Autoregressive integrated moving average
http://dbpedia.org/resource/Autoregressive_integrated_moving_average an entity of type: Thing
In statistica per modello ARIMA (acronimo di AutoRegressive Integrated Moving Average) si intende una particolare tipologia di modelli atti ad indagare serie storiche che presentano caratteristiche particolari. Fa parte della famiglia dei . Un modello ARIMA(p,d,q) deriva da un modello ARMA(p,q) a cui sono state applicate le differenze di ordine d per renderlo stazionario. In caso di stagionalità nei dati si parla di modelli SARIMA o ARIMA(p,d,q)(P,D,Q).
rdf:langString
ARIMA (англ. autoregressive integrated moving average, иногда модель Бокса — Дженкинса, методология Бокса — Дженкинса) — интегрированная модель авторегрессии — скользящего среднего — модель и методология анализа временных рядов. Является расширением моделей ARMA для нестационарных временных рядов, которые можно сделать стационарными взятием разностей некоторого порядка от исходного временного ряда (так называемые интегрированные или разностно-стационарные временные ряды). Модель означает, что разности временного ряда порядка подчиняются модели .
rdf:langString
ARIMA模型（英語：Autoregressive Integrated Moving Average model），差分整合移動平均自我迴歸模型，又稱整合移动平均自我迴歸模型（移動也可稱作滑動），為时间序列预测分析方法之一。ARIMA（p，d，q）中，AR為自我迴歸，p为自回归项数；MA为移动平均，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。「差分」一詞雖未出現在ARIMA的英文名稱中，卻是使時間序列得以平穩關鍵的步驟。 ARIMA（p，d，q）模型是ARMA（p，q）模型的扩展。ARIMA（p，d，q）模型可以表示为： 其中L 是滞后算子（Lag operator），
rdf:langString
ARIMA (zkratka anglického AutoRegressive Integrated Moving Average, „autoregresní integrovaný klouzavý průměr“) je třída modelů časových řad, sloužících k pochopení vlastností časových řad a k předpovědi jejich chování do budoucnosti. Model ARIMA má tři části: Modely ARIMA se odhadují takzvanou Boxovou–Jenkinsovou metodou, kterou navrhli a . Ta má tři kroky:
rdf:langString
In statistics and econometrics, and in particular in time series analysis, an autoregressive integrated moving average (ARIMA) model is a generalization of an autoregressive moving average (ARMA) model. Both of these models are fitted to time series data either to better understand the data or to predict future points in the series (forecasting). ARIMA models are applied in some cases where data show evidence of non-stationarity in the sense of mean (but not variance/autocovariance), where an initial differencing step (corresponding to the "integrated" part of the model) can be applied one or more times to eliminate the non-stationarity of the mean function (i.e., the trend). When the seasonality shows in a time series, the seasonal-differencing could be applied to eliminate the seasonal c
rdf:langString
En estadística y econometría, en particular en series temporales, un modelo autorregresivo integrado de promedio móvil o ARIMA (acrónimo del inglés autoregressive integrated moving average) es un modelo estadístico que utiliza variaciones y regresiones de datos estadísticos con el fin de encontrar patrones para una predicción hacia el futuro. Se trata de un modelo dinámico de series temporales, es decir, las estimaciones futuras vienen explicadas por los datos del pasado y no por variables independientes.
