Autoregressiva Integrerade Glidande Medelvärde Excel

ARIMA-modellering. ARIMA-modellen är en förlängning av ARMA i-modellen som gäller för icke-stationära tidsseriens tidsserier med en eller flera integrerade unit-roots. ARIMA-modellguiden automatiserar modellkonstruktionen steg gissar initiala parametrar, parametervalidering, godhet Av lämplig testning och restdiagnos. För att använda denna funktionalitet, välj motsvarande ikon på verktygsfältet eller menyalternativet. Rulla över välj dataprovet på ditt arbetsblad och välj motsvarande ordning för den autogegressiva AR-komponentmodellen, integrationsorder d, Och ordningen för den rörliga genomsnittliga komponentmodellen Välj sedan godhet med passningstester, återstående diagnos och ange en plats på ditt arbetsblad för att skriva ut modellen. Notera Som standard genererar modellguiden ett snabbt gissande av modellens värden s Parametrar, men användaren kan välja att generera kalibrerade värden för modellens koefficienter. Efter fullbordandet matar ARMA-modelleringsfunktionen de valda modellens parametrar ut en D valda testberäkningar i den utplacerade platsen för ditt arbetsblad. ARIMA-guiden lägger till Excel-typ av kommentarer med röda pilhuvud till etikettcellerna för att beskriva dem. Introduktion till ARIMA-icke-säsongsmodeller. ARIMA-p, d, q-prognos-ekvation ARIMA-modeller är, I teorin är den mest generella klassen av modeller för prognoser för en tidsserie som kan göras stationär genom differentiering om det behövs, kanske i samband med olinjära transformationer, såsom loggning eller avflöde om nödvändigt. En slumpmässig variabel som är en tidsserie är stationär om Dess statistiska egenskaper är alla konstanta över tiden En stationär serie har ingen trend, dess variationer runt dess medelvärde har en konstant amplitud och det vinklar på ett konsekvent sätt dvs dess korta slumpmässiga tidsmönster ser alltid ut i statistisk mening. Den senare Tillstånd innebär att dess autokorrelationsförhållanden med sina egna tidigare avvikelser från medelvärdet förblir konstanta över tiden, eller likvärdigt, att dess effektspektrum Rom förblir konstant över tiden En slumpmässig variabel i denna form kan ses som vanligt som en kombination av signal och brus och signalen om en är uppenbar kan vara ett mönster av snabb eller långsam medelbackning eller sinusformig oscillation eller snabb växling i Tecken och det kan också ha en säsongsbetonad komponent En ARIMA-modell kan ses som ett filter som försöker skilja signalen från bruset och signalen extrapoleras därefter i framtiden för att få prognoser. ARIMA prognostiserar ekvationen för en stationär tid Serien är en linjär dvs regressionstypekvation där prediktorerna består av lags av den beroende variabeln och eller lags av prognosfel som är. Predicted value of Y är en konstant och eller en vägd summa av ett eller flera nya värden av Y och Eller en vägd summa av ett eller flera nyvärden av felen. Om prediktorerna bara består av fördröjda värden på Y är det en ren självregressiv självregresserad modell, vilket bara är ett speciellt fall av en regressionsmodell och vilken c Ould vara utrustad med standard regressionsprogramvara Till exempel är en första-order-auktoregressiv AR1-modell för Y en enkel regressionsmodell där den oberoende variabeln bara Y är försenad med en period LAG Y, 1 i Statgraphics eller YLAG1 i RegressIt Om några av Prediktorerna lags av felen, en ARIMA-modell är det inte en linjär regressionsmodell, eftersom det inte finns något sätt att ange det senaste periodens fel som en oberoende variabel, måste felen beräknas under en period då modellen Är anpassad till data Från en teknisk synvinkel är problemet med att använda fördröjda fel som prediktorer att modellens förutsägelser inte är linjära funktioner för koefficienterna trots att de är linjära funktioner i tidigare data. Så koefficienter i ARIMA-modeller som innehåller fördröjda Fel måste uppskattas av icke-linjära optimeringsmetoder bergsklättring snarare än genom att bara lösa ett system av ekvationer. Akronymet ARIMA står för Auto-Regressive