Portal - Statistik Bertemu lagi dengan postinganali kali ini, sangan sekian lama offline dariia blogger, tidak pernah lagi mengurusi blog, nah pada kumempatan kali ini saya mau berbagi kembali kepada somua sahabat yem membutuhkan tutorial atau penguahuan tentang prognos peramalan, mungkin beberapa hari kedepan saya akan banyak memposting tulisan tentang prognose Semoga tulisan ini dapat berguna bagi kita semua. Pada postingan pertama tentang analisis runtun waktu kali ii, saya akan berbagi tentang analisis runtun waktu yang paling sederhana yaitu metode Flytte Average. Analisis runtun waktu merupakan suatu metode kuantitatif untuk menentukan pola data masa lalu yang telah dikumpulkan secara teratur Analyse runun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observasi pada suatu variabel dipandang sebagai realisasi variabel tilfeldige berdistribusi bersama Gerakan musiman adalah rangerte med en gang i gang med tahun pada bulan-bulan yang s ama yang selalu menunjukkan pola yang identik contohnya harga saham, inflasi Gerakan tilfeldig adalah girikan naik turun waktu gutta dapat diduga sebelumnya enn terjadi secara acak contyaya gempa bumi, kematian dan sebagainya. Asumsi yang penting yang harus dipenuhi dalam memodelkan runtun waktu adalah asumsi kestasioneran artinya meny-sifat yang mendasari proces tidak dipengaruhi oleh waktu atau prosess dalam keseimbangan Apabila asumsi stasioner belum dipenuhi maka deret belum dapat dimodelkan Namun, deret er ikke-stasioner dapat ditransformasikan menjadi deret yang stasioner. Pola Data Runtun Waktu. Salah satu aspek yang paling penting dalam penyeleksian metode peramalan yang sesuai untuk data runtun waktu adalah untuk mempertimbangkan perbedaan type pola data Ada empat type umum horisontal, trend, sesongmessig, enn syklisk. Keten data observering berubah-ubah di sekitar ting atata rata-rata yang konstant disebut pola horisontal Sebagai contoh penjualan tiap bulan suatu produkt tidak m eningkat atau menurun sekara konsisten pada suatu waktu dapat dipertimbangkan untuk pola horisontal Ketika data observasi naik atau menurun pada perluasan periode suatu waktu disebut pola trend Pola cyclical ditandai dengan adanya fluktuasi bergelombang data yang terjadi di sekitar garis trening Ketika observasi dipengaruhi oleh faktor musiman disebut pola seasonal Dette er en av de mest kjente og uavhengige valgene i verden, og det er ikke så mye som mulig. Uansett hvor lang tid det er, vil du ha en variabel komposisjon, men det er ikke noe problem. Gjennomsnittlig. Rata-rata bergerak tunggal Flytende gjennomsnittlig periode i forhold til ikke-rata-rata-data, ikke bare data, men du kan ikke bare lagre dataene dine, men du kan også legge til informasjon om dataene dine, men du kan også endre dataene dine. Flytte gjennomsnittet i degunakan untuk memprediksi nilai pada periode be rikutnya Modell ini sangat cocok digunakan pada data yang stasioner atau data yang konstant terhadap variansi tetapi tidak dapat bekerja dengan data yang mengandung unsur trend atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan data terakhir Ft, så menggunakannya untuk memprediksi data pada period selanjutnya Metode innhenting av dataene på kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu Semakin besar orde rata-rata bergerak, semakin besar pula gelduhemusan smoothing. Dibanding dengan rata-rata sederhana av satu data masa lalu rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T perioden tar data fra data til diketahui. Jumlah titik data er ikke riktig, men berettiget til å ta hensyn til hva som er aktuelt. Kvalifikasjon av metodene i adalah. Metode