Double Moving Average Forecasting Methode

Die Seite kann nicht gefunden werden Die von Ihnen gesuchte Seite wurde möglicherweise entfernt, der Name wurde geändert oder ist vorübergehend nicht verfügbar. Bitte versuchen Sie Folgendes: Stellen Sie sicher, dass die in der Adressleiste Ihres Browsers angezeigte Websiteadresse korrekt geschrieben und formatiert ist. Wenn Sie diese Seite erreichen, indem Sie auf einen Link klicken, wenden Sie sich an den Administrator der Website, um sie darauf hinzuweisen, dass der Link nicht korrekt formatiert ist. Klicken Sie auf die Schaltfläche Zurück, um einen anderen Link zu versuchen. HTTP-Fehler 404 - Datei oder Verzeichnis nicht gefunden. Internetinformationsdienste (IIS) Technische Informationen (für Supportmitarbeiter) Gehen Sie zu Microsoft Product Support Services und führen Sie eine Titelsuche für die Wörter HTTP und 404 durch. Öffnen Sie die IIS-Hilfe. Die im IIS-Manager (inetmgr) zugänglich ist, und nach Themen mit dem Namen Web Site Setup suchen. Allgemeine Verwaltungsaufgaben. Und über benutzerdefinierte Fehlermeldungen. Ich habe eine Frage im Zusammenhang mit Modellierung kurze Zeitreihen. Es ist nicht eine Frage, wenn sie zu modellieren. aber wie. Welche Methode würden Sie für die Modellierung von (sehr) kurzen Zeitreihen (von der Länge T leq 20) empfehlen? Am Besten meine ich hier die robusteste, dh die am wenigsten anfälligen Fehler aufgrund der Tatsache, dass nur wenige Beobachtungen vorliegen. Mit kurzen Reihen konnten einzelne Beobachtungen die Prognose beeinflussen, so dass die Methode eine vorsichtige Schätzung von Fehlern und mögliche Variabilität im Zusammenhang mit der Prognose bieten sollte. Ich interessiere mich allgemein für univariate Zeitreihen, aber es wäre auch interessant, über andere Methoden zu wissen. Gefragt Jan 26 15 am 21:03 Was auch immer Annahmen machen Sie - über Saisonalität, Stationarität, ampc. - eine kurze Zeitreihe gibt Ihnen die Chance, nur die schädlichsten Verletzungen zu erkennen, so dass Annahmen fundamental in Domain-Wissen sein sollten. Müssen Sie Modell-oder nur um Prognosen zu machen Der M3-Wettbewerb verglichen verschiedene quotautomaticquot Prognose Methoden auf Serien von einer Vielzahl von Domains, einige so kurz wie 20. ndash Scortchi 9830 Jan 26 15 am 21:47 1 to Scortchi39s Kommentar. Übrigens, von den 3,003 M3-Serien (erhältlich im Mcomp-Paket für R), 504 haben 20 oder weniger Beobachtungen, insbesondere 55 der jährlichen Serie. So konnten Sie die ursprüngliche Publikation sehen und sehen, was gut für jährliche Daten funktionierte. Oder sogar durch die ursprünglichen Prognosen, die dem M3-Wettbewerb vorgelegt wurden, die im Mcomp-Paket (Liste M3Forecast) zur Verfügung stehen. Ndash Stephan Kolassa Es ist sehr häufig für extrem einfache Prognose-Methoden wie Prognose der historische Durchschnitt, um komplexere Methoden zu übertreffen. Dies ist für kurze Zeitreihen sogar noch wahrscheinlicher. Ja, im Prinzip können Sie ein ARIMA oder sogar komplexere Modell auf 20 oder weniger Beobachtungen passen, aber Sie werden eher wahrscheinlich zu übertreiben und sehr schlechte Prognosen. So starten Sie mit einem einfachen Benchmark, z. B. das historische Mittel der historische Median für zusätzliche Robustheit der zufällige Weg (Prognose der letzten Beobachtung aus) Beurteilen Sie diese auf Out-of-Sample-Daten. Vergleichen Sie jedes komplexere Modell mit diesen Benchmarks. Sie können überrascht sein zu sehen, wie schwer es ist, diese einfachen Methoden zu übertreffen. Zusätzlich vergleichen die Robustheit verschiedener Verfahren mit diesen einfachen, z. B. Indem nicht nur die durchschnittliche Genauigkeit des Abtastwertes bestimmt wird, sondern auch die Fehlerabweichung. Mit Ihrem Lieblings-Fehler Maßnahme. Ja, wie Rob Hyndman schreibt in seinem Beitrag, dass Aleksandr Links zu. Out-of-sample-Test ist für sich selbst ein Problem für kurze Serien - aber es gibt wirklich keine gute Alternative. (Verwenden Sie nicht in-Probe passen, die keine