ARIMA-modellen

Kunskapscenter

   

Förutse och beräkna framtiden: Autoregressive Integrated Moving Average. Förklaring till ARIMA av Box och Jenkins. ('76)

Innehåll

  1. Sammanfattning
  2. Forum
  3. Best Practices
  4. Expert Tips
  5. Resurser
  6. Utskrift

Ingen kan egentligen se in i framtiden. Men moderna statistiska metoder, ekonometriska modeller och Business Intelligence BI (Affärsinformation, upplysning) programvara kan till viss utsträckning hjälpa företag med att prognostisera och bedöma vad som kan komma att hända i framtiden.


ARIMA står för AutoRegressive Integrated Moving Average.


ARIMA-tidserieanalys använder intervall och skiftningar i historiska data för att avslöja mönstren (t.ex. löpande genomsnittet, säsongsmässigheten) och för att förutsäga framtiden med hjälp av detta. ARIMA-modellen utvecklades först under den senare delen av på 60-talet, men den systematiserades av Box och Jenkins året 1976. ARIMA kan vara mera komplex att använda än andra statistiska progonstiserande tekniker, hur som helst, när den är riktigt implementerad, kan ARIMA vara mycket kraftfull och flexibel.
 

ARIMA är en metod för att bestämma två saker:

  1. Hur mycket av det förflutna skall användas till att förutsäga nästa observation (längden på tidserien, intervallet)
  2. Viktvärden.

Till exempel y (t) = 1/3 * y (t-3) + 1/3 * y (t-2) + 1/3 * y (t-1) är en ARIMA-modell; en annan ARIMA-MODELL är y (t) = 1/6 * y (t-3) + 4/6 * y (t-2) + 1/6 * y (t-1)

Således kräver den korrekta ARIMA-modellen identifiering av rätt antal intervall och koefficienter som bör användas.
ARIMA-modell identifiering använder autoregressioner för att identifiera den underliggande modellen.
Man måste ta särskild hänsyn att mycket noggrant identifiera och bedöma de parametrar som radikalt skiljer ut sig från mängden (pulser, nivå skiftningar, lokala tidstrender), och kan utlösa en ödeläggelse av analysen.
 

Bok: Alan Pankratz - Forecasting with Univariate Box Jenkins Models: Concepts and Cases -

Bok: Jeffrey Wooldridge - Introductory Econometrics: A Modern Approach -


ARIMA-modellen Forumet
  What is Moving Average?
What is the moving average and how can we calculate this?...
     
 
  ARIMA model or Time Fourier series
The ARIMA model is a useful model, but not precise enough.
An interesting application for phenomenons estimated as cyclic, is the Time Fourier series.
Particularly for short-time projecting, I think it very useful (But , I repeat, only for ...
     
 
  Updating the ARIMA model
I think even if we develop the best ARIMA model there will surely be some amount of error. If we develop a nonlinear or regression model (with influencing parameters) for the error and add it to the ARIMA, it will considerably reduce error....
     
 

ARIMA-modellen Särskild Intressegrupp SIG


Särskild Intressegrupp SIG

ARIMA-modellen Utbildning & Sammankomster


Hitta Träning, Seminarier och Sammankomster


Best Practices - ARIMA-modellen Premium

Expert Tips (ENG) - ARIMA Premium

Resurser - ARIMA-modellen Premium
 

Nyheter

Arima Prognoser
     
 

Nyheter

Statistik Tidsserie
     
 

Videor

Arima Prognoser
     
 

Videor

Statistik Tidsserie
     
 

Presentationer

Arima Prognoser
     
 

Presentationer

Statistik Tidsserie
     
 

Mer

Arima Prognoser
     
 

Mer

Statistik Tidsserie
     

Jämför ARIMA-modellen med: Regressionsanalys  |  Dynamisk Regression  |  Exponentiell Utjämning  |  Analytisk CRM  |  Business Intelligens


Retur till Management Start: Ekonomi och Investera  |  Marknadsföring 


Mer Management Metoder, Modeller och Teori

Special Interest Group Leader

Du här


Om 12manage | Reklam | Länka till oss | Sekretess | Användningsvillkor
Copyright 2016 12manage - E-Learning community med metoder inom ledning, ledarskap och organisation. V14.1 - Senast uppdaterad: 4-12-2016. Alla namn och TM tillhör dess innehavare.