Vad är det autoregressiva integrerade glidande genomsnittet (ARIMA)?

ARIMA-modellen (Autoregressive Integrated Moving Average) använder tidsseriedata och statistisk analys för att tolka data och göra framtida förutsägelser. ARIMA-modellen syftar till att förklara data med hjälp av tidsseriedata om dess tidigare värden och använder linjär regression Multipel linjär regression Multipel linjär regression refererar till en statistisk teknik som används för att förutsäga resultatet av en beroende variabel baserat på värdet av oberoende variabler för att göra förutsägelser .

Autoregressivt integrerat glidande medelvärde (ARIMA)

Förstå ARIMA-modellen

Följande beskrivande akronym förklarar betydelsen av var och en av de viktigaste komponenterna i ARIMA-modellen:

  • AR ” i ARIMA står för autoregression , vilket indikerar att modellen använder det beroende sambandet mellan aktuell data och dess tidigare värden. Med andra ord visar det att uppgifterna regresseras på sina tidigare värden.
  • Jag ” står för integrerad , vilket innebär att data är stationära. Stationär data avser tidsseriedata som har gjorts "stationära" genom att subtrahera observationerna från de tidigare värdena.
  • MA ” står för glidande medelmodell, vilket indikerar att modellens prognos eller resultat beror linjärt på tidigare värden. Det betyder också att felen i prognoser är linjära funktioner för tidigare fel. Observera att modellerna för glidande medelvärde skiljer sig från statistiska glidande medelvärden.

Var och en av AR-, I- och MA-komponenterna ingår i modellen som en parameter Parameter A-parameter är en användbar komponent för statistisk analys. Det hänvisar till de egenskaper som används för att definiera en viss population. Det är van vid. Parametrarna tilldelas specifika heltalsvärden som anger typen av ARIMA-modell. En vanlig notering för ARIMA-parametrarna visas och förklaras nedan:

ARIMA ( p, d, q )

  • Parametern p är antalet autoregressiva termer eller antalet "lag-observationer". Det kallas också "fördröjningsordning" och det bestämmer resultatet av modellen genom att tillhandahålla eftersläpade datapunkter.
  • Parametern d är känd som graden av skillnad. det anger antalet gånger de eftersläpna indikatorerna har subtraherats för att göra datan stationär.
  • Parametern q är antalet prognosfel i modellen och kallas också storleken på fönstret för glidande medelvärde.

Parametrarna tar värdet av heltal och måste definieras för att modellen ska fungera. De kan också ta värdet 0, vilket innebär att de inte kommer att användas i modellen. På ett sådant sätt kan ARIMA-modellen förvandlas till:

  • ARMA-modell (inga stationära data, d = 0 )
  • AR-modell (inga glidande medelvärden eller stationära data, bara en autoregression på tidigare värden, d = 0, q = 0 )
  • MA-modell (en glidande medelmodell utan autoregression eller stationära data, p = 0, d = 0)

Därför kan ARIMA-modeller definieras som:

  • ARIMA (1, 0, 0) - känd som den första ordningens autoregressiva modell
  • ARIMA (0, 1, 0) - känd som slumpmässig gångmodell
  • ARIMA (1, 1, 0) - känd som den differentierade första ordningens autoregressiva modell , och så vidare.

När parametrarna ( p, d, q ) har definierats syftar ARIMA-modellen till att uppskatta koefficienterna α och θ , vilket är resultatet av att tidigare datapunkter används för att prognostisera värden.

Tillämpningar av ARIMA-modellen

I affärer och ekonomi kan ARIMA-modellen användas för att prognostisera framtida kvantiteter (eller till och med priser) baserat på historiska data. För att modellen ska vara tillförlitlig måste data därför vara tillförlitliga och måste visa en relativt lång tidsperiod under vilken den har samlats in. Några av tillämpningarna av ARIMA-modellen i näringslivet listas nedan:

  • Prognosera mängden av en vara som behövs för nästa tidsperiod baserat på historisk data.
  • Prognoser för försäljning och tolkning av säsongsförändringar i försäljningen
  • Uppskatta effekterna av marknadsföringshändelser AIDA-modellen AIDA-modellen, som står för Attention, Interest, Desire och Action, är en reklameffektmodell som identifierar de steg som en enskild, ny produkt lanserar och så vidare.

ARIMA-modeller kan skapas i dataanalys och datavetenskapsprogramvara som R och Python.

Begränsningar av ARIMA-modellen

Även om ARIMA-modeller kan vara mycket noggranna och tillförlitliga under lämpliga förhållanden och datatillgänglighet, är en av modellens nyckelbegränsningar att parametrarna ( p, d, q ) måste definieras manuellt; därför kan det vara en lång test-och-fel-process att hitta den mest exakta passformen.

På samma sätt beror modellen i hög grad på tillförlitligheten hos historiska data och skillnaden i data. Det är viktigt att se till att data samlas in korrekt och under en lång tidsperiod så att modellen ger korrekta resultat och prognoser.

Sammanfattning

ARIMA-modellen använder statistiska analyser i kombination med exakt samlade historiska datapunkter för att förutsäga framtida trender och affärsbehov. För företag kan den användas för att förutsäga säsongsförändringar i försäljningen, förutsäga det lager som behövs för nästa försäljningscykel och uppskatta effekterna av händelser och lanseringar av nya produkter.

ARIMA-modellen betecknas vanligtvis med parametrarna ( p, d, q ), som kan tilldelas olika värden för att modifiera modellen och tillämpa den på olika sätt. Några av modellens begränsningar är dess beroende av datainsamling och den manuella test-och-felprocess som krävs för att bestämma parametervärden som passar bäst.

Fler resurser

Finance erbjuder Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ Certification Certified Banking & Credit Analyst (CBCA) ™ ackreditering är en global standard för kreditanalytiker som täcker ekonomi, redovisning, kreditanalys, kassaflödesanalys, covenant modellering, lån återbetalningar och mer. certifieringsprogram för dem som vill ta sin karriär till nästa nivå. För att fortsätta lära dig och utveckla din karriär kommer följande resurser att vara till hjälp:

  • Justerad beta Justerad betajusterad beta tenderar att uppskatta ett säkerhets framtida beta. Det är en historisk beta justerad för att återspegla betaens tendens att vara medelåtervändande - CAPM: erna
  • Icke-samplingsfel Icke-samplingsfel Icke-samplingsfel avser ett fel som uppstår från resultatet av datainsamlingen, vilket får informationen att skilja sig från de sanna värdena. Det är annorlunda
  • Enkelt glidande medelvärde (SMA) Enkelt glidande medelvärde (SMA) Enkelt glidande medelvärde (SMA) avser aktiens genomsnittliga slutkurs över en viss period. Anledningen till att genomsnittet kallas "rörlig" är att beståndet
  • Tidsserie-dataanalys Tidsserie-dataanalys Tidsserie-dataanalys är analysen av datamängder som förändras över en tidsperiod. Tidsseriedataset registrerar observationer av samma variabel över olika tidpunkter. Finansanalytiker använder tidsseriedata som aktiekursrörelser eller ett företags försäljning över tiden

Rekommenderas

Stängdes Crackstreams ner?
2022
Är MC ledningscentral säker?
2022
Lämnar Taliesin en kritisk roll?
2022