نقل - أمثلة متوسط - السلاسل الزمنية

المتوسط ​​المتحرك يعلمك هذا المثال كيفية حساب المتوسط ​​المتحرك لسلسلة زمنية في إكسيل. ويستخدم المتوسط ​​المتحرك للتخلص من المخالفات (قمم ووديان) للتعرف بسهولة على الاتجاهات. 1. أولا، دعونا نلقي نظرة على السلاسل الزمنية لدينا. 2. من علامة التبويب بيانات، انقر فوق تحليل البيانات. ملاحظة: لا يمكن العثور على زر تحليل البيانات انقر هنا لتحميل الوظيفة الإضافية تولباس تولباك. .3 حدد متوسط ​​النقل وانقر فوق موافق. .4 انقر في مربع نطاق الإدخال وحدد النطاق B2: M2. 5. انقر في المربع الفاصل الزمني واكتب 6. 6. انقر في المربع نطاق الإخراج وحدد الخلية B3. 8. رسم رسم بياني لهذه القيم. إكسلاناتيون: لأننا نقوم بضبط الفاصل الزمني الى 6، المتوسط ​​المتحرك هو متوسط ​​نقاط البيانات الخمس السابقة ونقطة البيانات الحالية. ونتيجة لذلك، يتم تمهيد قمم والوديان بها. يظهر الرسم البياني اتجاها متزايدا. لا يستطيع إكسيل حساب المتوسط ​​المتحرك لنقاط البيانات الخمس الأولى لأنه لا توجد نقاط بيانات سابقة كافية. 9. كرر الخطوات من 2 إلى 8 للفاصل الزمني 2 والفاصل الزمني 4. الخاتمة: كلما زاد الفاصل الزمني، كلما تم تمهيد القمم والوديان. أصغر الفاصل الزمني، كلما كانت المتوسطات المتحركة أقرب إلى نقاط البيانات الفعلية. أحاول حقا، ولكن تكافح، لفهم كيفية الانحدار الذاتي والانتقال متوسط ​​العمل. أنا فظيع جدا مع الجبر و النظر في أنه لا يحسن حقا فهم شيئا. ما أحب حقا هو مثال بسيط للغاية من يقول 10 الملاحظات تعتمد الوقت حتى أرى كيف تعمل. لذلك دعونا نقول لديك نقاط البيانات التالية من سعر الذهب: على سبيل المثال، في الفترة الزمنية 10، ماذا سيكون المتوسط ​​المتحرك لاج 2، ما (2)، يكون أو ما (1) و أر (1) أو أر (2) عرفت تقليديا عن المتوسط ​​المتحرك كونه شيء مثل: ولكن عند النظر إلى نماذج أرما، يتم شرح ما كدالة من شروط الخطأ السابقة، والتي لا أستطيع الحصول على رأسي حولها. هل هو مجرد وسيلة مربي الحيوانات لحساب نفس الشيء وجدت هذا المنصب مفيدة: (كيف نفهم ساريماكس حدسي) ولكن كيف يساعد الجبر، لا أستطيع أن أرى شيئا حقا بوضوح حتى أرى مثالا مبسطا لذلك. وبالنظر إلى بيانات أسعار الذهب، فإنك ستقدر النموذج أولا ثم ترى كيف يعمل (توقعات تحليل الاستجابة النبضية). ربما يجب عليك تضييق سؤالك إلى الجزء الثاني فقط (وترك التقدير جانبا). أي أنك ستقدم أر (1) أو ما (1) أو أي نموذج (على سبيل المثال xt0.5 x فاريبسيلونت) وتساءلنا، كيف يعمل هذا النموذج بالذات. نداش ريتشارد هاردي 13 أغسطس 15 في 19:58 لأي نموذج أر (q) طريقة سهلة لتقدير المعلمة (ق) هو استخدام أولس - وتشغيل الانحدار: بريسيت beta0 beta1 السعر كدوت دوتسو بيتاق السعر كدوت دعونا نفعل ذلك (في R): (حسنا، لذلك خدعت قليلا واستخدمت وظيفة أريما في R، ولكنها تعطي نفس التقديرات