Outoregressiewe Geïntegreerde Bewegende Gemiddelde Spss

'N Rima staan ​​vir outoregressiewe geïntegreerde bewegende gemiddelde modelle. Eenveranderlike (enkele vektor) ARIMA is 'n vooruitskatting tegniek wat die toekomstige waardes van 'n reeks ten volle gebaseer op sy eie traagheid projekte. Die belangrikste aansoek is op die gebied van korttermyn voorspelling wat ten minste 40 historiese data punte. Dit werk die beste wanneer jou data toon 'n stabiele of konsekwent patroon met verloop van tyd met 'n minimum bedrag van uitskieters. Soms genoem word Posbus-Jenkins (ná die oorspronklike skrywers), ARIMA is gewoonlik beter as gladstrykingstegnieke eksponensiële wanneer die data is redelik lank en die korrelasie tussen die verlede waarnemings is stabiel. As die data is kort of baie volatiel, dan kan 'n paar smoothing metode beter te presteer. As jy nie ten minste 38 datapunte het, moet jy 'n ander metode as ARIMA oorweeg. Die eerste stap in die toepassing van ARIMA metode is om te kyk vir stasionariteit. Stasionariteit impliseer dat die reeks bly op 'n redelik konstante vlak met verloop van tyd. As 'n tendens bestaan, soos in die meeste ekonomiese of besigheid aansoeke, dan is jou data nie stilstaan. Die data moet ook 'n konstante stryd in sy skommelinge oor tyd te wys. Dit is maklik gesien met 'n reeks wat swaar seisoenale en groei teen 'n vinniger tempo. In so 'n geval, sal die wel en wee van die seisoen meer dramaties met verloop van tyd. Sonder hierdie stasionariteit voorwaardes voldoen word, baie van die berekeninge wat verband hou met die proses kan nie bereken word nie. As 'n grafiese plot van die data dui stationariteit, dan moet jy verskil die reeks. Breukmetodes is 'n uitstekende manier om die transformasie van 'n nie-stationaire reeks om 'n stilstaande een. Dit word gedoen deur die aftrekking van die waarneming in die huidige tydperk van die vorige een. As hierdie transformasie slegs een keer gedoen word om 'n reeks, sê jy dat die data het eers differenced. Hierdie proses elimineer wese die tendens as jou reeks groei teen 'n redelik konstante tempo. As dit groei teen 'n vinniger tempo, kan jy dieselfde prosedure en verskil die data weer aansoek doen. Jou data sal dan tweede differenced. Outokorrelasies is numeriese waardes wat aandui hoe 'n data-reeks is wat verband hou met self met verloop van tyd. Meer presies, dit meet hoe sterk datawaardes op 'n bepaalde aantal periodes uitmekaar gekorreleer met mekaar oor tyd. Die aantal periodes uitmekaar is gewoonlik bekend as die lag. Byvoorbeeld, 'n outokorrelasie op lag 1 maatreëls hoe waardes 1 tydperk uitmekaar gekorreleer met mekaar oor die hele reeks. 'N outokorrelasie op lag 2 maatreëls hoe die data twee periodes uitmekaar gekorreleer regdeur die reeks. Outokorrelasies kan wissel van 1 tot -1. 'N Waarde naby aan 1 dui op 'n hoë positiewe korrelasie, terwyl 'n waarde naby aan -1 impliseer 'n hoë negatiewe korrelasie. Hierdie maatreëls is meestal geëvalueer deur middel van grafiese plotte genoem correlagrams. A correlagram plotte die motor - korrelasie waardes vir 'n gegewe reeks by verskillende lags. Dit staan ​​bekend as die outokorrelasie funksie en is baie belangrik in die ARIMA metode. ARIMA metode poog om die bewegings in 'n stilstaande tyd reeks beskryf as 'n funksie van wat is outoregressiewe en bewegende gemiddelde parameters genoem. Dit is waarna verwys word as AR parameters (autoregessive) en MA parameters (bewegende gemiddeldes). 'N AR-model met slegs 1 parameter kan geskryf word as. X (t) 'n (1) X (t-1) E (t) waar x (t) tydreekse wat ondersoek word 'n (1) die outoregressiewe parameter van orde 1 X (t-1) die tydreeks uitgestel 1 periode E (t) die foutterm van die model beteken dit eenvoudig dat enige gegewe waarde X (t) kan verduidelik word deur 'n funksie van sy vorige waarde, X (t-1), plus 'n paar onverklaarbare ewekansige fout, E (t). As die beraamde waarde van A (1) was 0,30, dan is die huidige waarde van die reeks sal wees met betrekking tot 30 van sy waarde 1 periode gelede. Natuurlik, kan die reeks word wat verband hou met meer as net 