Moving Average Beispiele Zeitreihen

Moving Average Dieses Beispiel lehrt Sie, wie Sie den gleitenden Durchschnitt einer Zeitreihe in Excel berechnen können. Ein gleitender Durchschnitt wird verwendet, um Unregelmäßigkeiten (Gipfel und Täler) zu glätten, um Trends leicht zu erkennen. 1. Zuerst schauen wir uns unsere Zeitreihen an. 2. Klicken Sie auf der Registerkarte Daten auf Datenanalyse. Hinweis: Kann die Schaltfläche Datenanalyse nicht finden Hier klicken, um das Analysis ToolPak-Add-In zu laden. 3. Wählen Sie Moving Average und klicken Sie auf OK. 4. Klicken Sie in das Feld Eingabebereich und wählen Sie den Bereich B2: M2. 5. Klicken Sie in das Feld Intervall und geben Sie 6 ein. 6. Klicken Sie in das Feld Ausgabebereich und wählen Sie Zelle B3. 8. Zeichnen Sie einen Graphen dieser Werte. Erläuterung: Da wir das Intervall auf 6 setzen, ist der gleitende Durchschnitt der Durchschnitt der bisherigen 5 Datenpunkte und der aktuelle Datenpunkt. Dadurch werden Gipfel und Täler geglättet. Die Grafik zeigt einen zunehmenden Trend. Excel kann den gleitenden Durchschnitt für die ersten 5 Datenpunkte nicht berechnen, da es nicht genügend vorherige Datenpunkte gibt. 9. Wiederholen Sie die Schritte 2 bis 8 für Intervall 2 und Intervall 4. Fazit: Je größer das Intervall, desto mehr werden die Gipfel und Täler geglättet. Je kleiner das Intervall, desto näher sind die gleitenden Durchschnitte zu den tatsächlichen Datenpunkten. Ich versuche es wirklich, aber kämpfen, um zu verstehen, wie Autoregressive und Moving Average arbeiten. Ich bin ziemlich schrecklich mit Algebra und Blick auf es nicht wirklich verbessern mein Verständnis von etwas. Was ich wirklich lieben möchte, ist ein äußerst einfaches Beispiel für 10 zeitabhängige Beobachtungen, damit ich sehen kann, wie sie arbeiten. So sagen wir, dass Sie die folgenden Datenpunkte des Goldpreises haben: Zum Beispiel, zum Zeitpunkt 10, was wäre der Moving Average von Lag 2, MA (2), sei MA (1) und AR (1) oder AR (2) Ich habe traditionell gelernt, dass Moving Average so etwas wie: Aber bei der Betrachtung von ARMA-Modellen wird MA als eine Funktion der bisherigen Fehlerbegriffe erklärt, die ich nicht in den Kopf bringen kann. Ist es nur ein fancierer Weg, das Gleiche zu berechnen, fand ich diesen Beitrag hilfreich: (Wie man SARIMAX intuitiv versteht), aber whist die Algebra hilft, ich kann etwas wirklich deutlich sehen, bis ich ein vereinfachtes Beispiel davon sehe. Angesichts der Goldpreisdaten würden Sie zunächst das Modell abschätzen und dann sehen, wie es funktioniert (Impulsantwortanalyse). Vielleicht solltest du deine Frage nur auf den zweiten Teil verengen (und die Schätzung beiseite lassen). Das heißt, du würdest ein AR (1) oder MA (1) oder ein beliebiges Modell (z. B. xt0.5 x varepsilont) zur Verfügung stellen und uns fragen, wie funktioniert dieses Modell. Ndash Richard Hardy Für jedes AR (q) Modell der einfache Weg, um die Parameter (s) zu schätzen ist, OLS zu verwenden - und führen Sie die Regression von: Pricet Beta0 Beta1 cdot Preis dotso Betaq cdot Preis Lets do so (In R): (Okay, also habe ich ein bisschen betrogen und die Arima-Funktion in R verwendet, aber es gibt die gleichen Schätzungen wie die OLS-Regression - probier es). Jetzt schauen wir uns das MA (1) Modell an. Jetzt ist das MA-Modell ganz anders als das AR-Modell. Der MA ist gewichteter Durchschnitt der vergangenen Periodenfehler, wobei das AR-Modell die vorgegebenen Perioden der tatsächlichen Datenwerte verwendet. Die MA (1) ist: Pricet mu wt theta1 cdot w Wo mu ist der Mittelwert, und wt sind die Fehler Begriffe - nicht die previoes Wert des Preises (wie im AR-Modell). Nun, leider können wir die Parameter nicht so einfach wie OLS schätzen. Ich werde die Methode hier nicht abdecken, aber die R-Funktion arima nutzt maximale Likihood. Lets try: Hoffe das hilft (2) Was die MA (1) Frage betrifft. Sie sagen, der Rest ist 1.0023 für den zweiten Zeitraum. Das macht Sinn. Mein Verständnis des Restes ist der Unterschied zwischen dem prognostizierten Wert und dem beobachteten Wert. Aber Sie sagen dann den prognostizierten Wert für Periode 2, wird mit dem Rest für Periode 2 berechnet. Ist das Recht Isn39t der prognostizierte Wert für Periode 2 gerade (0.54230 4.9977) ndash Will TE Aug 17 15 bei 11: 24Time-Serie Analyse und seine Anwendungen : Mit R Beispiele R Zeitreihe Schnellbearbeitung Die Seite benutzt JavaScript für die Syntax-Hervorhebung. Es ist nicht notwendig, es einzuschalten, aber der Code wird schwerer zu lesen. Dies ist nur ein kurzer Spaziergang Zeit Zeit seRies Spur. Mein Rat ist, R zu öffnen und mit dem Tutorial zu spielen. Hoffentlich hast du R installiert und das Icon auf deinem Desktop gefunden, das aussieht wie ein R. gut, es ist ein R. Wenn du mit Linux bist, dann hör auf zu schauen, weil es nicht dort ist. Öffnen Sie einfach ein Terminal und geben Sie R ein (oder installieren Sie R Studio.) Wenn Sie mehr auf Zeitreihengrafiken möchten, besonders mit ggplot2. Siehe die Grafik Quick Fix. Die schnelle Lösung soll Ihnen die grundlegenden R-Zeit-Serie Fähigkeiten aussetzen und ist Spaß für Menschen im Alter von 8 bis 80. Dies ist nicht gemeint, um eine Lektion in der Zeitreihen-Analyse sein, aber wenn Sie wollen, können Sie versuchen, diese einfache kurze Kurs: Loz Baby Schritte. Ihre erste R-Session. Holen Sie sich bequem, dann starten Sie sie und versuchen Sie einige einfache Ergänzung: Ok, jetzt youre ein Experte verwenden R. Würden jetzt astsa bekommen: Jetzt, wo du geladen bist, können wir anfangen. Lass uns zuerst gehen, gut mit dem Johnson amp Johnson Datensatz spielen. Es ist in astsa als jj enthalten. Dieser dynOmite Charakter von Good Times. Zuerst schau es dir an. Und du siehst, dass jj eine Sammlung von 84 Nummern ist, die als Zeitreihenobjekt bezeichnet werden. Um Ihre Objekte zu seeremove: Wenn Sie ein Matlab (oder ähnliches) Benutzer sind, können Sie denken, jj ist ein 84 mal 1 Vektor, aber es ist nicht. Es hat Ordnung und Länge, aber keine Dimensionen (keine Zeilen, keine Spalten). R ruft diese Art von Gegenständen auf, so dass du vorsichtig sein musst. In R, Matrizen haben Dimensionen, aber Vektoren nicht - sie nur Art von baumeln über im Cyberspace. Nun können wir ein monatliches Zeitreihenobjekt machen, das im Juni des Jahres 2293 beginnt. Wir betreten den Vortex. Beachten Sie, dass die Johnson und Johnson Daten vierteljährliche Einnahmen sind, daher hat es Frequenz4. Die Zeitreihe