لانحدار عملية شريان الحياة للسودان - حاول ذلك). الآن يتيح إلقاء نظرة على ما (1) نموذج. الآن نموذج ما هو مختلف جدا عن نموذج أر. و ما هو المتوسط ​​المرجح للخطأ في الفترات السابقة، حيث يستخدم نموذج أر قيم فترات البيانات الفعلية بريفيويس. و ما (1) هو: بريسيت مو وت theta1 كدوت w حيث مو هو المتوسط، و wt هي عبارات الخطأ - وليس قيمة بريفيويز السعر (كما هو الحال في نموذج أر). الآن، للأسف، لا يمكننا تقدير المعلمات بشيء بسيط مثل عملية شريان الحياة للسودان. أنا لن تغطي الطريقة هنا، ولكن R وظيفة أريما يستخدم أقصى قدر من ليكيهود. دعونا نحاول: نأمل أن يساعد هذا. (2) فيما يتعلق بسؤال ما (1). كنت أقول المتبقية هو 1.0023 للفترة الثانية. منطقي. فهمي للباقي هو it39s الفرق بين القيمة المتوقعة والقيمة الملحوظة. ولكن بعد ذلك يمكنك القول القيمة المتوقعة للفترة 2، يتم احتساب باستخدام المتبقية للفترة 2. هل هذا الحق Isn39t القيمة المتوقعة للفترة 2 فقط (0.54230 4.9977) ندش سوف تي أغسطس 17 15 في 11: 24 تحليل سلسلة الوقت وتطبيقاتها : مع R أمثلة R سلسلة الوقت إصلاح سريع الصفحة يستخدم جافا سكريبت لتسليط الضوء على بناء الجملة. ليس من الضروري تشغيله، ولكن سوف يكون من الصعب قراءة التعليمات البرمجية. هذا هو مجرد نزهة قصيرة في الوقت المحدد سيريس حارة. نصيحتي هي لفتح R واللعب جنبا إلى جنب مع البرنامج التعليمي. نأمل، قمت بتثبيت R وجدت رمز على سطح المكتب الخاص بك الذي يبدو وكأنه R. حسنا، هو R. إذا كنت تستخدم لينكس، ثم التوقف عن النظر لأنه ليس هناك. مجرد فتح محطة وأدخل R (أو تثبيت R ستوديو.) إذا كنت تريد المزيد على الرسومات سلسلة الوقت، وخاصة باستخدام ggplot2. راجع الرسومات سريعة الإصلاح. ويهدف الإصلاح السريع لفضح لك الأساسية R قدرات سلسلة الوقت ويتم تصنيف متعة للأشخاص الذين تتراوح أعمارهم بين 8 إلى 80. وهذا ليس المقصود أن يكون درسا في تحليل سلسلة زمنية، ولكن إذا كنت تريد واحد، قد حاول هذا قصيرة سهلة بالطبع: لوز خطوات الطفل. أول جلسة R. الحصول على مريحة، ثم تبدأ لها ومحاولة بعض إضافة بسيطة: حسنا، الآن أنت خبير استخدام R. كانوا يحصلون على أستسا الآن: الآن بعد أن قمت بتحميلها، يمكننا أن نبدأ. دعونا نذهب أولا، ولعب جيدا مع مجموعة بيانات جونسون أمبير جونسون. وشملت في أستسا كما جي. أن دينوميت حرف من الأوقات الجيدة. أولا، ننظر في الأمر. وترى أن جي هو مجموعة من 84 أرقام تسمى كائن سلسلة زمنية. سيريموف الكائنات الخاصة بك: إذا كنت ماتلاب (أو ما شابه) المستخدم، قد تعتقد جي هو 84 مرة 1 ناقلات، ولكن لا. لديها النظام وطول، ولكن لا أبعاد (أي صفوف، لا أعمدة). R يدعو هذه الأنواع من ناقلات الكائنات لذلك عليك أن تكون حذرا. في R، المصفوفات لها أبعاد ولكن ناقلات لا - أنها مجرد نوع من تعلق حول في الفضاء الإلكتروني. الآن، دعونا جعل كائن