'n verlede waarde. Byvoorbeeld, X (t) 'n (1) X (t-1) A (2) X (t-2) E (t) Dit dui daarop dat die huidige waarde van die reeks is 'n kombinasie van die twee onmiddellik voorafgaande waardes, X (t-1) en X (t-2), plus 'n paar random fout E (t). Ons model is nou 'n outoregressiewe model van orde 2. bewegende gemiddelde modelle: 'n Tweede tipe Box-Jenkins model is 'n bewegende gemiddelde model genoem. Hoewel hierdie modelle lyk baie soortgelyk aan die AR model, die konsep agter hulle is heel anders. Bewegende gemiddelde parameters verband wat gebeur in tydperk t net om die ewekansige foute wat plaasgevind het in die verlede tyd periodes, naamlik E (t-1), E (t-2), ens, eerder as om X (t-1), X ( t-2), (xt-3) as in die outoregressiewe benaderings. 'N bewegende gemiddelde model met 'n MA termyn kan soos volg geskryf word. X (t) - B (1) E (t-1) E (t) Die term B (1) genoem word 'n MA van orde 1. Die negatiewe teken voor die parameter is slegs vir konvensie en word gewoonlik gedruk uit motor - dateer deur die meeste rekenaarprogramme. Bogenoemde model eenvoudig sê dat enige gegewe waarde van X (t) direk verband hou net aan die ewekansige fout in die vorige tydperk, E (t-1), en die huidige foutterm, E (t). Soos in die geval van outoregressiemodelle, kan die bewegende gemiddelde modelle uitgebrei word na 'n hoër orde strukture wat verskillende kombinasies en bewegende gemiddelde lengtes. ARIMA metode kan ook modelle gebou word dat beide outoregressiewe en gemiddelde parameters saam beweeg inkorporeer. Hierdie modelle word dikwels na verwys as gemengde modelle. Hoewel dit maak vir 'n meer ingewikkelde voorspelling instrument, kan die struktuur inderdaad die reeks beter na te boots en produseer 'n meer akkurate skatting. Suiwer modelle impliseer dat die struktuur bestaan ​​slegs uit AR of MA parameters - nie beide. Die ontwikkel deur hierdie benadering modelle word gewoonlik genoem ARIMA modelle omdat hulle 'n kombinasie van outoregressiewe (AR) te gebruik, integrasie (I) - verwys na die omgekeerde proses van breukmetodes die voorspelling te produseer, en bewegende gemiddelde (MA) operasies. 'N ARIMA model word gewoonlik gestel as ARIMA (p, d, q). Dit verteenwoordig die orde van die outoregressiewe komponente (p), die aantal breukmetodes operateurs (d), en die hoogste orde van die bewegende gemiddelde termyn. Byvoorbeeld, ARIMA (2,1,1) beteken dat jy 'n tweede orde outoregressiewe model met 'n eerste orde bewegende gemiddelde komponent waarvan die reeks is differenced keer om stasionariteit veroorsaak. Pluk die reg spesifikasie: Die grootste probleem in die klassieke Box-Jenkins probeer om te besluit watter ARIMA spesifikasie gebruik - i. e. hoeveel AR en / of MA parameters in te sluit. Dit is wat die grootste deel van Box-Jenkings 1976 is gewy aan die identifikasieproses. Dit was afhanklik van grafiese en numeriese eval - uation van die monster outokorrelasie en gedeeltelike outokorrelasiefunksies. Wel, vir jou basiese modelle, die taak is nie te moeilik. Elk outokorrelasiefunksies dat 'n sekere manier te kyk. Maar wanneer jy optrek in kompleksiteit, die patrone is nie so maklik opgespoor. Om sake nog moeiliker maak, jou data verteenwoordig slegs 'n voorbeeld van die onderliggende proses. Dit beteken dat steekproeffoute (uitskieters, meting fout, ens) die teoretiese identifikasie proses kan verdraai. Dit is waarom tradisionele ARIMA modellering is 'n kuns eerder as 'n science. SPSS On-Line Opleiding Workshop Tyd Reeks prosedure bied die gereedskap vir die skep van modelle, die toepassing van 'n bestaande model vir tydreeksanalise, seisoenale ontbinding en spectraalanalyse van tydreeksdata, soos sowel as gereedskap vir die berekening van outokorrelasies en kruis-korrelasies. Die volgende twee movie clips demonstreer hoe om 'n eksponensiële gladstryking tydreeksmodel en hoe om 'n bestaande tydreeksmodel aansoek te doen vir die ontleding van tydreeksdata te skep. Film: Eksponensiële Smoothing Model film: ARIMA Model amp Expert Modeler Tool In hierdie on-line werkswinkel, sal jy baie movie clips vind. Elke movie clip sal 'n