En analysant des chaînes de prédiction raisonnables, il est nécessaire de maîtriser la tendance à l'avenir, Fournir une installation pour prendre des décisions commerciales, il s'agit également d'une prémisse de décisions scientifiques. Analyse des séries chronologiques:

La série chronologique est un ensemble de chaînes de données triés dans l'ordre chronologique.

L'analyse des séries du temps consiste à explorer les modifications de ce groupe de données et être utilisée pour les techniques statistiques à prédire.

Outil d'analyse

SPSS (application d'analyse de données lourds, SELECT SAS 2 1)

Bardage de la réalité: les données futures sont prédites à travers l'historique Les données, qui sont la pratique la plus simple, Jade introduit des carreaux et cette méthode similaire quelles que soient les données complexes.

Si la quantité mensuelle de vente connue, les ventes futures ont été prédites.

Analyse des séries du temps

L'analyse du retardateur a

trois caractéristiques de base En supposant que la tendance commerciale de la transaction s'étendra à l'avenir basé sur une prédiction inhabituelle

ne pas prendre en compte la cause de la cause

Les chaînes ne doivent pas contenir quatre éléments faibles, tels que les versets de l'année, ne peuvent pas contenir d'éléments saisonniers.
Quatre facteurs ont souvent deux combinaisons:

Quatre facteurs indépendants de l'autre, la séquence intégrée est de quatre éléments placés directement, des modèles Tonic disponibles:

y = T + S + C + I

Quatre facteurs s'affectent mutuellement. La séquence submersible est le résultat de quatre facteurs intégrés ensemble. Les modèles de multiplication peuvent être représentés par: Y = T * S * C * I
Dans lesquels les séries chronologiques originales et les tendances à long terme peuvent indiquer par des nombres absolus; Modifier les fluctuations de manière saisonnière, cycliques, variationsTous peuvent être représentés par des nombres relatifs (fluctuations).

Deuxièmement, la décomposition saisonnière
Lorsque nous prédisons une série de temps, il est nécessaire d'être considéré comme décomposer quatre facteurs d'une série de temps.

Pourquoi devons-il séparer ces quatre facteurs?

Après la décomposition, il peut surmonter d'autres facteurs qui considèrent que les effets des éléments en fonction de l'ordre chronologique.

Après la décomposition, l'interaction entre eux peut également être analysée, ainsi qu'un impact complet sur la série chronologique.

Lorsque ces éléments peuvent être supprimés, il peut effectuer une meilleure comparaison entre la série chronologique, reflétant ainsi de manière plus objective des lois qui changent dans les choses.

Après décomposition, la séquence peut être utilisée pour définir un modèle de régression, augmentant ainsi la précision prédictive.

Avez-vous une série de séries tout le temps pour séparer ces quatre facteurs?

En général, nous envisageons de décomposer des facteurs saisonniers, ce qui signifie que l'éliminationLes variantes saisonnières de la séquence de temps d'origine et de la séquence incluent les trois éléments restants pour répondre aux exigences d'analyse suivantes.

Pourquoi la décomposition des facteurs saisonniers est-elle juste?
La tendance à long terme dans
La tendance à long terme en série de temps reflète le développement des choses. Qui fait l'objet de recherches majeures;
En raison de longues périodes de cycles, il peut être considéré comme une tendance à long terme;

Les changements malheureux sont facilement mesurés, souvent non analysés séparément.
Les changements de saison créent parfois des modèles anticipés pour mal comprendre les changements inégaux, réduisant ainsi la précision prédite du modèle

, lorsqu'une série de temps avec des changements saisonniers de valeurs prédictives, des éléments saisonniers premier décomposer.

Détermination de la variable du marqueur de date: Il est temps de déterminer le temps de la chaîne pour analyser les caractéristiques de l'heure.
Comprendre la tendance au développement de la séquence: c'est-à-dire la séquence, les fractionsA identifie ou additifs
pour effectuer une séparation d'élément saisonnier
Résultats de l'analyse

1. Identifiez les variables de la date de signature

Les caractéristiques de la série chronologique sont que les données sont triées en fonction de l'ordre des points de temps. SPSS doit donc connaître la définition de temps de la chaîne, puis l'intégration des selles peut être analysée pour des fonctionnalités de temps.