zardoz ist monatliche Daten, daher hat sie Frequenz12. Sie erhalten auch einige nützliche Dinge mit dem ts-Objekt, zum Beispiel: Jetzt versuchen Sie eine Handlung der Johnson Johnson Daten: Die Grafik gezeigt ist ein wenig mehr Phantasie als der Code geben wird. Weitere Informationen finden Sie auf der Seite Graphics Quick Fix. Das geht für den Rest der Plots, die du hier sehen wirst. Versuchen Sie diese und sehen Sie, was passiert: und während Sie hier sind, check out plot. ts und ts. plot. Beachten Sie, dass, wenn Ihre Daten ein Zeitreihenobjekt sind, Plot () den Trick ausführen wird (für ein einfaches Zeitplot, das heißt). Andernfalls wird plot. ts () die Grafik in ein Zeitplot zwingen. Wie wäre es mit der Filterung der Johnson-Verstärker-Johnson-Reihe unter Verwendung eines zweiseitigen gleitenden Durchschnitts, versuchen wir das: fjj (t) 8539 jj (t-2) frac14 jj (t-1) frac14 jj (t) frac14 jj (t1) 8539 jj ( T2) und gut fügen Sie eine lowess (lowess - Sie wissen, die Routine) fit für Spaß. Lets Unterschied die protokollierten Daten und nennen es dljj. Dann gut mit dljj spielen Jetzt ein Histogramm und ein Q-Q-Plot, eins über dem anderen (aber auf eine nette Weise): Lets check out die Korrelationsstruktur von dljj mit verschiedenen Techniken. Zuerst schauen Sie sich ein Raster von Scatterplots von dljj (t) gegen verspätete Werte an. Die Linien sind eine tiefe Passform und die Probe acf ist blau in der Box. Jetzt werfen wir einen Blick auf die ACF und PACF von dljj. Beachten Sie, dass die LAG-Achse in Häufigkeit steht. So entsprechen 1,2,3,4,5 den Verzögerungen 4,8,12,16,20, da hier die Frequenz4 Wenn Sie diese Art von Etikettierung nicht mögen, können Sie dljj in einem der oben genannten durch ts (dljj, freq1) z. B. ersetzen. Acf (ts (dljj, freq1), 20) Bewegen Sie, versuchen Sie eine strukturelle Zerlegung von log (jj) Trend Saison Fehler mit lowess. Wenn du die Residuen untersuchen möchtest, z. B. sie sind in dogtime. series, 3. Die dritte Spalte der Folgereihe (die Saison - und Trendkomponenten sind in den Spalten 1 und 2). Schauen Sie sich die ACF der Residuen, acf (dogtime. series, 3) die Residuen arent weiß - nicht einmal schließen. Sie können ein wenig (sehr wenig) besser mit einem lokalen saisonalen Fenster zu tun, im Gegensatz zu den globalen, die durch die Angabe per. Geben Sie stl für Details ein. Theres auch etwas namens StructTS, die parametrische Strukturmodelle passen wird. Wir verwenden diese Funktionen nicht im Text, wenn wir die strukturelle Modellierung in Kapitel 6 vorstellen, weil wir es vorziehen, unsere eigenen Programme zu nutzen. Loz Dies ist eine gute Zeit zu erklären. Im obigen ist der Hund ein Gegenstand, der eine Reihe von Dingen enthält (Fachbegriff). Wenn du den Hund tippst. Youll sehen die Komponenten, und wenn Sie sortieren (Hund) youll erhalten eine kleine Zusammenfassung der Ergebnisse. Einer der Komponenten des Hundes ist time. series. Die die daraus resultierende Serie enthält (saisonal, Trend, Rest). Um diese Komponente des Objekthundes zu sehen. Sie geben dogtime. series (und youll siehe 3-Serie, die letzte davon enthält die Residuen). Und das ist die Geschichte von. Youll sehen mehr Beispiele, während wir uns