paar spesifieke gebruik van SPSS te demonstreer. Skep TS Models. Daar is verskillende metodes beskikbaar in SPSS vir die skep van Tydreeksmodelle. Daar is prosedures vir eksponensiële gladstryking, een - en meerveranderlike outoregressiewe geïntegreerde bewegende gemiddelde (ARIMA) modelle. Hierdie prosedures voorspellings. Glad metodes Forecasting - bewegende gemiddeldes, geweegde bewegende gemiddeldes en eksponensiële gladstryking metodes in word dikwels gebruik in vooruitskatting. Die hoofdoel van elk van hierdie metodes is uit te stryk die ewekansige skommelinge in die tyd reeks. Dit is effektief wanneer die tyd reeks beduidende tendens, sikliese of seisoenale effekte nie uitstal. Dit wil sê, die tyd reeks is stabiel. Glad metodes is oor die algemeen 'n goeie vir 'n kort-reeks voorspellings. Bewegende gemiddeldes: bewegende gemiddeldes gebruik gemiddeld van die mees onlangse k datawaardes in die tyd reeks. Per definisie, MA S (mees onlangse k waardes) / k. Die gemiddelde MA veranderinge as nuwe waarnemings word beskikbaar. Geweegde Moving Average: In MA metode, ontvang elke datapunt dieselfde gewig. In geweegde bewegende gemiddelde, gebruik ons ​​verskillende gewigte vir elke datapunt. Oor die kies van die gewigte, bereken ons geweegde gemiddelde van die mees onlangse k datawaardes. In baie gevalle is, ontvang die mees onlangse data punt die meeste gewig en die gewig af vir ouer datapunte. Die som van die gewigte is gelyk aan 1. Een manier om gewig te kies is om gewig wat die gemiddelde vierkante fout (MSE) maatstaf te minimaliseer gebruik. Eksponensiële Smoothing metode. Dit is 'n spesiale geweegde gemiddelde metode. Hierdie metode kies die gewig vir die mees onlangse waarneming en gewigte vir ouer waarnemings word outomaties bereken. Hierdie ander gewigte verminder deur waarnemings ouer word. Die basiese eksponensiële gladstryking model is waar F t 1 Voorspelling vir tydperk t 1, t waarneming by tydperk t. F t Voorspelling vir tydperk t. en 'n glad parameter (of konstant) (0 LT n LT1). Vir 'n tydreeks, het ons F 1 1 vir tydperk 1 en daaropvolgende voorspellings vir tydperke 2, 3, kan bereken word deur die formule vir F t 1. Die gebruik van hierdie benadering, kan 'n mens sien dat die eksponensiële gladstryking metode is 'n geweegde gemiddeld van alle vorige datapunte in die tyd reeks. Sodra bekend is, wat ons nodig het om t en F t weet om die voorspelling vir tydperk t 1. In die algemeen bereken, kies ons 'n 'n dat die MSE verminder. Eenvoudig: geskik vir reeks waarin daar geen tendens of seisoenaliteit. Bewegende gemiddelde (Q) komponent: Moving gemiddelde bestellings spesifiseer hoe afwykings van die reeks beteken vir vorige waardes word gebruik om die huidige waardes te voorspel. Kenner Tyd Reeks Modeler bepaal outomaties die beste geskik is vir die tydreeksdata. By verstek, die deskundige Modeler beskou beide eksponensiële gladstryking en ARIMA modelle. Gebruikers kan slegs óf ARIMA of Gladstryking modelle kies en spesifiseer outomatiese opsporing van uitskieters. Die volgende film clip toon hoe om 'n ARIMA model met behulp van die ARIMA metode en die Expert Modeler deur SPSS te skep. Die datastel gebruik vir hierdie demonstrasie is die AirlinePassenger datastel. Sien die datastel bladsy vir meer inligting. Die data lugredery passasier gegee as reeks G in die boek Tydreeksanalise: Vooruitskatting en beheer deur Box en Jenkins (1976). Die veranderlike getal is die maandelikse passasier totale in duisende. Onder die log transformasie, het die data is ontleed in die literatuur. Pas Tydreeksmodelle. Hierdie proses laai 'n bestaande tydreeksmodel vanaf 'n eksterne lêer en die model toegepas word om die aktiewe SPSS dataset. Dit kan gebruik word om voorspellings vir reeks waarvoor nuwe of hersiene data is beskikbaar sonder begin van 'n nuwe model te bou bekom. Die belangrikste dialoog is soortgelyk aan die skep Models belangrikste dialoog. Spectraalanalyse. Hierdie proses kan gebruik word om gereelde gedrag in die tyd reeks wys. Volgorde Charts. Hierdie proses word gebruik om gevalle plot in volgorde. Om hierdie proses uit te voer, moet jy 'n tydreeks data of 'n datastel wat gesorteer in sekere betekenisvolle orde nodig het. Outokorrelasies. Hierdie proses erwe outokorrelasie funksie en gedeeltelike outokorrelasie funksie van een of meer tydreekse. Kruis-Korrelasies. Hierdie proses plotte die kruis-korrelasie funksie van twee of meer tydreekse vir positiewe, negatiewe, en nul lags. Sien SPSS Hulp Menu vir meer inligting oor toepassing tydreeksmodel, spectraalanalyse, volgorde kaarte, outokorrelasies en kruis-korrelasies prosedures. H ierdie aanlyn SPSS Training Workshop is ontwikkel deur dr Carl Lee, Dr Felix Famoye. studente-assistente Barbara Shelden en Albert Brown. Departement Wiskunde, Central Michigan Universiteit. Alle regte reserved. IBM SPSS Modeler 8211 Modeling Nodes Of jy nuut is tot IBM SPSS Modeler of 'n lang tyd gebruiker is, is dit nuttig om bewus te wees van al die modelle knope beskikbaar. Net soos 'n timmerman het 'n hulpmiddel vir elke taak, 'n data wetenskaplike moet 'n algoritme vir elke probleem. Ek ingesamel beskrywings vir elke model knoop van die dokumentasie en opgesom hulle te help om 'n vinnige oorsig van die beskikbare native in die sagteware algoritmes. Die onderstaande nodes is gegroepeer op grond van die aard van die data-ontginning taak wat hulle verrig (Classfication, assosiasie, en Segmentering). Die nodes in hierdie lys is beskikbaar in IBM SPSS Modeler weergawe 17. klassifikasiemodel Nodes (1) Naam van modellering Node besluit Tree Nodes die algoritmes is soortgelyk in dat hulle kan al 'n besluit boom te bou deur rekursief splitsing van die data in kleiner en kleiner subgroepe elke algoritme het belangrike verskille wat in ag tydens modelbou geneem moet word Identifiseer subgroepe of segmente wat 'n hoër of laer waarskynlikheid van 'n binêre wys (Ja of nee) uitkoms in vergelyking met die totale monster Laat volle beheer oor die model, sodat jy wysig segmente, om u eie besigheid reëls, spesifiseer hoe elke segment is aangeteken, en pas die model in 'n aantal ander maniere om die verhouding van treffers optimaliseer in alle segmente voorspel 'n deurlopende teiken gebaseer op liniêre verhouding tussen die teiken en een of meer voorspellers relatief eenvoudige en skep 'n maklik geïnterpreteer wiskundige formule vir scoring Skoolhoof Component Analysis faktorontleding (PCA / Factor) bied 'n kragtige tegnieke data-vermindering van die kompleksiteit van jou data Twee soortgelyke maar verskillende benaderings word in een node die doel is om uit te vind verminder 'n klein aantal afgelei velde wat effektief die inligting in die oorspronklike stel velde som by benadering 'n wye verskeidenheid van voorspellende modelle met 'n minimale eise aan model struktuur en aannames verwantskappe word vasgestel tydens die leerproses die kompromis vir hierdie buigsaamheid is dat die neurale netwerk is nie maklik interpreteerbare Verminder die keuse van honderde, of selfs duisende, van velde wat potensieel as insette kan gebruik word vir 'n data-ontginning probleem wat gebruik word om die velde wat die belangrikste vir 'n gegewe analise te identifiseer klassifikasiemodel Nodes (2) Bou 'n voorspellende model vir groeplidmaatskap model word saamgestel uit 'n diskriminantfunksie (of, meer as twee groepe, 'n versameling van diskriminant funksies) wat gebaseer is op lineêre kombinasies van die voorspeller veranderlikes wat die beste diskriminasie tussen die groepe te voorsien statistiese tegniek vir die klassifikasie van rekords wat gebaseer is op waardes van insette velde Beide binomiale model (vir teikens met twee afsonderlike kategorieë) en Multinomial modelle (vir teikens met meer as twee kategorieë) word ondersteun veralgemeende liniêre modelle (GenLin) brei die algemene lineêre model sodat die afhanklike veranderlike lineêr is wat verband hou met die faktore en covariates via 'n spesifieke skakel funksie kan vir die afhanklike veranderlike op 'n nie-normaalverspreiding het Dek gebruikte statistiese modelle, soos lineêre regressie vir normaalverdeelde antwoorde, logistieke modelle vir binêre