Professional Documents
Culture Documents
Apply Time Series Models
Apply Time Series Models
Apply Time Series Models
ﺗﻬﯿﻪ:
روﯾﻪ Apply Time Series Modelsﻣﺪل ﻫﺎي ﺳﺮي زﻣﺎﻧﯽ ﻣﻮﺟﻮد را از ﯾﮏ ﻓﺎﯾﻞ ﺧﺎرﺟﯽ ﺑﺎرﮔﺬاري ﮐﺮده و آن
ﻫﺎ را ﺑﺮ داده ﻫﺎي ﻓﻌﺎل ﺑﮑﺎر ﻣﯽ ﺑﺮد .ﺷﻤﺎ ﻣﯽ ﺗﻮاﻧﯿﺪ اﯾﻦ روﯾﻪ را ﺑﺮاي ﺑﺪﺳﺖ آوردن ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎﯾﯽ ﺑﺮاي ﺳﺮي ﻫﺎﯾﯽ
ﺑﺮاي داده ﻫﺎي ﺟﺪﯾﺪ و ﯾﺎ اﺻﻼح ﺷﺪه ﻣﻮﺟﻮد اﺳﺘﻔﺎده ﮐﻨﯿﺪ ﺑﺪون آﻧﮑﻪ ﻣﺪل ﻫﺎي ﺧﻮد را دوﺑﺎره ﺳﺎزي ﮐﻨﯿﺪ .ﻣﺪل ﻫﺎي
ﺗﻮﻟﯿﺪ ﺷﺪه از روﯾﻪ Time Series Modelerاﺳﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ.
ﻣﺜﺎل :ﺷﻤﺎ ﯾﮏ ﻣﺪﯾﺮ اﻣﻮال ﻫﺴﺘﯿﺪ ﺑﺎ ﯾﮏ ﺧﺮده ﻓﺮوش ﺑﺰرگ و ﭘﺎﺳﺨﮕﻮ ﺑﺮاي ﻫﻤﻪ 5000ﮐﺎﻻ .ﺷﻤﺎ از Expert
Modelerﺑﺮاي ﺳﺎﺧﺖ ﻣﺪل ﻫﺎﯾﯽ ﮐﻪ ﻓﺮوش ﻫﺮ ﮐﺎﻻ در ﺳﻪ ﻣﺎه آﯾﻨﺪه را ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﯽ ﮐﻨﻨﺪ اﺳﺘﻔﺎده ﮐﺮده اﯾﺪ .داده
ﻫﺎي اﻧﺒﺎر ﺷﻤﺎ ﻫﺮ ﻣﺎ ه ﺑﺎ داده ﻫﺎي ﻓﺮوش واﻗﻌﯽ ﮐﻪ ﻣﺎﯾﻠﯿﺪ ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎي ﺑﻪ روز ﺷﺪه ﻣﺎﻫﺎﻧﻪ اﺳﺘﻔﺎده ﮐﻨﯿﺪ ﺗﻐﯿﯿﺮ
ﻣﯽ ﮐﻨﺪ .روﯾﻪ Apply Time Series Modelsﺑﻪ ﺷﻤﺎ اﺟﺎزه ﻣﯽ دﻫﺪ از ﻣﺪل ﻫﺎي اﺻﻠﯽ اﺳﺘﻔﺎده ﮐﻨﯿﺪ و ﺑﻪ
ﺳﺎدﮔﯽ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل را ﺑﺮاي ﻣﺤﺎﺳﺒﻪ داده ﻫﺎي ﺟﺪﯾﺪ ﺑﺮآورد ﻣﺠﺪد ﮐﻨﯿﺪ.
آﻣﺎره ﻫﺎ :ﻣﻘﯿﺎس ﻫﺎي ﻧﯿﮑﻮﯾﯽ ﺑﺮازش :ﻣﺮﺑﻊ Rﻣﺎﻧﺎ ،ﻣﺮﺑﻊ ، Rﺧﻄﺎي ﻣﺮﺑﻊ ﻣﯿﺎﻧﮕﯿﻦ رﯾﺸﻪ ) ، (RMSEﺧﻄﺎي ﻣﻄﻠﻖ
ﻣﯿﺎﻧﮕﯿﻦ ) ،(MAEﺧﻄﺎي درﺻﺪ ﻣﻄﻠﻖ ﻣﯿﺎﻧﮕﯿﻦ ) ،(MAPEﻣﺎﮐﺴﯿﻤﻢ ﺧﻄﺎي ﻣﻄﻠﻖ ) ،(MaxAEﻣﺎﮐﺴﯿﻤﻢ ﺧﻄﺎي
درﺻﺪ ﻣﻄﻠﻖ ) ،(MaxAPEﻣﻌﯿﺎر اﻃﻼﻋﺎت ﺑﯿﺰي ﻧﺮﻣﺎل ﺷﺪه ) ،(BICﺑﺎﻗﯿﻤﺎﻧﺪه ﻫﺎ :ﺗﺎﺑﻊ ﺧﻮد ﻫﻤﺒﺴﺘﮕﯽ ،ﺗﺎﺑﻊ ﺧﻮد
ﻫﻤﺒﺴﺘﮕﯽ ﺟﺰﺋﯽLjung-Box Q ،
ﻧﻤﻮدارﻫﺎ :ﻧﻤﻮدارﻫﺎي ﺧﻼﺻﻪ در ﺗﻤﺎم ﻣﺪل ﻫﺎ :ﻫﯿﺴﺘﻮﮔﺮام ﻣﺮﺑﻊ Rﻣﺎﻧﺎ ،ﻣﺮﺑﻊ ، Rﺧﻄﺎي ﻣﺮﺑﻊ ﻣﯿﺎﻧﮕﯿﻦ رﯾﺸﻪ
) ، (RMSEﺧﻄﺎي ﻣﻄﻠﻖ ﻣﯿﺎﻧﮕﯿﻦ ) ،(MAEﺧﻄﺎي درﺻﺪ ﻣﻄﻠﻖ ﻣﯿﺎﻧﮕﯿﻦ ) ،(MAPEﻣﺎﮐﺴﯿﻤﻢ ﺧﻄﺎي ﻣﻄﻠﻖ
) ،(MaxAEﻣﺎﮐﺴﯿﻤﻢ ﺧﻄﺎي درﺻﺪ ﻣﻄﻠﻖ ) ،(MaxAPEﻣﻌﯿﺎر اﻃﻼﻋﺎت ﺑﯿﺰي ﻧﺮﻣﺎل ﺷﺪه ) ،(BICﻧﻤﻮدارﻫﺎي
ﺟﻌﺒﻪ اي ﺑﺎﻗﯿﻤﺎﻧﺪه ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ و ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﺟﺰﺋﯽ ،ﻧﺘﺎﯾﺞ ﺑﺮاي ﻣﺪل ﻫﺎي ﻣﻨﺤﺼﺮ ﺑﻔﺮد :ﻣﻘﺎدﯾﺮ ﭘﯿﺶ ﺑﯿﻨﯽ ،ﻣﻘﺎدﯾﺮ
ﺑﺮازش ،ﻣﻘﺎدﯾﺮ ﻣﺸﺎﻫﺪه ﺷﺪه ،ﺣﺪود اﻃﻤﯿﻨﺎن ﺑﺎﻻ و ﭘﺎﯾﯿﻦ ،ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ و ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﺟﺰﺋﯽ ﺑﺎﻗﯿﻤﺎﻧﺪه ﻫﺎ.