سلسلة الوقت الشهري الذي يبدأ في يونيو من عام 2293. ندخل دوامة. لاحظ أن بيانات جونسون و جونسون هي أرباح ربع سنوية، وبالتالي فإن لديها تردد 4. سلسلة زمنية زردوز هي البيانات الشهرية، وبالتالي فقد تردد 12. يمكنك أيضا الحصول على بعض الأشياء المفيدة مع كائن تيسي، على سبيل المثال: الآن محاولة مؤامرة من بيانات جونسون جونسون: الرسم البياني هو أكثر نزوة قليلا من رمز سيعطي. لمزيد من التفاصيل، راجع صفحة "إصلاح الرسومات السريعة". هذا ينطبق على بقية المؤامرات سترى هنا. جرب هذه ومعرفة ما يحدث: وأثناء وجودك هنا، تحقق من plot. ts و ts. plot. لاحظ أنه إذا كانت البيانات الخاصة بك كائن سلسلة زمنية، سوف مؤامرة () تفعل خدعة (لمؤامرة زمنية بسيطة، وهذا هو). وإلا، سوف plot. ts () إكراه الرسم في مؤامرة زمنية. ماذا عن الترشيحطرق سلسلة جونسون أمب جونسون باستخدام متوسط ​​متحرك من جانبين يتيح محاولة هذا: فج (t) 8539 جي (t-2) frac14 جي (t) 1 frac14 جي (t) frac14 جي (t1) 8539 جي t2) وأيضا إضافة لويس (لويس - أنت تعرف الروتين) تناسب للمتعة. يتيح الفرق تسجيل البيانات وندعوه دلج. ثم لعب بشكل جيد مع دلجي. الآن رسم بياني ومؤامرة Q-Q، واحدة على رأس الأخرى (ولكن بطريقة لطيفة): يتيح التحقق من هيكل الارتباط دلجي باستخدام تقنيات مختلفة. أولا، ننظر جيدا في شبكة من سكاتيربلوتس من دلج (t) مقابل القيم المتخلفة. خطوط هي لويس تناسب والعينة أسف الأزرق في المربع. الآن يتيح إلقاء نظرة على أسف و باسف من دلجي. لاحظ أن محور لاغ هو من حيث التردد. لذلك 1،2،3،4،5 تتوافق مع التأخر 4،8،12،16،20 لأن التردد 4 هنا. إذا كنت لا تحب هذا النوع من العلامات، يمكنك استبدال دلج في أي من أعلاه من قبل تيسي (دلجي، freq1) على سبيل المثال. أسف (تيسي (دلج، freq1)، 20) الانتقال، يتيح محاولة تحلل هيكلي من سجل (جي) خطأ موسم الاتجاه باستخدام لويس. إذا كنت ترغب في فحص البقايا، على سبيل المثال، ثيري في dogtime. series، 3. العمود الثالث من السلسلة الناتجة (المكونات الموسمية والاتجاه في العمودين 1 و 2). تحقق من أسف من المخلفات، أسف (dogtime. series، 3) بقايا أرنت أبيض - لا حتى قريبة. يمكنك أن تفعل قليلا (القليل جدا) أفضل باستخدام نافذة الموسمية المحلية، بدلا من النافذة العالمية المستخدمة من قبل تحديد لكل. اكتب ستل للحصول على التفاصيل. ثيريس أيضا شيء يسمى ستروكتس التي من شأنها أن تناسب النماذج الهيكلية البارامترية. نحن لا نستخدم هذه الوظائف في النص عندما نقدم النمذجة الهيكلية في الفصل 6 لأننا نفضل استخدام برامجنا الخاصة. لوز هذا هو الوقت المناسب لشرح. في ما سبق، الكلب هو كائن يحتوي على مجموعة من الأشياء (المصطلح التقني). إذا كنت اكتب الكلب. سترى المكونات، وإذا قمت بكتابة ملخص (الكلب) عليك الحصول على ملخص قليلا من النتائج. واحد من مكونات الكلب هو time. series. الذي