เฉลี่ยเคลื่อนที่ Eviews

เมื่อคำนวณค่าเฉลี่ยเคลื่อนที่ที่ใช้งานโดยเฉลี่ยค่าเฉลี่ยในช่วงเวลาตรงกลางจะเป็นค่าเฉลี่ยในตัวอย่างก่อนหน้านี้เราคำนวณค่าเฉลี่ยของช่วงเวลา 3 ช่วงแรกและวางไว้ถัดจากช่วงเวลา 3 เราอาจวางค่าเฉลี่ยในช่วงกลางของ ช่วงเวลาสามช่วงคือถัดจากช่วงเวลา 2 นี่ทำงานได้ดีกับช่วงเวลาคี่ แต่ไม่ดีสำหรับช่วงเวลาที่เท่ากันดังนั้นเราจึงวางค่าเฉลี่ยเคลื่อนที่ครั้งแรกเมื่อ M 4. ทางเทคนิคค่าเฉลี่ยเคลื่อนที่จะลดลงที่ t 2 5, 3 5. เพื่อหลีกเลี่ยงปัญหานี้เราเรียบ MA s ใช้ M 2 ดังนั้นเราเรียบค่าเรียบถ้าเราเฉลี่ยจำนวนคู่เราต้องเรียบค่าตารางต่อไปนี้แสดงผลโดยใช้ M 4. การแนะนำ ARIMA ในรูปแบบที่ไม่เป็นทางการ ARIMA p, d, q สมการพยากรณ์รูปแบบ ARIMA เป็นทฤษฎีในชั้นเรียนโดยทั่วไปในรูปแบบของการคาดการณ์ชุดเวลาซึ่งสามารถทำให้เคลื่อนที่ได้โดยการแยกแยะถ้าจำเป็นบางทีอาจรวมกัน กับการแปลงเชิงเสน ation เช่นการเข้าสู่ระบบหรือ deflating ถ้าจำเป็นตัวแปรแบบสุ่มที่เป็นชุดเวลาที่จะหยุดนิ่งถ้าคุณสมบัติทางสถิติของมันเป็นค่าคงที่ตลอดเวลาชุด stationary มีแนวโน้มไม่มีรูปแบบรอบค่าเฉลี่ยของมันมีความกว้างคงที่และมัน wiggles ในสอดคล้อง แฟชั่นคือระยะเวลาสั้น ๆ รูปแบบเวลาเสมอเหมือนกันในแง่ทางสถิติเงื่อนไขหลังหมายความว่าความสัมพันธ์กับค่าเบี่ยงเบนความสัมพันธ์กับ autocorrelations เดิมคงที่ตลอดเวลาหรือเทียบเท่าที่สเปกตรัมพลังงานคงที่ตลอดเวลา ตัวแปรสุ่มของแบบฟอร์มนี้สามารถดูได้ตามปกติในรูปแบบของสัญญาณและเสียงและสัญญาณถ้าเห็นได้ชัดอาจเป็นรูปแบบของการพลิกกลับค่าเฉลี่ยที่เร็วหรือช้าหรือการสั่นแบบไซน์โครนัสหรือการสลับกันอย่างรวดเร็วในเครื่องหมายและยังสามารถ มีองค์ประกอบตามฤดูกาลแบบ ARIMA สามารถดูเป็นตัวกรองที่พยายามแยกสัญญาณออกจากสัญญาณรบกวนและสัญญาณจะถูกอนุมานในอนาคต เพื่อให้ได้สมการคาดการณ์ ARIMA สำหรับชุดเวลาหยุดนิ่งคือสมการถดถอยเชิงเส้นซึ่งตัวทำนายประกอบด้วยความล่าช้าของตัวแปรตามและหรือความล่าช้าของข้อผิดพลาดในการคาดการณ์นั่นคือค่าที่ถูกต้องของ Y คงที่และหรือ เป็นผลรวมถ่วงน้ำหนักของหนึ่งหรือมากกว่าค่าล่าสุดของ Y และหรือผลรวมถ่วงน้ำหนักของหนึ่งหรือมากกว่าค่าล่าสุดของข้อผิดพลาดถ้าตัวทำนายประกอบด้วยเฉพาะค่า lag ของ Y มันเป็นแบบอัตถิภาวนิยมแบบอัตถิภาวนิยมแบบอัตถิภาวนิยมซึ่งเป็นเพียง กรณีพิเศษของรูปแบบการถดถอยและซึ่งสามารถใช้กับซอฟต์แวร์การถดถอยตามมาตรฐานได้ตัวอย่างเช่นแบบจำลอง AR 1 แบบอัตโนมัติสำหรับคำสั่งซื้อแรกสำหรับ Y เป็นแบบจำลองการถดถอยแบบง่ายที่ตัวแปรอิสระมีเพียง Y ล้าหลังโดยช่วงหนึ่ง