data, log-lineaire modelle vir telling data, aanvullende versuiping teken modelle vir-interval gesensor oorlewing data, plus baie ander statistiese modelle deur middel van sy baie algemene model formulering Generalized lineêre gemengde modelle (GLMM) Brei die lineêre model, sodat: die teiken lineêr is wat verband hou met die faktore en covariates via 'n spesifieke skakel funksie die teiken kan 'n nie-normaalverspreiding Die waarnemings kan gekorreleer dek 'n wye verskeidenheid van modelle, van eenvoudige lineêre regressie te kompleks multi-modelle vir nie-normale longitudinale data het. Bou 'n voorspelbare model vir tyd-tot-geval data Produseer 'n oorlewing funksie wat die waarskynlikheid dat die gebeurtenis van belang plaasgevind het op 'n gegewe tydstip t vir gegewe waardes van die voorspeller veranderlikes Support Vector Machine (SVM) kan jy 'n ondersteuning gebruik voorspel vektor masjien te klassifiseer data Veral geskik vir gebruik met datastelle met 'n groot aantal voorspeller velde kan jy 'n waarskynlikheid model deur die kombinasie van waargeneem en aangeteken bewyse met 8220common-sense8221 werklike wêreld kennis te bou om die waarskynlikheid van gebeurtenisse vas te stel deur gebruik te maak van oënskynlik ontkoppel eienskappe fokus op Tree Augmented Nave Bayes (TAN) en Markov kombers netwerke wat hoofsaaklik gebruik word vir klassifikasie Eie Leer Response model (SLRM) kan jy 'n model wat jy voortdurend kan werk, of her-skatting te bou, as 'n dataset groei sonder om die model te bou elke keer met behulp van die volledige dataset byvoorbeeld, dit is nuttig wanneer jy 'n paar produkte en jy wil om te bepaal watter produk 'n kliënt is die meeste geneig om te koop as jy dit aan te bied om hulle Stel jou in staat om te voorspel wat bied die mees geskikte is vir kliënte en die waarskynlikheid van die aanbiedinge aanvaar K-naaste (KNN) Metode vir die klassifikasie van gevalle op grond van hul ooreenkoms met ander gevalle Soortgelyke gevalle is naby aan mekaar en uiteenlopende gevalle is ver van mekaar die afstand tussen twee gevalle is 'n maatstaf van hul andersheid tyd reeks om Pogings om belangrike oorsaaklike verhoudings in tydreeksdata te ontdek model Bou 'n outoregressiewe tydreeks model vir elke teiken en sluit net diegene insette wat 'n oorsaaklike verhouding met die teiken verskil van tradisionele tydreeks modelle waar jy uitdruklik vermeld die voorspellers vir 'n teiken reeks tydruimtelike voorspelling (STP) Gebruik data wat plek data, insette velde vir voorspelling (voorspellers), 'n tyd in die veld bevat, en 'n teiken area elke plek het talle rye in die data wat die waardes van elke verteenwoordig voorspeller by elke tyd van meting gebruik om teiken waardes te voorspel op enige plek binne die vorm data wat gebruik word in die ontleding Vereniging Model Nodes Ontdek vereniging reëls in die data na 'n apriori reël stel te skep, wat jy nodig het een of meer insette velde en een of meer Target velde Gebruik 'n vereniging reëls ontdekking algoritme om assosiasie reëls in die data ontdek in teenstelling met apriori, het die CARMA knoop nie Input of Target velde vereis. Dit is 'n integrale deel van die manier waarop die algoritme werk en is gelykstaande aan die bou van 'n apriori model met al stel om Beide Ontdek patrone in opeenvolgende of-time-georiënteerde data velde, in die formaat brood - gt kaas Die elemente van 'n reeks is item stelle wat neerkom op 'n enkele transaksie 'n ry is 'n lys van item stelle wat geneig is om plaas te vind in 'n voorspelbare volgorde die Vereniging reëls node uittreksels 'n stel reëls van die data, trek uit die reëls wat die hoogste inligting inhoud. Die Vereniging Reëls knoop is baie soortgelyk aan die apriori knoop, maar daar is 'n paar noemenswaardige verskille: Die Vereniging Reëls knoop kan nie transaksionele data Die Vereniging Reëls knoop kan data wat die tipe Lys stoor en die versameling metingsvlak die Vereniging Reëls node het verwerk verwerk kan gebruik word met IBM SPSS Analitiese Server. Dit bied scalability en beteken dat jy 'n groot data kan verwerk en