चलती - औसत - मॉडल - stata

वेटेड मूविंग एवरेज़ द बेसिक्स। साल के दौरान, तकनीशियनों ने सरल चलती औसत के साथ दो समस्याएं पाई हैं पहली समस्या चलती औसत एमए के समय सीमा में है सबसे अधिक तकनीकी विश्लेषकों का मानना ​​है कि मूल्य कार्रवाई खोलने या समापन शेयर की कीमत पर्याप्त नहीं है जिस पर एमए के क्रॉसओवर एक्शन की सिग्नल खरीदने या बेचने का ठीक तरह से अनुमान लगाने के लिए निर्भर करना इस समस्या को हल करने के लिए, विश्लेषकों ने हाल ही में मूल्य के आंकड़ों के मुकाबले अधिक वजन बढ़ाया है ताकि तेज गति से चलती औसत औसत ईएमए एक्सपोनिसलीली तौले हुए मूविंग औसत उदाहरण के लिए, उदाहरण के लिए, 10-दिवसीय एमए का प्रयोग करके, एक विश्लेषक 10 वें दिन की समाप्ति मूल्य लेगा और यह संख्या 10 से बढ़ाएगा, 9 वें दिन नौ, आठवें दिन आठ और इसी तरह की पहली एमए एक बार कुल निर्धारित किया गया है, तो विश्लेषक मल्टीप्लायर्स के जोड़ द्वारा संख्या को विभाजित करेगा यदि आप 10-दिवसीय एमए उदाहरण के मल्टीप्लायर जोड़ते हैं, तो संख्या 55 है यह सूचक एक ज्ञात है रेखीय भारित चलती औसत के लिए संबंधित पढ़ने के लिए, सरल मूविंग एवेरेस मेक टेंडर स्टैंड आउट को देखें। कई तकनीशियन तेजी से चिकनी चलती औसत ईएमए में फर्म विश्वास रखते हैं इस सूचक को कई अलग-अलग तरीकों से समझाया गया है कि यह छात्रों और निवेशकों को समान रूप से भ्रमित कर सकता है शायद सबसे अच्छा स्पष्टीकरण जॉन जे मर्फी के तकनीकी विश्लेषण से आया है जो न्यू यॉर्क इंस्टीट्यूट ऑफ फाइनेंस, 1999 द्वारा प्रकाशित वित्तीय बाजारों की है। सरल चलती औसत पहले से जुड़े दोनों समस्याओं का घातीय रूप से धीमा गति से चलने वाले औसत पते, तीव्रता से सुगंधित औसत असाइनमेंट अधिक हाल के आंकड़ों के मुकाबले अधिक वजन इसलिए, यह एक भारित चलती औसत है, लेकिन जब यह पिछले मूल्य के आंकड़ों को कम महत्त्व प्रदान करता है, तो इसमें इसकी गणना में साधन के जीवन के सभी आंकड़ों को शामिल किया जाता है इसके अतिरिक्त, उपयोगकर्ता सबसे हाल के दिन की कीमत में अधिक या कम वजन देने के लिए भार को समायोजित करें, जो कि प्रतिशत के लिए जोड़ा जाता है पिछले दिन के मूल्य दोनों प्रतिशत मूल्यों का योग 100 तक बढ़ जाता है। उदाहरण के लिए, आखिरी दिन की कीमत 10 10 के वजन को सौंपी जा सकती है, जो पिछले 90 दिनों के वजन में जोड़ दी गई है 90 यह अंतिम दिन 10 देता है कुल भार का यह 20 दिन के औसत के बराबर होगा, आखिरी दिनों की कीमत 5 05 के छोटे मूल्य देकर होगा। आंकड़ा 1 एक्सपेंनेशनली स्मूथरिंग मूविंग औसत। उपरोक्त चार्ट अगस्त में पहले सप्ताह से नास्डैक कम्पोजिट इंडेक्स को दर्शाता है 2000 से 1 जून, 2001 जैसा कि आप स्पष्ट रूप से देख सकते हैं, एएमए, जो इस मामले में नौ दिन की अवधि के समापन मूल्य आंकड़ों का उपयोग कर रहा है, एक काले नीचे तीर द्वारा चिह्नित 8 सितंबर को निश्चित बिकने वाले संकेत हैं। यह दिन था कि सूचकांक 4,000 स्तर से नीचे तोड़ दिया दूसरा काली तीर दिखाता है कि तकनीशियन वास्तव में उम्मीद कर रहे थे कि नास्डैक खुदरा निवेशकों से पर्याप्त मात्रा और ब्याज पैदा नहीं कर सके और 3,000 अंक तोड़ने के लिए फिर 16 9 58 में नीचे फिर से नीचे कबूतर 4 अप्रैल को 12 अप्रैल को एक तीर के रूप में चिह्नित किया गया है सूचकांक 1 9 61 में 46 पर बंद हुआ, और तकनीशियनों को यह देखने लगे कि संस्थागत फंड मैनेजर ने सिस्को, माइक्रोसॉफ्ट और कुछ ऊर्जा संबंधी मुद्दों जैसे कुछ सस्ते दामों को चुनना शुरू कर दिया है हमारे संबंधित लेख पढ़ें औसत लिफ़ाफ़े रिफाइनिंग ए लोकप्रिय ट्रेडिंग टूल और मूविंग औसतन बाउंस। संयुक्त राज्य अमेरिका की अधिकतम राशि उधार ले सकती है। ऋण की छत दूसरी लिबर्टी बॉण्ड अधिनियम के तहत बनाई गई थी। ब्याज दर जिस पर एक डिपॉजिटरी संस्था फेडरल रिजर्व में एक अन्य डिपॉजिटरी संस्था में रखी गयी धनराशि देती है। 