bewegen. Und nun mach gut ein Problem aus Kapitel 2. Wurde das Regressionsprotokoll (jj) betatime alpha 1 Q1 alpha 2 Q2 alpha 3 Q3 alpha 4 Q4 epsilon platzieren, wobei Qi ein Indikator für das Quartal i 1,2,3,4 ist . Dann gut die Reste untersuchen. Du kannst die Modellmatrix (mit den Dummy-Variablen) auf diese Weise ansehen: Jetzt schau mal was passiert ist. Schauen Sie sich eine Handlung der Beobachtungen und ihrer angepassten Werte an: was zeigt, dass eine Handlung der Daten mit der Passung überlagert ist nicht wert, die Cyberspace es nimmt. Aber eine Handlung der Residuen und der ACF der Residuen ist ihr Gewicht in Joule wert: Werden diese Reste aussehen weiß Ignorieren Sie die 0-Lag-Korrelation, es ist immer 1. Hinweis: Die Antwort ist NEIN. So ist die regression oben nugatory. Also, was ist das Heilmittel Sorry, youll müssen die Klasse nehmen, weil dies nicht eine Lektion in Zeitreihen ist. Ich warnte dich an der Spitze. Sie müssen vorsichtig sein, wenn Sie eine Zeitreihe auf verzögerten Komponenten eines anderen mit lm () zurückreichen. Es gibt ein Paket namens dynlm, das es leicht macht, verzögerte Regressionen anzupassen, und Ill diskutieren das direkt nach diesem Beispiel. Wenn du lm () benutzt hast. Dann, was Sie tun müssen, ist die Serie zusammen mit ts. intersect binden. Wenn Sie die Serie nicht miteinander verbinden, werden sie nicht richtig ausgerichtet. Heres ein Beispiel, das die wöchentliche Herz-Kreislauf-Mortalität (cmort) auf Partikelverschmutzung (Teil) zum gegenwärtigen Wert rückgängig macht und vier Wochen (ungefähr einen Monat) zurückging. Einzelheiten zum Datensatz finden Sie in Kapitel 2. Stellen Sie sicher, dass astsa geladen ist. Anmerkung: Es gab keine Notwendigkeit, Verzögerung (Teil, -4) zu part4 umzubenennen. Es ist nur ein Beispiel dafür, was du tun kannst. Eine Alternative zu den oben genannten ist das Paket dynlm, das installiert werden muss, natürlich (wie wir für astsa dort oben am Anfang). Nachdem das Paket installiert ist, können Sie das vorhergehende Beispiel wie folgt ausführen: Nun, seine Zeit zu simulieren. Das Arbeitspferd für ARIMA-Simulationen ist arima. sim (). Hier sind einige Beispiele keine Ausgabe hier gezeigt, also du bist auf eigene Faust. Mit astsa ist es einfach, ein ARIMA-Modell anzupassen: Man könnte sich fragen über den Unterschied zwischen aic und AIC oben. Dafür musst du den Text lesen oder einfach nur nicht darüber nachdenken, weil es nicht wert ist, deinen Tag zu denken, darüber nachzudenken. Und ja, diese Reste sehen weiß aus. Wenn du ARIMA-Prognose machen willst, ist sarima. for in astsa enthalten. Und jetzt für eine Regression mit autokorrelierten Fehlern. Wurden das Modell M t alpha betat gammaP t e t, wobei M t und P t die Mortalität (cmort) und Partikel (Teil) Serie sind und e t autokorrelierte Fehler ist. Zuerst eine OLS passen und die Residuen überprüfen: Jetzt passen das Modell Die Restanalyse (nicht gezeigt) sieht perfekt aus. Heres ein ARMAX-Modell, M t beta 0 phi 1 M t-1 phi 2 M t-2 beta 1 t beta 2 T t-1 beta 3 P t beta 4 P t-4 e t. Wo e t möglicherweise autokorreliert ist. Zuerst versuchen wir und ARMAX (p2, q0), dann schau auf die Residuen und verwirklichen theres keine Korrelation links, so