ความสำคัญ ของการ เคลื่อนไหว ค่าเฉลี่ย ใน อนุกรมเวลา

วิธีการใช้ค่าเฉลี่ยเคลื่อนที่ในการซื้อหุ้นค่าเฉลี่ยเคลื่อนที่ (MA) เป็นเครื่องมือวิเคราะห์ทางเทคนิคที่เรียบง่ายซึ่งช่วยให้ข้อมูลราคาดีขึ้นโดยการสร้างราคาเฉลี่ยที่อัปเดตอยู่ตลอดเวลา ค่าเฉลี่ยจะอยู่ในช่วงเวลาหนึ่งเช่น 10 วัน 20 นาที 30 สัปดาห์หรือช่วงเวลาใดก็ได้ที่ผู้ขายเลือก มีข้อได้เปรียบในการใช้ค่าเฉลี่ยเคลื่อนที่ในการซื้อขายรวมถึงตัวเลือกในประเภทค่าเฉลี่ยเคลื่อนที่ที่จะใช้ กลยุทธ์การย้ายเฉลี่ยยังเป็นที่นิยมและสามารถปรับแต่งให้เหมาะกับช่วงเวลาใด ๆ เหมาะกับนักลงทุนระยะยาวและผู้ค้าระยะสั้น ทำไมต้องใช้ค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเคลื่อนที่สามารถช่วยลดปริมาณเสียงในแผนภูมิราคาได้ มองไปที่ทิศทางของค่าเฉลี่ยเคลื่อนที่เพื่อดูแนวคิดพื้นฐานของราคาที่เคลื่อนไหว ราคาปรับตัวขึ้นและราคาปรับตัวลง (หรือเมื่อเร็ว ๆ นี้) โดยรวมลดลงและราคาปรับตัวลงโดยรวมเคลื่อนไปด้านข้างและราคาน่าจะอยู่ในช่วง ค่าเฉลี่ยเคลื่อนที่สามารถทำหน้าที่เป็นตัวสนับสนุนหรือความต้านทาน ในระยะขาขึ้นค่าเฉลี่ยเคลื่อนที่ 50 วัน 100 วันหรือ 200 วันอาจเป็นระดับการสนับสนุนดังที่แสดงในรูปด้านล่าง นี่เป็นเพราะการกระทำโดยเฉลี่ยเช่นพื้น (การสนับสนุน) ดังนั้นราคาจึงกลับขึ้นมา ในขาลงค่าเฉลี่ยถ่วงน้ำหนักอาจทำหน้าที่เป็นความต้านทานเช่นเพดานราคากระทบมันแล้วเริ่มที่จะลดลงอีกครั้ง ราคาเคยชินเคารพค่าเฉลี่ยเคลื่อนที่ในลักษณะนี้ ราคาอาจไหลผ่านเล็กน้อยหรือหยุดและย้อนกลับก่อนที่จะถึง เป็นแนวทางทั่วไปถ้าราคาอยู่เหนือค่าเฉลี่ยที่เคลื่อนที่แนวโน้มจะเพิ่มขึ้น หากราคาต่ำกว่าค่าเฉลี่ยเคลื่อนที่แนวโน้มจะลดลง ค่าเฉลี่ยเคลื่อนที่สามารถมีความยาวแตกต่างกันได้ (กล่าวสั้น ๆ ) ดังนั้นหนึ่งอาจบ่งบอกถึงแนวโน้มขาขึ้นขณะที่อีกค่าหนึ่งบ่งบอกถึงแนวโน้มขาลง ประเภทของค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเคลื่อนที่สามารถคำนวณได้หลายวิธี ค่าเฉลี่ยเคลื่อนที่ห้าวัน (SMA) เพียงแค่เพิ่มขึ้นห้าราคาปิดล่าสุดในชีวิตประจำวันและหารด้วยห้าเพื่อสร้างค่าเฉลี่ยใหม่ในแต่ละวัน แต่ละค่าเฉลี่ยจะเชื่อมต่อกันทำให้เกิดเส้นไหลเอกพจน์ ค่าเฉลี่ยเคลื่อนที่ที่นิยมอีกอย่างหนึ่งคือค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) การคำนวณมีความซับซ้อนมากขึ้น แต่โดยทั่วไปใช้น้ำหนักมากขึ้นกับราคาล่าสุด วางแผน SMA 50 วันและ EMA 50 วันในแผนภูมิเดียวกันและคุณจะสังเกตเห็นว่า EMA ทำปฏิกิริยากับการเปลี่ยนแปลงราคาได้เร็วกว่า SMA เนื่องจากมีการเพิ่มน้ำหนักข้อมูลราคาล่าสุด ซอฟต์แวร์การทำแผนที่และแพลตฟอร์มการซื้อขายทำคำนวณดังนั้นจึงไม่มีการใช้คณิตศาสตร์ด้วยตนเองเพื่อใช้ MA ประเภทของ MA ไม่ดีกว่าอีก EMA อาจทำงานได้ดีขึ้นในตลาดหุ้นหรือตลาดการเงินเป็นระยะ ๆ และในบางครั้ง SMA อาจทำงานได้ดีขึ้น กรอบเวลาที่เลือกสำหรับค่าเฉลี่ยเคลื่อนที่จะมีบทบาทสำคัญในประสิทธิภาพของการทำงาน (ไม่ขึ้นกับประเภท) ความยาวเฉลี่ยที่เคลื่อนที่ได้คือ 10, 20, 50, 100 และ 200 ความยาวเหล่านี้สามารถใช้กับกรอบเวลาแผนภูมิใด ๆ (หนึ่งนาทีทุกวันรายสัปดาห์ ฯลฯ ) ขึ้นอยู่กับเส้นขอบการค้าของผู้ค้า กรอบเวลาหรือความยาวที่คุณเลือกสำหรับค่าเฉลี่ยเคลื่อนที่ซึ่งเรียกอีกอย่างว่าช่วงเวลาที่มองย้อนกลับสามารถมีบทบาทอย่างมากในการที่มีประสิทธิภาพ MA ที่มีกรอบเวลาสั้น ๆ จะตอบสนองต่อการเปลี่ยนแปลงของราคาได้เร็วกว่า MA ที่มีระยะเวลาย้อนหลังนาน ในภาพด้านล่างค่าเฉลี่ยเคลื่อนที่ 20 วันจะติดตามราคาที่เกิดขึ้นจริงกว่า 100 วันอย่างใกล้ชิด 20 วันอาจเป็นประโยชน์ในการวิเคราะห์แก่ผู้ประกอบการที่มีอายุสั้นเนื่องจากราคาดังกล่าวใกล้เคียงกับราคามากขึ้นและทำให้เกิดความล่าช้าน้อยกว่าค่าเฉลี่ยเคลื่อนที่ระยะยาว ความล่าช้าคือเวลาที่ใช้สำหรับค่าเฉลี่ยเคลื่อนที่ในการส่งสัญญาณการกลับรายการที่อาจเกิดขึ้น การเรียกคืนเป็นแนวทางทั่วไปเมื่อราคาอยู่เหนือค่าเฉลี่ยที่เคลื่อนที่แนวโน้มจะพิจารณาขึ้น ดังนั้นเมื่อราคาปรับตัวลดลงต่ำกว่าค่าเฉลี่ยที่เคลื่อนที่จะส่งผลให้เกิดการกลับรายการที่อาจเกิดขึ้นจาก MA ค่าเฉลี่ยเคลื่อนที่ 20 วันจะให้สัญญาณการกลับรายการมากขึ้นกว่าค่าเฉลี่ยเคลื่อนที่ 100 วัน ค่าเฉลี่ยเคลื่อนที่สามารถยาวได้ 15, 28, 89 ฯลฯ การปรับค่าเฉลี่ยเคลื่อนที่เพื่อให้ได้ข้อมูลที่ถูกต้องมากขึ้นเกี่ยวกับข้อมูลในอดีตอาจช่วยสร้างสัญญาณที่ดีขึ้นในอนาคต กลยุทธ์การซื้อขาย - Crossovers Crossovers เป็นหนึ่งในกลยุทธ์เฉลี่ยที่เคลื่อนไหวโดยเฉลี่ย ประเภทแรกคือครอสโอเวอร์ราคา