يحتوي على سلسلة الناتجة (الموسمية، الاتجاه، والباقي). لرؤية هذا المكون من كلب الكائن. يمكنك كتابة dogtime. series (وسترى 3 سلسلة، وآخر منها يحتوي على المخلفات). وهذه هي قصة. سترى المزيد من الأمثلة ونحن نتحرك على طول. والآن جيدا مشكلة من الفصل 2. كانت لتناسب سجل الانحدار (جي) بيتايمي ألفا 1 Q1 ألفا 2 Q2 ألفا 3 Q3 ألفا 4 Q4 إبسيلون حيث تشى هو مؤشر للربع الأول 1،2،3،4 . ثم فحص جيدا البقايا. يمكنك عرض مصفوفة نموذج (مع المتغيرات وهمية) بهذه الطريقة: الآن تحقق من ما حدث. ننظر إلى مؤامرة من الملاحظات والقيم المجهزة لها: مما يدل على أن مؤامرة من البيانات مع تناسب فرضه لا يستحق الفضاء السيبراني يستغرق. ولكن مؤامرة من المخلفات و أسف من المخلفات يستحق وزنه في جول: هل تلك البقايا تبدو بيضاء تجاهل الارتباط 0-تأخر، ودائما 1. تلميح: الجواب هو لا. وبالتالي فإن الانحدار أعلاه هو نوغاتوري. حتى ماذا يكون العلاج عذرا، عليك أن تأخذ الطبقة لأن هذا ليس درسا في السلاسل الزمنية. حذرت لك في الأعلى. عليك أن تكون حذرا عندما تراجعت سلسلة زمنية واحدة على مكونات متخلفة من آخر باستخدام لم (). هناك حزمة تسمى دينلم التي تجعل من السهل لتناسب الانحدارات المتخلفة، و إل مناقشة هذا الحق بعد هذا المثال. إذا كنت تستخدم لم (). ثم ما عليك القيام به هو ربط سلسلة معا باستخدام ts. intersect. إذا كنت لا تعادل سلسلة معا، فإنها لن تكون محاذاة بشكل صحيح. هيريس مثال على تراجع وفيات القلب والأوعية الدموية أسبوعيا (سمورت) على تلوث الجسيمات (جزء) في القيمة الحالية وأربعة أسابيع متأخرة (حوالي شهر). للحصول على تفاصيل حول مجموعة البيانات، راجع الفصل 2. تأكد من تحميل أستسا. ملاحظة: لم تكن هناك حاجة لإعادة تسمية تأخر (جزء، -4) إلى part4. مجرد مثال على ما يمكنك القيام به. بديل عن ما سبق هو دينلم الحزمة التي يجب أن تكون مثبتة، بطبيعة الحال (كما فعلنا ل أستسا هناك في البداية). بعد تثبيت الحزمة، يمكنك أن تفعل المثال السابق على النحو التالي: حسنا، وقتها لمحاكاة. العمود الفقري لمحاكاة أريما هو arima. sim (). وإليك بعض الأمثلة لا يظهر الإخراج هنا حتى أنت بنفسك. باستخدام أستسا من السهل لتناسب نموذج أريما: قد تكون أتساءل عن الفرق بين إيك و إيك أعلاه. لذلك عليك أن تقرأ النص أو فقط لا تقلق بشأن ذلك لأنه لا يستحق تخريب يومك التفكير في الأمر. ونعم، تلك البقايا تبدو بيضاء. إذا كنت تريد أن تفعل التنبؤ أريما، يتم تضمين sarima. for في أستسا. والآن لبعض الانحدار مع أخطاء أوتوكوريلاتد. وكان من المقرر أن يتناسب مع النموذج M t ألفا بيتات غاماب t t t حيث M t و P t هي نسبة الوفيات (كمورت) والجسيمات (الجزء)، و e t هو خطأ أوتوكورلاتد. أولا، القيام تناسب عملية شريان الحياة للسودان والتحقق من المخلفات: تناسب الآن نموذج التحليل المتبقي (لا يظهر) تبدو