LAG Y, 1 Statgraphics หรือ YLAG1 ใน RegressIt ถ้าตัวทำนายบางตัวเป็นข้อผิดพลาดที่ล่าช้าแบบจำลอง ARIMA ไม่ใช่แบบจำลองการถดถอยเชิงเส้นเนื่องจากไม่มีวิธีใดที่จะระบุข้อผิดพลาดของช่วงเวลาสุดท้ายเป็นตัวแปรอิสระข้อผิดพลาดต้องเป็น คำนวณจากระยะเวลาหนึ่งเมื่อโมเดลพอดีกับข้อมูลจากมุมมองด้านเทคนิคปัญหาเกี่ยวกับการใช้ข้อผิดพลาดที่ล่าช้าเป็นตัวพยากรณ์คือการคาดการณ์ของแบบจำลองไม่ใช่หน้าที่เชิงเส้นของสัมประสิทธิ์แม้ว่าจะเป็นฟังก์ชันเชิงเส้นของ ข้อมูลที่ผ่านมาดังนั้นค่าสัมประสิทธิ์ในแบบจำลอง ARIMA ที่มีข้อผิดพลาดที่ล้าหลังต้องถูกประเมินด้วยวิธีการเพิ่มประสิทธิภาพแบบไม่เชิงเส้นการปีนเนินเขามากกว่าเพียงแค่แก้ระบบสมการคำย่อ ARIMA ย่อมาจาก Auto-Regressive Integrated Moving Average Lags ของชุด stationary ใน สมการพยากรณ์จะเรียกว่าเงื่อนไขอัตโนมัติ (autoregressive terms) ข้อผิดพลาดในการคาดการณ์จะเรียกว่าค่าเฉลี่ยเคลื่อนที่ (moving average terms) และชุดข้อมูลเวลา (time series) ซึ่งจะต้องมีความแตกต่างกันไปในนิ่ง (stationary) กล่าวได้ว่าเป็นการรวมกันของ stationary random-walk และ random-trend โมเดลอัตถดถีและแบบจำลองการทำให้เรียบเป็นแบบเอกเทศเป็นกรณีพิเศษของแบบจำลอง ARIMA แบบอาซิมิแบบไม่ จำกัด จำนวนถูกจัดเป็น ARIMA p, d, q model, where. p คือจำนวนของเงื่อนไข autoregressive. d คือจำนวนความแตกต่างที่ไม่จำเป็นสำหรับ stationarity และ. q คือจำนวนข้อผิดพลาดในการคาดการณ์ที่ล้าหลังในสมการทำนายสมการพยากรณ์ถูกสร้างขึ้นดังนี้ อันดับแรกให้ y แสดงถึงความแตกต่าง d ของ Y ซึ่งหมายความว่าทราบว่าความแตกต่างที่สองของ Y d 2 กรณีไม่แตกต่างจาก 2 งวดก่อนหน้านี้ค่อนข้างเป็นความแตกต่างแรกที่แตกต่างของที่แรกคือ อะนาล็อกแบบไม่ต่อเนื่องของอนุพันธ์ลำดับที่สองคือการเร่งแบบท้องถิ่นของซีรีส์มากกว่าแนวโน้มในท้องถิ่นในแง่ของสมการพยากรณ์ทั่วไปของสมการนี้ค่าพารามิเตอร์เฉลี่ยเคลื่อนที่ถูกกำหนดเพื่อให้สัญญาณของพวกเขาเป็นลบในสมการต่อไปนี้ การประชุมที่นำเสนอโดย Box and Jenkins ผู้เขียนและซอฟต์แวร์บางส่วนรวมทั้งภาษาโปรแกรม R กำหนดให้มีเครื่องหมายบวกแทนเมื่อตัวเลขจริงถูกเสียบเข้ากับสมการไม่มีความกำกวม แต่สิ่งสำคัญคือต้องรู้ว่าอะไร ch การใช้ซอฟต์แวร์ของคุณเมื่อคุณอ่านผลลัพธ์บ่อยครั้งที่พารามิเตอร์แสดงโดย AR 1, AR 2, และ MA 1, MA 2 เป็นต้นหากต้องการระบุรูปแบบ ARIMA ที่เหมาะสมสำหรับ Y คุณจะเริ่มต้นด้วยการกำหนดลำดับของ differencing d ต้องตั้งค่าชุดและลบคุณลักษณะขั้นต้นของฤดูกาลบางทีร่วมกับการแปรปรวนเสถียรภาพการเปลี่ยนแปลงเช่นการเข้าสู่ระบบหรือ deflating ถ้าคุณหยุดที่จุดนี้และคาดการณ์ว่าชุด differenced คงที่คุณมีเพียงติดตั้งแบบสุ่มเดิน หรือแบบจำลองแนวโน้มแบบสุ่มอย่างไรก็ตามชุด stationarized อาจยังมีข้อผิดพลาด autocorrelated ชี้ให้เห็นว่าจำนวนของอาร์คันซอเงื่อนไข p 1 และหรือบางจำนวนข้อตกลง MA 1 เป็นสิ่งที่จำเป็นในสมการพยากรณ์กระบวนการของการกำหนดค่าของ p, d และ q ที่ดีที่สุดสำหรับชุดเวลาที่กำหนดจะกล่าวถึงในส่วนถัดไปของโน้ตที่ลิงก์อยู่ที่ด้านบนสุดของหน้านี้ แต่เป็นการแสดงตัวอย่างของรูปแบบ ARDSA แบบไม่ระบุตัวตน จะพบได้ทั่วไปด้านล่างนี้แบบจำลองอัตถดถอย ASIMA 1,0,0 แบบสั่งครั้งแรกถ้าซีรี่ส์มีการหยุดนิ่งและสัมพันธ์กันอาจเป็นที่คาดการณ์ได้ว่าเป็นค่าหลายค่าของตนเองก่อนหน้าบวกค่าคงที่สมการพยากรณ์ในกรณีนี้คือ . ซึ่งเป็น Y ถดถอยบนตัวเอง lagged โดยหนึ่งช่วงนี้เป็น ARIMA 1,0,0 แบบคงที่ถ้าค่าเฉลี่ยของ Y เป็นศูนย์แล้วระยะคงที่จะไม่รวมหากค่าสัมประสิทธิ์ความลาดเอียง 1 เป็นบวกและน้อยกว่า 1 ขนาดจะต้องมีขนาดน้อยกว่า 1 ในกรณีที่ Y อยู่นิ่งโมเดลอธิบายพฤติกรรมการเปลี่ยนค่าเฉลี่ยซึ่งคาดว่าค่าของช่วงถัดไปจะเป็น 1 เท่าห่างจากค่าเฉลี่ยเป็นค่าของช่วงเวลานี้หาก 1 เป็นค่าลบ มันคาดการณ์พฤติกรรมการคืนค่าเฉลี่ยที่มีการสลับของสัญญาณคือมันยังคาดการณ์ว่า Y จะต่ำกว่าค่าเฉลี่ยระยะต่อไปถ้ามันอยู่เหนือหมายถึงระยะเวลานี้ในลำดับที่สอง autoregressive แบบ ARIMA 2,0,0 จะมี เป็นระยะ Y t-2 ด้านขวาเช่นกันและอื่น ๆ ขึ้นอยู่กับ ing บนสัญญาณและ magnitudes ของค่าสัมประสิทธิ์แบบจำลอง ARIMA 2,0,0 สามารถอธิบายระบบที่มีการพลิกกลับค่าเฉลี่ยที่เกิดขึ้นในรูปแบบสั่น sinusoidally เช่นการเคลื่อนไหวของมวลในฤดูใบไม้ผลิที่อยู่ภายใต้แรงกระแทกแบบสุ่ม ARIMA การเดินแบบสุ่มตัวอย่าง 0, 0, 0 ถ้าชุด Y ไม่อยู่นิ่งโมเดลที่เป็นไปได้ง่ายที่สุดคือแบบจำลองการเดินแบบสุ่มซึ่งถือได้ว่าเป็นกรณี จำกัด ของแบบจำลอง AR 1 ซึ่งมีค่าสัมประสิทธิ์การตอบสนองอัตโนมัติเท่ากับ 1, iea series ที่มีการพลิกกลับของค่าเฉลี่ยที่ช้าอย่างช้าสมการทำนายสำหรับแบบจำลองนี้สามารถเขียนได้เมื่อระยะคงที่คือการเปลี่ยนแปลงระยะเวลาเฉลี่ยเป็นระยะเช่นการเลื่อนลอยระยะยาวใน Y โมเดลนี้สามารถใช้เป็นแบบไม่ถดถอย รูปแบบที่แตกต่างแรกของ Y เป็นตัวแปรที่ขึ้นกับเนื่องจากมีเพียงความแตกต่างและความแตกต่าง nonseasonal ระยะคงที่จะจัดเป็นแบบจำลอง ARIMA 0,1,0 กับค่าคงที่แบบสุ่มเดินโดยปราศจากรุ่นจะเป็น รุ่น ARIMA 0,1,0 ไม่มีคอน stant. ARIMA 1,1,0 differenced