA). Jeśli ma być zainstalowanych kilka szeregów czasowych, wówczas można zastosować model ARIMA (lub VARIMA) wektora. Jeżeli omawiana seria czasowa wykazuje długą pamięć, wówczas może być odpowiednie ułamkowe modelowanie ARIMA (FARIMA, czasami nazywane ARFIMA): patrz Autoregressive frakcyjnie zintegrowana średnia ruchoma. Jeśli uważa się, że dane zawierają efekty sezonowe, może być modelowany przez SARIMA (sezonowy ARIMA) lub okresowy model ARMA. Kolejnym uogólnieniem jest wieloskalowy model autoregresyjny (MAR). Model MAR jest indeksowany przez węzły drzewa, podczas gdy standardowy (dyskretny czas) model autoregresyjny jest indeksowany przez liczby całkowite. Zobacz wieloreferencyjny model autoregresyjny, aby uzyskać listę odniesień. Zwróć uwagę, że model ARMA jest modelem jednowymiarowym. Rozszerzenia dla przypadku wielowymiarowego to Vector Autoregression (VAR) i Vector Autoregression Moving-Average (VARMA). edytuj autoregresyjny model średniej ruchomej z modelem wejść egzogennych (model ARMAX) Oznaczenie ARMAX (p. q. b) odnosi się do modelu z p kategoriami autoregresyjnymi, q warunkami średniej kroczącej i b eXogennymi terminami wejść. Model ten zawiera modele AR (p) i MA (q) oraz liniową kombinację ostatnich b terminów znanej i zewnętrznej serii czasowej d t. Podaje: Niektóre nieliniowe warianty modeli ze zmiennymi egzogenicznymi zostały zdefiniowane: patrz na przykład Nieliniowy autoregresyjny model egzogenny. edytuj Zobacz także edytuj Referencje George Box. Gwilym M. Jenkins. i Gregory C. Reinsel. Analiza szeregu czasowego: prognozowanie i kontrola. trzecia edycja. Prentice-Hall, 1994. Mills, Terence C. Czas Series Techniques for Economists. Cambridge University Press, 1990. Percival, Donald B. and Andrew T. Walden. Analiza spektralna dla zastosowań fizycznych. Cambridge University Press, 1993. Pandit, Sudhakar M. i Wu, Shien-Ming. Szeregi czasowe i analiza systemu z aplikacjami. John Wiley amp Sons, Inc. 1983. Hybryda nieliniowego modelu autoregresyjnego z zewnętrznym i autoregresyjnym modelem średniej ruchomej do prognozowania stanu maszyn w długim okresie W pracy przedstawiono poprawę hybrydy nieliniowego modelu autoregresji z modelem egzogennego wejścia (NARX) i autoregresyjnego ruchu model średni (ARMA) do długoterminowego prognozowania stanu maszyn w oparciu o dane dotyczące drgań. W tym badaniu dane wibracyjne są traktowane jako połączenie dwóch składników, które są deterministycznymi danymi i błędem. Deterministyczny komponent może opisywać wskaźnik degradacji maszyny, podczas gdy komponent błędu może przedstawiać pojawienie się niepewnych części. Ulepszony hybrydowy model prognostyczny, czyli model NARXndashashARMA, jest przeprowadzany w celu uzyskania wyników prognozowania, w których model sieci NARX, który jest odpowiedni dla problemu nieliniowego, jest używany do prognozowania deterministycznego komponentu, a model ARMA służy do przewidywania składnika błędu z powodu odpowiedniej zdolności w prognozie liniowej. Ostateczne wyniki prognozowania są sumą wyników uzyskanych z tych pojedynczych modeli. Wydajność modelu NARXndashARMA jest następnie oceniana za pomocą danych sprężarki niskiego metanu uzyskanej z rutynowej procedury monitorowania stanu. Aby potwierdzić postępy proponowanej metody, przeprowadzono również analizę porównawczą wyników prognozowania uzyskanych z modelu NARXndashARMA i modeli tradycyjnych. Porównawcze wyniki pokazują, że model NARXndashashARMA jest wyjątkowy i może być wykorzystywany jako potencjalne