Gleitender Mittelstand

Stationäre autoregressive (AR) Prozesse stationäre autoregressive (AR) Prozesse haben theoretische Autokorrelationsfunktionen (ACFs), die auf Null abfallen, anstatt abzuschalten Null. Die Autokorrelationskoeffizienten können sich häufig im Zeichen abwechseln oder ein wellenförmiges Muster zeigen, aber in allen Fällen schwenken sie gegen Null. Im Gegensatz dazu haben AR-Prozesse mit der Ordnung p theoretische partielle Autokorrelationsfunktionen (PACF), die nach der Verzögerung p auf Null abschneiden. (Die Verzögerungslänge des endgültigen PACF-Spikes entspricht der AR-Ordnung des Prozesses, p.) Gleitender Durchschnitt (MA) - Prozeß Die theoretischen ACFs von MA - Des Prozesses. Allerdings zerfallen ihre theoretischen PACFs gegen Null. Stationäre gemischte (ARMA) Verfahren Stationäre gemischte (ARMA) Prozesse zeigen eine Mischung aus AR - und MA-Charakteristiken. Sowohl das theoretische ACF als auch das PACF schwanken in Richtung Null. Copyright 2016 Minitab Inc. Alle Rechte vorbehalten. Ich weiß nicht, was nicht-stationäre begrenzte Daten bedeutet. Ich nehme an, Sie bedeuten nicht-stationäre Daten. Exponentielle Glättungsverfahren einschließlich Holt-Winters-Verfahren sind für (einige Arten von) nichtstationären Daten geeignet. Tatsächlich sind sie nur dann geeignet, wenn die Daten nicht stationär sind. Die Verwendung einer exponentiellen Glättungsmethode bei stationären Daten ist nicht falsch, sondern suboptimal. Wenn Sie durch gleitende Mittelwerte die Prognose mit einem gleitenden Durchschnitt der letzten Beobachtungen prognostizieren, dann ist das auch für einige Arten von nichtstationären Daten in Ordnung. Aber es funktioniert offensichtlich nicht gut mit Trends oder Saisonalität. Wenn Sie mit gleitenden Mittelwerten ein gleitendes Durchschnittsmodell (d. h. ein Modell, das aus einer linearen Kombination von vergangenen Fehlertermen besteht), dann benötigen Sie eine stationäre Zeitreihe. Stationarität bezieht sich auf Gleichförmigkeit in den Eigenschaften der Daten. Wenn Sie wissen, dass die Daten nicht stationär sind, bedeutet dies, dass die nützlichen Eigenschaften der Daten nicht für die gesamte Serie als gleich angenommen werden können. Unter einer solchen Annahme, warum wollen Sie den gleichen Filter oder Modell auf die gesamte Serie anwenden Mein Vorschlag ist es, für Eigenschaften, die gleich bleiben für eine Strecke von Daten und dann ändert sich aber wieder bleibt das gleiche für eine weitere Strecke. Dann suchen Sie nach einem Kriterium für den Übergang zwischen den beiden verschiedenen Strecken von Daten. Alternativ suchen Sie nach lokal stationären Serien. Auch wenn Glättung ist, was Sie wollen, dann würde ich vorschlagen, einige nicht-parametrische Glättung Methoden wie Kernel Glättung. Nach dem ersten Kommentar bearbeiten: Wenn Sie die genaue Form der Nichtstationarität kennen oder ein funktionelles Formular an die Serie anpassen können, verwenden Sie die Eigenschaften des Formulars für Ihre Vorhersage. Diese Antwort ist sehr irreführend. Es gibt sehr vorhersagbare nicht-stationäre Serien, weil die Ursache der Nicht-Stationarität aus dem deterministischen Teil kommen kann. Was zählt, ist die Macht der deterministischen Komponente auf die Macht der stochastischen Komponente im Ganzen. Zum Beispiel kann yt e Gaußscher Fehler sehr leicht gefiltert werden, obwohl die Reihe durch jede Definition explodiert und nicht stationär ist. Ndash Cagdas Ozgenc Ihre Antwort 2017 Stack Exchange, IncBesuchen Sie die unendliche Reihenfolge MA Prozess von ytepsilonta (epsilon epsilon.) Definiert, wobei a ist eine Konstante und die epsilonts sind i. i.d. N (0, v) Zufallsvariable. Was ist der beste Weg, um zu zeigen, dass yt nichtstationär ist Ich weiß, dass ich auf die charakteristischen Wurzeln der Merkmale Polynom und dann beurteilen müssen, ob sie außerhalb des Einheitskreises sind, aber was ist der beste Weg, um dieses Problem zu nähern Sollte ich versuchen, umschreiben die unendliche Bestellung MA Prozess als eine endliche Ordnung AR Prozess oder ist es einfacher, die MA-Prozess gefragt am 19. Oktober um 21:11 zu arbeiten