1 किसी दिए गए सुरक्षा या बाजार सूचकांक के लिए रिटर्न के फैलाव का एक सांख्यिकीय उपाय या तो या तो मापा जा सकता है। 1 9 33 में अमेरिकी कांग्रेस ने बैंकिंग अधिनियम के रूप में पारित किया, जो वाणिज्यिक बैंकों को निवेश में शामिल होने से मना कर दिया था। नॉनफ़ॉर्म पेरोल किसी भी खेतों, निजी घरों और गैर-लाभकारी क्षेत्र के बाहर काम अमेरिका के श्रम ब्यूरो। मुद्रा संक्षेप या मुद्रा प्रतीक के लिए भारतीय रुपए भारतीय रूपया की मुद्रा, भारतीय रुपए की रुपए 1. रुपए डेटा विश्लेषण और सांख्यिकी सॉफ्टवेयर। निकोलस जे कॉक्स, डरहम विश्वविद्यालय, ब्रिटेन क्रिस्टोफर बॉम, बोस्टन कॉलेज। ईजन, एमए और इसकी सीमाएं हैं। स्टेटस सबसे स्पष्ट आदेश मूविंग एवरेज की गणना करने के लिए ईजन का मा फंक्शन है एक अभिव्यक्ति को देखते हुए, यह उस अभिव्यक्ति के एक औसत अवधि की औसत बनाता है, डिफ़ॉल्ट रूप से 3 के रूप में लिया जाता है अजीब होना चाहिए। हालांकि, जैसा कि मैन्युअल एंट्री इंगित करता है, ईजन, एमए संयुक्त नहीं हो सकता है इसके साथ ही वैरलिस्ट द्वारा, और केवल उसी कारण, यह पैनल डेटा पर लागू नहीं होता है किसी भी स्थिति में, यह विशेष रूप से समय श्रृंखला के लिए लिखे गए आदेशों के सेट के बाहर होता है विवरण के लिए समय श्रृंखला देखें। वैकल्पिक दृष्टिकोण। पैनल डेटा के लिए चलती औसत की गणना करने के लिए, वहाँ कम से कम दो विकल्प हैं, दोनों डेटासेट पर निर्भर करते हैं पहले tsset किया गया यह न केवल करने के लिए बहुत ही ज्यादा है, आप बार-बार पैनल चर और समय चर निर्दिष्ट कर सकते हैं, लेकिन स्टैट डेटा 1 का उपयोग करते हुए अपनी खुद की परिभाषा लिखें। समय-श्रृंखला संचालकों जैसे एल और एफ का प्रयोग चलती औसत की परिभाषा को एक जनरेटेड कथन के तर्क के रूप में देता है यदि आप ऐसा करते हैं, तो आप स्वाभाविक रूप से समान रूप से सीमित नहीं होते हैं ईजन द्वारा गणना की गयी औसत भारित केंद्रित चलती औसत, मा। उदाहरण के लिए, समान रूप से भारित तीन-अवधि वाली मूविंग एवरेज दिए जाएंगे। और कुछ भार आसानी से निर्दिष्ट किए जा सकते हैं। आप निश्चित रूप से, अभिव्यक्ति निर्दिष्ट कर सकते हैं जैसे कि लॉग हवार के बजाय एक वैरिएबल नाम जैसे कि myvar। इस दृष्टिकोण का एक बड़ा फायदा यह है कि स्टेता पैनल के लिए अग्रणी है, और पैरों के भीतर ठंड के दायरे के लिए सही तरीके से काम करता है, बस तर्क के रूप में तय किया जाता है कि ये सबसे महत्वपूर्ण नुकसान यह है कि कमांड लाइन बल्कि लंबे समय तक हो सकता है यदि चलती औसत में कई पद शामिल होते हैं। एक और उदाहरण एक एकमात्र चलती औसत है जो केवल पिछले मानों पर आधारित है यह एक परिवर्तनीय उम्मीद को पैदा करने के लिए उपयोगी हो सकता है विशुद्ध रूप से जानकारी पर तारीख पर आधारित हो सकता है कि किसी मौजूदा पूर्वानुमान के लिए पिछले चार मूल्यों के आधार पर अनुमान लगा सकता है, तो निश्चित अवधि की योजना