This chapter introduces a class of

This chapter introduces a class of models that can produce accurate forecasts basedon a description of historical patterns in the data. Autoregressive integrated movingaverage (ARIMA) models are a class of linear models that are capable of representingstationary as well as nonstationary time series. Recall that stationary processes varyabout a fixed level and that nonstationary processes have no natural constant meanlevel. The autoregressive models are actually a special subset of ARIMA models thatare useful for modeling stationary time series.ARIMA models do not involve independent variables in their construction. Rather,they make use of the information in the series itself to generate forecasts. For example,an ARIMA model for monthly sales would project the historical sales pattern to producea forecast of next month’s sales.

Kết quả (Việt) 1:

Chương này giới thiệu một lớp mô hình có thể tạo ra các dự báo chính xác dựa trên mô tả các mô hình lịch sử trong dữ liệu. Các mô hình trung bình di chuyển tích hợp tự hồi quy (ARIMA) là một lớp mô hình tuyến tính có khả năng biểu diễn chuỗi thời gian dừng cũng như không cố định. Hãy nhớ lại rằng các quá trình dừng thay đổi quanh một mức cố định và các quá trình không cố định không có mức trung bình không đổi tự nhiên. Các mô hình tự hồi quy thực chất là một tập con đặc biệt của các mô hình ARIMA rất hữu ích cho việc lập mô hình chuỗi thời gian dừng. Các mô hình ARIMA không liên quan đến các biến độc lập trong quá trình xây dựng chúng. Đúng hơn, họ sử dụng thông tin trong chính chuỗi dữ liệu đó để đưa ra dự báo. Ví dụ: mô hình ARIMA cho doanh số bán hàng hàng tháng sẽ chiếu mô hình doanh số bán hàng lịch sử để đưa ra dự báo về doanh số bán hàng của tháng tiếp theo.

Kết quả (Việt) 2:

Chương này trình bày một lớp các mô hình có thể dựa trên
Mô tả các mẫu lịch sử trong dữ liệu. Tích phân tự hồi quy di chuyển
Mô hình ARIMA (Average model) là một mô hình
Chuỗi thời gian trơn tru và không trơn tru. Hãy nhớ rằng quá trình nghỉ ngơi khác nhau
Không có trung bình hằng số tự nhiên về các quá trình cố định và không trơn tru
Số lượng Mô hình tự hồi quy thực sự là một tập hợp con đặc biệt của mô hình ARIMA
Rất hữu ích để mô hình hóa chuỗi thời gian trơn tru.
Mô hình ARIMA không liên quan đến các biến độc lập trong quá trình xây dựng. Tương đối
Họ sử dụng thông tin từ chính chuỗi để tạo ra dự đoán. Ví dụ
Mô hình ARIMA bán hàng tháng dự đoán mô hình bán hàng lịch sử
Dự đoán doanh số bán hàng tháng tới

Kết quả (Việt) 3:

chương này giới thiệu một loại mô hình mà có thể dựa trên
mô tả một mẫu lịch sử trong dữ liệu. từ sự hồi quy
mô hình trung bình (arima) là một mô hình tuyến tính có thể thể hiện
một chuỗi thời gian ổn định và không ổn định. Hãy nhớ lại, quá trình ổn định là sự thay đổi
quá trình không ổn định không có giá trị cố định tự nhiên
chiều ngang. mô hình tự hồi quy thực ra là một tập hợp nhỏ đặc biệt của mô hình arima
hữu ích cho việc tạo mô hình chuỗi thời gian ổn định.
mô hình arima không liên quan đến các biến độc lập khi xây dựng. Ngược lại,
họ sử dụng thông tin từ chuỗi để tạo ra các dự đoán. Ví dụ,
doanh thu hàng tháng của mô hình arima sẽ dự đoán mô hình bán hàng lịch sử của sản xuất
doanh số bán hàng trong tháng tới.