مثالية. هيريس نموذج أرماكس، M t بيتا 0 في 1 M t-1 في 2 M t-2 بيتا 1 t بيتا 2 T t-1 بيتا 3 P t بيتا 4 P t-4 e t. حيث قد يكون t t أوتوكورلاتد. أولا نحاول أرماكس (p2، q0)، ثم ننظر في بقايا وتحقيق ثيريس أي ارتباط اليسار، لذلك تم القيام به. وأخيرا، تحليل طيفي كيكي: هذا كل شيء في الوقت الراهن. إذا كنت تريد المزيد من الرسومات في الوقت المحدد، راجع صفحة "الرسومات السريعة الإصلاح". مثال سلسلة الوقت توضح الأمثلة التالية كيف يمكن استخدام زلمينر لاستكشاف البيانات للكشف عن الاتجاهات والمواسم. على الشريط زلينر، من علامة التبويب تطبيق النموذج، حدد مساعدة - أمثلة. ثم فوريكاستينغداتا التعدين أمثلة وفتح المثال مجموعة البيانات، Income. xlsx. تحتوي مجموعة البيانات هذه على متوسط ​​دخل دافعي الضرائب من قبل الدولة. عادة ما يتم تنفيذ الخطوات التالية في تحليل سلسلة زمنية. 1. يتم تقسيم البيانات إلى مجموعتين مع 60 من البيانات المخصصة لمجموعة التدريب و 40 المخصصة لمجموعة التحقق من الصحة. 2. يتم تطبيق التقنيات الاستكشافية على كل من مجموعات التدريب والمصادقة. إذا كانت النتائج في التزامن، ثم نموذج يمكن أن يكون مناسبا. إذا كانت المؤامرات أسف و باسف هي نفسها، ثم نفس النموذج يمكن استخدامها لكلا المجموعتين. 3. النموذج صالح باستخدام أريما (المتوسط ​​المتحرك المتكامل الانحدار الذاتي). 4. عندما يكون النموذج مناسبا باستخدام طريقة أريما، يعرض زلمينر مؤامرات أسف و باسف للمخلفات. إذا كانت هذه المؤامرات في نطاق أوكل و لكل، ثم المخلفات هي عشوائية ونموذج كاف. 5. إذا كانت البقايا ليست ضمن النطاقات، فإن هناك بعض الارتباطات، وينبغي تحسين النموذج. أولا، إجراء قسم على البيانات. حدد خلية داخل مجموعة البيانات، ثم على ريبون زلينر، من علامة التبويب سلسلة الوقت، حدد قسم لفتح مربع الحوار بيانات سلسلة الوقت. ضمن قائمة المتغيرات، حدد عام وانقر فوق غ للانتقال إلى متغير الوقت. حدد المتغيرات المتبقية ضمن قائمة المتغيرات، ثم انقر فوق غ لتضمينها في المتغيرات في قائمة بيانات القسم. ضمن تحديد خيارات التقسيم، حدد تحديد السجلات لتحديد عدد السجلات المخصصة لمجموعات التدريب والتحقق من الصحة. ضمن تحديد سجلات التقسيم، حدد تحديد السجلات، ثم أدخل 50 لعدد سجلات مجموعة التدريب و 21 لعدد سجلات مجموعة التحقق من الصحة. إذا تم تحديد نسب مئوية ضمن تحديد خيارات التقسيم، يقوم زلمينر بتخصيص نسبة مئوية من السجلات لكل مجموعة وفقا للقيم التي تم إدخالها بواسطة المستخدم أو يتم إدخالها تلقائيا بواسطة زلمينر ضمن تحديد النسب المئوية للتقسيم. انقر فوق موافق . يتم إدراج ورقة عمل داتابارتيتيونس على يمين ورقة عمل الدخل. في الإخراج أعلاه، طريقة تقسيم هو متتابعة (مقابل عشوائي). وقد تم تخصيص أول 50 ملاحظة لمجموعة التدريب وتم تخصيص الملاحظات ال 21 المتبقية لمجموعة التحقق. حدد