Anleitung zur Prognose Genauigkeit ist.) Die AIC wird nicht Ihnen helfen, mit dem Median und die zufällige zu Fuß. Sie können jedoch Zeitreihen-Cross-Validierung verwenden. Die AIC annähern, sowieso. Beantwortet Jan 27 15 am 11:37 Ich bin wieder mit einer Frage als eine Gelegenheit, mehr über Zeitreihen lernen - eines der (vielen) Themen meines Interesses. Nach einer kurzen Recherche scheint es mir, dass es mehrere Ansätze für das Problem der Modellierung von kurzen Zeitreihen gibt. Der erste Ansatz ist die Verwendung von standardlinearen Zeitreihenmodellen (AR, MA, ARMA, etc.), aber die Beachtung bestimmter Parameter, wie in diesem Beitrag 1 von Rob Hyndman, der keine Einführung in die Zeitreihen und Prognosen Welt. Der zweite Ansatz, auf den sich die meisten der Literatur beziehen, die ich gesehen habe, schlägt vor, nicht-lineare Zeitreihenmodelle zu verwenden. Insbesondere die Schwellenmodelle 2, die das Schwellenautoregressive Modell (TAR) beinhalten. Selbsttätigen TAR (SETAR). Schwellen-Autoregressive-Moving-Average-Modell (TARMA). Und TARMAX-Modell, das TAR-Modell auf exogene Zeitreihen erweitert. Ausgezeichnete Übersichten der nicht-linearen Zeitreihenmodelle einschließlich Schwellenmodellen finden sich in diesem Papier 3 und in diesem Papier 4. Schließlich beschreibt ein weiteres IMHO-Forschungspapier 5 einen interessanten Ansatz, der auf der Volterra-Weiner-Repräsentation von non basiert - linearen Systemen - siehe hierzu 6 und 7. Diese Vorgehensweise wird im Rahmen kurzer und verrauschter Zeitreihen überlegen. Hyndman, R. (4. März 2014). Anpassung der Modelle an kurze Zeitreihen. Blogeintrag. Abgerufen von robjhyndmanhyndsightshort-time-series Pennsylvania State University. (2015). Schwellenmodelle. Online-Kursunterlagen. STAT 510, Angewandte Zeitreihenanalyse. Abgerufen von onlinecourses. science. psu. edustat510node82 Zivot, E. (2006). Nichtlineare Zeitreihenmodelle. Klassennoten. ECON 584, Zeitreihenökonometrie. Universität von Washington. Abgeholt aus faculty. washington. eduezivotecon584notesnonlinear. pdf Chen, C. W. S. So, M. K. P. amp Liu, F.-C. (2011). Eine Überprüfung der Schwellen-Zeitreihen-Modelle in der Finanzierung. Statistiken und ihre Schnittstelle, 4. 167181. Auszug aus intlpresssitepubfilesfulltextjournalssii201100040002SII-2011-0004-0002-a012.pdf Barahona, M. amp Poon, C.-S. (1996). Erfassung der nichtlinearen Dynamik kurzer, verrauschter Zeitreihen. Natur, 381. 215-217. Abgeholt von bg. ic. ac. ukresearchm. barahonanonlindetecnature. PDF Franz, M. O. (2011). Volterra und Wiener Serie. Scholarpedia, 6 (10): 11307. Von Scholkopf, B. (n. d.) Franz, M. O. amp. Ein vereinender Blick auf die Wiener - und Volterra-Theorie und die Polynomkernel-Regression. Abgeholt von is. tuebingen. mpg. defileadminuseruploadfilespublicationsnc055B05D. pdf beantwortet Jan 26 15 at 22:43 1 Würden Sie bitte schreiben Sie die Referenzen für diese Papiere in Ihrer Antwort Wir haben herausgefunden, vor kurzem, dass viele Links zu Papieren rot nach einer Weile, schließlich So dass sie fast nutzlos, wenn die Papier-Autoren, Titel, etc. sind auch im Text erwähnt. Ndash whuber 9830 Jan 26 um 23:11 whuber: Vielen Dank. Kein Problem, ich werde meine Antwort mit Referenzen heute Abend aktualisieren. Ndash Aleksandr Blekh Jan 26 15 am 23:49 1 für den Link zu Rob Hyndman39s post. (Allerdings bin ich versucht, -1 für die komplexen Modelle. I39d extrem vorsichtig sein, mit der Schwelle oder jede andere nichtlineare Zeitreihe Methoden auf Zeitreihen von weniger als 20 Beobachtungen. Sie sind fast sicher zu overfit, die direkt entgegen der OP39s Anforderung einer robusten Methode.) Ndash Stephan Kolassa Jan 27 15 um 11:25 2,3,4 nicht erwähnt kurzen Zeitreihen, und schauen Sie sich die Plots in 2: gt120 Beobachtungen. 4 konzentriert sich auf die Finanzierung, wo Sie enorm mehr als 20 Beobachtungen haben. 