का उपयोग कर ए 4-अवधि का अंतराल खास तौर पर त्रैमासिक समय के साथ इस्तेमाल किया जा सकता है। ईएसजी का प्रयोग करें, एसएससी से फ़िल्टर करें 14 नवंबर 2001 को एसटीएस 7 में एसएससी पर ईजनमोर पैकेज से यूज़र-लिखित ईजन फ़ंक्शन फ़िल्टर का उपयोग करें, आप इस पैकेज को इसके द्वारा इंस्टॉल कर सकते हैं। इसके बाद फिल्टर के विवरण के लिए ईंजमोर पॉइंट को मदद मिलेगी ऊपर दिए गए दो उदाहरणों को प्रस्तुत किया जाएगा। इस तुलना में उत्पन्न दृष्टिकोण संभवतः अधिक पारदर्शी है, लेकिन हम एक पल में विपरीत का एक उदाहरण देखेंगे, इस स्थिति में नकारात्मक संख्याएं नकारात्मक हो जाती हैं -1 -1 फैलता -1 0 1 या सीसा 1, अंतराल 0 , अंतराल 1 कॉफ़ फिक्टिक्स, एक अन्य सूचीबद्ध सूची, इस मामले में इसी प्रकार की पिछड़ या अग्रणी वस्तुओं को गुणा करें, उन मदों के मायवर हैं और सामान्य विकल्प का प्रभाव गुणांक के योग से प्रत्येक गुणांक को स्केल करने के लिए है, ताकि 1 1 1 सामान्यीकृत कॉफ़ी 1 3 1 3 1 3 और coef 1 2 1 के सामान्य गुणों के बराबर 1 4 1 2 1 के गुणांक के बराबर है। 4. आपको न केवल लत्ता बल्कि गुणांक निर्दिष्ट करना चाहिए क्योंकि ईजन, मा समान भारित मामले प्रदान करता है, ईजन के लिए मुख्य तर्क, फ़िल्टर असमान भारित मामले का समर्थन करना है, जिसके लिए आपको गुणांक निर्दिष्ट करना चाहिए यह भी कहा जा सकता है कि उपयोक्ता को गुणांक निर्दिष्ट करने के लिए उन पर थोड़ा अतिरिक्त दबाव है, बराबर भार के लिए, हम अनुमान लगाते हैं, सादगी, लेकिन बराबर वज़न में सिर्फ एक विचार का उल्लेख करने के लिए, घटिया आवृत्ति डोमेन गुण हैं। तीसरा उदाहरण ऊपर हो सकता है। जिनमें से कोई भी उतना जटिल नहीं है जितना उत्पन्न उत्पन्न दृष्टिकोण। , फिल्टर जनरेट करने के लिए एक सरल सूत्रीकरण देता है यदि आप नौ-टर्म दोमोनियल फ़िल्टर चाहते हैं, जो क्लाइमैटोलॉजिस्ट्स को उपयोगी लगते हैं, तो संभवतः कम भयानक, और सही होने की तुलना में आसान हो। बस उत्पन्न दृष्टिकोण के साथ, ईजन, फिल्टर ठीक से काम करता है पैनल डेटा के साथ, वास्तव में, जैसा कि ऊपर बताया गया है, यह डेटासेट पर पहले से मौजूद है। एक ग्राफिकल टिप। अपनी चलती औसत की गणना के बाद, आप शायद एक ग्राफ को देखना चाहते हैं उपयोगकर्ता-लिखित आदेश tsgraph tsset datasets के बारे में स्मार्ट है इसे एसएससी इंस्टा टीएसजीसी द्वारा अप-टू-डेट स्टैट 7 में स्थापित करें। यदि उपर्युक्त उदाहरणों में से किसी एक का उपयोग करना है तो निबटने के बारे में कोई बात नहीं। वास्तव में, मा, अगर कभी निर्दिष्ट किया जाए तो कभी-कभी लोग वा यदि चलने की औसत गणना करते समय उपयोग करने के लिए एनटी, लेकिन आमतौर पर इसका उपयोग थोड़ा अधिक जटिल होता है। आप एक चल औसत औसत से क्या उम्मीद करेंगे अगर हम दो संभावनाओं की पहचान करें। व्याख्या कीजिए मैं किसी भी परिणाम को देखना नहीं चाहता बहिष्कृत टिप्पणियों.