แบบจำลอง autoregressive ลำดับแรกหากข้อผิดพลาดของรูปแบบการเดินแบบสุ่มมีความสัมพันธ์กันโดยอัตโนมัติอาจจะสามารถแก้ไขปัญหาได้โดยการเพิ่มความล่าช้าของตัวแปรที่ขึ้นกับสมการทำนาย - โดยการถอยกลับเป็นอันดับแรก ความแตกต่างของ Y ที่ตัวเอง lagged โดยหนึ่งระยะเวลานี้จะทำให้สมการทำนายต่อไปนี้ซึ่งสามารถจัดรูปแบบใหม่นี้เป็นแบบลำดับแรก autoregressive ลำดับกับหนึ่งคำสั่งของ differencing nonseasonal และระยะคงที่ - คือ ARIMA 1,1, 0 รูปแบบการจัดเก็บข้อมูล GRIMA 0,1,1 โดยไม่มีการเรียบอย่างสม่ำเสมอการคำนวณหาแนวทางแก้ไขข้อผิดพลาดในรูปแบบการเดินแบบสุ่มโดยใช้แบบจำลองการเรียบง่ายชี้แจงว่าสำหรับชุดเวลาที่ไม่ต่อเนื่องเช่นชุดที่มีความผันผวนที่มีเสียงดังอยู่รอบ ๆ ตัวอักษรแบบ slow - ค่าเฉลี่ยที่แตกต่างกันรูปแบบการเดินแบบสุ่มไม่ได้ทำเช่นเดียวกับค่าเฉลี่ยเคลื่อนที่ของค่าในอดีตในคำอื่น ๆ มากกว่าการสังเกตล่าสุดเป็นประมาณการของ observat ต่อไป ion จะดีกว่าที่จะใช้ค่าเฉลี่ยของการสังเกตการณ์ไม่กี่ครั้งล่าสุดเพื่อกรองสัญญาณรบกวนและแม่นยำมากขึ้นประมาณค่าเฉลี่ยของท้องถิ่นแบบเรียบง่ายอธิบายถึงการใช้ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบพหุคูณของค่าในอดีตเพื่อให้บรรลุผลนี้สมการทำนายสำหรับ แบบเรียบง่ายชี้แจงสามารถเขียนในรูปแบบทางคณิตศาสตร์จำนวนหนึ่งซึ่งเป็นรูปแบบการแก้ไขข้อผิดพลาดที่เรียกว่าซึ่งในการคาดการณ์ก่อนหน้านี้จะปรับในทิศทางของข้อผิดพลาดที่ทำเพราะ e t-1 Y t -1 - t-1 ตามนิยามนี้สามารถถูกเขียนใหม่เป็น. ซึ่งเป็น ARIMA 0,1,1 - โดยไม่คิดค่าคงที่สมการพยากรณ์ด้วย 1 1 - นั่นหมายความว่าคุณสามารถใส่ข้อมูลแบบเรียบง่ายโดยระบุว่าเป็น ARIMA 0,1,1 โดยไม่มีค่าคงที่และค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์ MA 1 โดยประมาณเท่ากับ 1-alpha ในสูตร SES โปรดจำไว้ว่าในรูปแบบ SES อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์ล่วงหน้า 1 ช่วงคือ 1 ความหมาย ว่าพวกเขาจะมีแนวโน้มที่จะล่าช้า b ehind แนวโน้มหรือจุดหักเหโดยประมาณ 1 ช่วงเวลาดังต่อไปนี้อายุเฉลี่ยของข้อมูลในการคาดการณ์ล่วงหน้า 1 รอบของรูปแบบ ARIMA 0.1,1 โดยไม่คิดค่าคงที่คือ 1 1 - 1 ตัวอย่างเช่นถ้า 1 0 8 อายุเฉลี่ยเท่ากับ 5 เมื่อ 1 เข้าใกล้ 1 รูปแบบ ARIMA 0,1,1 - แบบไม่มีแบบคงที่จะกลายเป็นค่าเฉลี่ยเคลื่อนที่แบบระยะยาวและเป็น 1 วิธี 0 จะกลายเป็นแบบ random-walk-without - drift model. What คือวิธีที่ดีที่สุดในการแก้ไข autocorrelation การเพิ่มเงื่อนไข AR หรือการเพิ่มเงื่อนไขของ MA ในสองรุ่นก่อน ๆ ที่กล่าวข้างต้นปัญหาของความผิดพลาด autocorrelated ในรูปแบบการเดินแบบสุ่มได้รับการแก้ไขในสองวิธีด้วยการเพิ่มค่า lagged ของ differenced ชุดสมการหรือเพิ่มมูลค่าล่าช้าของข้อผิดพลาดการคาดการณ์วิธีการที่ดีที่สุดกฎของหัวแม่มือสำหรับสถานการณ์นี้ซึ่งจะมีการกล่าวถึงในรายละเอียดเพิ่มเติมในภายหลังคือการที่ความสัมพันธ์กันในทางบวกมักจะได้รับการรักษาที่ดีที่สุดโดยการเพิ่ม AR ระยะยาวกับโมเดลและอัตลักษณ์เชิงลบมักจะได้รับการปฏิบัติที่ดีที่สุดโดยการเพิ่ม MA te rm ในธุรกิจและชุดเวลาทางเศรษฐกิจ autocorrelation เชิงลบมักจะเกิดขึ้นเป็น artifact ของ differencing โดยทั่วไป differencing ลด autocorrelation บวกและอาจทำให้เกิดการเปลี่ยนจากบวกกับลบ autocorrelation ดังนั้น ARIMA 0,1,1 รุ่นซึ่ง differencing เป็น มาพร้อมกับคำศัพท์เฉพาะทางที่ใช้กันบ่อยกว่า ARIMA 1,1,0 รุ่นARIMA 0,1,1 ที่มีการเรียบอย่างสม่ำเสมอที่มีการเติบโตอย่างรวดเร็วโดยการใช้โมเดล SES เป็นแบบ ARIMA ทำให้คุณได้รับความยืดหยุ่นบางประการก่อน ทั้งหมดค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์ของค่าสัมประสิทธิ์สมการของ MA 1 จะได้รับค่าเป็นลบซึ่งสอดคล้องกับปัจจัยด้านความราบเรียบที่มีขนาดใหญ่กว่า 1 ในรูปแบบ SES ซึ่งโดยปกติจะไม่ได้รับอนุญาตตามขั้นตอนการปรับแบบ SES ประการที่สองคุณมีตัวเลือกในการรวมระยะเวลาคงที่ แบบจำลอง ARIMA ถ้าคุณต้องการเพื่อประมาณค่าเฉลี่ยที่ไม่ใช่ศูนย์แนวโน้ม ARIMA 0,1,1 รุ่นด้วยค่าคงที่มีสมการทำนายการคาดการณ์ล่วงหน้าหนึ่งในระยะเวลาจากรุ่นนี้มีคุณภาพคล้ายกับที่ ของรูปแบบ SES ยกเว้นว่าวิถีของการคาดการณ์ในระยะยาวโดยทั่วไปจะเป็นเส้นลาดซึ่งมีความลาดชันเท่ากับ mu มากกว่าแนวนอนตามแนวขวางARIMA 0,2,1 หรือ 0,2,2 โดยไม่มีการทำให้เป็นเส้นตรงเชิงเส้นคงที่เป็นเส้นตรง เป็นแบบจำลอง ARIMA ซึ่งใช้ความแตกต่างของสอง nonseasonal ร่วมกับข้อกำหนดของ MA ความแตกต่างที่สองของชุด Y ไม่ได้เป็นเพียงความแตกต่างระหว่าง Y และตัวเอง lagged โดยสองช่วง แต่ก็เป็นความแตกต่างแรกของความแตกต่างแรก - การเปลี่ยนแปลงของค่า Y ในช่วง t ดังนั้นความแตกต่างที่สองของ Y ในช่วง t เท่ากับ Y t - Y t - 1 - Y t - 1 - Y t - 2 Y t - 2Y t - 1 Y t-2 ความแตกต่างที่สองของฟังก์ชันแบบแยกส่วนจะคล้ายคลึงกับอนุพันธ์ที่สองของฟังก์ชันต่อเนื่องซึ่งจะวัดความเร่งหรือความโค้งในฟังก์ชันที่จุดที่กำหนดในเวลา ARIMA 0,2,2 แบบโดยไม่มีค่าคงที่คาดการณ์ได้ว่า ความแตกต่างที่สองของชุดเท่ากับฟังก์ชันเชิงเส้นของข้อผิดพลาดในการคาดการณ์สองข้อสุดท้าย ซึ่งสามารถจัดรูปแบบใหม่ได้ที่ 