داده ﻫﺎ :ﻣﺘﻐﯿﺮﻫﺎﯾﯽ )واﺑﺴﺘﻪ و ﻣﺴﺘﻘﻞ( ﮐﻪ در ﻣﺪل ﺑﻪ ﮐﺎر ﻣﯽ روﻧﺪ ﺑﺎﯾﺪ ﻋﺪدي ﺑﺎﺷﻨﺪ.
ﻣﻔﺮوﺿﺎت :ﻣﺘﻐﯿﺮﻫﺎﯾﯽ ﮐﻪ در دﯾﺘﺎﺳﺖ ﻓﻌﺎل ﺑﮑﺎر ﻣﯽ رود ﺑﺎ ﻣﺘﻐﯿﺮﻫﺎي ﻣﺸﺨﺺ ﺷﺪه در ﻣﺪل ﻫﻢ ﻧﺎم ﻫﺴﺘﻨﺪ .ﻫﻤﻪ
ﻣﺘﻐﯿﺮﻫﺎ ﺑﻪ ﻋﻨﻮان ﺳﺮي ﻫﺎي زﻣﺎﻧﯽ ﻣﻮرد اﺳﺘﻔﺎده ﻫﺴﺘﻨﺪ ،ﯾﻌﻨﯽ ﻫﺮ ﺣﺎﻟﺖ ﯾﮏ ﻧﻘﻄﻪ زﻣﺎﻧﯽ را ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ ﺑﺎ ﺣﺎﻟﺖ
ﻫﺎي ﻣﺘﻮاﻟﯽ ﺟﺪا از ﻫﻢ ﺑﺎ ﯾﮏ ﺑﺎزه زﻣﺎﻧﯽ ﺛﺎﺑﺖ.
ﭘﯿﺶ ﺑﯿﻨﯽ :ﺑﺮاي ﺳﺎﺧﺖ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ از ﻣﺪل ﻫﺎﯾﯽ ﺑﺎ ﻣﺘﻐﯿﺮﻫﺎي ﻣﺴﺘﻘﻞ )ﭘﯿﺸﮕﻮ( اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد ﮐﻪ دﯾﺘﺎﺳﺖ ﻓﻌﺎل
ﺑﺎﯾﺪ ﺷﺎﻣﻞ ﻣﻘﺎدﯾﺮي از اﯾﻦ ﻣﺘﻐﯿﺮﻫﺎ ﺑﺮاي ﺗﻤﺎم ﺣﺎﻻت در دوره ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺎﺷﺪ .اﮔﺮ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل ﺑﺮآورد ﻣﺠﺪد ﺷﺪه
ﺑﺎﺷﻨﺪ ،ﭘﺲ ﻣﺘﻐﯿﺮﻫﺎي ﻣﺴﺘﻘﻞ ﻧﺒﺎﯾﺪ ﺷﺎﻣﻞ ﻣﻘﺎدﯾﺮ ﮔﻢ ﺷﺪه در دوره ﺑﺮآورد ﺑﺎﺷﻨﺪ.
ﺗﻌﺮﯾﻒ زﻣﺎن
روﯾﻪ Apply Time Series Modelsﻧﯿﺎزﻣﻨﺪ ﺗﻨﺎوب ﻣﯽ ﺑﺎﺷﺪ ،اﮔﺮ ﻫﺮ ﮐﺪام از دﯾﺘﺎﺳﺖ ﻫﺎي ﻓﻌﺎل ﺑﺎ ﺗﻨﺎوب ﻣﺪل
ﻫﺎ ﻫﻤﺎﻫﻨﮓ ﺷﻮد ﺑﮑﺎر ﺑﺮده ﻣﯽ ﺷﻮد .اﮔﺮ ﺷﻤﺎ ﺑﻄﻮر ﺳﺎده از ﻫﻤﺎن دﯾﺘﺎﺳﺖ ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﺪ ﮐﻪ ﺑﺮاي
ﺳﺎﺧﺖ ﻣﺪل اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ،ﭘﺲ اﯾﻦ وﺿﻌﯿﺖ ﻗﺎﺑﻞ ﻗﺒﻮل اﺳﺖ .اﮔﺮ ﻫﯿﭻ ﺗﻨﺎوﺑﯽ ﺑﺮاي دﯾﺘﺎﺳﺖ ﻓﻌﺎل ﻣﻮﺟﻮد ﻧﺒﺎﺷﺪ ﺷﻤﺎ
ﻓﺮﺻﺖ ﺧﻮاﻫﯿﺪ داﺷﺖ ﮐﻪ از ﺟﻌﺒﻪ ﻣﺤﺎوره اي Define Datesﺑﺮاي ﺳﺎﺧﺖ ﯾﮏ دوره ﺗﻨﺎوب اﺳﺘﻔﺎده ﮐﻨﯿﺪ .اﮔﺮ ﭼﻪ،
اﮔﺮ ﯾﮏ ﻣﺪل ﺑﺪون ﻧﯿﺎز ﺑﻪ دوره ﺗﻨﺎوب ﺳﺎﺧﺘﻪ ﺷﺪه ﺑﺎﺷﺪ ﭘﺲ دﯾﺘﺎﺳﺖ ﻓﻌﺎل ﺑﺎﯾﺪ ﺑﺪون آن ﺑﺎﺷﺪ.
Analyze
Forecasting
ﻣﺸﺨﺼﺎت ﻓﺎﯾﻞ ﻣﻮرد ﻧﻈﺮ را وارد ﮐﻨﯿﺪ و ﯾﺎ ﺑﺎ ﮐﻠﯿﮏ ﺑﺮ روي Browseﯾﮏ ﻓﺎﯾﻞ ﻣﺪل اﻧﺘﺨﺎب ﮐﻨﯿﺪ) .ﻓﺎﯾﻞ ﻫﺎي ﻣﺪل
ﺑﻪ وﺳﯿﻠﻪ روﯾﻪ Time Series Modelerﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ(.
ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎي ﻣﻮﺟﻮد در دﯾﺘﺎﺳﺖ ﻓﻌﺎل ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل را ﺑﺮآورد ﻣﺠﺪد ﻧﻤﺎﯾﯿﺪ.
ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ ﺑﺮاي ﺑﺮآورد ﻣﺠﺪد ﭘﺎراﻣﺘﺮﻫﺎ ﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ.