5 schreibt über quotshort Zeitreihen, typischerweise 1.000 Punkte longquot (s. 216). Ich sehe keinen Weg, um zuverlässig und robust passen eine TAR oder ein ähnliches Modell, oder eine der komplexeren, die Sie verknüpfen, mit lt20 Beobachtungen. (BTW: Ich habe auch einige inferentielle Statistiken auf der Seite, und mit weniger als 20 Beobachtungen, können Sie wirklich schätzen mehr als der Mittelwert und ein weiterer Parameter.) Ndash Stephan Kolassa Jan 27 um 11:55 You39re willkommen -) Ich schätze Der takeaway ist, dass quotshortquot sehr kontextabhängig ist: für sensorleseserien oder in finanzierung sind 1000 datenpunkte gleichshortquot - aber im Supply Chain Management sind 20 monatliche Beobachtungen nahezu normal, und quotshortquot startet erst bei 12 oder weniger Beobachtungen. Ndash Stephan Kolassa Jan 27 15 am 12:15 Nein, Es gibt keine beste univariate Extrapolation Methode für eine kurze Zeitreihe mit T leq 20 Serie. Extrapolationsmethoden benötigen viele und viele Daten. Folgende qualitativen Methoden funktionieren gut in der Praxis für sehr kurze oder keine Daten: Zusammengesetzte Prognosen Surveys Delphi-Methode Szenariobildung Prognose nach Analogie Exekutivaussichten Eine der besten Methoden, die ich kenne, funktioniert sehr gut, ist die Verwendung von strukturierten Analogien (5. in der obigen Liste ), Wo Sie nach ähnlichen analogen Produkten in der Kategorie suchen, die Sie prognostizieren und diese zur Prognose von kurzfristigen Prognosen verwenden möchten. Sehen Sie diesen Artikel für Beispiele und SAS-Papier, wie dies zu tun, mit natürlich SAS. Eine Einschränkung ist, dass Prognosen von Analogien nur von Ihnen funktionieren, haben Sie gute Analogien, sonst könnten Sie sich auf eine wertende Prognose verlassen. Hier ist ein weiteres Video von Forecastpro Software, wie man ein Tool wie Forecastpro verwenden, um Prognosen durch Analogie zu tun. Die Wahl einer Analogie ist mehr Kunst als die Wissenschaft und Sie brauchen Fachwissen, um analoge Produktsituationen auszuwählen. Zwei hervorragende Ressourcen für kurze oder neue Produktprognosen: Prinzip der Prognose von Armstrong New Produktprognose von Kahn Das folgende ist für illustrative Zwecke. Ich habe gerade das Lesen von Signal und Noise von Nate Silver beendet, da es ein gutes Beispiel auf US und Japanisch ( Analog zum US-Markt) Wohnungsmarktblase und Vorhersage. In der Tabelle unten, wenn Sie auf 10 Datenpunkte zu stoppen und verwenden Sie eine der Extrapolation Methoden (exponentiale smootingetsarima.) Und sehen, wo es dauert und wo die tatsächliche endete. Wieder ist das Beispiel I viel komplexer als einfache Trendextrapolation. Dies ist nur zu unterstreichen, die Risiken der Trend-Extrapolation mit begrenzten Datenpunkten. Darüber hinaus, wenn Ihr Produkt saisonale Muster hat, müssen Sie einige Form der analogen Produkte Situation zu prognostizieren verwenden. Ich las einen Artikel, den ich in Journal of Business Forschung denken, dass, wenn Sie 13 Wochen Produktverkäufe in Pharmazeutika haben, können Sie Daten mit größerer Genauigkeit mit analogen Produkten vorhersagen. Antwortete Jan 26 15 am 22:45 Die Annahme, dass die Anzahl der Beobachtungen kritisch ist kam aus einer Off-handed Kommentar von G. E.P. Box über die minimale Stichprobengröße, um ein Modell zu identifizieren. Eine nuancenreichere Antwort, soweit es mich betrifft, besteht darin, daß die Problemqualitäts-Modellidentifizierung nicht allein auf der Stichprobengröße, sondern dem Verhältnis von Signal zu Rauschen, das sich in den Daten befindet, basiert. Wenn Sie ein starkes Signal-Rausch-Verhältnis haben, benötigen Sie weniger Beobachtungen. Wenn Sie niedrige sn haben, dann benötigen Sie mehr Proben, um zu identifizieren. Wenn Ihr Datensatz monatlich ist und Sie 20 Werte haben, ist es nicht möglich, ein saisonales Modell empirisch zu identifizieren. Wenn Sie denken, dass die Daten saisonal sind, können Sie den Modellierungsprozess starten, indem Sie ar (12) angeben und dann eine Modelldiagnose durchführen ( Tests von Bedeutung) zu reduzieren oder zu erweitern Ihre strukturell mangelhafte Modell beantwortet Jan 26 15 am 23:04