wurden getan. Endlich eine Spektralanalyse schnell: Das ist alles für jetzt. Wenn Sie mehr auf Zeitreihengrafiken wünschen, sehen Sie die Grafik Quick Fix page. Time Series Beispiel Die folgenden Beispiele veranschaulichen, wie XLMiner verwendet werden kann, um die Daten zu erkunden, um Trends und Saisonalitäten aufzudecken. Wählen Sie auf dem XLMiner-Band aus der Registerkarte Anwenden des Modells Hilfe - Beispiele. Dann ForecastingData Mining Beispiele und öffnen Sie den Beispiel Datensatz, Income. xlsx. Dieser Datensatz enthält das durchschnittliche Einkommen der Steuerzahler nach Staat. Typischerweise werden die folgenden Schritte in einer Zeitreihenanalyse durchgeführt. 1. Die Daten werden in zwei Sätze aufgeteilt, wobei 60 der dem Trainingsset zugeordneten Daten und 40 dem Validierungssatz zugeordnet sind. 2. Sondierungsmethoden werden sowohl für die Trainings - als auch für die Validierungssets angewendet. Wenn die Ergebnisse synchron sind, dann kann das Modell passen. Wenn die ACF - und PACF-Plots gleich sind, kann für beide Sätze das gleiche Modell verwendet werden. 3. Das Modell passt mit der Methode ARIMA (Autoregressive Integrated Moving Average). 4. Wenn ein Modell mit der ARIMA-Methode passt, zeigt XLMiner die ACF - und PACF-Plots für Residuen an. Wenn diese Plots im Band von UCL und LCL sind, dann sind die Residuen zufällig und das Modell ist ausreichend. 5. Wenn die Residuen nicht innerhalb der Bänder sind, dann gibt es einige Korrelationen, und das Modell sollte verbessert werden. Zuerst eine Partition auf die Daten durchführen. Wählen Sie eine Zelle innerhalb des Datensatzes aus, und wählen Sie auf der Registerkarte Zeitreihe auf dem XLMiner-Ribboon die Option Partition, um das Dialogfeld Zeitreihen-Partitionsdaten zu öffnen. Wählen Sie unter der Liste Variablen Jahr aus und klicken Sie auf gt, um zur Zeitvariable zu wechseln. Wählen Sie die verbleibenden Variablen unter der Liste Variablen aus, und klicken Sie auf gt, um sie in die Variablen in der Liste der Partitionsdaten aufzunehmen. Wählen Sie unter Partitionierungsoptionen festlegen die Option Datensätze angeben, um die Anzahl der Datensätze anzugeben, die den Trainings - und Validierungssätzen zugeordnet sind. Wählen Sie unter Datensätze für Partitionierung angeben aus, legen Sie Datensätze fest, geben Sie dann 50 für die Anzahl der Trainings-Set-Datensätze und 21 für die Anzahl der Validierungssatz-Datensätze ein. Wenn unter "Partitionierungsoptionen spezifizieren" die Option "Prozentsätze angeben" ausgewählt ist, ordnet XLMiner jedem Satz entsprechend den vom Benutzer eingegebenen Werten einen Prozentsatz der Datensätze zu, oder wird automatisch von XLMiner unter Angabe von Prozentsätzen für die Partitionierung eingegeben. OK klicken . Das DataPartitionTS-Arbeitsblatt wird rechts neben dem Income-Arbeitsblatt eingefügt. In der obigen Ausgabe ist das Partitionierungsverfahren sequentiell (versus zufällig). Die ersten 50 Beobachtungen wurden dem Trainingsset zugeordnet und die restlichen 21 Beobachtungen wurden dem Validierungssatz zugeordnet. Wählen Sie eine Zelle auf dem DataPartitionTS-Arbeitsblatt aus, und klicken Sie dann auf dem XLMiner-Band aus der Registerkarte Zeitreihe