ذﺧﯿﺮه ﭘﯿﺸﮕﻮﯾﯽ ﻫﺎ ،ﺑﺎزه ﻫﺎي اﻃﻤﯿﻨﺎن و ﻣﺎﻧﺪه ﻫﺎي ﻧﻮﻓﻪ )(noise residual
ذﺧﯿﺮه ﻣﺪل ﻫﺎي ﺑﺮآورد ﻣﺠﺪد ﺷﺪه در ﻗﺎﻟﺐ XLM
ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل و اﻧﺪازه ﻫﺎي ﻧﯿﮑﻮﯾﯽ ﺑﺮازش
ﺑﺎرﮔﺬاري از ﻓﺎﯾﻞ ﻣﺪل :ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﭘﺎراﻣﺘﺮﻫﺎي ﻣﻮﺟﻮد در ﻓﺎﯾﻞ ﻣﺪل و ﺑﺪون ﺑﺮآورد ﻣﺠﺪد آن ﭘﺎراﻣﺘﺮﻫﺎ
ﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ .اﻧﺪازه ﻫﺎي ﻧﯿﮑﻮﯾﯽ ﺑﺮازش در ﺧﺮوﺟﯽ ﻧﺸﺎن داده ﺷﺪه اﻧﺪ و ﺑﺮاي ﻓﯿﻠﺘﺮ ﮐﺮدن ﻣﺪل ﻫﺎ )ﺑﻬﺘﺮﯾﻦ ﯾﺎ ﺿﻌﯿﻒ
ﺗﺮﯾﻦ ﺑﺮازش( اﺳﺘﻔﺎده ﺷﺪه اﻧﺪ ﮐﻪ از ﻓﺎﯾﻞ ﻣ ﺪل ﮔﺮﻓﺘﻪ ﺷﺪه و داده ﻫﺎي اﺳﺘﻔﺎده ﺷﺪه را وﻗﺘﯽ ﻫﺮ ﻣﺪل ﺗﻮﺳﻌﻪ داده ﺷﺪه ﯾﺎ
ﺑﺮوز ﺷﺪه ﻣﻨﻌﮑﺲ ﻣﯽ ﮐﻨﺪ .ﺑﺎ اﯾﻦ ﮔﺰﯾﻨﻪ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ در داده ﻫﺎي ﺗﺎرﯾﺨﯽ _ﭼﻪ ﻣﺘﻐﯿﺮﻫﺎي واﺑﺴﺘﻪ و ﯾﺎ ﻣﺴﺘﻘﻞ_ در
دﯾﺘﺎﺳﺖ ﻓﻌﺎل ﺑﻪ ﺣﺴﺎب ﻧﻤﯽ آﯾﻨﺪ .ﺑﻌﻼوه ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ در ﻣﻘﺎدﯾﺮ ﺳﺮي ﻫﺎي واﺑﺴﺘﻪ در دوره ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﻪ ﺣﺴﺎب ﻧﻤﯽ
آﯾﻨﺪ اﻣﺎ در ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮﻫﺎي ﻣﺴﺘﻘﻞ در دوره ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﻪ ﺣﺴﺎب ﻣﯽ آﯾﻨﺪ .اﮔﺮ ﺷﻤﺎ ﻣﻘﺎدﯾﺮ ﺑﯿﺸﺘﺮي از ﺳﺮي ﻫﺎي واﺑﺴﺘﻪ
دارﯾﺪ و ﻣﯽ ﺧﻮاﻫﯿﻢ آﻧﻬﺎ را در ﭘﯿﺶ ﺑﯿﻨﯽ وارد ﮐﻨﯿﺪ ،ﻧﯿﺎز ﺑﻪ ﺑﺮآورد ﻣﺠﺪد ،ﺗﻌﺪﯾﻞ دوره ﺑﺮآورد ﺑﺮاي وارد ﮐﺮدن آﻧﻬﺎ دارﯾﺪ.
ﺑﺮآورد ﻣﺠﺪد از داده ﻫﺎ :ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎي ﻣﻮﺟﻮد در دﯾﺘﺎﺳﺖ ﻓﻌﺎل ﺑﺮآورد ﻣﺠﺪد ﻣﯽ ﺷﻮﻧﺪ .ﺑﺮآورد
ﻣﺠﺪد ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل ﻫﯿﭻ اﺛﺮي ﺑﺮ ﺳﺎﺧﺘﺎر ﻣﺪل ﻧﺪارد .ﺑﻄﻮر ﻣﺜﺎل ،ﯾﮏ ﻣﺪل ) ARIMA(1,0,1ﺑﺎﻗﯽ ﻣﯽ ﻣﺎﻧﺪ اﻣﺎ
ﭘﺎراﻣﺘﺮﻫﺎي اﺗﻮرﮔﺮﺳﯿﻮ و ﻣﯿﺎﻧﮕﯿﻦ ﻣﺘﺤﺮك ﺑﺮآورد ﻣﺠﺪد ﺧﻮاﻫﻨﺪ ﺷﺪ .ﺑﺮآورد ﻣﺠﺪد در ﮐﺸﻒ ﻣﻘﺎدﯾﺮ دوراﻓﺘﺎده ﺟﺪﯾﺪ ﻧﺘﯿﺠﻪ
ﻧﻤﯽ دﻫﺪ .ﻣﻘﺎدﯾﺮ دوراﻓﺘﺎده ﻫﻤﯿﺸﻪ از ﻓﺎﯾﻞ ﻣﺪل ﮔﺮﻓﺘﻪ ﻣﯽ ﺷﻮﻧﺪ.
دوره ﺑﺮآورد .دوره ﺑﺮآورد ﻣﺠﻤﻮﻋﻪ ﻣﻮاردي ﮐﻪ ﺑﺮاي ﺑﺮآورد ﻣﺠﺪد ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل اﺳﺘﻔﺎده ﻣﯽ ﺷﻮﻧﺪ را
ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﺪ .ﺑﻄﻮر ﭘﯿﺶ ﻓﺮض ،دوره ﺑﺮآورد ﺗﻤﺎم ﺣﺎﻟﺖ ﻫﺎي ﻣﻮﺟﻮد در دﯾﺘﺎﺳﺖ ﻓﻌﺎل را ﺷﺎﻣﻞ ﻣﯽ ﺷﻮد.
ﺑﺮاي اﺟﺮاي دوره ﺑﺮآورد ،ﮔﺰﯾﻨﻪ Based on Timeﯾﺎ Case rangeرا در ﺟﻌﺒﻪ ﻣﺤﺎوره اي Select
Casesاﻧﺘﺨﺎب ﮐﻨﯿﺪ .ﺑﺴﺘﻪ ﺑﻪ داده ﻫﺎي ﻣﻮﺟﻮد ،دوره ﺑﺮآورد اﺳﺘﻔﺎده ﺷﺪه ﺗﻮﺳﻂ روﯾﻪ ﻣﻤﮑﻦ اﺳﺖ ﺑﺎ ﻣﺪل
ﺗﻐﯿﯿﺮ ﮐﻨﺪ ﭘﺲ ﻣﺘﻔﺎوت از ﻣﻘﺪار ﻧﻤﺎﯾﺶ داده ﺷﺪه اﺳﺖ .ﺑﺮاي ﯾﮏ ﻣﺪل داده ﺷﺪه ،دوره ﺑﺮآورد ﺻﺤﯿﺢ ﭘﺲ از
ﺣﺬف ﻣﻘﺎدﯾﺮ ﮔﻢ ﺷﺪه ﭘﯿﻮﺳﺘﻪ ،از ﻣﺘﻐﯿﺮ واﺑﺴﺘﻪ ﻣﺪل ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ در اﺑﺘﺪا ﯾﺎ اﻧﺘﻬﺎي دوره ﺑﺮآورد ﻣﺸﺨﺺ ﺷﺪه
اﺳﺖ.
دوره ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﺮاي ﻫﺮ ﻣﺪل ﻫﻤﯿﺸﻪ ﺑﺎ اوﻟﯿﻦ ﻣﻮرد ﺑﻌﺪ از ﭘﺎﯾﺎن دوره ﺑﺮآورد ﺷﺮوع ﻣﯽ ﺷﻮد و ﺗﺎ آﺧﺮﯾﻦ ﻣﻮرد در دﯾﺘﺎﺳﺖ
ﻓﻌﺎل ﯾﺎ زﻣﺎن ﻣﺸﺨﺺ ﺷﺪه ﺗﻮﺳﻂ ﮐﺎرﺑﺮ ﭘﯿﺶ ﻣﯽ رود .اﮔﺮ ﭘﺎراﻣﺘﺮﻫﺎ ﺑﺮآورد ﻣﺠﺪد ﻧﺸﺪه ﺑﺎﺷﻨﺪ )ﺑﻄﻮر ﭘﯿﺶ ﻓﺮض اﯾﻦ
ﭼﻨﯿﻦ اﺳﺖ( ،ﭘﺲ دوره ﺑﺮآورد ﺑﺮاي ﻫﺮ ﻣﺪل ،ﻣﺠﻤﻮﻋﻪ ﻣﻮاردي اﺳﺖ ﮐﻪ وﻗﺘﯽ ﻣﺪل ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ ﺑﻮد اﺳﺘﻔﺎده ﺷﺪ.