1 และ 2 คือค่าสัมประสิทธิ์ของ MA 1 และ MA 2 นี่คือแบบจำลองการให้ความเรียบแบบเชิงเส้นแบบทั่วไปแบบเดียวกับรูปแบบของ Holt และแบบ Brown's เป็นกรณีพิเศษใช้ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบยกกำลังประมาณ ทั้งในระดับท้องถิ่นและแนวโน้มในท้องถิ่นในซีรีส์การคาดการณ์ในระยะยาวจากรุ่นนี้จะรวมกันเป็นเส้นตรงซึ่งความลาดเอียงขึ้นอยู่กับแนวโน้มโดยเฉลี่ยที่สังเกตได้จากช่วงท้ายของชุดข้อมูลนี้โดยที่ไม่มีการชะลอตัวของค่าระวางเฉลี่ยของ ARIMA 1,1,2 การเรียบแบบเสียดสีเชิงเส้นแบบจำลองนี้แสดงให้เห็นในภาพนิ่งที่มาพร้อมกับแบบจำลอง ARIMA ซึ่งคาดการณ์แนวโน้มในท้องถิ่นในตอนท้ายของชุดข้อมูล แต่จะแผ่ออกไปในขอบเขตอันไกลโพ้นที่คาดการณ์ไว้เพื่อแนะนำโน้ตของอนุรักษนิยมการปฏิบัติที่มีการสนับสนุนเชิงประจักษ์ ทำไม Trend หดหู่ทำงานโดย Gardner และ McKenzie และบทความ Golden Rule โดย Armstrong et al สำหรับรายละเอียดโดยทั่วไปควรเลือกใช้รูปแบบที่อย่างน้อยหนึ่ง p และ q ไม่มีขนาดใหญ่ มากกว่า 1 คือไม่พยายามให้พอดีกับรูปแบบเช่น ARIMA 2,1,2 เนื่องจากอาจนำไปสู่ปัญหา overfitting และ common-factor ที่กล่าวถึงในรายละเอียดเพิ่มเติมในบันทึกย่อเกี่ยวกับโครงสร้างทางคณิตศาสตร์ของโมเดล ARIMA การใช้สเปรดชีทรูปแบบ ARIMA เช่นที่อธิบายข้างต้นใช้งานง่ายในสเปรดชีตสมการทำนายเป็นเพียงสมการเชิงเส้นที่อ้างถึงค่าที่ผ่านมาของชุดข้อมูลเวลาเดิมและค่าที่ผ่านมาของข้อผิดพลาดดังนั้นคุณจึงสามารถตั้งค่าสเปรดชีตการพยากรณ์ ARIMA ได้โดย การจัดเก็บข้อมูลในคอลัมน์ A สูตรการคาดการณ์ในคอลัมน์ B และข้อมูลข้อผิดพลาดลบการคาดการณ์ในคอลัมน์ C สูตรการคาดการณ์ในเซลล์ทั่วไปในคอลัมน์ B จะเป็นเพียงการแสดงออกเชิงเส้นที่อ้างถึงค่าในแถวก่อนหน้าของคอลัมน์ A และ C คูณด้วยค่าสัมประสิทธิ์ของ AR หรือ MA ที่เก็บไว้ในเซลล์ที่อื่นในสเปรดชีตภาพรวมอีเลควิวการจัดการข้อมูลส่วนที่ 3 การจัดการข้อมูลอย่างพิถีพิถันเครื่องมือวิเคราะห์ที่มีประสิทธิภาพจะมีประโยชน์เฉพาะเมื่อคุณสามารถทำได้ ทำงานอย่างมีเหตุผลกับข้อมูลของคุณ EViews ให้ช่วงเครื่องมือการจัดการข้อมูลที่มีอยู่ในซอฟต์แวร์เศรษฐมิติใด ๆ จากห้องสมุดที่กว้างขวางของคณิตศาสตร์ตัวสถิติวันที่สตริงและตัวดำเนินการแบบอนุกรมเวลาและฟังก์ชันต่างๆเพื่อสนับสนุนตัวเลขตัวอักษรและข้อมูลวันที่ครบถ้วน EViews มีคุณสมบัติในการจัดการข้อมูลที่คุณคาดหวังจากซอฟต์แวร์ทางสถิติที่ทันสมัย ​​Function Library. EViews ประกอบด้วยห้องสมุดที่กว้างขวางสำหรับฟังก์ชั่นสำหรับการทำงานร่วมกับข้อมูลนอกเหนือจากฟังก์ชันทางคณิตศาสตร์และตรีโกณมิติมาตรฐาน