Integrated Moving Average Lags of the Stat Joniserad serie i prognosekvationen kallas autoregressiva termer, lags av prognosfel kallas glidande medelvärden och en tidsserie som behöver differentieras för att göras stationär sägs vara en integrerad version av en stationär serie Slumpmässig promenad och Slumpmässiga modeller, autoregressiva modeller och exponentiella utjämningsmodeller är alla speciella fall av ARIMA-modeller. En nonseasonal ARIMA-modell klassificeras som en ARIMA p, d, q modell, where. p är antalet autoregressiva termer. d är numret Av nonseasonal skillnader som behövs för stationaritet, och. q är antalet fördröjda prognosfel i prediksionsekvationen. Prognosekvationen är konstruerad enligt följande. Först låt y beteckna den d: n skillnaden i Y vilket betyder. Notera att den andra skillnaden i Y D 2 fallet är inte skillnaden från 2 perioder sedan Det är snarare den första skillnaden-av-första skillnaden som är den diskreta analogen av ett andra derivat, dvs den lokala accelerationen av seri Es istället för sin lokala trend. Med y är den allmänna prognosen ekvationen. Här definieras de rörliga genomsnittsparametrarna s, så att deras tecken är negativa i ekvationen, enligt konventionen som införs av Box och Jenkins Några författare och programvara inklusive R Programmeringsspråk definiera dem så att de har plustecken i stället När faktiska siffror är anslutna till ekvationen finns det ingen tvetydighet men det är viktigt att veta vilken konvention din programvara använder när du läser utmatningen. Vanligtvis anges parametrarna där av AR 1, AR 2 och MA 1, MA 2 osv. För att identifiera lämplig ARIMA-modell för Y börjar du genom att bestämma skillnaden i ordningen, vilken behöver stationera serierna och ta bort säsongens bruttoegenskaper, kanske i samband med en Variansstabiliserande transformation som loggning eller deflatering Om du slutar vid denna punkt och förutsäger att den olika serien är konstant, har du bara monterat en slumpmässig promenad eller slumpmässig tre Nd-modellen Men den stationära serien kan fortfarande ha autokorrelerade fel, vilket tyder på att ett antal AR-termer p 1 och eller några nummer MA-termer q 1 också behövs i prognosekvationen. Processen att bestämma värdena p, d och Q som är bäst för en given tidsserie kommer att diskuteras i senare delar av anteckningarna, vars länkar finns högst upp på denna sida, men en förhandsvisning av några av de typer av icke-sasonliga ARIMA-modeller som vanligtvis förekommer ges nedan. 0,0 0,0, första-order-autoregressiv modell om serien är stationär och autokorrelerad, kanske den kan förutsägas som ett flertal av sitt eget tidigare värde, plus en konstant. Den prognosekvation i det här fallet är. Det som Y är regresserat i sig fördröjt av En period Detta är en konstant modell av ARIMA 1,0,0 Om medelvärdet av Y är noll, skulle den konstanta termen inte inkluderas. Om lutningskoefficienten 1 är positiv och mindre än 1 i storlek måste den vara mindre än 1 i Magnitud om Y är stillastående, Modellen beskriver medelåterkallande beteende där nästa period s-värde bör förutsägas vara 1 gånger så långt bort från medelvärdet som det här periodens värde. Om 1 är negativt förutspår det medelåterkallande beteende med teckenförändring, dvs det förutsäger också Att Y kommer att ligga under den genomsnittliga nästa perioden om den är över medelvärdet i denna period. I en andraordens autregressiv modell ARIMA 2,0,0 skulle det finnas en Y t-2 term till höger också och så vidare Beroende på tecken och storheter på koefficienterna kan en ARIMA 2,0,0-modell beskriva ett system vars genomsnittliga reversering sker på ett sinusformigt oscillerande sätt, som en massans rörelse på en fjäder som utsätts för slumpmässiga stötar. 