.First case after end of estimation period through last case in active datasetاﯾﻦ
ﮔﺰﯾﻨﻪ را زﻣﺎﻧﯽ اﻧﺘﺨﺎب ﮐﻨﯿﺪ ﮐﻪ ﭘﺎﯾﺎن دوره ﺑﺮآورد ﭘﯿﺶ از آﺧﺮﯾﻦ ﻣﻮرد در دﯾﺘﺎﺳﺖ ﻓﻌﺎل اﺳﺖ ،و ﻣﯽ ﺧﻮاﻫﯿﺪ ﺗﺎ آﺧﺮﯾﻦ
ﻣﻮرد ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﯿﺪ.
.First case after end of estimation period through a specified dateاﯾﻦ ﮔﺰﯾﻨﻪ را ﺑﺮاي
ﻣﺸﺨﺺ ﮐﺮدن ﭘﺎﯾﺎن دوره ﭘﯿﺶ ﺑﯿﻨﯽ ﺑﻪ ﻃﻮر ﺻﺮﯾﺢ اﻧﺘﺨﺎب ﮐﻨﯿﺪ .ﻣﻘﺎدﯾﺮ را ﺑﺮاي ﻫﻤﻪ ﺧﺎﻧﻪ ﻫﺎ در Date gridوارد
ﻧﻤﺎﯾﯿﺪ.
اﮔﺮ ﻫﯿﭻ زﻣﺎﻧﯽ ﺑﺮاي دﯾﺘﺎﺳﺖ ﻓﻌﺎل ﻣﺸﺨﺺ ﻧﺸﻮد Date grid ،ﺳﺘﻮن ﺗﮑﯽ Observationرا ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ.
ﺑﺮاي ﻣﺸﺨﺺ ﮐﺮدن ﭘﺎﯾﺎن دوره ﭘﯿﺶ ﺑﯿﻨﯽ ،ﺷﻤﺎره ردﯾﻒ ﻣﻘﺪار ﻣﺮﺑﻮﻃﻪ را وارد ﮐﻨﯿﺪ.
ﺳﺘﻮن Cycleدر Date gridﻣﺮﺑﻮط ﺑﻪ ارزش ﻣﺘﻐﯿﺮ CYCLEدر دﯾﺘﺎﺳﺖ ﻓﻌﺎل ﻣﯽ ﺑﺎﺷﺪ.
ﺧﺮوﺟﯽ
ﺧﺮوﺟﯽ ﺣﺎﺿﺮ ﺷﺎﻣﻞ ﻧﺘﺎﯾﺠﯽ ﺑﺮاي ﻣﺪل ﻫﺎي ﺗﮑﯽ ﺑﻪ ﺧﻮﺑﯽ ﺗﻤﺎم ﻣﺪل ﻫﺎ ﻣﯽ ﺑﺎﺷﺪ .ﻧﺘﺎﯾﺞ ﺑﺮاي ﻣﺪل ﻫﺎي ﺗﮑﯽ ﻣﯽ ﺗﻮاﻧﺪ
ﻣﺤﺪود ﺑﻪ ﻣﺠﻤﻮﻋﻪ ﻣﺪل ﻫﺎي ﺑﺎ ﺑﻬﺘﺮﯾﻦ ﯾﺎ ﺑﺪﺗﺮﯾﻦ ﺑﺮازش ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﻌﯿﺎرﻫﺎي ﻣﺸﺨﺺ ﺷﺪه ﺗﻮﺳﻂ ﮐﺎرﺑﺮ ﺑﺎﺷﺪ.
آﻣﺎره ﻫﺎ و ﺟﺪاول ﭘﯿﺶ ﺑﯿﻨﯽ
ﺗﺼﻮﯾﺮ 2
ﺳﺮﺑﺮگ Statisticsﮔﺰﯾﻨﻪ ﻫﺎﯾﯽ ﺑﺮاي ﻧﻤﺎﯾﺶ ﺟﺪاول و آﻣﺎره ﻫﺎي ﺑﺮازش ﻣﺪل ،آﻣﺎره ﻫﺎي ﻣﺪل ،ﺗﻮاﺑﻊ اﺗﻮﮐﻮوارﯾﺎﻧﺲ و
ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ اراﺋﻪ ﻣﯽ دﻫﺪ .ﻣﻘﺎدﯾﺮ ﻧﻤﺎﯾﺶ داده ﺷﺪه از اﻧﺪازه ﻫﺎي ﺑﺮازش ،ﻣﻘﺎدﯾﺮ Ljung-Boxو ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل
آﻧﻬﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ از ﻓﺎﯾﻞ ﻣﺪل ﮔﺮﻓﺘﻪ ﺷﺪه و ﺑﺮ داده ﻫﺎ اﺛﺮ ﻣﯽ ﮔﺬارد زﻣﺎﻧﯽ ﮐﻪ ﻫﺮ ﻣﺪل ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ اﺳﺖ ﻣﮕﺮ آﻧﮑﻪ
ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل ﺑﺮآورد ﻣﺠﺪد ﺷﺪه ﺑﺎﺷﻨﺪ .ﻣﻘﺎدﯾﺮ دوراﻓﺘﺎده ﻫﻤﯿﺸﻪ از ﻓﺎﯾﻞ ﻣﺪل ﮔﺮﻓﺘﻪ ﻣﯽ ﺷﻮﻧﺪ.
Fit measuresﺷﻤﺎ ﻣﯽ ﺗﻮاﻧﯿﺪ ﯾﮏ ﯾﺎ ﭼﻨﺪ ﻣﻮرد از ﻣﻘﺎدﯾﺮ ﺑﺮازش را ﺑﺮاي ﻗﺮار دادن در ﺟﺪاول از ﻟﯿﺴﺖ زﯾﺮ اﻧﺘﺨﺎب
ﮐﻨﯿﺪ:
Stationary R-square
R-square
Root mean square error
Mean absolute percentage error
Mean absolute error
Maximum absolute percentage error
Maximum absolute error
Normalized BIC
Statistics for comparing modelاﯾﻦ ﮔﺮوه از ﮔﺰﯾﻨﻪ ﻫﺎ ﻧﻤﺎﯾﺶ ﺟﺪاول ﺷﺎﻣﻞ آﻣﺎره ﻫﺎ در ﻣﯿﺎن ﻣﺪل ﻫﺎ را
ﮐﻨﺘﺮل ﻣﯽ ﮐﻨﺪ .ﻫﺮ ﮔﺰﯾﻨﻪ ﯾﮏ ﺟﺪول ﻣﺠﺰا ﺗﻮﻟﯿﺪ ﻣﯽ ﮐﻨﺪ .ﺷﻤﺎ ﻣﯽ ﺗﻮاﻧﯿﺪ ﯾﮏ ﯾﺎ ﭼﻨﺪ ﮔﺰﯾﻨﻪ را اﻧﺘﺨﺎب ﮐﻨﯿﺪ.