narzędzie do obróbki prognozowania stanu. Autoregresyjna średnia ruchoma (ARMA) Nieliniowy autoregresyjny z wprowadzeniem egzogenicznym (NARX) Prognozowanie długoterminowe Prognozowanie stanu maszyny Odpowiadający autor. Tel. 82 51 629 6152 fax: 82 51 629 6150. Copyright copy 2009 Elsevier Ltd. Wszelkie prawa zastrzeżone. Pliki cookie są używane przez tę witrynę. Aby uzyskać więcej informacji, odwiedź stronę z plikami cookie. Prawa autorskie 2017 Elsevier B. V. lub jej licencjodawcy lub współpracownicy. ScienceDirect jest zarejestrowanym znakiem handlowym Elsevier B. V.Autoregressivemving-average model Źródło: en. wikipedia. orgwikiAutoregressivemving-averagemodel Zaktualizowany: 2018-12-31T08: 24Z W analizie statystycznej szeregów czasowych. modele autoregressivemodeming (ARMA) zapewniają oszczędny opis (słabo) stacjonarnego procesu stochastycznego w kategoriach dwóch wielomianów, jeden dla autoregresji i drugi dla średniej ruchomej. Ogólny model ARMA został opisany w tezie Petera Whittle'a z 1951 roku. Testowanie hipotezy w analizie szeregów czasowych. i został spopularyzowany w 1971 roku przez George E. P. Box i Gwilym Jenkins. Biorąc pod uwagę szereg czasowy danych X t. Model ARMA jest narzędziem do zrozumienia i, być może, przewidywania przyszłych wartości w tej serii. Model składa się z dwóch części, części autoregresyjnej (AR) i części średniej ruchomej (MA). Część AR obejmuje regresję zmiennej we własnej wartości opóźnionej (to jest w przeszłości). Część MA obejmuje modelowanie terminu błędu jako liniowej kombinacji terminów błędów pojawiających się jednocześnie i w różnych momentach w przeszłości. Model jest zwykle określany jako model ARMA (p, q), gdzie p jest rzędem części autoregresyjnej, a q jest rzędem części ruchomej średniej (jak zdefiniowano poniżej). Modele ARIMA można oszacować zgodnie z podejściem BoxJenkinsa. Model autoregresyjny Zapis AR (p) odnosi się do autoregresyjnego modelu rzędu p. Model AR (p) został zapisany Niektóre ograniczenia są konieczne dla wartości parametrów, tak aby model pozostał nieruchomy. Na przykład procesy w modelu AR (1) z 1 1 nie są stacjonarne. Model średniej ruchomej Zapis MA (q) odnosi się do ruchomej średniej modelu rzędu q: model ARMA. Oznaczenie ARMA (p. Q) odnosi się do modelu z p kategoriami autoregresyjnymi i q warunkami ruchomymi. Model ten zawiera modele AR (p) i MA (q). Ogólny model ARMA został opisany w pracy doktorskiej Petera Whittle'a z 1951 roku. którzy wykorzystali analizę matematyczną (Laurent series i Fourier analysis) oraz wnioskowanie statystyczne. 1 2 Modele ARMA zostały spopularyzowane w 1971 roku przez George'a E. P. Boxa i Jenkinsa, którzy objaśnili metodę iteracyjną (BoxJenkins) do wyboru i oszacowania. Metoda ta była użyteczna dla wielomianów niskiego rzędu (stopnia trzeciego lub mniejszego). 3 Uwaga na temat terminów błędów N (0, 2), gdzie 2 jest wariancją. Założenia te mogą zostać osłabione, ale spowoduje to zmianę właściwości modelu. W szczególności zmiana na i. i.d. założenie spowodowałoby dość zasadniczą różnicę. Specyfikacja w odniesieniu do operatora opóźnienia W niektórych tekstach modele zostaną określone w kategoriach operatora opóźnienia L. W tych kategoriach model AR (p) jest podany przez model MA (q) jest określony przez gdzie reprezentuje wielomian. Wreszcie, połączony model ARMA (p. Q) jest podany przez co najmniej zwięzły, notacja alternatywna Niektórzy autorzy, w tym Pudełko. Jenkins amp Reinsel stosuje inną konwencję dla współczynników autoregresji. 