gebruik te maak van vinniger parallelle verwerking Die Vereniging Reëls node bied bykomende instellings, soos die vermoë om die aantal reëls wat gegenereer word, te beperk en sodoende die verwerking spoed Uitvoer van die model klont toenemende word getoon in die uitset Viewer Segmentering Model Nodes Naam van modellering Node bied 'n metode van trosanalise. Dit kan gebruik word om die dataset cluster in afsonderlike groepe wanneer jy don8217t weet wat daardie groepe is aan die begin In plaas daarvan om 'n uitkoms te voorspel, K-Means probeer om patrone te ontbloot in die stel van insette velde Records gegroepeer sodat rekords binne 'n groep of groepering geneig soortgelyk aan mekaar te wees, maar rekords in verskillende groepe uiteenlopende KOHONEN netwerke is 'n tipe van neurale netwerk wat groepering uit te voer, ook bekend as 'n saamgevoeg of 'n self-organiserende kaart gebruik om die datastel in afsonderlike groepe cluster wanneer jy don8217t weet wat daardie groepe is aan die begin TwoStep (TwoStep-aS is 'n soortgelyke knoop wat is slegs beskikbaar op IBM SPSS Analitiese Server) 'n twee-stap groepering metode die eerste stap maak 'n enkele slaag deur die data, waartydens dit pers die rou insette data in 'n hanteerbare stel subclusters die tweede stap gebruik 'n hiërargiese groepering metode om die subclusters progressief saamsmelt in groter en groter groepe, sonder dat 'n ander pas deur die data wat gebruik word om uitskieters, of ongewone gevalle te identifiseer, in die data Anomaly inligting opsporing modelle winkel op wat normale gedrag lyk veral nuttig in programme, soos bedrog opsporing, waar nuwe patrone voortdurend kan opkomende Anomaly opsporing is 'n sonder toesig metode, wat beteken dat dit nie 'n opleiding dataset bevat bekende gevalle van bedrog te vereis gebruik as 'n beginpunt outomatiese Modeling NodesThe toegerus ARIMA modelle is gediagnoseer met behulp van AIC, SBC en die log waarskynlikheid verhoudingstoets. Parameter beraming vir die ARIMA modelle is gedoen met behulp van die Gaussiese MLE maatstaf. Die ARIMA modelle toegerus was voldoende sedert die gestandaardiseerde residue en vierkantig residue is nie beduidend gekorreleer soos getoon deur die Ljung-Box Q statistieke. Daarbenewens het die J-B statistiek ten sterkste die nulhipotese van normaliteit in die residue vir al die reeks verwerp. Volgens die resultate en evaluering van verskillende ARIMA modelle soos in tabelle 4 en 5 onderskeidelik, die beste model kan weer geskryf as volg: Van vergelyking (14), baseer op 'n 5 persent vlak van betekenis, is dit duidelik dat die waarnemings is beduidend op die eerste lag en ook die interaksie tussen waarnemings en die foute is beduidend op al die lags vir die toegeruste model. 4.3. Buite-Monster voorspelling dat die studie beklemtoon op vooruitskatting prestasie wat meer fokus op die vermindering van out-of-monster voorspelling foute as op die maksimalisering in-monster passingstoetse stel. Die aangeneem benadering was dus een van model mynbou met die doel om die optimalisering voorspellings oor die prestasie. Die modelle doeltreffendheid geëvalueer met behulp van die gemiddelde Squared foute (MSE). Die model wat die minimale MSE het was beskou as die mees doeltreffende. Maar ander statistiese eienskappe veral die diagnose en passingstoetse toetse oorweeg in die keuse van die mees doeltreffende model. Die MSE vir die verskillende ARMA modelle word in tabel 4. Tabel 4. Die MSE van verskeie ARMA Models. 5. Opsomming, gevolgtrekking en aanbevelings Die doel van die studie was om 'n model en voorspel Keniaanse BBP gebaseer op Box-Jenkins metodologie en die verskaffing van vyf jaar inflasie vooruitskattings van Kenia. Deur versameling en ondersoek van die jaarlikse BBP-data van Kenia, die bepaling van die orde van integrasie, model identifikasie, diagnostiese toetsing, model stabiliteit toets, en vooruitskatting prestasie-evaluering, is die beste ARIMA model in vergelyking voorgestel (14) wat gebaseer is op die minste beteken kwadraat fout kriteria. Tyd erwe en die correlogram gebruik vir die toets stasionariteit van die data. Ook, is die Gaussiese MLE Kriterium gebruik vir die beraming van die model. 