rdf:langString
統計学や計量経済学、特に時系列分析において、自己回帰和分移動平均（じこかいきわぶんいどうへいきん、英: Autoregressive integrated moving average、略称: ARIMA）モデルは、自己回帰移動平均（ARMA）モデルの一般化である。これらのモデルは、データの理解を深めるため、または将来のポイントを予測するために、時系列データに適用される。 ARIMAモデルは、データが（分散/自己共分散ではなく）平均に関して非定常性を示す場合に適用され、初期の差分ステップ（モデルの「Integrated 和分」部分に対応）を 1回以上適用して平均関数（すなわち、トレンド）の非定常性を排除することができる。時系列に季節性が見られる場合は、季節成分を除去するために季節的差分を適用することができる。ウォルドの分解定理によれば、ARMAモデルは規則的な（つまり純粋に非決定論的な）広義の定常時系列を記述するのに理論的には十分であるので、ARMAモデルを使用する前に、例えば差分を使用して非定常時系列を定常化することが主な動機となる。時系列に予測可能なサブプロセス（純粋な正弦波や複素数指数プロセス）が含まれている場合、予測可能な成分はARIMAのフレームワークでは平均非ゼロで周期的な（つまり季節的な）成分として扱われるので、季節的な差分処理によって除去されることに注意が必要である。
rdf:langString
통계 및 계량경제학, 특히 시계열분석에서 자동회귀누적이동평균(ARIMA : Autoregressive integrated moving average) 모델은 자동회귀이동평균(ARMA : Autoregressive moving average) 모델의 일반화이다. 이 두 모델은 시계열 데이터를 더 잘 이해하거나 미래 지점을 예상(예측)하기에 적합하다. 자기 회귀 누적 이동 평균 모델은 데이터가 비정상성이 아닌 증거를 나타내는 경우에 적용되며, 초기 차분 단계(모델의 "통합된" 부분에 해당)를 한 번 이상 적용하여 비정상성을 제거할 수 있다. ARIMA의 AR 부분은 진화하는 관심 변수가 시차(즉, 이전) 값으로 회귀됨을 나타낸다. MA 부분은 회귀 오류가 실제로 과거 여러 시간에 동시에 발생한 오류 항의 선형 조합임을 나타낸다. "I"( "누적"의 경우)는 데이터 값이 해당 값과 이전 값의 차이로 바뀌 었음을 나타낸다. (이 차분 프로세스는 두 번 이상 수행되었을 수 있음.) 이러한 각 기능의 목적은 모델이 가능한 한 데이터에 적합하도록 만드는 것이다. ARIMA 모델은 박스-젠킨스 접근 방식에 따라 추정할 수 있다.
rdf:langString
Em estatística e econometria, particularmente em análise de séries temporais, um modelo auto-regressivo integrado de médias móveis (autoregressive integrated moving average ou ARIMA, na sigla em inglês) é uma generalização de um modelo auto-regressivo de médias móveis (ARMA). Ambos os modelos são ajustados aos dados da série temporal para entender melhor os dados ou para prever pontos futuros na série. Modelos ARIMA são aplicados em alguns casos em que os dados mostram evidências de não estacionariedade, em que um passo inicial de diferenciação (correspondente à parte "integrada" do modelo) pode ser aplicado uma ou mais vezes para eliminar a não estacionariedade.
rdf:langString
rdf:langString
ARIMA
rdf:langString
Autoregressive integrated moving average
rdf:langString
Modelo autorregresivo integrado de media móvil
rdf:langString
Modello autoregressivo integrato a media mobile
rdf:langString
自己回帰和分移動平均モデル
rdf:langString
자기회귀누적이동평균
rdf:langString
ARIMA
rdf:langString
ARIMA
rdf:langString
ARIMA模型
xsd:integer
1510134
xsd:integer
1116193509
rdf:langString
ARIMA (zkratka anglického AutoRegressive Integrated Moving Average, „autoregresní integrovaný klouzavý průměr“) je třída modelů časových řad, sloužících k pochopení vlastností časových řad a k předpovědi jejich chování do budoucnosti. Model ARIMA má tři části:
* autoregresní (AR) vyjadřuje, že část hodnoty časové řady se dá vysvětlit jako lineární kombinace minulých hodnot (tedy regrese „sama na sebe“, odkud je řecká předpona auto-, sám-). Řád AR složky se označuje p a vyjadřuje kolik časových intervalů zpět se tato složka modelu „dívá“. Například p = 2 znamená, že současnou hodnotu řady vysvětlujeme pomocí minulé a předminulé hodnoty, tedy maximálně dva kroky dozadu.
* integrační (I) znamená diferenci časové řady před aplikací modelů AR a/nebo MA. Řád integrační složky se značí d a znamená, kolikrát po sobě se diference aplikuje.