EViews ยังมีฟังก์ชั่นสำหรับสถิติเชิงพรรณนาสะสมและ สถิติการเคลื่อนไหวโดยสถิติกลุ่มโดยเฉพาะฟังก์ชั่นพิเศษวันที่และการดำเนินงานชุดเวลา workfile แผนที่ค่าและการคำนวณทางการเงิน Evelyn ยังมีเครื่องกำเนิดไฟฟ้าจำนวนสุ่ม Knuth, L Ecuyer หรือ Mersenne-Twister, ความหนาแน่นของฟังก์ชันและฟังก์ชั่นการแจกแจงสะสมสำหรับสิบแปด ต่างกันอาจใช้ในการสร้างชุดใหม่หรือในการคำนวณ sc alar และเมตริกซ์อีเลฟเว่นมีไลบรารีที่หลากหลายของฟังก์ชันการใช้งาน Expression Handling. EViews ซึ่งเป็นเครื่องมือที่มีประสิทธิภาพสำหรับการจัดการนิพจน์หมายความว่าคุณสามารถใช้นิพจน์ได้ทุกที่ที่คุณจะใช้ชุดข้อมูลคุณไม่จำเป็นต้องสร้างตัวแปรใหม่เพื่อทำงานกับลอการิทึมของ Y ค่าเฉลี่ยเคลื่อนที่ของ W หรืออัตราส่วนของ X ถึง Y หรือการแสดงออกที่ถูกต้องอื่น ๆ แทนคุณสามารถใช้นิพจน์ในการคำนวณสถิติเชิงพรรณนาเป็นส่วนหนึ่งของสมการหรือข้อกำหนดของรูปแบบหรือในการสร้างกราฟเมื่อคุณคาดการณ์การใช้ สมการกับการแสดงออกของตัวแปรอิสระ EViews จะถ้าเป็นไปได้ให้คุณสามารถคาดการณ์ตัวแปรอ้างอิงที่อยู่ภายใต้และจะปรับช่วงความเชื่อมั่นโดยประมาณตัวอย่างเช่นถ้าตัวแปรตามถูกระบุเป็น LOG G คุณสามารถเลือกที่จะพยากรณ์ได้ log หรือระดับของ G และคำนวณความเหมาะสมช่วง asymmetric อาจมีความเชื่อมั่นทำงานโดยตรงกับการแสดงออกแทนตัวแปร s. Links, Formulas and Values ​​ออบเจ็กต์ Maps. Link ช่วยให้คุณสามารถสร้างชุดข้อมูลที่เชื่อมโยงไปยังข้อมูลที่มีอยู่ใน workfiles อื่นหรือเวิร์คเพจเพจ Links ช่วยให้คุณสามารถรวมข้อมูลที่ความถี่ต่างๆหรือจับคู่ข้อมูลจากหน้าสรุปลงในแต่ละหน้าได้ ข้อมูลที่ได้รับการปรับปรุงแบบไดนามิกเมื่อมีการเปลี่ยนแปลงข้อมูลพื้นฐานในทำนองเดียวกันภายใน workfile สามารถกำหนดสูตรให้กับชุดข้อมูลเพื่อให้ชุดข้อมูลมีการคำนวณใหม่โดยอัตโนมัติเมื่อมีการแก้ไขข้อมูลต้นแบบป้ายราคาเช่น High, Med, Low, ที่สอดคล้องกัน สามารถนำมาประยุกต์ใช้กับชุดตัวเลขหรือชุดข้อมูลอัลฟ่าเพื่อให้ข้อมูลหมวดหมู่สามารถแสดงผลได้พร้อมกับป้ายข้อความที่มีความหมายฟังก์ชันในตัวช่วยให้คุณสามารถทำงานกับค่าพื้นฐานหรือค่าที่แมปเมื่อทำการคำนวณได้ การแปลงความถี่หรือการจับคู่การจับคู่โครงสร้างข้อมูลและ Types. EViews สามารถจัดการโครงสร้างข้อมูลที่ซับซ้อนรวมถึงข้อมูลวันที่ปกติและไม่สม่ำเสมอข้อมูลข้ามส่วนที่มีผู้สังเกต ตัวระบุ vation และข้อมูลแผงวันที่และระบุไว้นอกจากข้อมูลที่เป็นตัวเลข work work ของ EViews