0,1,0 slumpmässig promenad Om serien Y inte är stationär är den enklaste möjliga modellen för den en slumpmässig promenadmodell, vilken kan betraktas som ett begränsande fall av en AR 1-modell där den autoregressiva koefficienten är lika med 1, Dvs en serie med oändligt långsam medelvärde. Förutsägningsekvationen För denna modell kan skrivas som. Där den konstanta termen är den genomsnittliga perioden för perioden förändring dvs den långsiktiga driften i Y Denna modell kan monteras som en icke-avlyssningsregressionsmodell där den första skillnaden i Y är den Beroende variabel Eftersom den endast innehåller en icke-sekundär skillnad och en konstant term, klassificeras den som en ARIMA 0,1,0-modell med konstant. Den slumpmässiga promenad-utan-driftmodellen skulle vara en ARIMA 0,1,0-modell utan konstant. ARIMA 1,1,0-differensierad första ordningsautoregressiv modell Om felet i en slumpmässig promenadmodell är autokorrelerad kanske problemet kan lösas genom att lägga en lag av den beroende variabeln i prediksionsekvationen - dvs genom att regressera den första skillnaden i Y i sig fördröjdes med en period. Detta skulle ge följande förutsägelsekvation. Det kan omordnas till. Det här är en första-orders autoregressiv modell med en ordning av icke-säsongsskillnader och en konstant term, dvs en ARIMA 1,1,0-modell. ARIMA 0,1,1 utan konstant enkel exp Potentiell utjämning En annan strategi för att korrigera autokorrelerade fel i en slumpmässig promenadmodell föreslås av den enkla exponentiella utjämningsmodellen. Kom ihåg att för vissa icke-stationära tidsserier, t ex sådana som uppvisar bullriga fluktuationer runt ett långsamt varierande medel, fungerar inte slumpmässig promenadmodell lika bra Som ett glidande medelvärde av tidigare värden Med andra ord, snarare än att ta den senaste observationen som prognosen för nästa observation, är det bättre att använda ett genomsnitt av de senaste observationerna för att filtrera bort bruset och mer noggrant uppskatta Lokal medelvärde Den enkla exponentiella utjämningsmodellen använder ett exponentiellt vägt rörligt medelvärde av tidigare värden för att uppnå denna effekt. Prediktionsekvationen för den enkla exponentiella utjämningsmodellen kan skrivas i ett antal matematiskt likvärdiga former, varav en är den så kallade felkorrigeringsformen , Där den föregående prognosen justeras i riktning mot felet som den gjorde. Eftersom e t-1 Y t-1 - T-1 per definition kan detta skrivas om som en ARIMA 0,1,1-utan konstant prognosekvation med 1 1 - Det betyder att du kan passa en enkel exponentiell utjämning genom att ange den som en ARIMA 0,1 , 1 modell utan konstant, och den uppskattade MA 1-koefficienten motsvarar 1-minus-alfa i SES-formeln. Påminn att i SES-modellen är den genomsnittliga åldern för data i 1-framåtprognoserna 1 som betyder att de kommer att Tenderar att ligga bakom trender eller vändpunkter med cirka 1 perioder. Det följer att den genomsnittliga åldern för data i de 1-framåtprognoserna för en ARIMA 0,1,1-utan konstant modell är 1 1 - 1 Så för Exempel om 1 0 8 är medelåldern 5 När 1 närmar sig 1 blir ARIMA 0,1,1-utan konstantmodellen ett mycket långsiktigt rörligt medelvärde, och när 1 närmar sig 0 blir det en slumpmässig promenad - utan driftmodell. Vilket är det bästa sättet att korrigera för autokorrelation som lägger till AR-termer eller adderar MA-termer I de tidigare två modellerna som diskuterats ovan har problemet med autokorrel Atedfel i en slumpmässig promenadmodell fixades på två olika sätt genom att lägga till ett fördröjt värde för den olika serien till ekvationen eller lägga till ett fördröjt värde av prognosfelet. Vilket tillvägagångssätt är bäst En tumregel för denna situation, vilket kommer att Diskuteras mer detaljerat senare, är den positiva autokorrelationen vanligtvis bäst behandlad genom att addera en AR-term till modellen och negativ autokorrelation behandlas vanligtvis bäst genom att lägga till en MA-term. I affärs - och ekonomiska tidsserier uppstår negativ autokorrelation ofta som en artefakt Av differensiering I allmänhet minskar differentieringen positiv autokorrelation och kan till och med orsaka en växling från positiv till negativ autokorrelation Således används ARIMA 0,1,1-modellen, i vilken skillnad åtföljs av en MA-term, oftare än en ARIMA 1, 1,0 modell. ARIMA 0,1,1 med konstant enkel exponentiell utjämning med tillväxt Genom att implementera SES-modellen som