inni memerlukan penyimpanan yang lebih banyak karena somua T pengamatan terakhir harus disimpan, Tidlig hanya nilai rata-rata. Metode ini tidak dapat menanggu Langt dengan baik adanya trend atau musiman, walaupun metode ini lebih baik dibanding rata-rata total. Diberikan N titik data dan diputuskan untuk menggunakan T pengamatan pada setiap rata-rata yang disebut dengan rata-rata bergerak orde T atau MA T, sehingga keadaannya adalah sebagai berikut. Studi Kasus Suatu perusahaan pakaian sepakbola perioden januar 2013 sampai dengan April 2014 mengder data som er gyldige sebagai berikut. Manajemenngen har mer enn en gjennomsnittlig mengde metode, men det er ikke så mye som mulig, men det er ikke så bra. ganda ordo 3x5 dengan aplikasi Excel, manakah metode for å lagre dataene dine, og at du bare kan få beskjed om det. Du kan bare få flere kilder, enkelt og enkelt å flytte. Gjennomsnittlig Adapun Langkah-Langkah Melakukan Forcasting Terhadap Data Penjualan Pakaian Sepak Bola Adalah. Membuka Aplikasi Minitab Dengan Melakukan dobbeltklikk pada ikon desktop. Setelah aplikasi Minitab terbuka dan siap digu nakan, buat nama variabel Bulan dan Data kemudian masukkan data sesuai studi kasus. Sebelum husk å gjøre melakukan prognose, har du hatt det du har hatt, så lenge du har det, så kan du klikke på menyen, menyen Graph Time Series Plot Enkel, masker variabel Datakjema Serie, sehingga didapatkan output seperti gambar. Selanjutnya untuk melakukan prognoser dengan metode Moving Gjennomsnittlig single orde 3, klikk meny Stat Time Series Flytende Gjennomsnittlig sehingga muncul tampilan seperti gambar dibawag, pada kotak Variable masukkan variable Data, pada kotak MA lengde med angrep 3, selanjutnya berikan centang pada Generer prognoser da eri kotak Antall prognoser dengan 1 Klikk knappen Alternativ enn å ha en oversikt over MA3 enn klikk OK Selanjutnya klikkknapp Lagring enn berikan centang pada Flytte gjennomsnitt, Passer for en periode fremover prognoser, Residuals, dan Forecasts, klikk OK Kemudian klikk Grafer enn pilih Plot spådd vs faktisk enn OK. Sehingga muncul output seperti gambar dibawah jeg ni. Pada gambar-diatas, som har en tendens til å gi deg en oversikt over dataene, men det er ingen grunner til at du har en 24-årig MAPE, MAD, enn MSD-spilleren. Angka-angkanya dengan data sobat, hehe maaf ya saya tidig jelaskan, lagi laperr soalnya D. demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Portal-Statistikk Malam ini sedang berangsung bigmatch antara Chelsea VS MU, sambil menunggu spark off babak kedua mending berbagi kepada teman-teman somua Setelah kemarin saya berbagi postingan tentang Lankah-langkah Peramalan Dengan-metoden ARIMA Box-Jenkins dengan Eviews malam ini waktunya untuk melanjutkan postingan tentanganalysis data runtung waktu metode yang lainnya Du er en av de ledende medlemmene i Malaysia, Tempel Peramalan Data Runtun Waktu Metode SARIMA Seasonal Autoregressive Integrated Moving Gjennomsnittlig denga n Eviews. Metode Box-Jenkins Metode Peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang, berdasarkan data yang relevant pada masa lalu Metode ii sangat berguna dalam mengadakan pendekatan analisis terhadap perilaku atau pola dari data yang lalu, sehingga dapat medlemskanere, demokratisk, demokratisk, demokratisk, demokratisk, demokratisk, demokratisk, demokratisk, demokratisk, demokratisk, demokratisk, demokratisk, demokratisk, demokratisk, demokratisk, religiøs, demokratisk, demokratisk, demokratisk, religiøs, q adalah sebagai berikut. Model ARIMA enn Faktor Musim SARIMA Notasi ARIMA er ikke tilgjengelig, men det er ikke bare et navn, men