เรื่องนี้ถูกกล่าวถึงก่อนหน้านี้และเมื่อราคาสูงกว่าหรือต่ำกว่าค่าเฉลี่ยเคลื่อนที่เพื่อบ่งชี้ถึงแนวโน้มการเปลี่ยนแปลงที่อาจเกิดขึ้น กลยุทธ์อีกอย่างหนึ่งก็คือการใช้ค่าเฉลี่ยเคลื่อนที่สองค่าเป็นแผนภูมิหนึ่งและยาวอีกหนึ่งอัน เมื่อ MA สั้นข้ามเหนือ MA ระยะยาวสัญญาณซื้อตามที่บ่งชี้ว่าแนวโน้มมีการขยับขึ้นซึ่งเรียกว่า Cross สีทอง เมื่อ MA สั้นลงมาต่ำกว่า MA ในระยะยาวสัญญาณการขายของมันบ่งชี้ว่าแนวโน้มมีการเคลื่อนตัวลง ค่านี้เรียกว่าเป็นค่าเฉลี่ย deaddeath ค่าเฉลี่ยเคลื่อนที่คำนวณจากข้อมูลที่ผ่านมาและไม่มีอะไรเกี่ยวกับการคำนวณในลักษณะคาดการณ์ ดังนั้นผลการคำนวณโดยใช้ค่าเฉลี่ยเคลื่อนที่สามารถสุ่มได้ - ในบางครั้งตลาดมีความน่าเชื่อถือและสัญญาณการค้า และบางครั้งก็แสดงให้เห็นว่าไม่มีการเคารพ ปัญหาที่สำคัญอย่างหนึ่งก็คือถ้าการดำเนินการด้านราคากลายเป็นราคาที่ผันผวนราคาอาจแกว่งไปมาเป็นสัญญาณสัญญาณย้อนกลับหลายทิศทาง เมื่อสิ่งนี้เกิดขึ้นได้ดีที่สุดให้หลีกเลี่ยงหรือใช้ตัวบ่งชี้อื่นเพื่อช่วยชี้แจงแนวโน้ม สิ่งเดียวที่สามารถเกิดขึ้นได้กับการครอสโอเวอร์ MA ซึ่ง MAs ได้รับการพันกันเป็นระยะเวลาหนึ่งโดยเริ่มต้นธุรกิจการค้าหลายอย่าง ค่าเฉลี่ยเคลื่อนที่ทำงานได้ดีขึ้นในสภาวะที่มีแนวโน้มสูง แต่มักไม่ดีในสภาวะที่แปรปรวนหรือแตกต่างกัน การปรับกรอบเวลาสามารถช่วยในเรื่องนี้ได้ชั่วคราวแม้ว่าในบางประเด็นประเด็นเหล่านี้มักเกิดขึ้นโดยไม่คำนึงถึงกรอบเวลาที่เลือกสำหรับ MA (s) ค่าเฉลี่ยเคลื่อนที่ช่วยลดข้อมูลราคาโดยการทำให้เรียบและสร้างเส้นไหล วิธีนี้สามารถทำให้แนวโน้มในการแยกตัวง่ายขึ้น ค่าเฉลี่ยเคลื่อนที่แบบเสวนาตอบสนองต่อการเปลี่ยนแปลงของราคาได้ง่ายกว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย ในบางกรณีอาจเป็นเรื่องที่ดีและในบางกรณีอาจทำให้เกิดสัญญาณผิดพลาด การเคลื่อนไหวโดยเฉลี่ยที่มีระยะเวลาย้อนกลับสั้นกว่า (เช่น 20 วัน) จะตอบสนองต่อการเปลี่ยนแปลงราคาได้เร็วกว่าค่าเฉลี่ยที่มีระยะเวลามองยาว (200 วัน) การย้ายไขว้เฉลี่ยเป็นกลยุทธ์ยอดนิยมสำหรับทั้งรายการและทางออก MAs ยังสามารถเน้นพื้นที่ของการสนับสนุนหรือความต้านทานที่อาจเกิดขึ้น แม้ว่าค่าดังกล่าวอาจมีการคาดการณ์ก็ตามค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับข้อมูลในอดีตเสมอและเพียงแสดงราคาเฉลี่ยในช่วงเวลาหนึ่งเท่านั้น