ยังสามารถมีข้อมูลสตริงตัวอักษรและตัวเลขและชุดข้อมูลที่มีวันที่ทั้งหมดซึ่งอาจถูกจัดการโดยใช้ไลบรารีที่กว้างขวางของ functions. EViews ยังให้ความกว้าง ช่วงของเครื่องมือสำหรับการทำงานกับ workfiles ชุดข้อมูลข้อมูลรวมถึงความสามารถในการรวมชุดโดยเกณฑ์การผสานรวมที่ซับซ้อนและขั้นตอนการทำงานสำหรับการเปลี่ยนแปลงโครงสร้างข้อมูลของคุณเข้าร่วมผนวกเซตย่อยปรับขนาดจัดเรียงและก่อร่างใหม่กองและ unstack. Eviews workfiles สามารถ ได้รับการสนับสนุนอย่างเต็มที่สำหรับ ODBC, FAME TM DRIBASE และ Haver Analytics ฐานข้อมูลส่วนหนึ่งของ EViews Enterprise Edition เป็นตัวเลือกต้นทุนที่สูงกว่า EViews Standard Edition สนับสนุนการเข้าถึงข้อมูลที่มีอยู่ในฐานข้อมูลเชิงสัมพันธ์ผ่านทางโปรแกรมควบคุม ODBC และ ไปยังฐานข้อมูลในหลายรูปแบบที่เป็นกรรมสิทธิ์ที่ใช้โดยข้อมูลเชิงพาณิชย์และผู้ขายฐานข้อมูลเปิดการเชื่อมต่อฐานข้อมูล ODBC เป็น su มาตรฐาน pended โดยระบบฐานข้อมูลเชิงสัมพันธ์จำนวนมากรวมทั้ง Oracle, Microsoft SQL Server และ IBM DB2 EViews ช่วยให้คุณสามารถอ่านหรือเขียนตารางทั้งหมดจากฐานข้อมูล ODBC หรือเพื่อสร้าง workfile ใหม่จากผลการสืบค้น SQL นอกจากนี้ Enterprise Edition ยังสนับสนุนการเข้าถึง FAME ฐานข้อมูลรูปแบบ TM ทั้งฐานข้อมูล DRIPro และ DRIBase ของ Global Insight และฐานข้อมูลของเซิร์ฟเวอร์ทั่วโลกฐานข้อมูล Haver Analytics DLX Datastream FactSet และ Moody s อินเตอร์เฟซฐานข้อมูล EViews คุ้นเคยและง่ายต่อการใช้งานได้รับการขยายไปสู่รูปแบบข้อมูลเหล่านี้แล้ว ทำงานกับฐานข้อมูลต่างประเทศได้อย่างง่ายดายเช่นเดียวกับฐานข้อมูล EViews ดั้งเดิมการแปลงความถี่เมื่อคุณนำเข้าข้อมูลจากฐานข้อมูลหรือจากหน้า Workfile หรือ Workfile อื่น ๆ จะถูกแปลงเป็นความถี่ของโครงการปัจจุบันของคุณโดยอัตโนมัติอีแวลวิวมีตัวเลือกมากมายสำหรับการแปลงความถี่และ รวมถึงการสนับสนุนการแปลงข้อมูลรายวันรายสัปดาห์หรือข้อมูลความถี่ที่ไม่สม่ำเสมออาจมีการกำหนดรูปแบบ Conversion ที่ต้องการซึ่งจะช่วยให้คุณสามารถใช้ dif ferent สำหรับชุดข้อมูลต่างๆโดยไม่ต้องระบุวิธีการแปลงทุกครั้งที่มีการเข้าถึงชุดข้อมูลนอกจากนี้คุณยังสามารถสร้างลิงก์เพื่อให้ชุดข้อมูลที่แปลงข้อมูลเป็นข้อมูลใหม่จะถูกคำนวณใหม่โดยอัตโนมัติเมื่อมีการแก้ไขข้อมูลต้นแบบระบุตัวแปลงอัตโนมัติเฉพาะชุดหรือเลือก วิธีการที่เฉพาะเจาะจงสำหรับข้อมูลการขายโปรดอีเมลสำหรับการสนับสนุนทางเทคนิคกรุณาอีเมล์กรุณาใส่หมายเลขซีเรียลของคุณที่มีการติดต่อทางอีเมลทั้งหมดสำหรับข้อมูลการติดต่อเพิ่มเติมโปรดดูที่หน้าเกี่ยวกับของเรา