* klouzavé průměry (MA) vyjadřuje, že část chyby (rezidua) časové řady se dá vysvětlit jako lineární kombinace minulých chyb. Řád MA složky se označuje q a (podobně jako u AR parametru p) vyjadřuje z kolika časových intervalů v minulosti se chyby v modelu uplatní. Celkem se model podle svých řádů značí ARIMA(p,d,q). Pro vystižení časových řad se základní model může doplnit ještě ARIMA modelem sezónní složky, jehož parametry se značí velkými písmeny a uvádějí v další závorce, celkem tedy ARIMA(p, d, q)(P, D, Q). Pokud je řád některé složky modelu nula, odpovídající část zkratky se může vypustit a například místo ARIMA(1, 0, 2) psát jenom ARMA(1, 2) nebo místo ARIMA(0, 0, 2) jen MA(2). Modely ARIMA se odhadují takzvanou Boxovou–Jenkinsovou metodou, kterou navrhli a . Ta má tři kroky: 1.
* Identifikace a výběr řádu modelu. Tato část analýzy má zjistit, jaké hodnoty řádů p, d, q resp. P, D, Q se mají nastavit. Zde se využívá analýzy autokorelací a parciálních autokorelací zkoumané časové řady. 2.
* Odhad regresních koeficientů, obvykle metodou maximální věrohodnosti 3.
* Testování modelu, především jeho .
rdf:langString
In statistics and econometrics, and in particular in time series analysis, an autoregressive integrated moving average (ARIMA) model is a generalization of an autoregressive moving average (ARMA) model. Both of these models are fitted to time series data either to better understand the data or to predict future points in the series (forecasting). ARIMA models are applied in some cases where data show evidence of non-stationarity in the sense of mean (but not variance/autocovariance), where an initial differencing step (corresponding to the "integrated" part of the model) can be applied one or more times to eliminate the non-stationarity of the mean function (i.e., the trend). When the seasonality shows in a time series, the seasonal-differencing could be applied to eliminate the seasonal component. Since the ARMA model, according to the Wold's decomposition theorem, is theoretically sufficient to describe a regular (a.k.a. purely nondeterministic) wide-sense stationary time series, we are motivated to make stationary a non-stationary time series, e.g., by using differencing, before we can use the ARMA model. Note that if the time series contains a predictable sub-process (a.k.a. pure sine or complex-valued exponential process), the predictable component is treated as a non-zero-mean but periodic (i.e., seasonal) component in the ARIMA framework so that it is eliminated by the seasonal differencing. The AR part of ARIMA indicates that the evolving variable of interest is regressed on its own lagged (i.e., prior) values. The MA part indicates that the regression error is actually a linear combination of error terms whose values occurred contemporaneously and at various times in the past. The I (for "integrated") indicates that the data values have been replaced with the difference between their values and the previous values (and this differencing process may have been performed more than once). The purpose of each of these features is to make the model fit the data as well as possible. Non-seasonal ARIMA models are generally denoted ARIMA(p,d,q) where parameters p, d, and q are non-negative integers, p is the order (number of time lags) of the autoregressive model, d is the degree of differencing (the number of times the data have had past values subtracted), and q is the order of the moving-average model. Seasonal ARIMA models are usually denoted ARIMA(p,d,q)(P,D,Q)m, where m refers to the number of periods in each season, and the uppercase P,D,Q refer to the autoregressive, differencing, and moving average terms for the seasonal part of the ARIMA model. When two out of the three terms are zeros, the model may be referred to based on the non-zero parameter, dropping "AR", "I" or "MA" from the acronym describing the model. For example, is AR(1), is I(1), and is MA(1). ARIMA models can be estimated following the Box–Jenkins approach.
rdf:langString
En estadística y econometría, en particular en series temporales, un modelo autorregresivo integrado de promedio móvil o ARIMA (acrónimo del inglés autoregressive integrated moving average) es un modelo estadístico que utiliza variaciones y regresiones de datos estadísticos con el fin de encontrar patrones para una predicción hacia el futuro. Se trata de un modelo dinámico de series temporales, es decir, las estimaciones futuras vienen explicadas por los datos del pasado y no por variables independientes. Fue desarrollado a finales de los sesenta del siglo XX. Box y Jenkins (1976) lo sistematizaron.
