Beispiel Eines Gleitenden Durchschnittsprozesses

Ein gleitender Durchschnitt ist ein Glättungsprozess Eine alternative Möglichkeit, die vergangenen Daten zusammenzufassen, besteht darin, den Mittelwert von aufeinanderfolgenden kleineren Mengen von Zahlen von vergangenen Daten wie folgt zu berechnen. Erinnern Sie sich die Menge der Zahlen 9, 8, 9, 12, 9, 12, 11, 7, 13, 9, 11, 10, die der Dollar-Menge von 12 Lieferanten zufällig ausgewählt wurden. Es sei (M), die Größe des kleineren Satzes gleich 3. Dann ist der Durchschnitt der ersten 3 Zahlen: (9 8 9) 3 8.667. Dies wird als Glättung (d. H. Irgendeine Form der Mittelung) bezeichnet. Dieser Glättungsprozeß wird fortgesetzt, indem man eine Periode vorrückt und den nächsten Durchschnitt von drei Zahlen berechnet, wobei die erste Zahl fallengelassen wird. Moving Average Beispiel Die nächste Tabelle fasst den Prozess zusammen, der als Moving Averaging bezeichnet wird. Der allgemeine Ausdruck für den gleitenden Durchschnitt ist Mt frac cdots X. Ergebnisse von Moving AverageCan Sie geben einige real-life Beispiele von Zeitreihen, für die ein gleitender Durchschnitt Prozess der Bestellung q, dh yt Summe q thetai varepsilon varepsilont, Text varepsilont sim mathcal (0, sigma2) hat einige a priori Grund für eine gute Modell Zumindest für mich scheinen autoregressive Prozesse intuitiv intuitiv zu verstehen, während MA-Prozesse auf den ersten Blick nicht so natürlich erscheinen. Ich interessiere mich nicht für theoretische Ergebnisse hier (wie Wolds Theorem oder Invertibility). Als Beispiel für das, was ich suche, nehmen Sie an, dass Sie tägliche Aktienrendite rt sim Text (0, sigma2) haben. Dann haben die durchschnittlichen wöchentlichen Aktienrenditen eine MA (4) - Struktur als rein statistisches Artefakt. In den USA, speichert und Hersteller häufig Coupons, die für einen finanziellen Rabatt oder Rabatte eingelöst werden können, beim Kauf eines Produkts ausgeben. Sie sind oft weit verbreitet per Post, Zeitschriften, Zeitungen, das Internet, direkt vom Händler und mobile Geräte wie Handys. Die meisten Gutscheine haben ein Ablaufdatum, nach dem sie nicht durch den Laden geehrt werden, und dies ist, was produziert quotvintagesquot. Coupons möglicherweise Umsatz steigern, aber wie viele gibt es da draußen oder wie groß der Rabatt ist nicht immer der Daten-Analyst bekannt. Sie können denken, sie eine positive Fehler. Ndash Dimitriy V. Masterov In unserem Artikel Skalierung der Portfolio-Volatilität und Berechnung der Risikobeiträge bei Vorliegen serieller Kreuzkorrelationen analysieren wir ein multivariates Modell der Vermögensrenditen. Aufgrund unterschiedlicher Abschlusszeiten der Börsen erscheint eine Abhängigkeitsstruktur (nach der Kovarianz). Diese Abhängigkeit gilt nur für eine Periode. So modellieren wir diese als Vektor-gleitenden Durchschnittsprozess der Ordnung 1 (siehe Seiten 4 und 5). Das resultierende Portfolio-Verfahren ist eine lineare Transformation eines VMA (1) - Verfahrens, das im allgemeinen ein MA (q) - Verfahren mit qge1 ist (siehe Details auf den Seiten 15 und 16). Beantwortet Dec 3 12 at 21: 398.4 Gleitende durchschnittliche Modelle Anstatt vergangene Werte der Prognose-Variable in einer Regression zu verwenden, verwendet ein gleitendes Durchschnittsmodell vergangene Prognosefehler in einem regressionsähnlichen Modell. Y c et the theta e dots theta e, wobei et weißes Rauschen ist. Wir bezeichnen dies als MA (q) - Modell. Natürlich beobachten wir nicht die Werte von et, also ist es nicht wirklich Regression im üblichen Sinne. Man beachte, daß jeder Wert von yt als gewichteter gleitender Durchschnitt der letzten Prognosefehler betrachtet werden kann. Allerdings sollten gleitende Durchschnittsmodelle nicht mit der gleitenden glatten Glättung verwechselt werden, die wir in Kapitel 6 besprochen haben. Ein gleitendes Durchschnittsmodell wird für die Prognose zukünftiger Werte verwendet, während eine gleitende glatte Glättung für die Schätzung des Trendzyklus der vergangenen Werte verwendet wird. Abbildung 8.6: Zwei Beispiele für Daten aus gleitenden Durchschnittsmodellen mit unterschiedlichen Parametern. Links: MA (1) mit yt 20e t 0,8e t-1. Rechts: MA (2) mit y t e t - e t-1 0,8e t-2. In beiden Fällen ist e t normal verteiltes Weißrauschen mit Mittelwert Null und Varianz Eins. Abbildung 8.6 zeigt einige Daten aus einem MA (1) - Modell und einem MA (2) - Modell. Das Ändern der Parameter theta1, dots, thetaq führt zu unterschiedlichen Zeitreihenmustern. Wie bei autoregressiven Modellen wird die Varianz des Fehlerterms et nur den Maßstab der Reihe ändern, nicht die Muster. Es ist möglich, jedes stationäre AR (p) - Modell als MA (infty) - Modell zu schreiben. Beispielsweise können wir dies bei einem AR (1) - Modell demonstrieren: begin yt amp phi1y et amp phi1 (phi1y e) et amp phi12y phi1 e et amp phi13y phi12e phi1 e et amptext ende Provided -1 lt phi1 lt 1 wird der Wert von phi1k kleiner, wenn k größer wird. So erhalten wir schließlich yt und phi1 e phi12 e phi13 e cdots, ein MA (infty) Prozess. Das umgekehrte Ergebnis gilt, wenn wir den MA-Parametern einige Einschränkungen auferlegen. Dann wird das MA-Modell invertierbar. Das heißt, dass wir alle invertierbaren MA (q) Prozess als AR (infty) Prozess schreiben können. Invertible Modelle sind nicht einfach, damit wir von MA-Modellen auf AR-Modelle umwandeln können. Sie haben auch einige mathematische Eigenschaften, die sie in der Praxis einfacher zu verwenden. Die Invertibilitätsbedingungen sind den stationären Einschränkungen ähnlich. Für ein MA (1) Modell: -1lttheta1lt1. Für ein MA (2) - Modell: -1lttheta2lt1, theta2theta1 gt-1, theta1 - theta2 lt 1. Kompliziertere Bedingungen gelten für qge3. Wiederum wird R diese Einschränkungen bei der Schätzung der Modelle berücksichtigen.