5.2. Hoofbevindings Die eerste hoof empiriese bevinding van die studie is die model wat reeds geïdentifiseer vir vooruitskatting BBP en dit word hieronder aangebied: Dit is die vooruitskatting model van die BBP in Kenia wat aanbeveel word vir konsekwente vooruitskatting. Alle koëffisiënte was statisties beduidend op 5 persent. Ander statistiese eienskappe veral die diagnose en passingstoetse toetse oorweeg in die keuse van die mees doeltreffende model. Model doeltreffendheid was vasbeslote met behulp van die gemiddelde Squared Fout soos weergegee in tabel 4. Verskeie ARIMA modelle met verskillende orde van outoregressiewe en bewegende gemiddelde terme is vergelyk op grond van hul prestasie, gekontroleer en geverifieer deur die gebruik van die statistieke soos AIC, SBC, log-waarskynlikheid , Hannan Quinn Kriterium en die Jarque-Bera statistiek. Die resultate dui daarop dat die voorgestelde model goed presteer in terme van beide in-monster en out-of-monster. Die tweede empiriese bevinding van die studie is die 5 jaar BBP voorspellings van Kenia. Die uit monster kort loop voorspellings verkry dui op 'n toename in die Keniaanse BBP vlak. 5.3. Gevolgtrekking en aanbeveling deur tydreeksanalise van Keniaanse BBP in die jare 1960-2007, die ARIMA (2, 2, 2) model is gestig. Transformasie van die reeks deur die model parameters het die oorblywende volgorde in wit geraas ry. Die pas gevolg van die model is oortuigend en praktiese deur gebruik te maak van Gretl. Die BBP van Kenia is voorspel deur gebruik te maak van die model. Die resultaat toon dat die relatiewe fout is in die reeks van 5, wat is relatief ideale. Volgens die waardes voorspel, Keniaanse BBP toon 'n hoër groei tendens in die volgende vyf jaar vanaf 2013 to2017. Maar die voorspelling gevolg van hierdie model is slegs 'n voorspelde waarde van die nasionale ekonomie is 'n komplekse en dinamiese stelsel. Die aanpassings van makro-beleid en die veranderinge van die ontwikkeling omgewing sal die relatiewe verandering van makro-ekonomiese aanwysers veroorsaak. Daarom moet ons aandag skenk aan die risiko van aanpassing in die ekonomiese werking en die stabiliteit en kontinuïteit van die mikro-ekonomiese regulering te handhaaf en te beheer te verhoed dat die ekonomie aan erge skommelinge en pas die ooreenstemmende teiken waarde volgens die werklike situasie. 5.4. Voorstelle vir verdere navorsing Van die bevindinge van die studie, is die volgende gebiede voorgestel vir verdere navorsing: i. Ontleding van die BBP Dynamics in Kenia met behulp van verskillende modelle. II. Ondersoek van individuele komponente van die BBP. Standaardfout van residue 0.0976013 Table 6. In-Monster BBP Voorspellings 1960-2012.SPSS Statistiek 24 - Base Ab einer bestimmten Bestellmenge stel wir Ihnen ein individuelles Angebot zusammen. Dieser Artikel wird Ihrem Warenkorb beigelegt, wird jedoch nicht in der Berechnung bercksichtigt SPSS is 'n modulair gebou sagteware vir evaluering, analise en samestelling van statistieke. Hierdie omvattende program is die duidelike markleier op die gebied van sosiale en mark of mening navorsing. Wie verwag 'n baie ingewikkelde gebruik, gaan verkeerd. Terwyl SPSS is baie veelsydig, dit is egter maklik om te gebruik. SPSS gebruik word deur vooraanstaande maatskappye, die regering en akademiese instellings wêreldwyd en geniet 'n ooreenstemmende hoë reputasie. Argumente vir SPSS: Leier in die mark en advies Ondersoek Baie inproppe wat hoogs gespesialiseerde funksies Uitstekende opsies voorsiening te maak vir die skep van komplekse tafels SPSS Statistiek Base vir Windows, Mac en Linux Los besigheid en navorsingsprobleme met behulp van SPSS vir Windows, Mac en Linux, 'n statistiese en data bestuur pakket vir ontleders en navorsers SPSS bied jou met 'n wye verskeidenheid van moontlikhede vir die hele analitiese proses. Met SPSS, kan jy genereer besluitneming inligting vinnig met 'n kragtige statistieke, verstaan ​​en effektief aan te bied jou resultate met 'n hoë-gehalte tabel en grafiese afvoer, en deel jou resultate met ander met behulp van 'n verskeidenheid van verslagdoening metodes, insluitende veilige publiseer Web. Resultate van jou data-analise in staat stel om slimmer besluite vinniger te maak deur die ontdekking van belangrike feite, patrone, en tendense. 