यह पता लगाने के लिए मुश्किल हो सकता है, लेकिन मैं पढ़ना चाहते हैं एक अच्छी तरह से समझाया ARIMA उदाहरण है कि
न्यूनतम गणित का उपयोग करता है
विशिष्ट मामलों का पूर्वानुमान करने के लिए उस मॉडल का उपयोग करके एक मॉडल बनाने से परे चर्चा का विस्तार करता है
पूर्वानुमान और वास्तविक मूल्यों के बीच फिट होने के लिए ग्राफिक्स के साथ-साथ संख्यात्मक परिणामों का उपयोग करता है।
जवाबों:
मेरा सुझाव ARIMA मॉडलिंग के लिए एक परिचय के लिए पढ़ना होगा
आर मैक्लेरी द्वारा सामाजिक विज्ञान 1980 के लिए एप्लाइड टाइम सीरीज विश्लेषण ; रा हा; ईई मेइिंगर; डी मैकडॉवल
यह सामाजिक वैज्ञानिकों के उद्देश्य से है, इसलिए गणितीय मांगें बहुत कठोर नहीं हैं। छोटे उपचारों के लिए भी मैं दो सेज ग्रीन बुक्स का सुझाव दूंगा (हालाँकि वे पूरी तरह से मैकक्लेरी पुस्तक के साथ बेमानी हैं),
ओस्ट्रॉम पाठ केवल एआरएमए मॉडलिंग है और पूर्वानुमान की चर्चा नहीं करता है। मुझे नहीं लगता कि वे पूर्वानुमान त्रुटि के लिए आपकी आवश्यकता को पूरा करेंगे। मुझे यकीन है कि आप इस मंच पर समय-श्रृंखला के साथ टैग किए गए प्रश्नों की जांच करके अधिक उपयोगी संसाधनों को खोद सकते हैं।
मैं कोशिश करूंगा कि व्हीबर के कोमल आग्रह का जवाब केवल "सवाल का जवाब" दूं और विषय पर बना रहूं। हमें "द एयरलाइन लाइन" नामक श्रृंखला की 144 मासिक रीडिंग दी गई हैं। बॉक्स और जेनकिन्स की व्यापक रूप से एक पूर्वानुमान प्रदान करने के लिए आलोचना की गई थी जो एक रिवर्स लॉग ट्रांसफ़ॉर्म के "विस्फोटक प्रकृति" के कारण उच्च पक्ष पर बेतहाशा था।
दृष्टिगत रूप से हमें यह आभास होता है कि मूल श्रृंखला का विचलन श्रृंखला के स्तर के साथ बढ़ जाता है, जो एक परिवर्तन की आवश्यकता का सुझाव देता है। हालाँकि हम जानते हैं कि एक उपयोगी मॉडल के लिए एक आवश्यकता यह है कि "मॉडल की त्रुटियों" का विचरण समरूप होना चाहिए। मूल श्रृंखला के विचरण के बारे में कोई धारणा आवश्यक नहीं है। वे समान हैं यदि मॉडल बस एक स्थिर यानी y (t) = u है। जैसा कि /stats//users/2392/probabilityislogic ने इतनी स्पष्टता के साथ अपनी प्रतिक्रिया में स्पष्टता / विषमता की व्याख्या करने पर अपनी प्रतिक्रिया के रूप में कहा "एक बात जो मुझे हमेशा अच्छी लगती है, वह है" यह "डेटा की गैर-सामान्यता" है जिससे लोगों को चिंता होती है के बारे में। डेटा को सामान्य रूप से वितरित करने की आवश्यकता नहीं होती है, लेकिन त्रुटि शब्द "करता है"
समय श्रृंखला में प्रारंभिक कार्य अक्सर अनजाने में हुए परिवर्तनों के बारे में गलत तरीके से निष्कर्ष निकाला जाता है। हम यहां जानेंगे कि इस डेटा के लिए उपचारात्मक परिवर्तन को ARIMA मॉडल में केवल तीन असामान्य डेटा बिंदुओं के समायोजन को दर्शाते हुए तीन संकेतक डमी श्रृंखला को जोड़ना है। निम्नलिखित आटोक्लेररेशन फंक्शन का प्लॉट लैग 12 (.76) और लैग 1 (.948) में एक मजबूत ऑटोकैरेलेशन का सुझाव देता है। Autocorrelations बस एक मॉडल में प्रतिगमन गुणांक हैं जहां y आश्रित चर है जिसका पूर्वानुमान l की y द्वारा लगाया जा रहा है।
! 