เบต้าเป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การเสนอขายหุ้นหรือไอพีโอมักจะออกโดย บริษัท ขนาดเล็กที่มีอายุน้อยกว่าที่แสวงหา อัตราส่วนหนี้สินต่อทุนเป็นอัตราส่วนหนี้สินที่ใช้ในการวัดแรงกดดันทางการเงินของ บริษัท หรืออัตราส่วนหนี้สินที่ใช้ในการวัดค่าเฉลี่ยของแต่ละบุคคลค่าเฉลี่ยของ MA - MA - ค่าเฉลี่ย MA - MA - ค่าเฉลี่ยเคลื่อนที่ - MA เป็นตัวอย่าง SMA พิจารณาการรักษาความปลอดภัยโดยมีราคาปิดดังต่อไปนี้เกินกว่า 15 วัน: 1 (5 วัน) 20, 22, 24, 25, 23 สัปดาห์ที่ 2 (5 วัน) 26, 28, 26, 29, 27 สัปดาห์ที่ 3 (5 วัน) 28, 30, 27, 29, 28 A MA 10 วันจะ เฉลี่ยออกจากราคาปิดสำหรับ 10 วันแรกเป็นจุดข้อมูลแรก จุดข้อมูลถัดไปจะลดราคาเริ่มต้นเพิ่มราคาในวันที่ 11 และใช้ค่าเฉลี่ยและอื่น ๆ ดังที่แสดงด้านล่าง ตามที่ระบุไว้ก่อนหน้านี้ MAs lag การกระทำราคาปัจจุบันเพราะพวกเขาจะขึ้นอยู่กับราคาที่ผ่านมายิ่งระยะเวลาที่ยาวนานสำหรับ MA มากเท่าไร ดังนั้นแมสซาชูเซตส์ระยะ 200 วันจะมีความล่าช้ามากกว่า MA 20 วันเนื่องจากมีราคาสำหรับ 200 วันที่ผ่านมา ความยาวของ MA จะขึ้นอยู่กับวัตถุประสงค์ในการซื้อขายโดย MAs สั้นสำหรับการซื้อขายระยะสั้นและ MAs ระยะยาวมีความเหมาะสมกับนักลงทุนระยะยาว นักลงทุนและผู้ค้าที่มีการซื้อขาย MA ระยะเวลา 200 วันโดยมียอดขายต่ำกว่าและต่ำกว่าค่าเฉลี่ยเคลื่อนที่นี้ถือเป็นสัญญาณการซื้อขายที่สำคัญ MAs ยังให้สัญญาณการซื้อขายที่สำคัญด้วยตัวเองหรือเมื่อสองค่าเฉลี่ยข้ามไป MA ที่เพิ่มขึ้นบ่งชี้ว่าการรักษาความปลอดภัยอยู่ในขาขึ้น ในขณะที่ค่าดัชนีลดลงแสดงให้เห็นว่าอยู่ในขาลง ในทำนองเดียวกันโมเมนตัมสูงขึ้นได้รับการยืนยันโดยการครอสโอเวอร์แบบ bullish ซึ่งเกิดขึ้นเมื่อ MA ระยะสั้นทะลุเหนือ MA ระยะยาว แรงกระแทกลงจะได้รับการยืนยันจากการพังทลายของไขว้ซึ่งเกิดขึ้นเมื่อ MA ระยะสั้นทะลุต่ำกว่าค่าเฉลี่ยระยะยาว MA. moving ระยะเวลาเฉลี่ยของข้อมูลชุดเวลา (observed spaced in time) จากระยะเวลาหลายช่วงเวลาติดต่อกัน เรียกว่าย้ายเนื่องจากมีการคำนวณใหม่อย่างต่อเนื่องจากข้อมูลใหม่จะพร้อมใช้งานดำเนินการโดยการลดค่าที่เก่าสุดและเพิ่มมูลค่าล่าสุด ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ของยอดขายในหกเดือนอาจคำนวณได้โดยคำนวณยอดขายเฉลี่ยตั้งแต่เดือนมกราคมถึงเดือนมิถุนายนจากนั้นยอดขายโดยเฉลี่ยของเดือนกุมภาพันธ์ถึงเดือนกรกฎาคมถึงเดือนมีนาคมถึงเดือนสิงหาคมเป็นต้น ค่าเฉลี่ยเคลื่อนที่ (1) ลดผลกระทบของรูปแบบชั่วคราวของข้อมูล (2) ปรับปรุงพอดีข้อมูลให้เป็นเส้น (กระบวนการที่เรียกว่าการทำให้ราบเรียบ) เพื่อแสดงแนวโน้มข้อมูลให้ชัดเจนขึ้นและ (3) เน้นค่าใด ๆ เหนือหรือต่ำกว่า แนวโน้ม หากคุณกำลังคำนวณสิ่งที่มีความแปรปรวนสูงมากสิ่งที่ดีที่สุดที่คุณอาจทำได้คือคิดค่าเฉลี่ยเคลื่อนที่ ฉันต้องการทราบว่าค่าเฉลี่ยเคลื่อนที่เป็นข้อมูลอย่างไรดังนั้นฉันจึงมีความเข้าใจในวิธีที่เรากำลังทำอยู่ เมื่อคุณพยายามคิดตัวเลขที่เปลี่ยนแปลงบ่อยครั้งที่ดีที่สุดที่คุณสามารถทำได้คือคำนวณค่าเฉลี่ยเคลื่อนที่ การวิเคราะห์ชุดข้อมูล Bollinger BandsTime และการประยุกต์ใช้งาน: ด้วย R ตัวอย่างการแก้ไขปัญหาชุดเวลา R ชุดหน้าใช้ JavaScript สำหรับการเน้นไวยากรณ์ ไม่จำเป็นต้องเปิดใช้งาน แต่โค้ดจะอ่านได้ยาก นี่เป็นเพียงช่วงเวลาสั้น ๆ ที่เดินเล่นลงเลน คำแนะนำของฉันคือการเปิด R และเล่นพร้อมกับบทแนะนำ หวังว่าคุณจะได้ติดตั้ง R และพบไอคอนบนเดสก์ทอปของคุณซึ่งดูเหมือนว่าอาร์ดีมันเป็นอาร์ถ้าคุณใช้ลินุกซ์แล้วก็หยุดมองเพราะมันไม่ได้อยู่ที่นั่น เพียงแค่เปิดเทอร์มินัลแล้วป้อน R (หรือติดตั้ง R Studio) หากต้องการเพิ่มเติมเกี่ยวกับกราฟิกชุดเวลาโดยเฉพาะการใช้ ggplot2 ดูการแก้ไขด่วนของกราฟิก การแก้ไขปัญหาอย่างรวดเร็วมีขึ้นเพื่อแสดงให้คุณเห็นถึงความสามารถในการใช้งาน R พื้นฐานของซีรีส์พื้นฐานและได้รับการจัดประเภทเป็นเรื่องสนุกสำหรับคนวัย 8 ถึง 80 ปีนี้ไม่ได้หมายถึงบทเรียนในการวิเคราะห์อนุกรมเวลา แต่ถ้าคุณต้องการคำแนะนำ หลักสูตร: loz Baby steps เซสชัน R แรกของคุณ ได้รับความสะดวกสบายจากนั้นเริ่มต้นของเธอและลองง่ายๆบางอย่าง: ตกลงตอนนี้คุณใช้ผู้เชี่ยวชาญ R กำลังจะได้รับ astsa ตอนนี้: ตอนนี้คุณโหลดเราสามารถเริ่มต้น ปล่อยให้ไปก่อนอื่นเล่นกับข้อมูล Johnson Johnson Johnson รวมอยู่ใน astsa เป็น jj อักขระ dynOmite จาก Good Times ก่อนอื่นให้ดูสิ และคุณเห็นว่า jj คือชุดของ 84 หมายเลขที่เรียกว่าวัตถุชุดเวลา