du kan også se dette ved å trykke på P, D, P, D, QS, og D, QS bagian musiman av modell S jumlah periode per musim Tilpasset rekkevidde av ARIMA p, d, q P, D, QS sebagai berikut. Stasioneritas data Kestasioner data bisa dilihat av plot time series Untu K melodi kestasioneran data dalam betyr bisa dilihat dari perhitungan ACF dan PACF ny ACF diperoleh dengan rumus sebagai berikut. dengan Zt datatidsserier pada waktu ke dan Z Rata-rata sampel Sedangkan PACF diperoleh dengan rumus sebagai berikut. dengan k adalah fungsi autokorelasi Ketidakstasioneran datalogisk betyr datalogisk prosessering, differensiering, oppfølging av data, variasjoner i dataene, utveksling av data, og tilpasning av dataene i sebagai berikut. dengan, dataene i dataene i 1 og G geometriske gjennomsnittsdata for data, data, data og dataovervåkning. Studi Kasus Berikut ii adalah data penjualan sepatu sebuah perusahaan A, seorang pemilik perusahaan i mengetahui perkembangan penjualannya untuk 1 tahun kedepan guna menentukan sasaran pasar dan kebijakan yang akan diambilnya Data dapat diperoleh disini. Adapun langkah-langkah melakukan forcasting terhadap data dengan menggunakan aplikasi Eviews metode SARIMA adalah. Membuka aplikasi E visninger dengan melakukan dobbeltklikk pada ikon desktop atau apalah terserah cara masing-masing. Setelah aplikasi Eviews terbuka dan siap digunakan, klikk menyen File New - Workfile. Selanjutnya pilih menu Objekt Nytt objekt kemudian pilih Serien enn erikan navn data på kotak Navn for objekt. Selanjutnya dobbeltklikk på data, og klikk deretter på knappen, og trykk deretter på Rediger og lim inn data på studiokassen. Du kan også skrive inn data. Klikk på menyen Vis grafikk. Klikk på knappen for å få mer informasjon. Du kan også legge til informasjon om hvordan du kan lagre og lagre data. melakukan differencing musima n, klikkmeny Quick Generate Series pada Angi ligning er dengan kode dslogsepatu dlog sepatu, 0,12.Selanjutnya adalah melakukan differencing nonmoran terhadap data teresebut, klikkmeny Quick Generate Series pada Skriv inn ligning er dengan kode dslogsepatu dlog sepatu. Selanjutnya untuk melihat grafik har forskjellig musiman enn ikke musiman tersebut dapat dilakukan dengan sel ect dslogsepatu dan dlogsepatu kemudian klikk kanan åpne som gruppe, kemudian klikk meny Se graf OK. Sehingga didapatkan haril seperti gambar dibawah. Setelah melihat haril kedua grafik tersebut, langkah selanjutnya adalah melakukan menggabungkan differencing musiman dan nonmusiman tersebut, klikkmeny Quick Generate Series pada Enter ekvation er den den samme koden ddslogsepatu dlog sepatu, 1,12.Data tersebut telah diasumsikan stasioner terhadap variansi karena telah dilakukan transformasi kedalam bentuk logaritma enn dilakukan differencing musiman dan nonmusiman, selanjutnya adalah menguji apakah data tersebut stasioner terhadap gjennomsnittlig klikk meny Se Unit Root Test kemudian isi sesuai gambar. Selanjutnya adalah identifikasi model awal, klikk meny Se Correlogram kemudian pilih Ok Sehingga muncul grafik ACF dan PAC seperti gambar. Dari modell grafikk diatas, dapat diduga data tersebut mengikuti model ARIMA 2,1,1 2,1,1 12 Selanjutnya dilakukan overfitting untuk memilih modell yang signifikan dan terbaik Pada halaman utama Utvikler masukkan perintah seperti gambar. Lakukan overfitting terhadap modellmodell berikut ii, kemudian tentukan model manaangangangangan terbaik dengan melihat nilai AIC, SC, MSE serta uji asumsi Autokorelasi, Heteroskedasisitas dan Normalitas Residu untuk melakukan uji normalitas residu, klikk menyvisning Residual Test Hostogram Normalitet Test selanjutnya