ऊपर दिए गए विश्लेषण से पता चलता है कि एक श्रृंखला के पहले अंतर को मॉडल करता है और अध्ययन करता है कि "अवशिष्ट श्रृंखला" जो गुणों के लिए पहले अंतर के समान है।
यह विश्लेषण इस विचार को पुन: पुष्टि करता है कि डेटा में एक मजबूत मौसमी पैटर्न मौजूद है जिसे दो अलग-अलग संचालकों वाले मॉडल द्वारा रीमेड या मॉडल किया जा सकता है।
यह साधारण डबल विभेदक अवशिष्ट उर्फ का एक सेट एक समायोजित श्रृंखला या शिथिल रूप से परिवर्तित श्रृंखला बोलता है जो गैर-निरंतर विचरण का प्रमाण देता है, लेकिन गैर-स्थिर विचरण का कारण अवशिष्ट का गैर-स्थिर साधन है। यह एक भूखंड है। श्रृंखला के अंत में तीन विसंगतियों का सुझाव देते हुए दोहरी रूप से भिन्न श्रृंखला। इस श्रृंखला का स्वतःसंवाद यह दर्शाता है कि "सब ठीक है" और किसी भी मा (1) समायोजन की आवश्यकता हो सकती है। देखभाल की जानी चाहिए क्योंकि डेटा में विसंगतियों का एक सुझाव है इस प्रकार acf नीचे की ओर पक्षपाती है। इसे "ऐलिस इन वंडरलैंड इफ़ेक्ट" के रूप में जाना जाता है अर्थात बिना किसी स्पष्ट संरचना के अशक्त परिकल्पना को स्वीकार करना जब उस संरचना को मान्यताओं में से एक के उल्लंघन से ढाला जा रहा हो।
हम नेत्रहीन तीन असामान्य बिंदुओं का पता लगाते हैं (117,135,136)
आउटलेर्स का पता लगाने के इस चरण को इंटरवेंशन डिटेक्शन कहा जाता है और इसे आसानी से, या इतनी आसानी से नहीं किया जा सकता है, यह त्से के काम के बाद क्रमादेशित है।
यदि हम मॉडल में तीन संकेतक जोड़ते हैं, तो हम प्राप्त करते हैं
फिर हम अनुमान लगा सकते हैं
और अवशिष्टों और अखाड़ों का एक भूखंड प्राप्त करते हैं
यह acf बताता है कि हम मॉडल में संभावित रूप से दो चलती औसत गुणांक जोड़ते हैं। इस प्रकार अगला अनुमानित मॉडल हो सकता है।
उपज
एक तो गैर-महत्वपूर्ण स्थिरांक को हटा सकता है और एक परिष्कृत मॉडल प्राप्त कर सकता है:
हम ध्यान दें कि निरंतर विचरण करने वाले अवशिष्टों का एक सेट प्राप्त करने के लिए किसी भी बिजली के परिवर्तनों की आवश्यकता नहीं थी। ध्यान दें कि पूर्वानुमान गैर-विस्फोटक हैं।
एक साधारण भारित राशि के संदर्भ में, हमारे पास: 13 वज़न; 3 गैर-शून्य और इसके बराबर (1.0.1,0।, - 1.0)
यह सामग्री एक तरह से प्रस्तुत की गई थी जो मॉडलिंग निर्णय लेने के मामले में गैर-स्वचालित और परिणामस्वरूप आवश्यक उपयोगकर्ता सहभागिता थी।
मैंने अपनी 1998 की पाठ्यपुस्तक के अध्याय 7 में मकारिदकिस और व्हील राइट के साथ ऐसा करने की कोशिश की । मैं सफल हुआ या नहीं, मैं दूसरों को न्याय करने के लिए छोड़ दूँगा। आप कुछ अध्याय ऑनलाइन अमेज़न (p311 से) के माध्यम से पढ़ सकते हैं । अमेज़ॅन को प्रासंगिक पृष्ठ दिखाने के लिए राजी करने के लिए पुस्तक में "ARIMA" खोजें।
अद्यतन: मेरे पास एक नई पुस्तक है जो मुफ़्त और ऑनलाइन है। ARIMA अध्याय यहाँ है ।
मैं यूनीवार्केट बॉक्स के साथ पूर्वानुमान की सिफारिश करूंगा - जेनकिंस मॉडल: अवधारणाओं और मामलों एलन पैंक्रात्ज़ द्वारा। इस क्लासिक पुस्तक में वे सभी विशेषताएं हैं जो आपने मांगी थीं:
एकमात्र नुकसान यह है कि यह 1983 में छपा था और इसमें हाल के कुछ घटनाक्रम नहीं हो सकते हैं। प्रकाशक जनवरी 2014 में अपडेट के साथ 2 संस्करण के साथ आ रहा है।
एक ARIMA मॉडल केवल एक भारित औसत है। यह दोहरे प्रश्न का उत्तर देता है;
तथा
यह श्रृंखला को प्रोजेक्ट करने के लिए पिछले मूल्यों (और पिछले मूल्यों ALONE) को समायोजित करने के तरीके को निर्धारित करने के लिए युवती की प्रार्थना का जवाब देता है (जो वास्तव में अनिर्दिष्ट कारण चर के कारण होता है) इस प्रकार एक ARIMA मॉडल एक गरीब आदमी का कारण मॉडल है।