'N opsionele bediener weergawe lewer onderneming-sterkte scalability, bykomende gereedskap, sekuriteit, en verbeterde prestasie Jy kan SPSS te gebruik vir Windows in 'n verskeidenheid van gebiede, insluitend: Opname en marknavorsing en direkte bemarking Academia Administratiewe navorsing, menslike hulpbronne, en hulpbron beplanning Mediese , wetenskaplike en sosiaal-wetenskaplike navorsing beplanning en vooruitskatting Gehalteverbetering verslag en ad hoc besluitneming Enterprise-vlak analitiese aansoek ontwikkeling in die besonder, is van toepassing SPSS statistieke sagteware om groter insig in die optrede, eienskappe, en houdings van mense. jou kliënte, werknemers, studente, of burgers. SPSS vir Windowsreg is 'n modulêre, styf geïntegreer, full-featured produk lyn. Saam met verwante produkte van IBM, dit bied moontlikhede vir al die fases van die analitiese proses. Die Java-gebaseerde koppelvlak maak die Windows, Mac en Linux weergawes byna identies. Jy won39t opmerk Verschillende tussen die weergawes SPSS Statistiek-modules en Uitbreidings SPSS Neurale Netwerke: Vind meer komplekse verhoudings in jou data met behulp van nie-lineêre datamodellering prosedures. SPSS Presiese Toetse: Gebruik klein monsters en nog steeds voel vol vertroue oor die resultate. As jy 'n klein aantal geval veranderlikes met 'n hoë persentasie van die antwoorde in een kategorie, of moet jou data in fyn afbreekpunte subset, kan tradisionele toetse verkeerd wees. SPSS Presiese Toetse elimineer hierdie risiko. SPSS Gevorderde Statistiek: Verskaf kragtige meerveranderlike modelleringstegnieke, soos veralgemeende lineêre modelle (GENLIN), Generalized Skat Vergelykings (GEE), Lineêre Gemengde Modelle, Variansiekomponente, General Linear Models (GLM), ANOVA, MANOVA, ANCOVA, MANCOVA, Kaplan-Meier - Estimation, Cox-regressie, hiloglineare, loglineare und oorlewing ontleding prosedures. SPSS Statistiek Programmeerbaar Uitbreiding: Brei SPSS Statistiek vermoëns deur die toevoeging van nuwe prosedures geskryf in eksterne programmeertale soos Python, R, Java en die weergawe van Microsoft Visual Basic SPSS Regressie: Verskaf Logistieke regressie, Probit Ontleding en gewone lineêre regressie. SPSS Custom Tafels: Effincient presentatie van data in tabelle, gevorderde statistiek met behulp van kruis tabelle en nog baie meer. SPSS Direct Marketing help om jou kliënte te verstaan ​​in meer diepte, die verbetering van jou marketing en maksimeer die ROI van jou bemarking begroting. SPSS Conjoint: Vir conjointanalyse. SPSS Kategorieë: Voorspel uitkomste en openbaar verhoudings in kategoriese data. Optimale skalering tegnieke vir kategoriese data (Korrespondensie Ontleding, nie-lineêre Skoolhoof Component Analysis, multidimensionele skalering.). SPSS vooruitskatting: Verbeter voorspellings met behulp van tyd-reeks analise, waaronder verskeie krommepassing asook glad modelle en metodes om outoregressiewe funksies te bepaal. Die Expert Modeler identifiseer outomaties die ARIMA-Metode (outoregressiewe geïntegreerde bewegende gemiddelde) of die model van eksponensiële gladstryking mees geskikte om jou tyd-reeks en it39s onafhanklike veranderlikes. eignet. SPSS ontbrekende waardes: Kan jy data te ondersoek om te ontbloot ontbreek data patrone, dan skat opsommingstatistiek en toereken ontbrekende waardes met behulp van statistiese algoritmes. SPSS Data Voorbereiding: Doeltreffende data voorbereiding, - cleansing en - validation SPSS Besluit Bome: Beter identifikasie van groepe in SPSS Statistiek. SPSS Kompleks Monsters: Kompleks Monsters help marknavorsers, die openbare mening navorsers en sosiale wetenskaplikes maak meer statisties geldige afleidings deur die inlywing van monster ontwerp in hul opname ontleding. Verdere inligting: Desktop-Systems