auf ARIMA - Autokorrelationen, um das ACF-Dialogfeld anzuzeigen. Wählen Sie CA als Ausgewählte Variable aus, geben Sie 10 für beide ACF-Parameter für Trainingsdaten und Validierungsdaten ein. Plot ACF-Diagramm ist standardmäßig ausgewählt. OK klicken . Das Arbeitsblatt ACFOutput wird nach dem DataPartitionTS-Arbeitsblatt eingefügt. Beachten Sie bei jedem Diagramm, dass die Autokorrelation mit der Anzahl der Verzögerungen abnimmt. Dies deutet darauf hin, dass in jeder Partition ein bestimmtes Muster existiert. Da sich das Muster jedoch nicht wiederholt, kann davon ausgegangen werden, dass keine Saisonalität in den Daten enthalten ist. Darüber hinaus, da beide Charts ein ähnliches Muster aufweisen, können wir das gleiche Modell sowohl für die Validierung und Training Sets passen. Klicken Sie auf das DataPartitionTS-Arbeitsblatt und auf das XLMiner-Band, wählen Sie auf der Registerkarte Zeitreihe die Option ARIMA - Partial Autocorrelations, um das PACF-Dialogfeld zu öffnen. Wählen Sie aus der Liste Variablen In Eingangsdaten die Option CA aus, und klicken Sie dann auf gt, um die Variable auf Ausgewählte Variable zu verschieben. Geben Sie 40 für Maximum Lag unter PACF-Parameter für Trainingsdaten und 15 für PACF-Parameter für Validierungsdaten ein. Plot PACF-Diagramm ist standardmäßig ausgewählt. OK klicken . Das Arbeitsblatt ACFOutput wird direkt rechts neben dem DataPartitionTS-Arbeitsblatt eingefügt. Beide PACF-Plots zeigen ähnliche Muster in den Validierungs - und Trainings-Sets. Als Ergebnis können wir das gleiche Modell für beide Sätze verwenden. PACF-Ausgang für Trainingsdaten PACF-Ausgang für Validierungsdaten Die PACF-Funktion zeigt ein definiertes Muster, dh es gibt einen Trend in den Daten. Da sich das Muster jedoch nicht wiederholt, können wir feststellen, dass die Daten keine Saisonalität aufweisen. Sowohl die ACF - als auch die PACF-Charts deuten darauf hin, dass ein bestimmtes Muster existiert, aber ohne Saisonalität. Beide Datensätze weisen in den Trainings - und Validierungssätzen das gleiche Verhalten auf, was darauf hindeutet, dass das gleiche Modell für jeden geeignet ist. Jetzt sind wir bereit, das Modell zu passen. Das ARIMA-Modell akzeptiert drei Parameter: p - die Anzahl der autoregressiven Begriffe d - die Anzahl der nicht-saisonalen Differenzen und q - die Anzahl der verzögerten Fehler (gleitende Mittelwerte). Erinnern Sie sich, dass die ACF-Kurve keine Saisonalität in den Daten zeigte, was bedeutet, dass Autokorrelation fast statisch ist und mit der Anzahl der Verzögerungen zunimmt. Dies schlägt vor, q 0 zu setzen, da es keine verzögerten Fehler gibt. Die PACF-Kurve zeigte einen großen Wert für die erste Verzögerung, aber minimale Plots für aufeinanderfolgende Verzögerungen. Dies schlägt die Einstellung p 1 vor. Bei den meisten Datensätzen ist die Einstellung d 1 ausreichend oder kann zumindest ein Ausgangspunkt sein. Klicken Sie auf das DataPartitionTS-Arbeitsblatt und auf das XLMiner-Band, wählen Sie auf der Registerkarte Zeitreihe das Modell ARIMA-ARIMA aus, um das Dialogfeld Zeitreihe - ARIMA aufzurufen. Wählen Sie CA aus der Liste Variablen In Eingangsdaten aus, und klicken Sie dann auf gt, um die Variable in das Feld Ausgewählte