rdf:langString
통계 및 계량경제학, 특히 시계열분석에서 자동회귀누적이동평균(ARIMA : Autoregressive integrated moving average) 모델은 자동회귀이동평균(ARMA : Autoregressive moving average) 모델의 일반화이다. 이 두 모델은 시계열 데이터를 더 잘 이해하거나 미래 지점을 예상(예측)하기에 적합하다. 자기 회귀 누적 이동 평균 모델은 데이터가 비정상성이 아닌 증거를 나타내는 경우에 적용되며, 초기 차분 단계(모델의 "통합된" 부분에 해당)를 한 번 이상 적용하여 비정상성을 제거할 수 있다. ARIMA의 AR 부분은 진화하는 관심 변수가 시차(즉, 이전) 값으로 회귀됨을 나타낸다. MA 부분은 회귀 오류가 실제로 과거 여러 시간에 동시에 발생한 오류 항의 선형 조합임을 나타낸다. "I"( "누적"의 경우)는 데이터 값이 해당 값과 이전 값의 차이로 바뀌 었음을 나타낸다. (이 차분 프로세스는 두 번 이상 수행되었을 수 있음.) 이러한 각 기능의 목적은 모델이 가능한 한 데이터에 적합하도록 만드는 것이다. 비계절성 ARIMA 모델은 일반적으로 ARIMA ( p, d, q )로 표시되며, 여기서 매개변수 p, d 및 q는 음이 아닌 정수이고, p는 자기회귀 모델의 차수(시간 지연 수)이다. d는 차분 차수(데이터가 과거 값을 뺀 횟수)이며 q는 이동 평균 모델의 순서다. 계절성 ARIMA 모델은 일반적으로 ARIMA ( p, d, q ) ( P, D, Q ) m으로 표시되며, 여기서 m 은 각 계절의 기간을 나타내며 대문자 P, D, Q는 자기회귀, 차분, ARIMA 모델의 계절성에 대한 이동평균 항을 뜻한다. 3개의 항 중 2개가 0인 경우 모델을 나타내는 약어에서 "AR", "I"또는 "MA"를 삭제하여 0이 아닌 매개 변수를 기준으로 모델을 나타낼 수 있다. 예를 들어 은 , 은 , 은 이다. ARIMA 모델은 박스-젠킨스 접근 방식에 따라 추정할 수 있다.
rdf:langString
In statistica per modello ARIMA (acronimo di AutoRegressive Integrated Moving Average) si intende una particolare tipologia di modelli atti ad indagare serie storiche che presentano caratteristiche particolari. Fa parte della famiglia dei . Un modello ARIMA(p,d,q) deriva da un modello ARMA(p,q) a cui sono state applicate le differenze di ordine d per renderlo stazionario. In caso di stagionalità nei dati si parla di modelli SARIMA o ARIMA(p,d,q)(P,D,Q).
rdf:langString
統計学や計量経済学、特に時系列分析において、自己回帰和分移動平均（じこかいきわぶんいどうへいきん、英: Autoregressive integrated moving average、略称: ARIMA）モデルは、自己回帰移動平均（ARMA）モデルの一般化である。これらのモデルは、データの理解を深めるため、または将来のポイントを予測するために、時系列データに適用される。 ARIMAモデルは、データが（分散/自己共分散ではなく）平均に関して非定常性を示す場合に適用され、初期の差分ステップ（モデルの「Integrated 和分」部分に対応）を 1回以上適用して平均関数（すなわち、トレンド）の非定常性を排除することができる。時系列に季節性が見られる場合は、季節成分を除去するために季節的差分を適用することができる。ウォルドの分解定理によれば、ARMAモデルは規則的な（つまり純粋に非決定論的な）広義の定常時系列を記述するのに理論的には十分であるので、ARMAモデルを使用する前に、例えば差分を使用して非定常時系列を定常化することが主な動機となる。時系列に予測可能なサブプロセス（純粋な正弦波や複素数指数プロセス）が含まれている場合、予測可能な成分はARIMAのフレームワークでは平均非ゼロで周期的な（つまり季節的な）成分として扱われるので、季節的な差分処理によって除去されることに注意が必要である。 ARIMAのAR（autoregressive、自己回帰）の部分は、関心のある展開する変数がそれ自体の遅延した値（すなわち、以前の値）に回帰されることを示している。MA（moving average、移動平均）の部分は、回帰誤差が実際には、同時期および過去の様々な時点で発生した誤差項の線型結合であることを示している。I （integrated 和分）の部分は、データの値が過去の値との差分に置き換えられていることを示している（この差分処理は複数回行われる場合もある）。これらの特徴の目的は、モデルがデータにできるだけ適合するようにすることである。 非季節ARIMAモデルは、一般に と表記される。パラメータp、d、qは非負の整数で、pは自己回帰モデルの次数（タイムラグの数）、dは差分の階数（データの過去の値を差し引いた回数）、qは移動平均モデルの次数を表す。 季節ARIMAモデルは、通常 と表記される。ここで、mは各季節の期間の数を意味し、大文字のP、D、QはARIMAモデルの季節部分の自己回帰項、差分項、移動平均項を意味する 。 3つの項のうち2つがゼロの場合、モデルを表す頭字語のうちゼロではないパラメータを用いてモデルを記載することができる。例えば、 は 、 は 、 は と記載される。 ARIMAモデルは、ボックス・ジェンキンス法に従って推定することができる。
rdf:langString