मैं यह भी नहीं चाहता कि आप बाहर की गई टिप्पणियों के लिए मूल्यों का उपयोग करना चाहते हैं। यहाँ एक ठोस उदाहरण है यदि कुछ के परिणाम के रूप में मान लीजिए कि हालत 1-42 टिप्पणियों में शामिल है, लेकिन समीक्षा नहीं 43 पर चलती औसत 42 के लिए, अन्य बातों के अलावा, अवलोकन के मूल्य पर 43 यदि औसत पीछे और आगे बढ़ाता है और कम से कम 3 की लंबाई के बराबर है, और यह इसी तरह कुछ परिस्थितियों में कुछ टिप्पणियों पर 44 पर निर्भर करेगा। हमारा अनुमान यह है कि अधिकांश लोग कमजोर व्याख्या के लिए जाते हैं, लेकिन यह सही है कि क्या, ईजन, यदि आप या तो जो भी नहीं चाहते हैं, पर अनदेखा कर सकते हैं या फिर बाद में गायब होने के लिए अवांछित मूल्यों को भी अनदेखा कर सकते हैं तो फ़िल्टर का समर्थन नहीं होता है श्रृंखला के छोर पर लापता परिणामों पर प्रतिस्थापित करें। एक नोट। क्योंकि चलती औसत लेट्स और लीड्स के कार्य होते हैं, ईजन, मा उत्पादन करता है जहां लगी और सुराग मौजूद नहीं है, श्रृंखला के आरंभ और अंत में, एक विकल्प नामांकन पूंछों के लिए कम, बिना सेंसर की चलती औसत की गणना करने के लिए मजबूर करता है। इसके विपरीत, न तो उत्पन्न और न ही ईजन, फिल्टर करता है, या अनुमति देता है, लापता परिणाम से बचने के लिए कुछ विशेष है अगर गणना के लिए आवश्यक मूल्यों में से कोई भी गायब है, तो उस परिणाम में यह गुम है उपयोगकर्ता को यह तय करने के लिए है कि इस तरह की टिप्पणियों के लिए और क्या सुधारात्मक शल्य चिकित्सा की आवश्यकता है, संभवतः डाटासेट को देखकर और किसी अंतर्निहित विज्ञान पर विचार करने के लिए जिसे सहन करने के लिए लाया जा सकता है। अरिमा गैर-आधुनिक मॉडलों के लिए परिचय। आरआइएमए पी, डी, क्यू पूर्वानुमान समीकरण ARIMA मॉडल, सिद्धांत में, एक समय श्रृंखला की भविष्यवाणी के लिए मॉडल का सबसे सामान्य वर्ग है, जो कि यदि आवश्यक हो, तो संभवतः गैर-अक्षीय परिवर्तनों के साथ संयोजन के द्वारा पृथक होने के लिए बनाया जा सकता है जैसे कि लॉगिंग या यदि आवश्यक हो तो deflating एक यादृच्छिक चर जो एक समय श्रृंखला है, स्थिर है यदि इसकी सांख्यिकीय गुण समय के साथ सभी स्थिर होते हैं एक स्थिर श्रृंखला का कोई प्रवृत्ति नहीं है, इसके माध्य के आसपास इसके भिन्नताएं एक निरंतर आयाम होती हैं, और यह लगातार फैशन में लुप्त हो जाती है अर्थात् इसके अल्पकालिक यादृच्छिक समय पैटर्न हमेशा एक सांख्यिकीय अर्थ में एक ही दिखते हैं बाद के अवस्था का मतलब है कि इसके स्वयं के संबंधों से संबंधों से पूर्व विचलन के साथ-साथ समय-समय पर स्थिर रहता है, या समतुल्य है कि इसकी शक्ति का स्पेक्ट्रम समय के साथ स्थिर रहता है एक यादृच्छिक इस फॉर्म के वैरिएबल को सामान्य रूप में सिग्नल और शोर के संयोजन के रूप में देखा जा सकता है, और संकेत अगर कोई स्पष्ट है तो तेज या धीमा मतलब रिवर्सन, या साइनसॉइडल दोलन, या साइन में तेजी से प्रत्यावर्तन हो सकता है, और यह भी हो सकता है एक मौसमी घटक एक एआरआईएएमए मॉडल को एक फिल्टर के रूप में देखा जा सकता है जो शोर से संकेत को अलग करने की कोशिश करता है, और संकेत तब प्राप्त करने के लिए भविष्य में एक्सट्रपलेशन होता है ऐन पूर्वानुमान। ARIMA एक स्थिर समय श्रृंखला के लिए समीकरण का अनुमान लगा रहा है एक रेखीय या प्रतिगमन-प्रकार का समीकरण है जिसमें भविष्यवाणियों में आश्रित चर की गिनती होती है या यानी पूर्वानुमान की त्रुटियों की गड़बड़ी होती है। Y का मूल्य अनुमानित स्थिर और या वाई के एक या अधिक हाल के मूल्यों की वेटेड राशि या या त्रुटियों के एक या अधिक हाल के मूल्यों का एक भारित योग। यदि भविष्यवाणियों में वाई के केवल अंतराल मूल्य शामिल होते हैं तो यह एक शुद्ध आटोरेग्रेसिव स्व-रेग्रेडेड मॉडल है, जो कि केवल एक खास है एक प्रतिगमन मॉडल के मामले और जो मानक प्रतिगमन सॉफ़्टवेयर के साथ फिट हो सकता है उदाहरण के लिए, वाई के लिए एक