Variable zu verschieben. Unter Nicht-saisonalen Parametern setzen Sie Autoregressive (p) auf 1, Differenz (d) auf 1 und Moving Average (q) auf 0. Klicken Sie auf Advanced, um das Dialogfeld ARIMA - Advanced Options zu öffnen. Wählen Sie Ausgewählte Werte und Residuen aus, produzieren Prognosen und Berichtsvorhersage Konfidenzintervalle. Die Standard-Konfidenzstufe von 95 wird automatisch eingegeben. Varianz-Kovarianzmatrix ist standardmäßig ausgewählt. Klicken Sie im Dialogfeld ARIMA-Erweiterte Optionen auf OK und klicken Sie erneut auf den Dialog Zeitreihe - ARIMA. XLMiner berechnet und zeigt verschiedene Parameter und Diagramme in zwei Ausgabeblättern, ARIMAOutput und ARIMAResiduals an. Das ARIMAOutput-Arbeitsblatt enthält das unten dargestellte ARIMA-Modell. Auf diesem Arbeitsblatt hat XLMiner den konstanten Term und den AR1-Term für unser Modell berechnet. Dies sind die Konstanten und f1 Begriffe der Prognose Gleichung. Siehe folgende Ausgabe des Chi-Quadrat-Tests. Der kleine p-Wert für den konstanten Term (0.9704) und den AR1-Term (0) deutet darauf hin, dass das Modell eine gute Anpassung an unsere Daten ist. Öffnen Sie das Arbeitsblatt ARIMAResiduals. Diese Tabelle zeigt die tatsächlichen und angepassten Werte und die daraus resultierenden Residuen. Wie in der Grafik unten gezeigt, entsprechen die tatsächlichen und prognostizierten Werte ziemlich gut. Die Nützlichkeit des Modells in der Prognose hängt davon ab, wie nahe die tatsächlichen und prognostizierten Werte im Zeitplot des Validierungssatzes liegen. Als nächstes sehen wir die ACF - und PACF-Plots für Fehler, die sich am unteren Rand des ARIMAOutput-Arbeitsblatts befinden. Alle Verzögerungen, außer Verzögerung 1, liegen deutlich innerhalb der UCL - und LCL-Bands. Dies deutet darauf hin, dass die Residuen zufällig sind und nicht korreliert sind, was der erste Hinweis ist, dass die Modellparameter für diese Daten ausreichend sind. Siehe die Prognose-Tabelle im ARIMAOutput-Arbeitsblatt. Die Tabelle zeigt den aktuellen und prognostizierten Wert. Die unteren und oberen Werte repräsentieren die untere und obere Grenze des Konfidenzintervalls. Es gibt eine Chance von 95, dass der prognostizierte Wert in diesen Bereich fallen wird. Das Zeitfenster auf der rechten Seite zeigt an, wie das Modell, das wir mit dem Trainingsset bestanden und auf dem Validierungsset durchgeführt haben. Die tatsächlichen und prognostizierten Werte sind ziemlich nah, was bestätigt, dass unser Modell gut für die Prognose sein sollte. Um die Werte unter der unteren und oberen Spalte in demselben Diagramm darzustellen, markieren Sie den Graphen, und wählen Sie auf dem Excel-Band Design - Wählen Sie Daten aus, um das Dialogfeld Datenquelle auswählen zu öffnen. Für Diagrammdatenbereich geben Sie ARIMAOutputB56: G77 ein. Dann deaktivieren Sie Fehler unter Legendeneinträge. OK klicken . Diese Handlung zeigt, dass die tatsächlichen und prognostizierten Werte innerhalb der unteren und oberen 95 Confidence Level Bands liegen. Obwohl die tatsächlichen Werte etwas schwanken, fallen diese Werte in die Mitte des Bereichs. Wir können aus dem ARIMA-Ausgang abschließen, dass unser Modell mit den Parametern (1, 1, 0) die Daten adäquat platziert hat.