หากต้องการใช้วัตถุของคุณ: ถ้าคุณเป็นผู้ใช้ Matlab (หรือคล้ายกัน) คุณอาจคิดว่า jj เป็นเวกเตอร์แบบ 84 ครั้ง 1 ครั้ง แต่ไม่เป็นเช่นนั้น มีลำดับและความยาว แต่ไม่มีมิติข้อมูล (ไม่มีแถวไม่มีคอลัมน์) R เรียกชนิดของวัตถุพาหะนี้ดังนั้นคุณต้องระวัง ใน R การเมทริกซ์มีมิติ แต่เวกเตอร์ไม่ได้ - พวกมันเป็นแค่ห้อยอยู่ในไซเบอร์สเปซ ตอนนี้ให้ทำชุดข้อมูลชุดข้อมูลรายเดือนที่เริ่มในเดือนมิถุนายนของปี 2293 เราป้อน Vortex โปรดทราบว่าข้อมูล Johnson และ Johnson เป็นรายได้ประจำไตรมาสดังนั้นจึงมีความถี่ 4 ชุด zardoz เป็นข้อมูลรายเดือนดังนั้นจึงมีความถี่ 12 นอกจากนี้คุณยังได้รับสิ่งที่มีประโยชน์บางอย่างกับวัตถุ ts เช่นตอนนี้ลองพล็อตข้อมูล Johnson Johnson: กราฟที่แสดงเป็นจินตนาการเล็กน้อยกว่าที่โค้ดจะให้ ดูรายละเอียดได้จากหน้า Graphics Quick Fix นี้จะไปสำหรับส่วนที่เหลือของแปลงที่คุณจะเห็นที่นี่ ลองดูสิ่งเหล่านี้และดูว่าจะเกิดอะไรขึ้น: และขณะที่คุณอยู่ที่นี่โปรดดูพล็อตและ ts. plot โปรดทราบว่าถ้าข้อมูลของคุณเป็นวัตถุแบบอนุกรมเวลาพล็อต () จะทำเคล็ดลับ (สำหรับพล็อตเวลาที่เรียบง่ายนั่นคือ) มิฉะนั้น plot. ts () จะบังคับให้กราฟิกเป็นพล็อตเวลา วิธีการกรองฟิลเตอร์ให้สอดคล้องกับจอห์นสันแอมป์จอห์นสันซีรีส์โดยใช้ค่าเฉลี่ยเคลื่อนที่สองด้านให้ลอง: fjj (t) 8539 jj (t-2) frac14 jj (t-1) frac14 jj (t) frac14 jj (t1) 8539 jj t2) และเพิ่ม lowess (lowess - คุณรู้ว่ากิจวัตรประจำวัน) พอดีเพื่อความสนุกสนาน ให้ความแตกต่างข้อมูลที่บันทึกไว้และเรียกมันว่า dljj แล้วเล่นกับ dljj ตอนนี้เป็นฮิสโทแกรมและพล็อต Q-Q ซึ่งอยู่ด้านบนสุดของอีกส่วนหนึ่ง (แต่ในทางที่ดี): ให้ตรวจสอบโครงสร้างความสัมพันธ์ของ dljj โดยใช้เทคนิคต่างๆ ก่อนอื่นให้ดูที่ตารางของ scatterplots ของ dljj (t) กับค่า lagged เส้นตรงแบบ lowess และตัวอย่าง acf เป็นสีน้ำเงินในกล่อง ตอนนี้ให้ลองดูที่ ACF และ PACF ของ dljj โปรดสังเกตว่าแกน LAG อยู่ในรูปของความถี่ 1,2,3,4,5 จึงสอดคล้องกับความล่าช้า 4,8,12,16,20 เนื่องจากความถี่ 4 ที่นี่ หากคุณไม่ชอบการติดฉลากประเภทนี้คุณสามารถแทนที่ dljj ในข้อใด ๆ ได้โดยใช้ ts (dljj, freq1) เช่น acf (ts (dljj, freq1), 20) การย้ายบนช่วยให้ลองการสลายโครงสร้างของ log (jj) ข้อผิดพลาดของฤดูกาลแนวโน้มโดยใช้ lowess ถ้าคุณต้องการตรวจสอบส่วนที่เหลือเช่นพวกเขาอยู่ใน dogtime. series 3. คอลัมน์ที่สามของซีรีส์ที่ได้รับ (ส่วนประกอบตามฤดูกาลและแนวโน้มจะอยู่ในคอลัมน์ 1 และ 2) ตรวจสอบ ACF ของส่วนที่เหลือ, acf (dogtime. series, 3) ส่วนที่เหลือ arent ขาว - ไม่ได้ปิด คุณสามารถทำได้โดยใช้หน้าต่างตามฤดูกาลท้องถิ่นเล็กน้อย (น้อย) โดยไม่คำนึงถึงระดับโลกที่ใช้โดยการระบุต่อ พิมพ์ stl เพื่อดูรายละเอียด Theres ยังมีสิ่งที่เรียกว่า StructTS ซึ่งจะพอดีกับแบบจำลองโครงสร้างเชิงพรรณนา เราไม่ใช้ฟังก์ชันเหล่านี้ในข้อความเมื่อเรานำเสนอโมเดลโครงสร้างในบทที่ 6 เนื่องจากเราต้องการใช้โปรแกรมของเราเอง นี่เป็นเวลาที่ดีที่จะอธิบาย ในด้านบนสุนัขเป็นวัตถุที่มีสิ่งต่างๆมากมาย (คำศัพท์ทางเทคนิค) ถ้าคุณพิมพ์สุนัข คุณจะเห็นคอมโพเนนต์และถ้าคุณพิมพ์สรุป (สุนัข) คุณจะได้รับสรุปเล็กน้อยของผลลัพธ์ หนึ่งในองค์ประกอบของสุนัขคือ time. series ซึ่งประกอบด้วยชุดผลลัพธ์ (ตามฤดูกาลแนวโน้มส่วนที่เหลือ) เพื่อดูส่วนประกอบของสุนัขที่เป็นวัตถุ คุณพิมพ์ dogtime. series (และคุณจะเห็นชุด 3 ชุดซึ่งเป็นชุดสุดท้ายที่มีจำนวนที่เหลืออยู่) และนี่คือเรื่องราวของ คุณจะเห็นตัวอย่างมากขึ้นในขณะที่เราย้ายไป และตอนนี้ดีจะเป็นปัญหาจากบทที่ 2 จะพอดีกับบันทึกการถดถอย (jj) betatime alpha 1 Q1 alpha 2 Q2 alpha 3 Q3 alpha 4 Q4 epsilon ที่ Qi เป็นตัวบ่งชี้ของไตรมาส 1,2,3,4 . จากนั้นตรวจสอบส่วนที่เหลือ คุณสามารถดูเมทริกซ์แบบ (ด้วยตัวแปรดัมมี่) ด้วยวิธีนี้: ตอนนี้ดูสิ่งที่เกิดขึ้น ดูพล็อตของข้อสังเกตและค่าติดตั้งของพวกเขาซึ่งแสดงให้เห็นว่าพล็อตข้อมูลที่มีการพอดีกับการซ้อนทับไม่คุ้มค่ากับไซเบอร์สเปซที่เกิดขึ้น แต่เศษของเหลือและ ACF ของเหลือจะคุ้มค่าน้ำหนักของมันในจูลส์: ทำเศษที่มีลักษณะเป็นสีขาวละเว้นความสัมพันธ์ 0 - lag, เสมอ 1 คำแนะนำ: คำตอบคือ NO ดังนั้นการถดถอยข้างต้นเป็นสิ่งที่ไม่จำเป็น ดังนั้นการเยียวยาคืออะไรคุณต้องใช้เวลาเรียนเพราะนี่ไม่ใช่บทเรียนในชุดเวลา ฉันเตือนคุณขึ้นที่ด้านบน คุณต้องระมัดระวังเมื่อคุณถอยหลังชุดครั้งเดียวในส่วนที่ล้าหลังของอีกเครื่องโดยใช้ lm () มีแพคเกจที่เรียกว่า dynlm