دانلود پایان نامه
گام دوم: تخمین پارامترهای اجزاء MA و AR در مدل.
گام سوم: آزمون مدل برای این منظور که آیا مدل ARIMA انتخابی به طور مناسب بر روی داده ها برازش شده است یا اینکه باید در جستجوی مدل ARIMA مناسب دیگری بود. در صورت مثبت بودن پاسخ، مدل وارد گام چهارم می شود.
گام چهارم: بررسی قابلیت پیش بینی مدل انتخابی. ( گجراتی، 2004، ص840-841)
2-3-6. تبدیلات
در برخی موارد نیاز به ایجاد تغییر در داده ها به عنوان مثال، از طریق استفاده از لگاریتم و یا جذر گرفتن می باشد. سه دلیل عمده برای این کار عبارتند از:
تثبیت واریانس
اگر در یک سری، روند وجود داشته باشد و واریانس با میانگین در حال افزایش باشد در این صورت، انجام تبدیل توصیه می گردد. بویژه اگر انحراف معیار مستقیما نسبتی از میانگین را تشکیل داده باشد، در این صورت استفاده از یک تبدیل لگاریتمی توصیه می شود.
جمع پذیر نمودن اثر فصلی
اگر در یک سری رونددار، میزان اثر فصلی با میانگین در حال افزایش باشد در این صورت با استفاده از تبدیل داده ها می توان اثر فصلی را از سالی به سالی دیگر تثبیت نمود. در این صورت گفته می شود که اثر فصلی جمع شونده می باشد. اگر میزان اثر فصلی به طور مستقیم نسبتی از میانگین باشد در این صورت اثر فصلی ضرب شونده خواهد بود و برای تبدیل آن به اثری جمع شونده، نیاز به انجام یک تبدیل لگاریتمی می باشد. این تبدیل تنها در صورتی به تثبیت واریانس می انجامد که جزء اخلال نیز ضرب شونده باشد.
نرمال ساختن داده ها
مدل سازی و پیش بینی معمولا بر پایه این فرض که توزیع داده ها نرمال می باشد صورت می گیرد. در عمل، ضرورتا این حالت وجود ندارد. به عنوان مثال ممکن است که در یک مقطع زمانی، بواسطه وجود جهش هایی که همگی در یک جهت ( بالا یا پایین) قرار دارند چولگی وجود داشته باشد. حذف این اثر کار مشکلی است و ممکن است نیاز به تعریف یک توزیع متفاوت خطا باشد. تبدیلات لگاریتمی و مجذور مربعات ، موارد ویژه ای از کلاس تبدیلات به نام تبدیل باکس-کاکس می باشند. با در نظر گرفتن یک سری زمانی مشاهده شده و یک پارامتر تبدیل ، سری تبدیل شده عبارت خواهد بود از :
(2-2)
این تبدیل در شرایطی که باشد و اجزاء ثابت به گونه ای معرفی شده باشند که یک را که یک تابع پیوسته از در مقدار می باشد را ایجاد کنند، به طور بالقوه یک تبدیل قوی به شمار می آید. بهترین مقدار برای را می توان به طور حدسی و یا با استفاده از یک فرآیند استنتاجی همانند حداکثر درستنمایی تخمین زد.
لازم به ذکر است که نلسون و گرانگر (1979) پس از استفاده از تبدیل عمومی باکس-کاکس بر روی چند سری از داده ها، پیشرفت کمی را در عملکرد پیش بینی مشاهده کردند. در عمل، مشکلاتی در این خصوص مطرح می باشد. به عنوان مثال، تبدیلی که اثرات فصلی را جمع پذیر می سازد ممکن است در برخی از تبدیلات موفق به تثبیت واریانس نگردد. ضمن آن که در برخی از موارد دستیابی به تمامی نیازها به طور همزمان غیرممکن می باشد. ( چتفیلد، 1995، ص11-12)
2-3-7. پیش بینی
پیش بینی مقادیر آتی یک سری زمانی مشاهده شده در بسیاری از حوزه های اقتصادی، برنامه ریزی تولید، پیش بینی فروش و کنترل موجودی انبار حائز اهمیت می باشد.
پیش بینی ها اظهارات شرطی در مورد آینده می باشند که بر پایه فروضی مشخص قرار دارند. بنابراین پیش بینی ها حتمی و قطعی نمی باشند و تحلیلگر می تواند تغییرات لازم را بر حسب هر نوع اطلاعات بیرونی اعمال نماید. هیچ روش منحصر به فردی برای بیش بینی وجود ندارد که جهان شمول باشد. درمورد پیش بینی های بلندمدت، به کارگیری چندین روش پیش بینی متفاوت مبتنی بر مجموعه هایی از فروض دیگر که سناریوهای دیگری را رقم می زنند مفید می باشد.
روش های پیش بینی را می توان به طور کلی در سه گروه زیر طیقه بندی کرد:
پیش بینی های ذهنی
این گونه پیش بینی ها بر پایه استفاده از قضاوت، بینش و بصیرت، معلومات تجاری و سایر اطلاعات صورت می پذیرند. این نوع روشها دامنه وسیعی را از استنتاج های جسورانه فردی تا تکنیک دلفی را در برمیگیرند که در آن یک گروه از افراد پیش بینی کننده درصدد می باشند تا از طریق اجماع به یک پیش بینی دست یابند که بازخورد کنترلی پیش بینی های مقدماتی سایر تحلیل گران نیز در آن لحاظ شده باشد.
پیش بینی های تک متغیره
در این روش، پیش بینی مقادیر یک متغیر بر پایه یک مدل که تنها بر روی مشاهدات گذشته سری زمانی مورد نظر برازش شده است انجام می پذیرد. به این ترتیب تنها به مقادیر بستگی خواهد داشت.
برخی از روشهای مورد استفاده در این نوع پیش بینی ها عبارتند از: تعمیم منحنی های روند، هموارسازی نمایی ، روش هالت-وینترز، روش باکس-جنکینز، اتورگرسیون مرحله ای
پیش بینی های چندمتغیره