प्रथम-ऑर्डर आटोमैरेसिव एआर 1 मॉडल एक सरल प्रतिगमन मॉडल है जिसमें स्वतंत्र चर सिर्फ एक अवधि लैग वाई द्वारा, या YLAG1 RegressIt में अगर कुछ भविष्यवाणियों में त्रुटियों की गड़बड़ी होती है, तो एक एआरआईएएमए मॉडल यह एक रेखीय प्रतिगमन मॉडल नहीं है, क्योंकि पिछली अवधि की त्रुटि को एक स्वतंत्र चर के रूप में निर्दिष्ट करने का कोई तरीका नहीं है, घ एक अवधि-टू-अवधि के आधार पर जब मॉडल को डेटा के लिए फिट किया जाता है एक तकनीकी दृष्टिकोण से, भविष्यवाणियों के रूप में लंबित त्रुटियों का उपयोग करने की समस्या यह है कि मॉडल की भविष्यवाणियां गुणांक के रैखिक कार्य नहीं हैं, भले ही वे रैखिक कार्य हैं अतीत के आंकड़े इसलिए, एआरआईएए मॉडल में गुणांक, जिनमें गड़बड़ी त्रुटियों को शामिल किया गया है, गैर-रैखिक अनुकूलन विधियों द्वारा समीकरणों की एक प्रणाली को सुलझाने की बजाय पहाड़ी-चढ़ाई के द्वारा अनुमानित किया जाना चाहिए। संक्षिप्त नाम एआरआईएमए में स्थिरता श्रृंखला के ऑटो-रिग्रेसिव इंटीग्रेटेड मूविंग औसत लेंस भविष्यवाणी के समीकरण को आटोमैरेसिव शब्द कहा जाता है, पूर्वानुमान त्रुटियों की गलतियों को औसत शर्तों को चलते कहा जाता है, और एक समय श्रृंखला जिसे स्थिर बनाने के लिए अलग-अलग होना चाहिए, कहा जाता है कि एक स्थिर श्रृंखला का एक एकीकृत संस्करण यादृच्छिक-चलना और यादृच्छिक-प्रवृत्ति मॉडल, आटोमैरेसिव मॉडल, और घातीय चौरसाई मॉडल, एआरआईएए मॉडल के सभी विशेष मामले हैं। एक गैर-हंगामी ARIMA मॉडल को ARIMA p, d, qm के रूप में वर्गीकृत किया गया है ओडेल, जहां पी है, autoregressive terms. d की संख्या है, स्थिरता के लिए आवश्यक गैर-मौसमी मतभेदों की संख्या, और. q भविष्यवाणी समीकरण में अनुमानित त्रुटियों की संख्या की अनुमानित संख्या है। Y का अर्थ अंतर है। इसका मतलब यह है कि वाई 2 का दूसरा अंतर 2 अवधि से भिन्न नहीं है बल्कि इसके पहले-अंतर-पहला अंतर है, जो कि असल एनालॉग है दूसरा व्युत्पन्न, अर्थात स्थानीय प्रवृत्तियों की बजाय श्रृंखला का स्थानीय त्वरण। वाई के संदर्भ में सामान्य पूर्वानुमान समीकरण होता है। यहां चलने वाले औसत मापदंडों को परिभाषित किया जाता है ताकि बॉक्स द्वारा शुरू किए गए सम्मेलन के बाद उनके लक्षण समीकरण में नकारात्मक हो। और जेनकिंस कुछ प्रोग्रामर और सॉफ्टवेयर प्रोग्रामिंग भाषा सहित उन्हें उन्हें परिभाषित करते हैं ताकि उनके पास प्लस लक्षण हो सकते हैं जब वास्तविक संख्या को समीकरण में जोड़ा जाता है, तो कोई अस्पष्टता नहीं है, लेकिन यह जानना महत्वपूर्ण है कि कौन सी रूपांतरण जब आप आउटपुट पढ़ रहे हों तो आपके सॉफ़्टवेयर का उपयोग करता है एंटियन अक्सर पैरामीटर एआर 1, एआर 2, और एमए 1, एमए 2 आदि द्वारा चिह्नित हैं। आप के लिए उपयुक्त एआरआईएएमए मॉडल की पहचान करने के लिए वाई के डिप्टीर्सिंग डी श्रृंखला को स्थिर बनाने और सीज़न की सकल विशेषताओं को दूर करने की ज़रूरत है, शायद विचरण-स्थायी स्थिरता जैसे लॉगिंग या डिफ्लेटिंग के साथ, यदि आप इस बिंदु पर रुकते हैं और अनुमान लगाते हैं कि अलग-अलग सीरीज स्थिर है, तो आप केवल एक यादृच्छिक पैदल या यादृच्छिक प्रवृत्ति मॉडल हालांकि, स्थिर श्रृंखला में अभी भी त्रुटियों को स्वत: संबंधित कर सकते हैं, सुझाव दे रहे हैं कि एआर शब्द संख्या P1 और या कुछ संख्या एमए शर्तों q 1 भी भविष्यवाणी समीकरण में आवश्यक हैं। पी, डी के