en ARIMA-modell får du viss flexibilitet. Först och främst är den uppskattade MA 1-koe Fficient får vara negativ, vilket motsvarar en utjämningsfaktor som är större än 1 i en SES-modell, vilket vanligtvis inte är tillåtet med SES-modellproceduren. För det andra har du möjlighet att inkludera en konstant term i ARIMA-modellen om du önskar , För att uppskatta en genomsnittlig icke-nollutveckling. ARIMA 0,1,1-modellen med konstant har förutsägelsesekvationen. Prognoserna för en period framåt från denna modell är kvalitativt lik SES-modellen, förutom att banan Av de långsiktiga prognoserna är typiskt en sluttande linje vars lutning är lika med mu snarare än en horisontell linje. ARIMA 0,2,1 eller 0,2,2 utan konstant linjär exponentiell utjämning Linjära exponentiella utjämningsmodeller är ARIMA-modeller som använder två Nonseasonal skillnader i samband med MA termer Den andra skillnaden i en serie Y är inte bara skillnaden mellan Y och sig själv fördröjt med två perioder, men det är snarare den första skillnaden i den första skillnaden - förändringen i förändringen av Y vid period t Således är den andra skillnaden på Y vid period t lika med Y t-Y t-1 - Y t-1 - Y t-2 Y t - 2Y t-1 Y t-2 En andra skillnad på en Diskret funktion är analog med ett andra derivat av en kontinuerlig funktion som mäter accelerationen eller krökningen i funktionen vid en given punkt i tiden. ARIMA 0,2,2-modellen utan konstant förutspår att den andra skillnaden i serien är lika med en linjär funktion Av de två sista prognosfel. Som kan omordnas som: där 1 och 2 är MA 1 och MA 2-koefficienterna. Detta är en generell linjär exponentiell utjämningsmodell som är väsentligen densamma som Holt s-modellen och Brown s-modellen är ett speciellt fall Använder exponentiellt vägda rörliga medelvärden för att uppskatta både en lokal nivå och en lokal trend i serien. De långsiktiga prognoserna från denna modell konvergerar till en rak linje vars lutning beror på den genomsnittliga trenden observerad mot slutet av serien. ARIMA 1,1 , 2 utan linjär exponentiell utjämning med konstant dämpad trend. Denna modell är illu Utsträckt i de bifogade bilderna på ARIMA-modellerna. Det extrapolerar den lokala trenden i slutet av serien men plattar ut på längre prognoshorisonter för att presentera en konservatismeddelande, en övning som har empiriskt stöd. Se artikeln om Varför den dämpade trenden fungerar av Gardner och McKenzie och Golden Rule-artikeln av Armstrong et al för detaljer. Det är vanligtvis lämpligt att hålla sig till modeller där minst en av p och q inte är större än 1, dvs försök inte passa en modell som ARIMA 2 , 1,2, eftersom det här sannolikt kommer att leda till överfitting och commonfactorproblem som diskuteras närmare i anteckningarna om den matematiska strukturen för ARIMA-modeller. Implementering av ARIMA-modeller, såsom de ovan beskrivna, är enkla att implementera på en Kalkylblad Förutsägningsekvationen är helt enkelt en linjär ekvation som hänvisar till tidigare värden av ursprungliga tidsserier och tidigare värden av felen. Således kan du ställa in ett ARIMA prognosräkningsblad genom att lagra data i kolumn A, t Han förutser formeln i kolumn B och feldata minus prognoser i kolumn C Den prognosformeln i en typisk cell i kolumn B skulle helt enkelt vara ett linjärt uttryck som hänvisar till värden i föregående rader av kolumnerna A och C multiplicerat med lämplig AR eller MA koefficienter lagrade i celler någon annanstans på kalkylbladet. ARIMA Prognoser med Excel och R. Hello Idag ska jag gå igenom en introduktion till ARIMA-modellen och dess komponenter, samt en kort förklaring av Box-Jenkins metod för hur ARIMA-modellerna specificeras Slutligen skapade jag en Excel-implementering med hjälp av R, som jag ska visa dig hur man ställer in och använder. Utbildningsbaserade rörliga genomsnittliga ARMA-modeller. Den autoregressiva rörande genomsnittsmodellen används för modellering och prognos för stationära, stokastiska tidsserier Det är kombinationen av två tidigare utvecklade statistiska tekniker, de autoregressiva AR och Moving Average MA-modellerna och beskrivs ursprungligen av Peter Whittle 1951 George EP Box och Gwilym Jenkins populariserade modellen 1971 genom att specificera diskreta steg för modellidentifiering, uppskattning och verifiering. Denna process beskrivs senare för referens. Vi börjar med att introducera ARMA-modellen med olika komponenter, AR - och MA-modellerna och Sedan presentera en populär generalisering av ARMA-modellen, ARIMA Autoregressive Integrated Moving Average och prognoser och modellspecifikationssteg. Slutligen kommer jag att förklara en Excel-implementering som jag skapade och hur man använder den för att göra dina tidsserieprognoser. Autoregressiva Modeller. Den autoregressiva modellen är Som används för att beskriva slumpmässiga processer och tidsvarierande processer och specificerar produktionsvariabeln beror linjärt på sina tidigare värden. Modellen beskrivs som. Xt c sum varphii, Xt-i varepsilont. Where varphi1, ldots, varphi varphi är parametrarna för Modell, C är konstant, och varepsilont är en vit brusbegrepp. Vad modell modellen beskriver är för ett givet värde X t det kan förklaras b Y-funktioner i sitt tidigare värde För en modell med en parameter förklaras varphi 1 X t av sitt förflutna värde X t-1 och slumpmässigt feluppdatering För en modell med mer än en parameter, till exempel, ges varphi 2 X t av X T-1 X t-2 och slumpmässigt fel varepsilont. Moving Average Model. The Moving Average MA-modellen används ofta för modellering av univariate tidsserier och definieras som. Xt mu varepsilont theta1, varepsilon ldots thetaq, varepsilon. Mu är medelvärdet av tidsserierna. Theta1, ldots, thetaq är parametrarna för modellen. Varpsilont, varepsilon, ldots är de vita brusfelterna. q är ordningen för den rörliga genomsnittsmodellen. Den rörliga genomsnittsmodellen är en linjär regression av det nuvarande värdet av serien jämfört med varningssilter i föregående period, t varepsilon Till exempel , En MA-modell av q 1 X t förklaras av den aktuella feluppdateringen i samma period och det tidigare felvärdet, varepsilon För en modell av order 2 q 2 förklaras X t av de två senaste felvärdena, varepsilon och varepsilon . AR p och MA q termerna används i ARMA-modellen, som nu kommer att introduceras. Utbildningstryckande medelvärde Model. Autoregressive Moving Average-modeller använder två polynomier, ARp och MA q och beskriver en stationär stokastisk process. En stationär process gör inte Förändras när den är förskjuten i tid eller rum, därför har en stationär process konstant medelvärde och varians. ARMA-modellen refereras ofta till i form av dess polynom, ARMA p, q Notationen av modellen är written. Xt c varpsilont sum varphi 1 X summa thetai varepsilon. Selecting, estimating and verifying the model is described by Box-Jenkins process. Box-Jenkins Method for Model Identification. The nedan är mer en skiss av Box-Jenkins-metoden, som den faktiska processen att hitta Dessa värden kan vara ganska överväldigande utan ett statistiskt paket. Excel-arket som ingår på den här sidan bestämmer automatiskt den bäst anpassade modellen. Det första steget i Box-Jenkins-metoden är modellidentifikation. Steget innehåller att identifiera säsonglighet, differentiering vid behov och bestämning av ordern Av p och q genom att kartlägga autokorrelations - och partiella autokorrelationsfunktioner. Efter det att modellen har identifierats, beräknar nästa steg parametrarna Parameteruppskattning använder statistiska paket och beräkningsalgoritmer för att hitta de bästa passande parametrarna. När parametrarna väljs, är det sista steget Kontrollerar modellen Modellkontrollen görs genom testning för att se huruvida modellen överensstämmer med en stationär univariär tidsserie På E ska också bekräfta att resterna är oberoende av varandra och uppvisar konstant medelvärde och varians över tiden, vilket kan göras genom att utföra ett Ljung-Box-test eller återigen kartlägga autokorrelationen och partiell autokorrelering av resterna. Notice Det första steget innebär att man letar efter Säsongsmässighet Om de data du arbetar med innehåller säsongsutvecklingar, är skillnaden för att göra datastationen. Detta differentieringssteg generaliserar ARMA-modellen i en ARIMA-modell, eller Autoregressive Integrated Moving Average, där Integrated motsvarar differentieringssteget. Utbildningsintegrerad integrerad rörelse Genomsnittliga modeller. ARIMA-modellen har tre parametrar, p, d, q För att definiera ARMA-modellen för att inkludera differentieringsperioden börjar vi genom att omarrangera standard ARMA-modellen för att separera X t latex och latex varepsilont från summeringen. 1 - summa alfa L i Xt 1 summa thetai L i varepsilont. Where L är lagoperatören och alphai thetai varepsilont är autoregressiva och rörliga genomsnittsparametrar, respektive felvillkoren. Vi gör nu antagandet den första polynomen av funktionen, 1 - summa alfa L i har en enhetlig rot av multiplicitet d. Vi kan sedan skriva om det till följande. ARIMA modellen uttrycker polynomialiseringen med pp - d och ger oss 1 - summa phii L i 1 - L d Xt 1 summa thetai L jag varepsilont. Senast generaliserar vi modellen ytterligare genom att lägga till en drivperiod som definierar ARIMA-modellen som ARIMA p, d, q med drift frac. 1 - summa Phii L i 1 - L d Xt delta 1 summa till L I varpsilont. Med den nu definierade modellen kan vi se ARIMA-modellen som två separata delar, en icke-stationär och den andra vida stationära gemensamma sannolikhetsfördelningen Ändras inte när den är skiftad i tid eller rum Den icke-stationära modellen. Den breda sensorns stationära modellen. 1 - summa Phii L i Yt 1 summa thetai L i varepsilont. Förskott kan nu göras på Yt med en generaliserad autoregressiv prognosmetod. Nu när vi har diskuterat ARMA - och ARIMA-modellerna, vänder vi oss nu till hur kan vi använda dem i praktiken Applikationer för att förutse prognos Jag har byggt ett genomförande med Excel med hjälp av R för att göra ARIMA-prognoser samt ett alternativ att köra Monte Carlo-simulering på modellen för att bestämma sannolikheten för prognoserna. Exploatering och användning. Innan du använder arket, Du måste ladda ner R och RExcel från Statconn webbplats Om du redan har R installerat kan du bara ladda ner RExcel Om du inte har R installerat kan du ladda ner RAndFriends som innehåller den senaste versionen av R och RExcel Observera, RExcel fungerar bara på 32bit Excel för sin icke-kommersiella licens Om du har 64bit Excel installerat måste du få en kommersiell licens från Statconn. Det rekommenderas att ladda ner RAndFriends eftersom det gör det snabbaste och enklaste installera Men om du redan har R och vill installera den manuellt, följ dessa steg. Installera RExcel manuellt. Om du vill installera RExcel och övriga paket för att R ska fungera i Excel, öppna först R som administratör genom att högerklicka på The. In R-konsolen installerar du RExcel genom att skriva följande uttalanden. Kommandona ovan kommer att installera RExcel på din maskin. Nästa steg är att installera rcom, vilket är ett annat paket från Statconn för RExcel-paketet. För att installera detta, skriv följande Kommandon som också automatiskt installerar rscproxy från R version 2 8 0. Med dessa paket installerade kan du flytta till för att ställa in sambandet mellan R och Excel. Trots att det inte är nödvändigt för installationen är ett praktiskt paket att ladda ner Rcmdr utvecklad Av John Fox Rcmdr skapar R menyer som kan bli menyer i Excel Denna funktion kommer som standard med RAndFriends installationen och gör flera R-kommandon tillgängliga i Excel. Typ följande kommandon i R för att installera Rcmd R. Vi kan skapa länken till R och Excel. Notera i de senaste versionerna av RExcel görs denna anslutning med ett enkelt dubbelklick på den medföljande filen ActivateRExcel2010, så du behöver bara följa dessa steg om du manuellt installerade R och RExcel Eller om någon anledning inte är ansluten till RAndFriends installation. Skapa anslutningen mellan R och Excel. Öppna en ny bok i Excel och navigera till alternativskärmen. Klicka på Alternativ och sedan Add-Ins. Du ska se en lista över alla De aktiva och inaktiva tilläggen du har