ซึ่งทำให้ง่ายต่อการพอดีกับการถดถอยที่ล้าหลังและฉันจะพูดถึงเรื่องนี้หลังจากตัวอย่างนี้ ถ้าคุณใช้ lm () แล้วสิ่งที่คุณต้องทำคือผูกชุดข้อมูลไว้ด้วยกันโดยใช้ ts. intersect หากคุณไม่ผูกชุดไว้ด้วยกันพวกเขาจะไม่ได้รับการจัดตำแหน่งอย่างถูกต้อง เป็นตัวอย่างที่ถอยหลังการตายของโรคหลอดเลือดหัวใจรายสัปดาห์ (เซนติเมตร) ต่อมลพิษของอนุภาค (ชิ้นส่วน) ตามมูลค่าปัจจุบันและล้าหลังไปสี่สัปดาห์ (ประมาณหนึ่งเดือน) สำหรับรายละเอียดเกี่ยวกับชุดข้อมูลดูบทที่ 2 ตรวจสอบให้แน่ใจว่าได้โหลด astsa แล้ว หมายเหตุ: ไม่จำเป็นต้องเปลี่ยนชื่อ lag (part, -4) เป็น part4 เป็นเพียงตัวอย่างของสิ่งที่คุณสามารถทำได้ ทางเลือกอื่นข้างต้นเป็น dynlm แพ็กเกจที่จะต้องมีการติดตั้งแน่นอน (เช่นที่เราทำสำหรับ astsa ขึ้นที่นั่นในช่วงเริ่มต้น) หลังจากติดตั้งแพคเกจแล้วคุณสามารถทำตัวอย่างก่อนหน้าได้ดังนี้: ดีเวลาในการจำลอง ตัวย่อสำหรับการจำลอง ARIMA คือ arima. sim () นี่คือตัวอย่างบางส่วนที่ไม่มีผลลัพธ์แสดงไว้ที่นี่เพื่อให้คุณสามารถใช้งานได้ด้วยตัวคุณเอง การใช้ astsa เพื่อให้พอดีกับรูปแบบ ARIMA: คุณอาจสงสัยเกี่ยวกับความแตกต่างระหว่าง aic กับ AIC ข้างต้น สำหรับที่คุณต้องอ่านข้อความหรือเพียงแค่ไม่ต้องกังวลกับมันเพราะไม่คุ้มค่าทำลายวันของคุณคิดเกี่ยวกับมัน ใช่ส่วนที่เหลือเหล่านี้ดูขาว หากคุณต้องการพยากรณ์ ARIMA sarima. for จะรวมอยู่ใน astsa และตอนนี้สำหรับการถดถอยบางอย่างที่มีข้อผิดพลาด autocorrelated กำลังพอดีกับรูปแบบ M t alpha betat gammaP t e t โดยที่ M t และ P t คืออัตราการตาย (cmort) และอนุภาค (ชิ้นส่วน) และ e t คือความคลาดเคลื่อนที่สัมพันธ์กัน ขั้นแรกทำแบบ OLS และตรวจสอบส่วนที่เหลือ: ตอนนี้พอดีกับรูปแบบการวิเคราะห์ส่วนที่เหลือ (ไม่แสดง) ดูสมบูรณ์แบบ นี่เป็นรูปแบบ ARMAX, M t beta 0 phi 1 M t-1 phi 2 M t-2 beta 1 t beta 2 T t-1 beta 3 P t beta 4 P t-4 e t. โดยที่ e t อาจสัมพันธ์กับความสัมพันธ์กัน แรกเราลองและ ARMAX (p2, q0) แล้วมองไปที่เหลือและตระหนัก theres ไม่มีความสัมพันธ์ซ้ายดังนั้นได้ทำ ในที่สุดการวิเคราะห์สเปกตรัมรวดเร็ว: ทั้งหมดสำหรับตอนนี้ ถ้าคุณต้องการข้อมูลเพิ่มเติมเกี่ยวกับกราฟิกแบบอนุกรมโปรดดูที่หน้าการแก้ไขปัญหาอย่างรวดเร็วของกราฟิก