Goodness of fitﺟﺪول ﺧﻼﺻﻪ آﻣﺎره ﻫﺎ و درﺻﺪﻫﺎ ﺑﺮاي ﻣﺮﺑﻊ Rﻣﺎﻧﺎ ،ﻣﺮﺑﻊ ، Rﺧﻄﺎي ﻣﺮﺑﻊ ﻣﯿﺎﻧﮕﯿﻦ رﯾﺸﻪ
) ، (RMSEﺧﻄﺎي ﻣﻄﻠﻖ ﻣﯿﺎﻧﮕﯿﻦ ) ،(MAEﺧﻄﺎي درﺻﺪ ﻣﻄﻠﻖ ﻣﯿﺎﻧﮕﯿﻦ ) ،(MAPEﻣﺎﮐﺴﯿﻤﻢ ﺧﻄﺎي ﻣﻄﻠﻖ
) ،(MaxAEﻣﺎﮐﺴﯿﻤﻢ ﺧﻄﺎي درﺻﺪ ﻣﻄﻠﻖ ) ،(MaxAPEﻣﻌﯿﺎر اﻃﻼﻋﺎت ﺑﯿﺰي ﻧﺮﻣﺎل ﺷﺪه ).(BIC
) Residual autocorrelation function (ACFﺟﺪول ﺧﻼﺻﻪ آﻣﺎره ﻫﺎ و درﺻﺪﻫﺎ ﺑﺮاي ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ
ﻣﺎﻧﺪه ﻫﺎ در ﻣﯿﺎن ﺗﻤﺎم ﻣﺪل ﻫﺎي ﺑﺮآورد ﺷﺪه .اﯾﻦ ﺟﺪول ﺗﻨﻬﺎ وﻗﺘﯽ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل ﺑﺮآورد ﻣﺠﺪد ﺷﺪه ﺑﺎﺷﻨﺪ در
دﺳﺘﺮس اﺳﺖ.
) Residual partial autocorrelation function (PACFﺟﺪول ﺧﻼﺻﻪ آﻣﺎره ﻫﺎ و درﺻﺪﻫﺎ ﺑﺮاي
ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﺟﺰﺋﯽ ﻣﺎﻧﺪه ﻫﺎ در ﻣﯿﺎن ﺗﻤﺎم ﻣﺪل ﻫﺎي ﺑﺮآورد ﺷﺪه .اﯾﻦ ﺟﺪول ﺗﻨﻬﺎ وﻗﺘﯽ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل ﺑﺮآورد ﻣﺠﺪد
ﺷﺪه ﺑﺎﺷﻨﺪ در دﺳﺘﺮس اﺳﺖ.
Statistics for individual modelsاﯾﻦ ﮔﺮوه از ﮔﺰﯾﻨﻪ ﻫﺎ ﻧﻤﺎﯾﺶ ﺟﺪاول ﺷﺎﻣﻞ ﺟﺰﺋﯿﺎت اﻃﻼﻋﺎت ﺑﺮاي ﻫﺮ
ﻣﺪل را ﮐﻨﺘﺮل ﻣﯽ ﮐﻨﻨﺪ .ﻫﺮ ﮔﺰﯾﻨﻪ ﯾﮏ ﺟﺪول ﻣﺠﺰا ﺗﻮﻟﯿﺪ ﻣﯽ ﮐﻨﺪ .ﺷﻤﺎ ﻣﯽ ﺗﻮاﻧﯿﺪ ﯾﮏ ﯾﺎ ﭼﻨﺪ ﻣﻮرد از ﮔﺰﯾﻨﻪ ﻫﺎي زﯾﺮ را
اﻧﺘﺨﺎب ﻧﻤﺎﯾﯿﺪ:
.Parameter estimates ﯾﮏ ﺟﺪول از ﭘﺎراﻣﺘﺮﻫﺎي ﺑﺮآورد ﺷﺪه را ﺑﺮاي ﻫﺮ ﻣﺪل ﻧﺸﺎن ﻣﯽ دﻫﺪ .ﺟﺪاول
ﻣﺠﺰا ﺑﺮاي ﻣﺪل ﻫﺎي ﻫﻤﻮارﺳﺎزي ﻧﻤﺎﯾﯽ و ARIMAﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮﻧﺪ .اﮔﺮ ﻣﻘﺪار دوراﻓﺘﺎده اي وﺟﻮد
داﺷﺘﻪ ﺑﺎﺷﺪ ،ﭘﺎراﻣﺘﺮﻫﺎي ﺑﺮآورد ﺷﺪه ﺑﺮاي آﻧﻬﺎ ﻧﯿﺰ در ﺟﺪول ﺟﺪاﮔﺎﻧﻪ اي ﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮد.
.Residual autocorrelation function (ACF) ﯾﮏ ﺟﺪول از ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﻣﺎﻧﺪه ﻫﺎ ﺑﺎ ﺗﺄﺧﯿﺮ
ﺑﺮاي ﻫﺮ ﻣﺪل ﺑﺮآورد ﺷﺪه ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ .ﺟﺪول ﺷﺎﻣﻞ ﺑﺎزه ﻫﺎي اﻃﻤﯿﻨﺎن ﺑﺮاي ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﻣﯽ ﺑﺎﺷﺪ .اﯾﻦ
ﺟﺪول ﺗﻨﻬﺎ زﻣﺎﻧﯽ ﮐﻪ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪا ﺑﺮآورد ﻣﺠﺪد ﺷﺪه ﺑﺎﺷﻨﺪ در دﺳﺘﺮس اﺳﺖ.
.Residual partial autocorrelation function (PACF) ﯾﮏ ﺟﺪول از ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﺟﺰﺋﯽ
ﻣﺎﻧﺪه ﻫﺎ ﺑﺎ ﺗﺄﺧﯿﺮ ﺑﺮاي ﻫﺮ ﻣﺪل ﺑﺮآورد ﺷﺪه ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ .ﺟﺪول ﺷﺎﻣﻞ ﺑﺎزه ﻫﺎي اﻃﻤﯿﻨﺎن ﺑﺮاي
ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﺟﺰﺋﯽ ﻣﯽ ﺑﺎﺷﺪ .اﯾﻦ ﺟﺪول ﺗﻨﻬﺎ زﻣﺎﻧﯽ ﮐﻪ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪا ﺑﺮآورد ﻣﺠﺪد ﺷﺪه ﺑﺎﺷﻨﺪ در دﺳﺘﺮس
اﺳﺖ.
.Display forecasts ﯾﮏ ﺟﺪول از ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎي ﻣﺪل و ﺑﺎزه ﻫﺎي اﻃﻤﯿﻨﺎن ﺑﺮاي ﻫﺮ ﻣﺪل ﻧﻤﺎﯾﺶ ﻣﯽ
دﻫﺪ.
ﻧﻤﻮدارﻫﺎ
ﺗﺼﻮﯾﺮ 3
ﺳﺮﺑﺮگ Plotsﮔﺰﯾﻨﻪ ﻫﺎﯾﯽ ﺑﺮاي ﻧﻤﺎﯾﺶ ﻧﻤﻮدارﻫﺎﯾﯽ از آﻣﺎره ﻫﺎي ﺑﺮازش ﻣﺪل ،ﺗﻮاﺑﻊ ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ و ﻣﻘﺎدﯾﺮ ﺳﺮي
ﻫﺎ )ﺷﺎﻣﻞ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ( را اراﺋﻪ ﻣﯽ دﻫﺪ.
اﯾﻦ ﮔﺮوه از ﮔﺰﯾﻨﻪ ﻫﺎ ،ﻧﻤﺎﯾﺶ ﻧﻤﻮدارﻫﺎﯾﯽ ﺷﺎﻣﻞ آﻣﺎره ﻫﺎ در ﻣﯿﺎن ﺗﻤﺎم ﻣﺪل ﻫﺎ را ﮐﻨﺘﺮل ﻣﯽ ﮐﻨﺪ .ﻣﻘﺎدﯾﺮ ﻧﻤﺎﯾﺶ داده
ﺷﺪه ﻫﻤﺎن ﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ از ﻓﺎﯾﻞ ﻣﺪل ﺑﻮده و ﺑﺮ داده ﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده ﺗﺄﺛﯿﺮ ﻣﯽ ﮔﺬارد وﻗﺘﯽ ﮐﻪ ﻫﺮ ﻣﺪل ﺗﻮﺳﻌﻪ
داده ﺷﺪه اﺳﺖ ﻣﮕﺮ آﻧﮑﻪ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل ﺑﺮآورد ﻣﺠﺪد ﺷﺪه ﺑﺎﺷﻨﺪ .ﺑﻌﻼوه ﻧﻤﻮدارﻫﺎي ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﺗﻨﻬﺎ زﻣﺎﻧﯽ در
دﺳﺘﺮس ﻫﺴﺘﻨﺪ ﮐﻪ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل ﺑﺮآورد ﻣﺠﺪد ﺷﺪه ﺑﺎﺷﻨﺪ .ﻫﺮ ﮔﺰﯾﻨﻪ ﯾﮏ ﻧﻤﻮدار ﻣﺠﺰا را ﺗﻮﻟﯿﺪ ﻣﯽ ﮐﻨﺪ .ﺷﻤﺎ ﻣﯽ
ﺗﻮاﻧﯿﺪ ﯾﮏ ﯾﺎ ﭼﻨﺪ ﻣﻮرد از ﮔﺰﯾﻨﻪ ﻫﺎي زﯾﺮ را اﻧﺘﺨﺎب ﮐﻨﯿﺪ:
Stationary R-square
R-square
Root mean square error
Mean absolute percentage error
Mean absolute error
Maximum absolute percentage error
Maximum absolute error
Normalized BIC
)Residual autocorrelation function (ACF
)Residual partial autocorrelation function (PACF
.Seriesاﯾﻦ ﮔﺰﯾﻨﻪ را ﺑﺮاي ﺑﺪﺳﺖ آوردن ﻧﻤﻮدارﻫﺎﯾﯽ از ﻣﻘﺎدﯾﺮ ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺪه ﺑﺮاي ﻫﺮ ﻣﺪل اﻧﺘﺨﺎب ﮐﻨﯿﺪ .ﻣﻘﺎدﯾﺮ
ﻣﺸﺎﻫﺪه ﺷﺪه ،ﻣﻘﺎدﯾﺮ ﺑﺮازش ،ﺑﺎزه ﻫﺎي اﻃﻤﯿﻨﺎن ﺑﺮاي ﻣﻘﺎﯾﺴﻪ ﺑﺮازش و ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﻫﺎ ﺗﻨﻬﺎ اﮔﺮ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل
ﺑﺮآورد ﻣﺠﺪد ﺷﺪه ﺑﺎﺷﻨﺪ در دﺳﺘﺮس ﻣﯽ ﺑﺎﺷﻨﺪ .ﺷﻤﺎ ﻣﯽ ﺗﻮاﻧﯿﺪ ﯾﮏ ﯾﺎ ﭼﻨﺪ ﻣﻮرد از ﻣﻮارد زﯾﺮ ﺑﺮاي وﺟﻮد در ﻧﻤﻮدار
اﻧﺘﺨﺎب ﮐﻨﯿﺪ:
) .Residual autocorrelation function (ACFﯾﮏ ﻧﻤﻮدار از ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﻫﺎي ﻣﺎﻧﺪه ﻫﺎ ﺑﺮاي ﻫﺮ ﻣﺪل
ﺑﺮآورد ﺷﺪه ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ.
) .Residual partial autocorrelation function (PACFﯾﮏ ﻧﻤﻮدار از ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﻫﺎي ﺟﺰﺋﯽ
ﻣﺎﻧﺪه ﻫﺎ ﺑﺮاي ﻫﺮ ﻣﺪل ﺑﺮآورد ﺷﺪه ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ.
ﻣﺤﺪود ﮐﺮدن ﺧﺮوﺟﯽ ﺑﻪ ﻣﺪل ﻫﺎ ﺑﺎ ﺑﻬﺘﺮﯾﻦ ﯾﺎ ﺿﻌﯿﻒ ﺗﺮﯾﻦ ﺑﺮازش
ﺗﺼﻮﯾﺮ 4
ﺳﺮﺑﺮگ Output Filterﮔﺰﯾﻨﻪ ﻫﺎﯾﯽ ﺑﺮاي ﻣﺤﺪود ﮐﺮدن ﺧﺮوﺟﯽ ﺟﺪوﻟﯽ و ﻧﻤﻮداري ﺑﺮ ﯾﮏ زﯾﺮﻣﺠﻤﻮﻋﻪ از ﻣﺪل ﻫﺎ
اراﺋﻪ ﻣﯽ دﻫﺪ .ﺷﻤﺎ ﻣﯽ ﺗﻮاﻧﯿﺪ ﺑﺮاي ﻣﺤﺪود ﮐﺮدن ﺧﺮوﺟﯽ ﺑﻪ ﺑﻬﺘﺮﯾﻦ ﯾﺎ ﺑﺪﺗﺮﯾﻦ ﺑﺮازش ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺿﻮاﺑﻂ ﺑﺮازش ﮐﻪ ﺧﻮد
ﻣﻬﯿﺎ ﻣﯽ ﮐﻨﯿﺪ ،اﻧﺘﺨﺎب ﮐﻨﯿﺪ .ﺑﻄﻮر ﭘﯿﺶ ﻓﺮض ﺗﻤﺎم ﻣﺪل ﻫﺎ در ﺧﺮوﺟﯽ ﻣﻮﺟﻮد اﺳﺖ .ﺑﻪ ﺟﺰ زﻣﺎﻧﯽ ﮐﻪ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل
ﺑﺮآورد ﻣﺠﺪد ﺷﺪه اﻧﺪ ارزش ﻣﻘﺎدﯾﺮ ﺑﺮازش ﻣﻮرد اﺳﺘﻔﺎده ﺑﺮاي ﻣﺤﺪود ﮐﺮدن ﻣﺪل ﻫﺎ ﻫﻤﺎن ﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ در ﻓﺎﯾﻞ
ﻣﺪل ﺑﻮده و ﺑﺮ داده اﺛﺮ ﻣﯽ ﮔﺬارد.