मूल्यों का निर्धारण करने की प्रक्रिया, और एक निश्चित समय श्रृंखला के लिए सबसे अच्छा क्यू जो नोट्स के बाद के खंडों में चर्चा की जाएगी जिनके लिंक इस पृष्ठ के शीर्ष पर हैं, लेकिन कुछ गैर-मौसमी एआरआईएए मॉडल जो कि कॉम मोनली का सामना नीचे दिया गया है। आरआईएमएए 1,0,0 प्रथम श्रेणी के ऑटरेडगेसिबल मॉडल अगर श्रृंखला स्थिर और स्वचुनावित होती है, शायद यह अपने स्वयं के पिछली मूल्य के एक बहुमत के रूप में भविष्यवाणी की जा सकती है, साथ ही एक स्थिर इस मामले में पूर्वानुमान समीकरण है। जो वाई पर एक बार उलट रहा है एक अवधि से ही पीछे हट गया यह एक एआरआईएएमए 1,0,0 निरंतर मॉडल है यदि वाई का मतलब शून्य है, तो स्थिर शब्द शामिल नहीं होगा। यदि ढलान गुणांक 1 सकारात्मक और 1 से कम है यदि यह स्थिर है, तो यह परिमाण में 1 से कम होना चाहिए, मॉडल का अर्थ-पूर्ववर्ती व्यवहार का वर्णन करता है जिसमें अगली पीढ़ी के मूल्य को 1 गुणा होना चाहिए, जो कि इस अवधि के मूल्य से 1 गुणा होना चाहिए यदि 1 ऋणात्मक है, यह संकेतों के प्रत्यावर्तन के साथ मतलब-पूर्ववर्ती व्यवहार का भविष्यवाणी करता है, अर्थात् यह भी भविष्यवाणी करता है कि अगर यह अवधि इस अवधि से ऊपर है तो Y अगली अवधि से कम होगी। एक दूसरे क्रम के आटोमैरेसिव मॉडल ARIMA 2.00 में, एक y t-2 शब्द भी सही पर, और इसी तरह के आधार पर गुणांक के लक्षण और परिमाण, एक एआरआईएए 2.0,0 मॉडल एक ऐसी प्रणाली का वर्णन कर सकता है जिसका मतलब है कि एक पाप-सूक्ष्म रूप से घूमने वाले फैशन में होता है, जैसे एक वसंत पर द्रव्यमान की गति जैसे यादृच्छिक झटके के लिए। आरआईएमए 0, 1,0 यादृच्छिक चलना यदि श्रृंखला वाई स्थिर नहीं है, इसके लिए सबसे आसान संभव मॉडल एक यादृच्छिक चलने वाला मॉडल है, जिसे एआर 1 मॉडल के सीमित मामले के रूप में माना जा सकता है जिसमें आटोमैरेसिव गुणांक 1 के बराबर है, यानी सीरिज असीम रूप से धीमा मतलब उत्क्रमण के साथ इस मॉडल के लिए भविष्यवाणी समीकरण को लिखा जा सकता है। जहां निरंतर अवधि औसत अवधि-प्रति-अवधि में परिवर्तन होती है, यानी वाई में दीर्घावधिक बहाव है यह मॉडल किसी अवरोधन प्रतिगमन मॉडल के रूप में लगाया जा सकता है जो वाई का पहला अंतर आश्रित चर है क्योंकि इसमें केवल एक नॉनसिजानल फ़र्क और एक निरंतर शब्द शामिल है, इसे एक एआरआईएएम 0,1,0 मॉडल के रूप में वर्गीकृत किया गया है निरंतर के साथ यादृच्छिक-चलने के बिना - डिफ्ट मॉडल एक एआरआईएएमए 0 होगा , निरंतर के बिना 1,0 मॉडल रिमा 1,1,0 अलग-अलग प्रथम-ऑर्डर ऑटरेडिव मॉडल यदि एक यादृच्छिक पैदल मॉडल की त्रुटियों को स्वतः समन्वयित किया जाता है, तो संभवतः समस्या को भविष्य के समीकरण को निर्भर चर में जोड़कर तय किया जा सकता है - यानी पहला अंतर वाई अपने आप पर एक अवधि से पीछे रह जाता है यह निम्नलिखित भविष्यवाणी के समीकरण का उत्पादन करेगा। जो इसे दोबारा व्यवस्थित किया जा सकता है। यह नॉन-सीजनल डिस्ट्रिक्शंस के एक ऑर्डर और एक निरंतर अवधि के साथ एक प्रथम-ऑर्डर ऑटरेहेडिव मॉडल है - अर्थात एआरआईएआईए 1,1,0 मॉडल. राममा 0,1,1 निरंतर सरल घातीय चौरसाई के बिना एक यादृच्छिक चलने के मॉडल में स्वतः समन्वयित त्रुटियों को सुधारने के लिए एक और रणनीति सरल घातीय चिकनाई मॉडल द्वारा सुझाई गई है याद कि कुछ नॉनस्टेशनरी समय श्रृंखला जैसे कि धीरे-धीरे अलग-अलग साधनों के आसपास शोर उतार चढ़ाव , यादृच्छिक चलने वाला