ARIMA-modellen

Kunskapscenter

• Om 12manage
• Home
• Ordbok
• Encyklopedi
• Fråga?
• Views

• Registrera
• Logga in
• Hjälp

• Organisation och Förändring
• Kommunikation och Färdigheter
• Beslutsfattande och Värdering
• Etik och Ansvar
• Ekonomi och Investera
• HRM och Personalfrågor
• Kunskap och Immateriella Tillgångar
• Ledarskap
• Marknadsföring
• Program- och Projektledning
• Strategi, Företagsledning, Styrning, Mål
• Supply Chain och Kvalitetsledning

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

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 calculat...           ARIMA model or Time Fourier series The ARIMA model is a useful model, but not precise...           Updating the ARIMA model I think even if we develop the best ARIMA model th...         Börja ett nytt ämne

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 om Arima Prognoser         Nyheter om Statistik Tidsserie         Videor om Arima Prognoser         Videor om Statistik Tidsserie         Presentationer om Arima Prognoser         Presentationer om Statistik Tidsserie         Mer om Arima Prognoser         Mer om 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