고정 시계열 모델의 식별 방법 및 아이디어

고정 시계열은 중요한 시계열입니다. 이 시계열에 대해 매우 성숙한 부드러운 시퀀스 모델링 방법이 있습니다. 평평하지 않은 시퀀스의 경우 차이, 결정 요소 추출 등을 통해 부드러운 시퀀스로 변환한 다음 부드러운 시퀀스 모델링 방법을 사용하여 모델링할 수 있습니다.

실제로 샘플 데이터의 부족으로 인해 샘플 데이터에서 샘플을 생성하는 실제 임의 프로세스를 찾을 수 없습니다. 이론적 연구에 따르면 모든 부드러운 시계열은 ARMA 프로세스 (AR 프로세스, MA 프로세스 및 혼합 프로세스 포함) 로 대략적으로 표현할 수 있으며 ARMA 모델을 사용하여 시퀀스를 정확하게 예측할 수 있습니다. Box-Jenkins 모델링 방법은 부드러운 시계열을 분석하고, ARMA 모델을 구축하고, 예측하는 방법에 관한 것이며, 현재 비교적 유행하는 모델링 방법입니다. 모델링 프로세스는 기본적으로 다음 세 단계로 나눌 수 있습니다.

1) 모델 인식: 시계열의 특성을 조사하고, 모델 식별을 수행하고, AR(3), ARMA (2,2) 와 같은 가치 있는 모델 하위 클래스를 간단한 매개변수로 식별합니다.

2) 매개변수 추정 및 진단 검사: 식별된 모델 하위 클래스에 대한 데이터 맞춤 및 매개변수 추정 적절한 조건에서 샘플 데이터를 사용하여 모형 매개변수를 효과적으로 추론하고 추정하며 모형을 진단하고 검사합니다. 맞춤 모형과 데이터 사이의 관계를 검사하여 모형의 부적절함을 표시하여 모형을 개선합니다. 모형 인식, 매개변수 추정 및 진단 테스트는 적절한 모형 표현식을 찾을 수 있는 연속 주기 및 개선 프로세스입니다.

3) 예측: 맞춤된 시계열 모델을 사용하여 시퀀스의 다른 통계 특성이나 예측 시퀀스의 향후 발전을 추론합니다. 일반적으로 모델링에 사용되는 관찰 수는 최소 50 개 이상이어야 하며 100 개 이상이 가장 좋습니다. 50 개 이상의 과거 관찰을 얻을 수 없는 경우 (예: 신제품의 수요를 예측하는 경우) 경험이나 유사 제품의 역사적 수요 정보를 활용하여 초기 모델을 얻을 수 있습니다. 더 많은 데이터를 얻을 때 언제든지 모형을 업데이트할 수 있습니다.