मॉडल पुरानी मूल्यों की चलती औसत प्रदर्शन नहीं करता है, दूसरे शब्दों में, अगले अवलोकन के पूर्वानुमान के रूप में हाल के अवलोकन को लेने के बजाय, यह शोर को फ़िल्टर करने और स्थानीय अनुमान का सही अनुमान लगाने के लिए पिछले कुछ टिप्पणियों के औसत का उपयोग करना बेहतर होता है सरल अनुमानी चौरसाई मॉडल इस प्रभाव को हासिल करने के लिए पिछले मूल्यों के एक तेजी से भारित चलती औसत का उपयोग करता है सरल अनुमान के लिए पूर्वानुमान समीकरण चौरसाई मॉडल को कई गणितीय समकक्ष रूपों में लिखा जा सकता है, जिनमें से एक तथाकथित त्रुटि सुधार प्रपत्र है, जिसमें पिछली भविष्यवाणी की गई त्रुटि की दिशा में समायोजित किया गया है। क्योंकि ई टी -1 वाई टी -1 - परिभाषा के अनुसार टी -1, इसे फिर से लिखा जा सकता है। जो एक एआरआईएमए 0,1,1 है, 1 1 के साथ लगातार भविष्यवाणी समीकरण के बिना - इसका मतलब यह है कि आप इसे एक एआरआईएमए 0,1 के रूप में निर्दिष्ट करके एक सरल घातीय चौरसाई फिट कर सकते हैं। , निरंतर के बिना 1 मॉडल, और अनुमानित एमए 1 गुणांक एसईएस फार्मूले में 1-शून्य से अल्फा से मेल खाती है स्मरण करो कि एसईएस मॉडल में, 1-अवधि-आगे पूर्वानुमान में डेटा की औसत आयु 1 है जिसका अर्थ है कि वे टी के पीछे पीछे रहना है लगभग 1 अवधियों के अनुसार अंक लगाना या अंक बदलना यह है कि एआरआईएमए -1,1,1 के 1-अवधि-आगे पूर्वानुमान में डेटा की औसत आयु 1 के साथ -1,1 -1 है, उदाहरण के लिए, यदि 1 0 8, औसत आयु 5 है 1 के रूप में 1 दृष्टिकोण, ARIMA 0,1,1- बिना-स्थिर मॉडल एक बहुत-लंबी अवधि की चलती औसत हो जाती है, और 1 दृष्टिकोण के रूप में 0 यह यादृच्छिक-चलने-बिना-बहाव बन जाता है मॉडल। एआर शब्दों को जोड़ने या एमए पदों को जोड़ने के लिए स्वयं का सही निर्धारण करने का सबसे अच्छा तरीका है ऊपर बताए गए पिछले दो मॉडलों में, यादृच्छिक चलने वाले मॉडल में स्वत: संबंधी समस्याओं की समस्या दो अलग-अलग तरीकों में तय की गयी थी, समीकरण के लिए श्रृंखला या पूर्वानुमान त्रुटि के पीछे वाला मूल्य जोड़ना जो इस स्थिति के लिए सबसे अच्छा एक नियम है, जिसे बाद में और अधिक विस्तार से समझाया जाएगा, यह है कि सकारात्मक आत्मसंयोजन आमतौर पर एआर अवधि को जोड़कर सर्वोत्तम माना जाता है मॉडल और नकारात्मक आत्मसंयोजन आमतौर पर सबसे अच्छा एक एमए अवधि को जोड़कर व्यवहार किया जाता है बी में सामान्यतया और आर्थिक समय श्रृंखला, नकारात्मक आत्म-संबंध अक्सर अकसर अलग-अलग तरीके से विभेदकों की एक कलाकृतियों के रूप में उठता है, अलग-अलग तरीके से सकारात्मक आत्मसंतुष्टता कम हो जाती है और सकारात्मक से ऋणात्मक स्व-पारस्परिक संबंध में बदलाव भी हो सकता है, इसलिए, ARIMA 0,1,1 मॉडल, जिसमें differencing के साथ है एक एमए अवधि, अक्सर एआरआईएएमए 1,1,0 मॉडल की तुलना में ज्यादा इस्तेमाल होती है। आरआईएमए 0,1,1 लगातार वृद्धि के साथ सरल घातीय चिकनाई के साथ एसईएस मॉडल को एक एआरआईएए मॉडल के रूप में लागू करके, आप वास्तव में कुछ लचीलेपन प्राप्त करते हैं सबसे पहले, अनुमानित एमए 1 गुणांक ऋणात्मक होने की अनुमति दी जाती है यह एसईएस मॉडल में 1 से बड़े स्कूटरिंग कारक से मेल खाती है, जो आमतौर पर एसईएस मॉडल-फिटिंग प्रक्रिया द्वारा अनुमत नहीं है दूसरा, आपके पास एआरआईएमए में एक निरंतर अवधि को शामिल करने का विकल्प होता है मॉडल यदि आप चाहते हैं, तो एक औसत नॉन-शून्य प्रवृत्ति