Modèle de série chronologique

Les modèles de séries chronologiques sont des modèles très utiles lorsque vous avez des données corrélées en série. La plupart des maisons d`affaires travaillent sur des données de séries chronologiques pour analyser le numéro de vente pour l`année prochaine, le trafic de site Web, la position de concurrence et beaucoup plus. Cependant, il est aussi l`un des domaines, que de nombreux analystes ne comprennent pas. Pour plus d`informations sur les autres méthodes de la série temporelle, consultez analyse des séries chronologiques-index et les rubriques suivantes: retour à l`exemple 2: Voici la sortie Minitab pour un modèle avec une tendance quadratique et des effets saisonniers. Tous les facteurs sont statistiquement significatifs. Valeur de pénalité. Comme mentionné ci-dessus, la procédure d`estimation exige que les sommes (conditionnelles) des carrés des résidus de l`ARIMA soient minimisées. Si le modèle est inapproprié, il peut arriver au cours du processus d`estimation itérative que les estimations des paramètres deviennent très volumineuses et, en fait, invalides. Dans ce cas, il attribuera une très grande valeur (une valeur dite de pénalité) à la SS. Cela «incite» généralement le processus d`itération à éloigner les paramètres des plages non valides. Cependant, dans certains cas, même cette stratégie échoue, et vous pouvez voir sur l`écran (pendant la procédure d`estimation) de très grandes valeurs pour les SS dans les itérations consécutives. Dans ce cas, évaluez attentivement l`adéquation de votre modèle. Si votre modèle contient de nombreux paramètres, et peut-être un composant d`intervention (voir ci-dessous), vous pouvez réessayer avec différentes valeurs de début de paramètre.

Composant aléatoire ou irrégulier. Enfin, le composant aléatoire ou irrégulier (erreur) peut être isolé en soustrayant de la série désaisonnalisée (modèles additifs) ou en divisant la série ajustée par (modèles multiplicatifs) la composante du cycle de tendance. Let (epsilon_t overset{IID}{sim} N (0, sigma ^ 2) ). Un modèle avec des composants additifs pour la tendance linéaire et des effets saisonniers (trimestriels) peut être écrit avez-vous remarqué la différence entre le modèle MA et AR? Dans le modèle MA, le bruit/choc disparaît rapidement avec le temps. Le modèle AR a un effet très durable du choc. Autres critères de qualité. Une autre mesure simple et commune de la fiabilité du modèle est la précision de ses prévisions générées sur la base de données partielles afin que les prévisions puissent être comparées avec des observations connues (originales). Avec les paramètres en main, nous pouvons maintenant essayer de construire le modèle ARIMA. La valeur trouvée dans la section précédente peut être une estimation approximative et nous devons explorer plus (p, d, q) combinaisons.

Celui avec le plus bas BIC et AIC devrait être notre choix. Nous pouvons également essayer certains modèles avec un composant saisonnier.