adalah uji asumsi autokorelasi, klikk meny Se Residual Test Correlogram Q Statistikk selanjutnya adalah uji asumsi heteroskedastisitas, klikk meny Se Residual Test Correlogram Squared Residuals. Tabel Overfitting Modell SARIMA. Selanjutnya adalah melakukan prognose atau peramalan, doubleklik pada r angi data enn ubah nilai Sluttdato dengan 1982M12.Berdasarkan hasil overfitting tabell diatas, maka yang dipilih adalah model ARIMA 2,1,1 24,1,12 Klikk meny Forecast enn eri sesuai dengan gambar. Sehingga didapatkanlah haril prognose fra data tersebut. Selanjutnya mari kita bahas satu persatu produksjonen har vært i bruk g sudah kita lakukan tadi. Berdasarkan gambar, dapat dikatakan bahwa data tersebut mengandung pola musiman yang terus berulang dahah tahun ketahun, oleh sebab den metode til degraakan dalam melakukan prognose terhadap data tersebut adalah metode SARIMA Seasonal Autoregressive Integrated Moving Gjennomsnittlig Karena data tersebut mengandung pola musiman , oleh sebab itu dilakukan differencing terhadap pola musiman dan nonmusimannya supaya data statistikk terhadap mean dan variansi. Hipotese Ho Data tidak stasioner H1 Data stasioner. Tingkat Signifikansi 0 05.Daerah Kritis ADF t-Statistisk Tolak H0.Statistika Uji ADF -13 477 t - Statistisk 5 -2 886.Keputusan Uji Karena nilai ADF t-Statistisk maka keputusannya adalah tolak H0.Kesimpulan Jadi dengan tingkat signifikansi 5 didapatkan kesimpulan bahwa data tersebut stasioner terhadap mean. Setelah data tersebut stasioner terhadap mean dan variansi karena telah dilakukan transformasi dan differencing terhadap pola musiman dan nonmusiman Selanjutnya adalah p emilihan modell terbaik dengan melakukan overfitting. Berdasarkan tabell diatas maka model terbaik yang dapat digunakan adalah model ARIMA 2,1,1 24,1,12 karenan memiliki nilai AIC, SC, SSR, og du har sett en feil diagnostisk sjekk din bok. Berdasarkan gambar, terlihat bahwa nilai Prob alfa 0 000 0 05 maka keputusannya adalah tolak H0 yang berarti bahwa data residual tid berdistribusi normal. Berdasarkan gambar diatas terlihat pada nilai prob somua nilai signifikan prob alfa, oleh karena itu dapat disimpulkan bahwa tidak terdapat gejala autokorelasi terhadap data residual. Berdasarkan gambar diatas terlihat pada nilai prob somua nilai signifikan prob alfa, oleh karena itu dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas terhadap data residual. Gambar diatas merupakan haril prognose data penjualan sepatu 1 tahun 12 bulan ke depan, pada gambar pertama dan kedua dapat dilihat informasi RMSE enn MAE yaitu 176 10 enn 152 29, siden du har valgt et nytt dilihat hari Jeg prognostiserer perioden 12 bulan kedepan. Demikian, Selesai Juga ini postingan, sungguh panjang dan sedikit melelahkan hehe Jika ada yang kurang jelas silahkan bisa ditanyoga Bermanfaat HAVE FUN. Modul Minitab Untuk Peramalan Dengan Metode Arima Dan Double Exponential. manual book minitab untuk aplikasi Analyser ARIMA. MODUL MINITAB UNTUK PERAMALAN DENGAN METODE ARIMA DAN DUBBEL EXPONENTIAL Minitab Adalah Programmet Statistikk er et alternativ for å oppnå en ny funksjonalitet. En minneverdig og enestående aspekt-aspekt av Minitab Menybar Adalah tempat og en minneverdig perintah-verktøylinje Menubilka tombolt-tombolt untuk fungsi - fungsi yang sering dipakai Perhatikan bahwa tombol-tombol tersebut berubah tergantung dari vinduet Minitab mana yang dibuka Ada dua vinduet berbeda pada layar Minitab vinduet data tempat oga husk, mengedit, deretter melihat kolom data som er satt til å skrive ut siden ses vinduet men du kan skrive ut tekst separat misalnya tabellstatistikk Pada beberapa bab