.Best-fitting modelsاﯾﻦ ﮔﺰﯾﻨﻪ را ﺑﺮاي ﻧﻤﺎﯾﺶ ﻣﺪل ﻫﺎﯾﯽ ﺑﺎ ﺑﻬﺘﺮﯾﻦ ﺑﺮازش در ﺧﺮوﺟﯽ ،اﻧﺘﺨﺎب ﮐﻨﯿﺪ .ﯾﮏ
اﻧﺪازه ﻧﯿﮑﻮﯾﯽ ﺑﺮازش اﻧﺘﺨﺎب و ﺗﻌﺪاد ﻣﺪل ﻫﺎ را ﻣﺸﺨﺺ ﮐﻨﯿﺪ .اﻧﺘﺨﺎب اﯾﻦ ﮔﺰﯾﻨﻪ ﻣﺎﻧﻌﯽ ﺑﺮاي اﻧﺘﺨﺎب ﻫﻤﺰﻣﺎن ﻣﺪل ﻫﺎ
ﺑﺎ ﮐﻤﺘﺮﯾﻦ ﺑﺮازش اﯾﺠﺎد ﻧﻤﯽ ﮐﻨﺪ .در اﯾﻦ ﺻﻮرت ﺧﺮوﺟﯽ ﺷﺎﻣﻞ ﻣﺪل ﻫﺎي ﺑﺎ ﮐﻤﺘﺮﯾﻦ ﺑﺮازش ﺑﻪ ﺧﻮﺑﯽ ﻣﺪل ﻫﺎي ﺑﺎ
ﺑﻬﺘﺮﯾﻦ ﺑﺮازش ﺧﻮاﻫﺪ ﺑﻮد.
Fixed number of models ﻧﺘﺎﯾﺞ ﻧﻤﺎﯾﺶ داده ﺷﺪه ﺑﺮاي nﻣﺪل ﺑﺎ ﺑﻬﺘﺮﯾﻦ ﺑﺮازش را ﻣﺸﺨﺺ ﻣﯽ
ﮐﻨﺪ .اﮔﺮ ﻋﺪد از ﺟﻤﻊ ﺗﻤﺎم ﻣﺪل ﻫﺎ ﺗﺠﺎوز ﮐﻨﺪ ،ﺗﻤﺎم ﻣﺪل ﻫﺎ ﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮﻧﺪ.
Percentage of total number of models ﻧﺘﺎﯾﺞ ﻧﻤﺎﯾﺶ داده ﺷﺪه ﺑﺮاي ﻣﺪل ﻫﺎي ﺑﺎ ﻣﻘﺎدﯾﺮ
ﻧﯿﮑﻮﯾﯽ ﺑﺮازش ﺑﺎ nدرﺻﺪ ﺑﺎﻻﯾﯽ در ﻣﯿﺎن ﺗﻤﺎم ﻣﺪل ﻫﺎ را ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ.
.Poorest-fitting modelsاﯾﻦ ﮔﺰﯾﻨﻪ را ﺑﺮاي ﻧﻤﺎﯾﺶ ﻣﺪل ﻫﺎﯾﯽ ﺑﺎ ﺿﻌﯿﻔﺘﺮﯾﻦ ﺑﺮازش در ﺧﺮوﺟﯽ ،اﻧﺘﺨﺎب ﮐﻨﯿﺪ.
ﯾﮏ اﻧﺪازه ﻧﯿﮑﻮﯾﯽ ﺑﺮازش اﻧﺘﺨﺎب و ﺗﻌﺪاد ﻣﺪل ﻫﺎ را ﻣﺸﺨﺺ ﮐﻨﯿﺪ .اﻧﺘﺨﺎب اﯾﻦ ﮔﺰﯾﻨﻪ ﻣﺎﻧﻌﯽ ﺑﺮاي اﻧﺘﺨﺎب ﻫﻤﺰﻣﺎن ﻣﺪل
ﻫﺎ ﺑﺎ ﺑﻬﺘﺮﯾﻦ ﺑﺮازش اﯾﺠﺎد ﻧﻤﯽ ﮐﻨﺪ .در اﯾﻦ ﺻﻮرت ﺧﺮوﺟﯽ ﺷﺎﻣﻞ ﻣﺪل ﻫﺎي ﺑﺎ ﺑﻬﺘﺮﯾﻦ ﺑﺮازش ﺑﻪ ﺧﻮﺑﯽ ﻣﺪل ﻫﺎي ﺑﺎ
ﺿﻌﯿﻒ ﺗﺮﯾﻦ ﺑﺮازش ﺧﻮاﻫﺪ ﺑﻮد.
Fixed number of models ﻧﺘﺎﯾﺞ ﻧﻤﺎﯾﺶ داده ﺷﺪه ﺑﺮاي nﻣﺪل ﺑﺎ ﺿﻌﯿﻒ ﺗﺮﯾﻦ ﺑﺮازش را ﻣﺸﺨﺺ
ﻣﯽ ﮐﻨﺪ .اﮔﺮ ﻋﺪد از ﺟﻤﻊ ﺗﻤﺎم ﻣﺪل ﻫﺎ ﺗﺠﺎوز ﮐﻨﺪ ،ﺗﻤﺎم ﻣﺪل ﻫﺎ ﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮﻧﺪ.
Percentage of total number of models ﻧﺘﺎﯾﺞ ﻧﻤﺎﯾﺶ داده ﺷﺪه ﺑﺮاي ﻣﺪل ﻫﺎي ﺑﺎ ﻣﻘﺎدﯾﺮ
ﻧﯿﮑﻮﯾﯽ ﺑﺮازش ﺑﺎ nدرﺻﺪ ﭘﺎﺋﯿﻨﯽ در ﻣﯿﺎن ﺗﻤﺎم ﻣﺪل ﻫﺎ را ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ.
.Goodness of Fit Measureﻣﻘﺪار ﻧﯿﮑﻮﯾﯽ ﺑﺮازش را ﺑﺮاي ﻓﯿﻠﺘﺮ ﮐﺮدن ﻣﺪل ﻫﺎ اﻧﺘﺨﺎب ﮐﻨﯿﺪ .ﭘﯿﺶ ﻓﺮض ﻣﺮﺑﻊ
Rﻣﺎﻧﺎ ﻣﯽ ﺑﺎﺷﺪ.
ذﺧﯿﺮه ﭘﯿﺸﮕﻮﯾﯽ ﻫﺎي ﻣﺪل و ﻣﺸﺨﺼﺎت ﻣﺪل
ﺗﺼﻮﯾﺮ 5
ﺳﺮﺑﺮگ Saveﺑﻪ ﺷﻤﺎ اﺟﺎزه ﻣﯽ دﻫﺪ ﭘﯿﺸﮕﻮﯾﯽ ﻫﺎي ﻣﺪل را ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﯿﺮﻫﺎي ﺟﺪﯾﺪ در دﯾﺘﺎﺳﺖ ﻓﻌﺎل ذﺧﯿﺮه ﮐﺮده و
ﻣﺸﺨﺼﺎت ﻣﺪل را در ﯾﮏ ﻓﺎﯾﻞ ﺧﺮوﺟﯽ ﺑﺎ ﻗﺎﻟﺐ XLMدﺧﯿﺮه ﻧﻤﺎﯾﯿﺪ.