خلية على ورقة عمل داتابارتيتيونس ثم على الشريط زلينر من علامة التبويب سلسلة الوقت، حدد أريما - أوتوكوريلاتيونس لعرض الحوار أسف. حدد كا كمتغير محدد، أدخل 10 لكل من معلمات أسف لبيانات التدريب وبيانات التحقق من الصحة. يتم تحديد الرسم البياني أسف مؤامرة بشكل افتراضي. انقر فوق موافق . يتم إدراج أكفوتبوت ورقة العمل بعد ورقة عمل داتابارتيتيونس. ملاحظة على كل مخطط أن الارتباط الذاتي ينخفض ​​مع زيادة عدد التأخر. وهذا يشير إلى وجود نمط محدد في كل قسم. ومع ذلك، بما أن النمط لا يكرر، يمكن الافتراض أنه لا توجد موسمية مدرجة في البيانات. وبالإضافة إلى ذلك، منذ كل من المخططات تظهر نمط مماثل، يمكننا أن نلائم نفس النموذج إلى كل من التحقق من صحة ومجموعات التدريب. انقر فوق مرة أخرى إلى ورقة العمل داتابارتيتيونس وعلى الشريط زلينر، من علامة التبويب سلسلة الوقت، حدد أريما - أوتوكوريلاتيونس جزئية لفتح الحوار باسف. حدد كا من قائمة بيانات المتغيرات في الإدخال، ثم انقر فوق غ لنقل المتغير إلى متغير محدد. أدخل 40 لحد أقصى لاج تحت معلمات باسف لبيانات التدريب، و 15 لمعلمات باسف لبيانات التحقق من الصحة. يتم تحديد المخطط باسف المخطط افتراضيا. انقر فوق موافق . يتم إدراج أكفوتبوت ورقة العمل مباشرة إلى يمين ورقة العمل داتابارتيتيونس. يظهر كل من مؤامرات باسف أنماط مماثلة في كل من مجموعات التحقق والتدريب. ونتيجة لذلك، يمكننا استخدام نفس النموذج لكلا المجموعتين. الناتج باسف لتدريب البيانات الناتج باكف لبيانات التحقق من صحة وظيفة باكف يظهر نمط محدد، مما يعني أن هناك اتجاها في البيانات. ومع ذلك، لأن النمط لا يكرر، يمكننا أن نخلص إلى أن البيانات لا تظهر أي موسمية. كل من الرسم البياني أسف و باسف تشير إلى وجود نمط محدد، ولكن من دون أي موسمية. كل من مجموعات البيانات تظهر نفس السلوك في كل من التدريب والمصادقة مجموعات، مما يشير إلى أن نفس النموذج هو مناسبة لكل منهما. الآن نحن على استعداد لتناسب النموذج. يقبل نموذج أريما ثلاثة معلمات: p - عدد مصطلحات الانحدار الذاتي d - عدد الفرق غير الموسمية، q - عدد الأخطاء المتخلفة (المتوسطات المتحركة). تذكر أن مؤامرة أسف أظهرت عدم وجود موسمية في البيانات، وهو ما يعني أن الترابط الذاتي هو ثابت تقريبا، وانخفاض مع زيادة عدد الفواصل. هذا يشير إلى إعداد q 0 حيث يبدو أنه لا توجد أخطاء متخلفة. عرضت مؤامرة باسف قيمة كبيرة للفارق الأول، ولكن الحد الأدنى المؤامرات للتخلف المتعاقبة. هذا الإعداد أقترح ص 1. مع معظم مجموعات البيانات، وإعداد د 1 كافية أو يمكن أن تكون على الأقل نقطة انطلاق. انقر فوق مرة أخرى إلى ورقة العمل داتابارتيتيونس وعلى الشريط زلينر، من علامة التبويب سلسلة الوقت، حدد أريما - نموذج أريما لإظهار سلسلة الوقت - الحوار أريما. حدد كا من قائمة بيانات المتغيرات في الإدخال، ثم انقر فوق غ لنقل المتغير إلى حقل المتغير المحدد. ضمن المعلمات غير الموسمية تعيين الانحدار التلقائي (p) إلى 1، الفرق (د) إلى 1، والمتوسط ​​المتحرك (q) إلى 0. انقر فوق خيارات متقدمة لفتح مربع الحوار أريما - خيارات متقدمة. حدد القيم الجاهزة والمخلفات، وإنتاج التنبؤات، وتقرير فترات الثقة المتوقعة. يتم إدخال إعداد مستوى الثقة الافتراضي 95 تلقائيا. يتم تحديد مصفوفة التباين-التباين بشكل افتراضي. انقر فوق موافق على مربع الحوار خيارات أريما المتقدمة ثم مرة أخرى في مربع الحوار سلسلة الوقت - أريما. زلمينر بحساب ويعرض مختلف المعلمات والرسوم البيانية في اثنين من أوراق الإخراج، أريماوتبوت و أريمارزيدوالس. تحتوي ورقة عمل أريماوتبوت على نموذج أريما الموضح أدناه. في نفس ورقة العمل هذه، قام زلمينر بحساب المدى الثابت و مصطلح AR1 لنموذجنا. وهذه هي المعادلة الثابتة و f1 لمعادلة التنبؤ. انظر الإخراج التالي من اختبار مربع تشي. قيمة p الصغيرة لفترة ثابتة (0.9704) و AR1 المدى (0) تشير إلى أن النموذج هو مناسب لبياناتنا. افتح ورقة العمل أريماريزيدوالس. ويحدد هذا الجدول القيم الفعلية والمجهزة والمخلفات الناتجة. وكما هو مبين في الرسم البياني أدناه، فإن القيم الفعلية والمتوقعة تتطابق بشكل جيد إلى حد ما. وستعتمد فائدة النموذج في التنبؤ على مدى قرب القيم الفعلية والمتوقعة في مؤامرة زمنية لمجموعة التحقق من الصحة. بعد ذلك، سوف نرى المؤامرات أسف و باسف للأخطاء الموجودة في الجزء السفلي من ورقة عمل أريماوتبوت. جميع التأخرات، باستثناء التأخر 1، هي بوضوح ضمن نطاقات أوكل و لكل. ويشير ذلك إلى أن البقايا عشوائية وغير مترابطة، وهذا هو أول مؤشر على أن المعلمات النموذجية كافية لهذه البيانات. راجع جدول التوقعات على ورقة عمل أريماوتبوت. ويبين الجدول القيمة الفعلية والمتوقعة. تمثل القيم السفلى والعلوية الحدود الدنيا والعليا لفترة الثقة. هناك فرصة 95 أن تنخفض القيمة المتوقعة في هذا النطاق. يشير مؤامرة الوقت إلى اليمين كيف النموذج، الذي قمنا بتجهيز باستخدام مجموعة التدريب وتنفيذها على مجموعة التحقق من الصحة. إن القيم الفعلية والمتوقعة قريبة إلى حد ما، مما يؤكد أن نموذجنا يجب أن يكون جيدا للتنبؤ. لرسم القيم أسفل العمود السفلي والعلوي في نفس المخطط، حدد الرسم البياني، ثم على شريط إكسيل، حدد تصميم - حدد البيانات لفتح مربع حوار تحديد مصدر البيانات. بالنسبة إلى نطاق بيانات المخطط، أدخل ARIMAOutputB56: G77. ثم قم بإلغاء تحديد الخطأ تحت إدخالات الأسطورة. انقر فوق موافق . وتظهر هذه المؤامرة أن القيم الفعلية والمتوقعة تقع داخل نطاقات مستوى الثقة السفلى والعليا 95. على الرغم من أن القيم الفعلية لا تتقلب قليلا، وهذه القيم تقع في وسط النطاق. يمكننا أن نستنتج من مخرجات أريما، أن نموذجنا باستخدام المعلمات (1، 1، 0) قد تبين أن تناسب البيانات بشكل مناسب.