Em estatística e econometria, particularmente em análise de séries temporais, um modelo auto-regressivo integrado de médias móveis (autoregressive integrated moving average ou ARIMA, na sigla em inglês) é uma generalização de um modelo auto-regressivo de médias móveis (ARMA). Ambos os modelos são ajustados aos dados da série temporal para entender melhor os dados ou para prever pontos futuros na série. Modelos ARIMA são aplicados em alguns casos em que os dados mostram evidências de não estacionariedade, em que um passo inicial de diferenciação (correspondente à parte "integrada" do modelo) pode ser aplicado uma ou mais vezes para eliminar a não estacionariedade. A parte auto-regressiva (AR) do modelo ARIMA indica que a variável evoluinte de interesse é regressada em seus próprios valores defasados, isto é, anteriores. A parte de média móvel (MA) indica que o erro de regressão é na verdade uma combinação linear dos termos de erro, cujos valores ocorreram contemporaneamente e em vários momentos no passado. A parte integrada (I) indica que os valores de dados foram substituídos com a diferença entre seus valores e os valores anteriores e este processo diferenciador pode ter sido realizado mais de uma vez. O propósito da cada uma destas características é fazer o modelo se ajustar aos dados da melhor forma possível. Modelos ARIMA não sazonais são geralmente denotados como ARIMA, em que os parâmetros , e são números inteiros não negativos, é a ordem (número de defasagens) do modelo auto-regressivo, é o grau de diferenciação (o número de vezes em que os dados tiveram valores passados subtraídos) e é a ordem do modelo de média móvel. Modelos ARIMA sazonais são geralmente denotados como ARIMA, em que se refere ao número de períodos em cada temporada e , e se referem aos termos de auto-regressão, diferenciação e média móvel para a parte sazonal do modelo ARIMA. Quando dois dos três termos são iguais a zero, o modelo pode ser referido com base no parâmetro diferente de zero, retirando "AR", "I" ou "MA" do acrônimo que descreve o modelo. Por exemplo, ARIMA é AR, ARIMA é I e ARIMA é MA. Modelos ARIMA podem ser estimados seguindo a abordagem de Box–Jenkins.
rdf:langString
ARIMA (англ. autoregressive integrated moving average, иногда модель Бокса — Дженкинса, методология Бокса — Дженкинса) — интегрированная модель авторегрессии — скользящего среднего — модель и методология анализа временных рядов. Является расширением моделей ARMA для нестационарных временных рядов, которые можно сделать стационарными взятием разностей некоторого порядка от исходного временного ряда (так называемые интегрированные или разностно-стационарные временные ряды). Модель означает, что разности временного ряда порядка подчиняются модели .
rdf:langString
ARIMA模型（英語：Autoregressive Integrated Moving Average model），差分整合移動平均自我迴歸模型，又稱整合移动平均自我迴歸模型（移動也可稱作滑動），為时间序列预测分析方法之一。ARIMA（p，d，q）中，AR為自我迴歸，p为自回归项数；MA为移动平均，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。「差分」一詞雖未出現在ARIMA的英文名稱中，卻是使時間序列得以平穩關鍵的步驟。 ARIMA（p，d，q）模型是ARMA（p，q）模型的扩展。ARIMA（p，d，q）模型可以表示为： 其中L 是滞后算子（Lag operator），
xsd:nonNegativeInteger
24209