Y( t ) = [ θ / ϕ ] [ A ( t ) + IO ( t ) ]Y*( t ) = [ θ / ϕ ] [ A ( t ) ] + [ θ / ϕ ] [ IO ( t ) ]
θ = 1ϕ = [ 1 - .5 B ]
Y*( t ) = [ 1 / ( 1 - .5 B ) ] [ A ( t ) ]
+ IO ( t ) - .5 ⋅ IO ( t - 1 ) + .25 ⋅ IO ( t - 2 ) - .125 ⋅ IO ( t - 3 ) - ….
Y∗( t ) = [ 1 / ( 1 - .5 B ) ] [ A ( t ) ]
+ 10 ⋅ IO ( t ) - 5 ⋅ IO ( t - 1 ) + 2,5 ⋅ IO ( t - 2 ) - 1,25 ⋅ IO ( t - 3 ) - ….
IO
W ten sposób możesz zobaczyć, że wpływ anomalii jest nie tylko natychmiastowy, ale ma pamięć.
t
[ w ( b ) / d( b ) ][ w ( b ) ]
Za każdym razem, gdy włączasz pamięć, wynikającą z różnicowania operatora lub struktury ARMA, jest to milczące przyznanie się do niewiedzy z powodu pominiętej serii przyczynowej. Dotyczy to również potrzeby uwzględnienia szeregów deterministycznych interwencji, takich jak impulsy / przesunięcia poziomów, impulsy sezonowe lub lokalne trendy czasowe. Te zmienne fikcyjne są potrzebnym proxy dla pominiętych deterministycznych zmiennych przyczynowych określonych przez użytkownika. Często wszystko, co masz, to seria zainteresowań, a biorąc pod uwagę określone przeze mnie kwalifikatory, możesz prognozować przyszłość na podstawie przeszłości, całkowicie ignorując dokładnie naturę analizowanych danych. Jedynym problemem jest to, że używasz tylnej szyby do przewidywania drogi przed sobą ... to naprawdę niebezpieczna rzecz.
po opublikowaniu danych ...
Rozsądnym modelem jest (1,1,0), a anomalie AO zidentyfikowano w okresach 39, 41, 37, 21 i 69 (nie w okresie 48). Resztki z tego modelu wydają się być wolne od wyraźnej struktury. AND Fice AO ceni optymalną reprezentację aktywności odzwierciedloną przez aktywność poza historią szeregów czasowych. Sądzę, że ACF z nadmiernie zróżnicowanego modelu PO odzwierciedlałoby nieadekwatność modelu. Oto model. Ponownie nie dostarczono kodu R, ponieważ problem lub szansa dotyczy identyfikacji / weryfikacji / weryfikacji modelu. Wreszcie wykres aktualnej / dopasowanej i prognozowanej serii.! [Wprowadź opis zdjęcia tutaj] [6]