فیلم آموزش فارسی مدلسازی آریما ARIMA در متلب

در آمار و اقتصادسنجی و به ویژه در آنالیز سری‌های زمانی یک “میانگین متحرک خودگردان یکپارچه”(ARIMA) یک مدل گسترده تر از میانگین متحرک خودگردان(ARMA) است. این مدلها در سریهای زمانی برای فهم بهتر مدل یا پیش بینی آینده به کار می‌روند. این مدل‌ها در جایی که داده‌ها غیر ایستا (non-stationary) باشند به کار می‌روند. در این حالت با یک بار دیفرانسیل گیری(متناظر با جز “یکپارچه”(integrated non-stationary بودن داده‌ها از بین می‌رود و امکان برآورد یک ARMA در داده‌های جدید به وجود می‌آید. این مدل در اکثر موارد به صورت ARIMA (p،d،q نشان داده می‌شود که در آن p، d، q اعداد حقیقی غیرمنفی هستند که درجه خودگردانی، یکپارچگی و میانگین متحرک را معلوم می‌کنند. مدل‌های ARIMA بخش مهمی‌از رویکرد باکس-جنکینز به مدل‌های سری زمانی را می‌سازند. در صورتی که یکی از جزءها برابر با صفر باشند معمولا به صورتAR، I یا MA” نوشته می‌شود. برای مثال ” (۱)MA” همان ” (ARIMA(۰،۰،۱” است.

از جمله روش‌های پیش بینی، روش یک متغیره مدل باکس – جنکینز است. این روش اساساً شامل برازش یک مدل ARIMA به داده‌ها می‌باشد. در این روش پس از تعیین مرتبه تفاضلی کردن و تعیین مرتبه هر یک از فرایندهای ARو MA پارامترهای مدل مشخص می‌گردد. بررسی مناسبت مدل با تجزیه و تحلیل باقیمانده‌های مدل برازش داده شده صورت می‌گیرد. چنانچه مدل درست تشخیص داده شده باشد، باقی مانده ‌ها  باید دارای خواص متغیرهای تصادفی نرمال مستقل با میانگین صفر و واریانس ثابت باشند.

جهت پیش بینی، ابتدا سری زمانی داده‌ها رسم می‌گردد. یک سری دارای روند یک سری نا ایستاست. با رسم نمودار خود همبستگی (ACF) می‌توان ایستایی را بررسی نمود. همبستگی نگاری که در آن مقادیر r با سرعت معقولی به صفر نزدیک نمی‌شود ناایستایی را نشان می‌دهد. اگر مقادیر r نسبتا سریع افول کند سری ایستا خواهد بود. اگر مقادیر تابع خود همبستگی به کندی به سمت صفر میل کند موید نا ایستایی سری مربوطه می‌باشد. در حقیقت باید تابع خود همبستگی نمونه ای را برای سری زمانی ایستا محاسبه کنیم. بنابراین قبل از محاسبه acf باید هرگونه روند را حذف کرد. همچنین قبل از هرگونه تبدیلی به منظور پایا کردن میانگین سری باید از پایایی واریانس آن مطمئن شویم. مهمترین ابزار بررسی واریانس، تبدیل توانی است که توسط باکس کاکس (۱۹۶۴) معرفی شده است.

چنانچه با رسم نمودار باکس کاکس، عدد یک داخل حدود اطمینان ۹۵ درصد قرار دارد، می‌توان آن را به عنوان یک مقدار قابل قبول پارامتر تبدیل پذیرفت. بنابراین می‌توان از تبدیل داده‌ها صرف نظر کرد. مهمترین تبدیلات، تثبیت کننده واریانس و تبدیلات تفاضلی می‌باشد. برای ایستایی سری در میانگین لازم است با انجام تبدیلات مناسب آن را به یک سری ایستا تبدیل کرد. جهت شناسایی مدل، لازم است نمودار تابع خود همبستگی جزیی سری ایستا شده رسم گردد و مرتبه‌های qو p در مدل ARIMA تشخیص داده شود. در مرحله بعد جهت پیش بینی مقادیر، این مدل را به داده‌ها برازش می‌دهیم. برازش مدل به معنی برآورد پارامترهای مجهول مدل می‌باشد. در آخر مناسبت مدل با تحلیل باقی مانده‌های مدل برازش داده شده مورد بررسی قرار میگیرد.

سرفصل : در ابتدای خلاصه ای در مورد تئوری مدل آریما صحبت می‌شود و سپس کدنویسی مدل آریما در متلب با مثالهای متعدد بیان می‌شود.

لينك دريافت اين فيلم آموزشي

 

 

 تعدادي از تصاوير اين فيلم آموزشي :

figure 2 of ARIMA modeling in MATLAB forecast training video     figure of ARIMA modeling in MATLAB forecast training video

7 نظر در “فیلم آموزش فارسی مدلسازی آریما ARIMA در متلب”

  1. با سلام من فیلم اموزشی اریما رو خریداری کردم و لی متاسفانه لینک دانلود رو که میزنم خطا میده و میگه فایل مورد نظر موجود نیست. لطفا رسیدگی نمایید.

  2. دوست عزیز دو سوال داشتم اول اینکه کد نویسی مربوط به معیارهای ارزیابی برای سری های زمانی در متلب چطور انجام میشه چون من فیلم شبکه ی عصبی رو تهیه کردم فقط mse و rmse رو گفته اینکه mae یا R2 چطور محاسبه میشه رو نگفته اکه در این مورد فیلمی هست بگید خریداری کنم
    دوم هم راجع به آریما در سری زمانی چطور نمودار داده های واقعی و پیشبینی رو نشان بدیم منظورم کد نویسی ش در متلب هست چون این فیلمی که ازتون خریدم توضیح نمیده این مسائل رو
    ممنونم

پیام بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

25 − = seventeen