ఆటోరెగ్రెసివ్ ఇంటిగ్రేటెడ్ మూవింగ్ సగటు అంటే ఏమిటి?
ఆటోరెగ్రెసివ్ ఇంటిగ్రేటెడ్ కదిలే సగటు, లేదా అరిమా, గణాంక విశ్లేషణ నమూనా, ఇది డేటా సెట్‌ను బాగా అర్థం చేసుకోవడానికి లేదా భవిష్యత్ పోకడలను అంచనా వేయడానికి సమయ శ్రేణి డేటాను ఉపయోగిస్తుంది.
ఆటోరెగ్రెసివ్ ఇంటిగ్రేటెడ్ మూవింగ్ యావరేజ్ (అరిమా) ను అర్థం చేసుకోవడం
ఆటోరెగ్రెసివ్ ఇంటిగ్రేటెడ్ కదిలే సగటు మోడల్ అనేది రిగ్రెషన్ విశ్లేషణ యొక్క ఒక రూపం, ఇది ఇతర మారుతున్న వేరియబుల్స్‌తో పోలిస్తే ఒక డిపెండెంట్ వేరియబుల్ యొక్క బలాన్ని అంచనా వేస్తుంది. వాస్తవ విలువలకు బదులుగా సిరీస్‌లోని విలువల మధ్య వ్యత్యాసాలను పరిశీలించడం ద్వారా భవిష్యత్ సెక్యూరిటీలను లేదా ఆర్థిక మార్కెట్ కదలికలను అంచనా వేయడం మోడల్ యొక్క లక్ష్యం.
అరిమా మోడల్ దానిలోని ప్రతి భాగాలను ఈ క్రింది విధంగా వివరించడం ద్వారా అర్థం చేసుకోవచ్చు:
- ఆటోరెగ్రెషన్ (AR) అనేది మారుతున్న వేరియబుల్‌ను చూపించే మోడల్‌ను సూచిస్తుంది, అది దాని స్వంత వెనుకబడిన లేదా ముందు విలువలతో తిరిగి వస్తుంది. ఇంటిగ్రేటెడ్ (I) సమయ శ్రేణి స్థిరంగా మారడానికి అనుమతించడానికి ముడి పరిశీలనల యొక్క భేదాన్ని సూచిస్తుంది, అనగా డేటా విలువలు డేటా విలువలు మరియు మునుపటి విలువల మధ్య వ్యత్యాసం ద్వారా భర్తీ చేయబడతాయి. కదిలే సగటు (MA) వెనుకబడి ఉన్న పరిశీలనలకు వర్తించే కదిలే సగటు మోడల్ నుండి పరిశీలన మరియు అవశేష లోపం మధ్య ఆధారపడటాన్ని కలిగి ఉంటుంది.
ప్రతి భాగం ప్రామాణిక సంజ్ఞామానం కలిగిన పరామితిగా పనిచేస్తుంది. అరిమా మోడళ్ల కోసం, ప్రామాణిక సంజ్ఞామానం p, d, మరియు q తో ARIMA గా ఉంటుంది, ఇక్కడ ఉపయోగించిన ARIMA మోడల్ రకాన్ని సూచించడానికి పారామితులకు పూర్ణాంక విలువలు ప్రత్యామ్నాయం. పారామితులను ఇలా నిర్వచించవచ్చు:
- p : మోడల్‌లో లాగ్ పరిశీలనల సంఖ్య; లాగ్ ఆర్డర్ అని కూడా పిలుస్తారు. d : ముడి పరిశీలనలు ఎన్నిసార్లు విభిన్నంగా ఉన్నాయి; డిఫరెన్సింగ్.క్ యొక్క డిగ్రీ అని కూడా పిలుస్తారు: కదిలే సగటు విండో పరిమాణం; కదిలే సగటు యొక్క క్రమం అని కూడా పిలుస్తారు.
సరళ రిగ్రెషన్ నమూనాలో, ఉదాహరణకు, పదాల సంఖ్య మరియు రకం చేర్చబడ్డాయి. 0 విలువ, ఇది పరామితిగా ఉపయోగించబడుతుంది, అంటే మోడల్‌లో నిర్దిష్ట భాగం ఉపయోగించరాదని అర్థం. ఈ విధంగా, ARMA మోడల్, లేదా సాధారణ AR, I, లేదా MA మోడళ్ల పనితీరును నిర్వహించడానికి అరిమా మోడల్‌ను నిర్మించవచ్చు.
ఆటోరెగ్రెసివ్ ఇంటిగ్రేటెడ్ మూవింగ్ యావరేజ్ మరియు స్టేషనరిటీ
ఆటోరెగ్రెసివ్ ఇంటిగ్రేటెడ్ మూవింగ్ యావరేజ్ మోడల్‌లో, డేటాను స్థిరంగా చేయడానికి డేటా భిన్నంగా ఉంటుంది. స్థిరత్వాన్ని చూపించే మోడల్ కాలక్రమేణా డేటాకు స్థిరత్వం ఉందని చూపిస్తుంది. చాలా ఆర్థిక మరియు మార్కెట్ డేటా పోకడలను చూపుతుంది, కాబట్టి భేదం యొక్క ఉద్దేశ్యం ఏదైనా పోకడలు లేదా కాలానుగుణ నిర్మాణాలను తొలగించడం.
సీజనాలిటీ, లేదా క్యాలెండర్ సంవత్సరంలో పునరావృతమయ్యే రెగ్యులర్ మరియు able హించదగిన నమూనాలను డేటా చూపించినప్పుడు, రిగ్రెషన్ మోడల్‌ను ప్రతికూలంగా ప్రభావితం చేస్తుంది. ఒక ధోరణి కనిపించినట్లయితే మరియు స్థిరత్వం స్పష్టంగా కనిపించకపోతే, ఈ ప్రక్రియ అంతటా చాలా గణనలను గొప్ప సామర్థ్యంతో చేయలేము.