. Save Variablesﺷﻤﺎ ﻣﯽ ﺗﻮاﻧﯿﺪ ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ ،ﺑﺎزه ﻫﺎي اﻃﻤﯿﻨﺎن و ﻣﺎﻧﺪه ﻫﺎ را ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﯿﺮﻫﺎي ﺟﺪﯾﺪ در
دﯾﺘﺎﺳﺖ ﻓﻌﺎل ذﺧﯿﺮه ﮐﻨﯿﺪ .ﻫﺮ ﻣﺪل ﺑﻪ دﺳﺘﻪ ﺟﺪﯾﺪ ﻣﺘﻐﯿﺮﻫﺎي ﺧﻮد ارﺗﻘﺎ ﻣﯽ ﯾﺎﺑﺪ .ﻣﻮارد ﺟﺪﯾﺪ اﮔﺮ دوره ﭘﯿﺶ ﺑﯿﻨﯽ در ﻃﻮل
ﺳﺮي ﻣﺘﻐﯿﺮ واﺑﺴﺘﻪ ﺑﺎ ﻣﺪل ﻫﻤﺒﺴﺘﻪ ﺑﺎﺷﺪ ،اﺿﺎﻓﻪ ﻣﯽ ﺷﻮﻧﺪ .ﻣﻘﺎدﯾﺮ ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺪه و ﻣﺤﺪوده ﻫﺎي اﻃﻤﯿﻨﺎن ﻓﻘﻂ ﺑﺮاي
دوره ﭘﯿﺶ ﺑﯿﻨﯽ ﺳﺎﺧﺘﻪ ﺷﺪه اﻧﺪ ﻣﮕﺮ آﻧﮑﻪ ﭘﺎراﻣﺘﺮﻫﺎ ﺑﺮآورد ﻣﺠﺪد ﺷﺪه ﺑﺎﺷﻨﺪ .ﻣﺘﻐﯿﺮﻫﺎي ﺟﺪﯾﺪ را ﺑﺎ اﻧﺘﺨﺎب ﺟﻌﺒﻪ اﻧﺘﺨﺎب
Saveﺑﺮاي ﻫﺮ ﮐﺪام ،ذﺧﯿﺮه ﮐﻨﯿﺪ .ﺑﻪ ﻃﻮر ﭘﯿﺶ ﻓﺮض ﻫﯿﭻ ﻣﺘﻐﯿﺮ ﺟﺪﯾﺪي ذﺧﯿﺮه ﻧﺸﺪه اﺳﺖ.
ﺗﺼﻮﯾﺮ 6
ﺳﺮﺑﺮگ Optionsﺑﻪ ﺷﻤﺎ اﺟﺎزه ﻣﯽ دﻫﺪ ﻧﺤﻮه ﺑﺮرﺳﯽ ﻣﻘﺎدﯾﺮ ﮔﻤﺸﺪه را ﮐﻨﺘﺮل ﮐﺮده ،اﻧﺪازه ﺑﺎزه اﻃﻤﯿﻨﺎن را ﻣﺸﺨﺺ
ﮐﻨﯿﺪ ،و ﺗﻌﺪاد ﺗﺄﺧﯿﺮﻫﺎ ﺑﺮاي ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﻫﺎ را ﻣﺸﺨﺺ ﮐﻨﯿﺪ.
.Treat as invalid ﻣﻘﺎدﯾﺮ ﮔﻤﺸﺪه ﮐﺎرﺑﺮ ﻣﺎﻧﻨﺪ ﻣﻘﺎدﯾﺮ ﮔﻤﺸﺪه ﺳﯿﺴﺘﻢ ﺗﻠﻘﯽ ﻣﯽ ﺷﻮد.
.Treat as valid ﻣﻘﺎدﯾﺮ ﮔﻤﺸﺪه ﮐﺎرﺑﺮ ﺑﻌﻨﻮان داده ﻣﻌﺘﺒﺮ ﺗﻠﻘﯽ ﻣﯽ ﺷﻮد.
.Missing Value Policyﻗﻮاﻧﯿﻦ زﯾﺮ ﺑﺮاي رﻓﺘﺎر ﻣﻘﺎدﯾﺮ ﮔﻤﺸﺪه ﺑﻪ ﮐﺎر ﻣﯽ روﻧﺪ) .ﺷﺎﻣﻞ ﻣﻘﺎدﯾﺮ ﮔﻤﺸﺪه ﺳﯿﺴﺘﻢ و
ﻣﻘﺎدﯾﺮ ﮔﻤﺸﺪه ﮐﺎرﺑﺮ ﮐﻪ ﻏﯿﺮ ﻣﻌﺘﺒﺮ ﺗﻠﻘﯽ ﻣﯽ ﺷﻮد: (.
ﻣﻮاردي ﮐﻪ ﺑﺎ ﻣﻘﺎدﯾﺮ ﮔﻤﺸﺪه از ﯾﮏ ﻣﺘﻐﯿﺮ واﺑﺴﺘﻪ ﮐﻪ در دوره ﺑﺮآورد اﺗﻔﺎق ﻣﯽ اﻓﺘﻨﺪ در ﻣﺪل ﮔﻨﺠﺎﻧﺪه ﺷﺪه اﻧﺪ.
ﺑﺮرﺳﯽ ﺧﺎﺻﯽ از ﻣﻘﺎدﯾﺮ ﮔﻤﺸﺪه ﺑﺴﺘﮕﯽ ﺑﻪ ﺷﯿﻮه ﺑﺮآورد دارد.
ﺑﺮاي ﻣﺪل ﻫﺎي ،ARIMAﯾﮏ اﺧﻄﺎر ﺻﺎدر ﻣﯽ ﺷﻮد اﮔﺮ ﯾﮏ ﭘﯿﺸﮕﻮ ﻫﺮ ﻣﻘﺪار ﮔﻤﺸﺪه اي در دوره ﺑﺮآورد
داﺷﺘﻪ ﺑﺎﺷﺪ .ﻫﺮ ﻣﺪل ﺷﺎﻣﻞ ﭘﯿﺸﮕﻮ ،ﺑﺮآورد ﻣﺠﺪد ﺷﺪه ﻧﯿﺴﺖ.
اﮔﺮ ﻫﺮ ﻣﺘﻐﯿﺮ ﻣﺴﺘﻘﻞ در دوره ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﻘﺎدﯾﺮ ﮔﻤﺸﺪه داﺷﺘﻪ ﺑﺎﺷﺪ ،روﻧﺪ ﯾﮏ ﺧﻄﺎ ﻣﯽ دﻫﺪ و ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ ﺗﺎ
ﺣﺪ ﻣﻤﮑﻦ دور ﻣﯽ ﺷﻮﻧﺪ.
) .Confidence Interval width (%ﺑﺎزه ﻫﺎي اﻃﻤﯿﻨﺎن ﺑﺮاي ﭘﯿﺸﮕﻮﯾﯽ ﻫﺎي ﻣﺪل و ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﻫﺎي ﻣﺎﻧﺪه
ﻫﺎ ﻣﺤﺎﺳﺒﻪ ﺷﺪه اﻧﺪ .ﻣﯽ ﺗﻮاﻧﯿﺪ ﻫﺮ ﻣﻘﺪار ﻣﺜﺒﺖ ﮐﻤﺘﺮ از 100را ﻣﺸﺨﺺ ﮐﻨﯿﺪ .ﺑﻄﻮر ﭘﯿﺶ ﻓﺮض ﯾﮏ ﺑﺎزه اﻃﻤﯿﻨﺎن %95
اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ.
.Maximum Number of Lags Shown in ACF and PACF outputﻣﯽ ﺗﻮاﻧﯿﺪ ﺣﺪاﮐﺜﺮ ﻣﻘﺪار
ﺗﺄﺧﯿﺮﻫﺎي ﻣﺸﺎﻫﺪه ﺷﺪه در ﺟﺪول ﻫﺎ و ﻧﻤﻮدار ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﻫﺎ و ﺧﻮدﻫﻤﺒﺴﺘﮕﯽ ﺟﺰﺋﯽ را ﻣﺸﺨﺺ ﮐﻨﯿﺪ .اﯾﻦ ﮔﺰﯾﻨﻪ ﺗﻨﻬﺎ
زﻣﺎﻧﯽ در دﺳﺘﺮس اﺳﺖ ﮐﻪ ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺪل ﺑﺮآورد ﻣﺠﺪد ﺷﺪه ﺑﺎﺷﻨﺪ.
ﮐﺎرﺷﻨﺎس آﻣﺎر
www.nimasoltani.funha.com