का अनुमान लगाने के लिए एआरआईएएमए 0,1,1 मॉडेल के साथ स्थिरांक समीकरण होता है। इस मॉडल से एक-काल-आगे पूर्वानुमानों की तुलना गुणात्मक होती है एसईएस मॉडल, सिवाय इसके कि दीर्घावधि पूर्वानुमान की गति आमतौर पर एक ढालदार रेखा होती है जिसका ढलान क्षैतिज रेखा के बजाय म्यू के बराबर होता है। आरआईआईएमए 0,2,1 या 0,2,2 निरंतर रैखिक घातीय चौरसाई के बिना रेखीय घातीय चिकनाई मॉडल एआरआईएए मॉडल हैं जो एमए शब्दों के साथ संयोजन के साथ दो गैर-हंगामी मतभेदों का उपयोग करते हैं। श्रृंखला के दूसरे अंतर में वाई नहीं है और वाई के बीच अंतर केवल दो अवधियों के बीच अंतर नहीं है, बल्कि यह पहले अंतर का पहला अंतर है - इस अवधि में वाई के परिवर्तन-इन-द-परिवर्तन, इस अवधि में वाई का दूसरा अंतर वाई टी-वाई टी-1- वाई टी-1-वाई टी -2 वाई टी -2-वाई-टी-1 वाई के बराबर है टी-2 असतत कार्य का दूसरा अंतर एक निरंतर कार्य के दूसरे व्युत्पन्न के अनुरूप है जो किसी बिंदु पर किसी बिंदु पर समारोह में त्वरण या वक्रता को मापता है। ARIMA 0,2,2 मॉडल बिना लगातार भविष्यवाणी करता है कि दूसरा श्रृंखला का अंतर पिछले दो पूर्वानुमान त्रुटियों के एक रैखिक समारोह के बराबर है एक के रूप में पुनर्व्यवस्थित किया जा सकता है। 1 और 2 एमए 1 और एमए 2 गुणांक हैं ये एक सामान्य रैखिक घातीय चिकनाई मॉडल है, जो अनिवार्य रूप से होल्ट के मॉडल के समान है, और ब्राउन का मॉडल एक विशेष मामला है, यह दोनों का अनुमान लगाने के लिए घातीय भारोत्तोलन औसत का उपयोग करता है एक स्थानीय स्तर और श्रृंखला में एक स्थानीय प्रवृत्ति इस मॉडल से दीर्घावधि पूर्वानुमानों को एक सीधी रेखा के रूप में जाना जाता है जिसका ढलान श्रृंखला के अंत की ओर देखे जाने वाले औसत प्रवृत्ति पर निर्भर करता है। आरआईएएमए 1,1,2 लगातार नखरे हुए प्रवृत्ति रैखिक के बिना घातीय चौरसाई। इस मॉडल को एआरआईएमए मॉडल पर मौजूद स्लाइडों में सचित्र किया गया है, यह श्रृंखला के अंत में स्थानीय प्रवृत्ति का विस्तार करता है, लेकिन रूढ़िवाद के एक नोट को पेश करने के लिए इसे लंबे समय तक अनुमानित क्षितिज पर समतल करता है, एक अभ्यास जो अनुभवजन्य समर्थन पर है क्यों गार्डर्ड और मैकेन्ज़ी और बांह की प्रवृत्ति का विवरण आर्मस्ट्रांग एट अल द्वारा विवरण के लिए काम करता है। आम तौर पर उन मॉडलों को छूने की सलाह दी जाती है जिसमें कम से कम एक पी और क्यू 1 से बड़ा नहीं है, अर्थात् ARIMA 2,1,2 जैसे मॉडल फिट करने की कोशिश मत करो, क्योंकि यह अधिक से अधिक और आम-कारक के मुद्दों को आगे बढ़ने की संभावना है जो कि एआरआईएए मॉडल के गणितीय ढांचे के नोट्स में अधिक विस्तार से चर्चा की जाती हैं। स्प्रैडशीट कार्यान्वयन एआरआईएए ऊपर वर्णित मॉडलों जैसे स्प्रेडशीट पर लागू करना आसान है भविष्यवाणी समीकरण केवल एक रैखिक समीकरण है जो मूल समय श्रृंखला के पिछले मानों और त्रुटियों के पिछले मूल्यों को दर्शाता है, इस प्रकार, आप डेटा संग्रह करके एक एआरआईएमए पूर्वानुमान स्प्रैडशीट सेट कर सकते हैं स्तंभ ए में, स्तंभ बी में पूर्वानुमान का सूत्र, और कॉलम सी में त्रुटि डेटा घटाव पूर्वानुमान, कॉलम बी में एक विशिष्ट सेल में पूर्वानुमान सूत्र केवल रैखिक अभिव्यक्ति होगी, कॉलम ए और सी की पूर्ववर्ती पंक्तियों में मानों का संदर्भ देकर गुणा करेगा स्प्रैडशीट पर कहीं और कोशिकाओं में संग्रहीत उचित एआर या एमए गुणांक।