4 Dzięki temu wszystkie wielomiany, w których występuje operator opóźnienia, pojawiają się w podobnej formie. W związku z tym model ARMA zostanie zapisany jako modele dopasowania Modele ARMA w ogóle nie mogą być, po wybraniu p i q. dopasowany przez regresję najmniejszych kwadratów, aby znaleźć wartości parametrów, które minimalizują błąd. Uważa się za dobrą praktykę znalezienie najmniejszych wartości p i q, które zapewniają akceptowalne dopasowanie do danych. W przypadku czystego modelu AR można zastosować równania Yule-Walker'a w celu zapewnienia dopasowania. Znalezienie odpowiednich wartości p i q w modelu ARMA (p, q) może być ułatwione poprzez wykreślenie funkcji częściowej autokorelacji dla oszacowania p. i podobnie używa funkcji autokorelacji dla oszacowania q. Więcej informacji można uzyskać, biorąc pod uwagę te same funkcje dla reszty modelu wyposażonego w początkową selekcję p i q. Brockwell amp Davis zaleca użycie AICc do znalezienia p i q. 5 Implementacje w pakietach statystycznych W R. funkcja arima (w standardowych statystykach pakietu) jest udokumentowana w Modelowaniu ARIMA szeregów czasowych. Pakiety rozszerzeń zawierają powiązane i rozszerzone funkcje, np. pakiet tseries zawiera funkcję arma, udokumentowaną w Fit ARMA Models to Time Series, pakiet fracdiff zawiera fracdiff () dla frakcyjnie zintegrowanych procesów ARMA, itp. Widok zadań CRAN w Time Series zawiera łącza do większości z nich. Mathematica posiada pełną bibliotekę funkcji szeregów czasowych, w tym ARiMR. 6 MATLAB zawiera funkcje takie jak arma i ar do estymacji modeli AR, ARX (autoregresyjnych egzogennych) i ARMAX. Aby uzyskać więcej informacji, zobacz Zestaw narzędzi do identyfikacji systemu i Przybornik narzędzi Econometrics. Moduł Statsmodels Python zawiera wiele modeli i funkcji do analizy szeregów czasowych, w tym ARMA. Dawniej część Scikit - ucz się, że jest teraz samodzielna i dobrze integruje się z Pandami. Zobacz tutaj, aby uzyskać więcej informacji. PyFlux ma opartą na Pythonie implementację modeli ARIMAX, w tym Bayesian ARIMAX. Zobacz tutaj, aby poznać szczegóły. Biblioteki numeryczne IMSL są bibliotekami funkcji analizy numerycznej, w tym procedurami ARMA i ARIMA implementowanymi w standardowych językach programowania, takich jak C, Java, C i Fortran. gretl może również oszacować model ARMA, patrz tutaj, gdzie wspomniano. GNU Octave może estymować modele AR za pomocą funkcji z dodatkowej oktawy pakietowej kuźni. Stata zawiera funkcję arima, która może oszacować modele ARMA i ARIMA. Zobacz tutaj, aby uzyskać więcej informacji. SuanShu to biblioteka metod numerycznych w Javie, obejmująca kompleksowe pakiety statystyk, w których modele univariatemultivariate ARMA, ARIMA, ARMAX itp. Są implementowane w podejściu obiektowym. Te implementacje są udokumentowane w SuanShu, bibliotece numerycznej i statystycznej języka Java. SAS ma pakiet ekonometryczny, ETS, który szacuje modele ARIMA. Zobacz tutaj, aby uzyskać więcej informacji. Aplikacje ARMA jest odpowiednie, gdy system jest funkcją szeregu nieobserwowanych wstrząsów (część MA), które są potrzebne, a także własnego zachowania. Na przykład ceny akcji mogą zostać zaszokowane przez podstawowe informacje, a także wykazywać tendencje techniczne i skutki średniej zmiany wywołanej przez uczestników rynku. Generalizacje Zakłada się, że zależność X t od przeszłych wartości i terminów błędów t jest liniowa, chyba że podano inaczej. Jeśli zależność jest nieliniowa, model jest nazywany nieliniową średnią ruchomą (NMA), nieliniowym autoregresyjnym (NAR) lub nieliniowym modelem autoregresyjnej średniej (NARMA). Autoregresyjne średnie modele można uogólnić na inne sposoby. Zobacz także modele autoregressive warunkowej heteroskedastyczności (ARCH) i autoregresyjne zintegrowane modele średniej ruchomej (ARIMA). Jeśli ma być zainstalowanych kilka szeregów czasowych, wówczas można zastosować model ARIMA (lub VARIMA) wektora. Jeżeli omawiana seria czasowa wykazuje długą pamięć, wówczas może być odpowiednie ułamkowe modelowanie ARIMA (FARIMA, czasami nazywane ARFIMA): patrz Autoregressive frakcyjnie zintegrowana średnia ruchoma. Jeśli uważa się, że dane zawierają efekty sezonowe, może być modelowany przez SARIMA (sezonowy ARIMA) lub okresowy model ARMA. Kolejnym uogólnieniem jest wieloskalowy model autoregresyjny (MAR). Model MAR jest indeksowany przez węzły drzewa, podczas gdy standardowy (dyskretny czas) model autoregresyjny jest indeksowany przez liczby całkowite. Zwróć uwagę, że model ARMA jest modelem jednowymiarowym. Rozszerzenia dla przypadku wielowymiarowego to Vector Autoregression (VAR) i Vector Autoregression Moving-Average (VARMA). Autoregresyjny średni model z modelem egzogennych sygnałów wejściowych (model ARMAX) Oznaczenie ARMAX (p. Q. B) odnosi się do modelu z p kategoriami autoregresyjnymi, q terminami ruchomymi i warunkami exogenicznymi wejść. Model ten zawiera modele AR (p) i MA (q) oraz liniową kombinację ostatnich b terminów znanej i zewnętrznej serii czasowej. Podaje: Niektóre nieliniowe warianty modeli ze zmiennymi egzogenicznymi zostały zdefiniowane: patrz na przykład Nieliniowy autoregresyjny model egzogenny. Pakiety statystyczne implementują model ARMAX poprzez użycie zmiennych egzogennych lub niezależnych. Podczas interpretacji wyników tych pakietów należy zachować ostrożność, ponieważ szacowane parametry zwykle (na przykład w R7 i gretl) odnoszą się do regresji: gdzie mt zawiera wszystkie egzogenne (lub niezależne) zmienne: Referencje Hannan, Edward James (1970 ). Wiele serii czasowych. Seria Wileya z prawdopodobieństwa i statystyki matematycznej. Nowy Jork: John Wiley and Sons. 160 Whittle, P. (1951). Testowanie hipotezy w analizie szeregów czasowych. Almquist i Wicksell. 160 Whittle, P. (1963). Prognozy i regulacje. Angielskie uniwersytety Press. ISBN 1600-8166-1147-5. 160 Ponownie opublikowany jako: Whittle, P. (1983). Prognozowanie i regulacja metodą liniowych najmniejszych kwadratów. University of Minnesota Press. ISBN 1600-8166-1148-3. 160 Hannan amp Deistler (1988. s. 227): Hannan, E. J. Deistler, Manfred (1988). Statystyczna teoria układów liniowych. Seria Wileya z prawdopodobieństwa i statystyki matematycznej. Nowy Jork: John Wiley and Sons. 160 Box, George Jenkins, Gwilym M. Reinsel, Gregory C. (1994). Analiza szeregu czasowego: prognozowanie i kontrola (trzecia edycja). Prentice-Hall. ISBN 1600130607746. 160 Brockwell, P. J. Davis, R. A. (2009). Szeregi czasowe: teoria i metody (wyd. 2). Nowy Jork: Springer. s.160273. ISBN 1609781441903198. 160 Funkcje szeregów czasowych w programie Mathematica Zarchiwizowane 24 listopada 2017 r. W maszynie Wayback. Modelowanie ARIMA szeregów czasowych. Dokumentacja R Dalsza lektura Mills, Terence C. (1990). Techniki cyklu czasowego dla ekonomistów. Nowy Jork: Cambridge University Press. ISBN 1600521343399. 160 Percival, Donald B. Walden, Andrew T. (1993). Analiza spektralna dla zastosowań fizycznych. Nowy Jork: Cambridge University Press. ISBN 160052135532X. 160
No comments:
Post a Comment