Sélectionnez dans le format des données source et entrez la valeur spécifique du premier cas.

Trois nouvelles variables créées dans le fichier source.

2, compris la tendance au développement

Après avoir terminé la définition des variables de jour marquées, vous devez connaître la tendance de changement de la série chronologique, choisissez facilement le bon modèle. C'est-à-dire que le diagramme de séquence est passé. La figure est multipliée ou additive.



La variable est "Données de vente", la carte d'axe de l'heure est "jour", ce qui signifie notre heure personnalisée.

Diagramme de la séquence de vente de données

Comment identifier la multiplication ou les additifs du modèle en fonction du diagramme de séquence?

Si la chaîne de fluctuations saisonnières est plus grande, le modèle humain. Si la chaîne variable de séquence peut être considérablement continue, des modèles supplémentaires sont recommandés.

Cet exemple est clair: lorsque le temps change, les fluctuations saisonnières des données de vente deviennent plus grandes et plus précises.

3, décompose des facteurs saisonniers


Les variables sont des "données de vente" et selon le diagramme de séquence, nous savons que le modèle de calendrier est multiplié.

Conseils Vous allez créer quatre variables

ERR (Erreur de sujet):
À partir de la série TIME, la séquence restante après une longue La tendance de -term et les modifications de cyclisme sont une volatilité irrégulière dans la séquence d'origine.

SAS (Séquence d'édition de coefficient saisonnière): est la séquence d'édition après avoir retiré des éléments saisonniers dans la soumissionAuto original. SAF (facteur saisonnier):

est un élément saisonnier séparé de la séquence. La valeur variable est répétée en fonction du changement du cycle de saison. Si le cycle de la saison dans cet exemple est de 12 mois, ces facteurs saisonniers n'ont pas été répétés une fois.

STC (la tendance change dans un cycle à long terme et cyclique):
Il s'agit d'une chaîne qui inclut les tendances à long terme et les fluctuations cycliques de la séquence d'origine.

Comme indiqué sur l'image, le cycle est de 12 mois et le coefficient saisonnier est le cycle de 12 mois.

Quelle est la différence entre les chaînes et les séquences d'origine après avoir terminé des éléments saisonniers?

L'ordre principal et trois séquences de la saison (la séquence d'erreur, la séquence du coefficient saisonnier, la séquence de variation de l'allumage à long terme et la séquence de variation cyclique) sont comparées par la direction Wake Up Retriever.

pour effectuer quatre diagrammes de séquence, il y aura quatre variables:
Ordre d'origine
: Utilisez le variable "données de vente";

Erreur de commande

: Utilisez la variable" ERR ";

Facteur saisonnier CATEN Utilisez la variable" SAS "

la séquence de couteaux à long terme et tendances cycliques : Utilisez la variable "STC"
Ligne bleue: Séquence d'origine
Lignes violettes: Chaîne à long terme et modification de la chaîne Période de changement Brun clair: Éléments saisonniers Sugar vert: chaîne d'erreur (changement inhabituel)

La valeur d'une très petite chaîne d'erreur, de trop longue, de la chaîne à long terme de la tendance et de la chaîne cyclique (tendance à long terme + changements de boucle) Ajuster Facteurs saisonniers (tendances à long terme + variations cycliques + changements irréguliers, c'est-à-dire une erreur) peut correspondre significative

. facteur saisonnier ", alors seulement une variable" élément saisonnier faible "

Nous voyons: La période de facteurs saisonniers est de 12 mois, a d'abord diminué, puis augmente au premier sommet après un peu de déclin, il y a une tendance digneFaites et atteignez le sommet jusqu'au septième mois, puis le mois dernier récupéré, puis entré le deuxième cycle. En séparant la partie de la séquence d'origine, nous devrions maîtriser les caractéristiques de l'heure dans la séquence d'origine, de sorte que le modèle approprié soit prédit.

