Apakah Pergerakan Bergerak Bersepadu Autoregressive?
Rata-rata bergerak bersepadu autoregressive, atau ARIMA, adalah model analisis statistik yang menggunakan data siri masa sama ada untuk memahami dengan lebih baik set data atau untuk meramal trend masa depan.
Memahami Autoregressive Moving Average (ARIMA)
Model purata bergerak bersepadu autoregressive adalah satu bentuk analisis regresi yang mengukur kekuatan satu pembolehubah bergantung kepada pemboleh ubah yang berubah-ubah. Matlamat model adalah untuk meramalkan sekuriti masa depan atau langkah-langkah pasaran kewangan dengan memeriksa perbezaan antara nilai dalam siri dan bukannya melalui nilai sebenar.
Model ARIMA boleh difahami dengan menggariskan setiap komponennya seperti berikut:
- Autoregression (AR) merujuk kepada model yang menunjukkan perubahan yang berubah-ubah yang merosot dengan nilai tersendiri, atau sebelumnya. Terintegrasi (I) mewakili perbezaan pemerhatian mentah untuk membolehkan siri masa menjadi pegun, iaitu, nilai data digantikan oleh perbezaan antara nilai data dan nilai sebelumnya. Pergerakan purata (MA) menggabungkan kebergantungan antara pemerhatian dan ralat sisa dari model purata bergerak yang digunakan untuk pemerhatian yang tertinggal.
Setiap komponen berfungsi sebagai parameter dengan notasi standard. Untuk model ARIMA, notasi standard akan ARIMA dengan p, d, dan q, di mana nilai integer menggantikan parameter untuk menunjukkan jenis model ARIMA yang digunakan. Parameter boleh ditakrifkan sebagai:
- p : bilangan pemerhatian lag dalam model; juga dikenali sebagai susunan lag. d : berapa kali pemerhatian mentah dibedakan; juga dikenali sebagai ijazah differencing.q: saiz tetingkap purata bergerak; juga dikenali sebagai perintah purata bergerak.
Dalam model regresi linier, sebagai contoh, bilangan dan jenis istilah dimasukkan. Nilai 0, yang boleh digunakan sebagai parameter, bermakna komponen tertentu tidak boleh digunakan dalam model. Dengan cara ini, model ARIMA boleh dibina untuk melaksanakan fungsi model ARMA, atau model AR, I, atau MA yang mudah.
Autoregressive Moving Average dan Stationarity
Dalam model rata-rata bergerak bersepadu autoregressive, data dipisahkan untuk membuatnya bergerak. Model yang mempamerkan stesen adalah salah satu yang menunjukkan wujudnya data yang berterusan dari masa ke masa. Kebanyakan data ekonomi dan pasaran menunjukkan trend, jadi tujuan perbezaan adalah untuk menghapuskan apa-apa trend atau struktur bermusim.
Musim semasa, atau apabila data menunjukkan corak biasa dan boleh diramalkan yang mengulangi sepanjang tahun kalendar, boleh menjejaskan model regresi secara negatif. Jika trend muncul dan stesen tidak jelas, banyak perhitungan sepanjang proses tidak dapat dibuat dengan keberkesanan yang hebat.