för tillfället Klicka på knappen Gå längst ner. I dialogrutan Tillägg ser du alla tilläggsreferenser du har gjort. Klicka på Bläddra. Navigera till RExcel-mappen, vanligtvis I C Program FilesRExcelxls eller något liknande Hitta tillägget och klicka på det. Nästa steg är att skapa en referens för att makron som använder R för att fungera korrekt. I ditt Excel-dokument anger du Alt F11. Detta öppnar Excel s VBA-editor Gå till Verktyg - Referenser, och hitta RExcel Referens, RExcelVBAlib RExcel ska nu vara redo att använda. Använd Excel-arket. Nå att R och RExcel är korrekt konfigurerade är det dags att göra några prognoser. Öppna prognosarket och klicka på Load Server Detta är för att starta RCom-servern och även Ladda de nödvändiga funktionerna för att göra prognoserna En dialogruta kommer att öppnas Välj den it-R-filen som ingår i arket Den här filen innehåller funktionerna som prognosverktyget använder De flesta av de funktioner som ingår är utvecklade av Professor Stoffer vid University of Pittsburgh. De utökar möjligheterna Av R och ge oss några användbara diagnosgrafer tillsammans med vår prognosutgång. Det finns också en funktion för att automatiskt bestämma de bästa passande parametrarna för ARIMA-modellen. Efter serverns laddningar anger du dina data i datakolonnen. Välj datafältet, Högerklicka och välj Namnområde Namn området som Data. Next, ange frekvensen av dina data i Cell C6 Frekvens refererar till tidsperioderna för dina data Om det är vecka Ly, frekvensen skulle vara 7 Månadsvis skulle vara 12 medan kvartalsvis skulle vara 4 och så vidare. Ange perioder som kommer att förutse. Observera att ARIMA-modeller blir ganska felaktiga efter flera på varandra följande frekvensprognoser. En bra tumregelregel får inte överstiga 30 steg Som någonting förbi som kan vara ganska opålitligt Detta beror också på storleken på din dataset Om du har begränsad data tillgänglig, rekommenderas att du väljer ett mindre steg före nummer. Efter att du har skrivit in din data, namngiv den och ställ in önskat Frekvens och steg framåt för att prognostisera, klicka på Kör Det kan ta ett tag för prognoserna att bearbetas. När det är slutfört får du förutspådda värden ut till det antal du angav, standardfelet på resultaten och två diagram. Vänster är De förutspådda värdena plottade med data, medan rätten innehåller praktisk diagnostik med standardiserade residualer, autokorrelering av residualerna, en gg-del av resterna och en Ljung-Box statistikdiagram för att bestämma i F modellen är välutrustad. Jag vann inte in på för mycket detaljer om hur du letar efter en välutrustad modell, men på ACF-grafen vill du inte att någon eller många lagspikar passerar över den prickade blå linjen På Gg-plot, ju fler cirklar som går genom linjen, desto mer normaliserad och bättre monterad är modellen för större dataset detta kan gå över en hel del cirklar. Slutligen är Ljung-Box-testet en artikel i sig, desto mer cirklar som är Över den prickade blå linjen, desto bättre är modellen. Om diagnostikresultatet inte ser bra ut, kan du försöka lägga till mer data eller starta på en annan punkt närmare det intervall du vill prognostisera. Du kan enkelt rensa de genererade resultaten efter Klickar du på knapparna Klar prognoserade värden. Och det är det för tillfället gör datakolonnen inte annat än för din referens, men det är inte nödvändigt för verktyget. Om jag hittar tid ska jag gå tillbaka och lägga till så att den visade grafen Visar rätt tid Du kan också få ett fel när r Försvinner prognosen Det här beror vanligtvis på den funktion som finner att de bästa parametrarna inte kan bestämma rätt ordning. Du kan följa ovanstående steg för att försöka ordna dina data bättre för funktionen att fungera. Jag hoppas att du får använda verktyget Det har sparat mig mycket tid på jobbet, eftersom nu är allt jag behöver göra är att mata in data, ladda servern och köra den. Jag hoppas också att det här visar hur fantastiskt R kan vara, speciellt när den används med en frontänd som t. ex. Excel. Code, Excel-kalkylblad och fil finns också på GitHub här.