Méthode de modélisation d'experts Prévision de l'étape de série de quatre étapes:

Dessinez un diagramme de direction selon la séquence Tendances de l'observation
Papeterie Analyse de la chaîne et performances de stabilité

Analyse des modèles de séquence de temps

Évaluation et prévision de modèles

Le jeûne fait principalement référence à tout le caractère statistique de la série du temps ne changera pas au fil du temps.

Pour une série de chronologie lisse, la fonction suivante est fournie:
Pour que certaines et la variance ne change pas au fil du temps
Indicateur d'indicateur concernant la période de temps, avec une heure non liée

Auto-facteurLe politique est différent dans la séquence d'étude. Les numéros de corrélation de la scène sont également une série de facteurs connexes pour les étapes de décalage actuelles et différentes.
Méthode - Différence.

La différence est la différence entre les deux données adjacentes dans la chaîne.

Un différentiel = YT-YT-1
Différence de différence = (YT-YT-1) - (YT-1-YT-2)

Le processus d'opération Stabilité spécifique aura une Méthode de modélisation d'experts pour manipuler automatiquement et nous devons simplement chanter quelques étapes en fonction des résultats du modèle.

Pour analyser toutes les variables, "Les données de vente" sont sélectionnées.

"Modelor Expert" - "Conditions", testant "Expert hypothétique en considérant des modèles saisonniers".

Vérifiez "Valeur prédictive" pour créer une valeur prédictive et enregistrer le modèle.






Le tableau affiche la série chronologique optimale et ses paramètres, Dispositif de têteExtrémité de la plus étonnante t u arima (0, 1, 1) (0, 1, 1)
Auto-régression Moyenne Modèle Modèle ARIMA (P, D, Q) (P, D, Q )
P: Délai de phase de phase p après la séquence après des changements saisonniers, généralement 0 ou 1, supérieur à 1, très petit;

D: La séquence après les modifications saisonnières est divisée en différences de classe D, généralement la valeur est 0, 1 ou 2;

Q: la séquence après avoir retiré les changements saisonniers et la moyenne M MOWER Q Times, vaut généralement 0 ou 1, dépassant rarement 2;

P, D, Q montre les séquences contenant des changements saisonniers, respectivement.

Par conséquent, cet exemple peut être interprété comme une série de modifications et de séquences séquentielles contenant des variantes saisonnières et une moyenne mobile, et d'intégrer deux modèles. Modèle de chronologie.

La table a été évaluée principalement en R-ortest ou lisse R, et lorsque de nombreux modèles ont été comparés lorsque de nombreuses statistiques de modèle trouvent le modèle optimal.

Parce que la variable initiale a un élément de changement saisonnier, une partie lisse a un sens de référence, égal à 32,1% et l'effet approprié est général.

Le tableau fournit davantage de statistiques pouvant être utilisées pour évaluer les effets appropriés du modèle de série chronologique. Bien que Smooth R ne soit que 32,1%, "Yang-blog Q (18)" significativement p = 0,706, supérieur à 0,05 (p & gt; 0,05 est le résultat attente), alors acceptez l'hypothèse d'origine, considérée comme étant prise en compte. Le résidu restant de cette séquence pour répondre à une distribution aléatoire, ainsi que l'apparition du groupe et reflète également que l'effet approprié des données est également accepté. Au cours de la prochaine année, cela peut être saisi manuellement. Il s'agit d'une tendance des ventes l'année prochaine. Si vous souhaitez observer la tendance prédite à partir de l'ensemble du jeu, vous pouvez connecter la tendance et les données précédentes .] La variable à ce stade doit être "le numéro de vente d'origine" et "le nombre de ventes prédictives" 2016. ] peuvent également afficher des valeurs spécifiques dans le tableau: .