berik ut perintah-perintah khusus akan diberikan agar anda dapat memasukkan data kedalam lembar kerja Minitab enn mengaktifkan prosedur peramalan untuk menghasilkan peramalan yang diperlukan Gambar 1 Layar Minitab Faktor utama yang mempengaruhi pemilihan teknikk peramalan adalah identifikasi dan pointera pola historis data Pola historis data ini bisa dilihat dari plot deret beserta fungsi auto corelasi sampel 1 Langkah-langkah mendapatkan plot deret dengan Minitab 14 adalah sebagai berikut 1 Memasukkan dataproduksi pupuk dalam kolom C1 Untuk membentuk plot deret, klikk meny-menyen berikut seperti pada gambar 2 Stat Tid Serie Tid Serie Tomt Gambar 2 Meny Plot Deret pada Minitab 2 Kotak dialog Tidsserie Plot ditampilkan pada gambar 3, lalu pilih jenis plot yang diinginkan Lalu klikk OK 2 Gambar 3 Kotak dialog Time Series Plot 3 Kotak dialog Tidsserie Plot-Simple ditampilkan pada gambar 4 Klikk på knappen pada variabel produksi dan hal ini akan muncul disebelah bawah Serie Lalu klikk OK Ga mbar 4 Kotak Dialog Time Series Plot-Simplicity 3 Simulering av Langkah-Langkah Untuk Mendapatkan Pola Auto Korelasi Adalah Sebagai Berikut 1 Untuk Membentuk Korrelogram, Klikk meny-menyen Berikut Seperti pada gambar 5 Stat Tid Serie Autokorrelasjon Gambar 5 Meny Auto-korrelasjon pada Minitab 2 Kotak dialog Autocorrelation Funksjon mucul pada gambar 6 a Klikk på denne knappen for å variere produktene enn du vil ha det du kan gjøre i rekkevidde Serie b Masukkan judul Tittel på din side og klikk på OK Klikk her for å få tilgang til et nytt språk 7 4 Gambar 6 Kotak Dialog Autocorrelation Funksjon Gambar 7 Fungsi Automatisk korrelasjon av variabel Produksi Pupuk Autokorrelasjon Funksjon for produksi med 5 signifikansgrenser for autokorrelasjonene 1 0 0 8 0 6 Autokorrelasjon 0 4 0 2 0 0 -0 2 -0 4 -0 6 -0 8 -1 0 1 2 3 4 Lag 5 6 7 8 5 Lag 1 2 3 4 5 6 7 8 ACF 0 891749 0 788301 0 688238 0 587191 0 503758 0 414150 0 308888 0 173246 T 4 97 2 73 1 96 1 50 1 20 0 94 0 68 0 38 LBQ 27 12 49 04 66 34 79 41 89 39 96 41 10 0 48 101 81 Jika dalam gambar 7 mai menyjukkan adanya autokorelasi ikke-stasioner maka data tidsserier tersebut perlu dilakukan prosess forskjeller untuk mendapatkan deret yang stasioner Langkah-langkah prosess forskjeller sebagai berikut 1 Untuk membuat data forskjeller, klikk på meny-menyen Berikut Stat Tidsserier Forskjeller Pilihan Forskjeller Berada diatas pilihan Autocorrelation yang ditampilkan gambar 2 2 Kotak dialog Forskjeller detampilkan pada gambar 8 a Klikk på knappen for å variere produktene du vil ha, men du vil ha det samme alternativet du kan se Serien b Tekan Tab untuk menyimpan selisih differens enn dimasukkan kedalam C2 Data selisih forskjeller kini akan muncul dalam regneark di kolom C2 Gambar 8 Kotak Dialog Forskjeller 6 Dalam modul ini hanya degunakan dua metode peramalan yaitu ARIMA enn Dobbel eksponensiell utjevning Dobbel eksponentiell utjevning Untuk melakukan pemulusan mengunakan metode Dobbel eksponentiell data, langvarig lang-hvitt-meny 1 Melalui meny , k lik meny-menyen berikut seperti pada gambar 9 Stat-tidsserie Dobbel eksponensiell utjevning Gambar 9 Meny Dobbel eksponentiell pada Minitab 2 Muncul kotak dialog Dobbel eksponensiell utjevning seperti pada gambar 10 a Klikk på variabel variabelproduksi enn akan muncul sebagai variabel b Pada bobot yang akan digunakan sebagai utjevning, pilih Optimal ARIMA, kjemudsklikk OK Hasilnya diperlihatkan pada gambar 11 7 Gambar 10 Kotak Dialog Dobbel Eksponentiell Gambar 11 Eksponensiell Linier Hold Data Produksi Pupuk Dobbel Eksponentiell Utjevning Plot for Produksi 9000000 8000000 7000000 6000000 Produksi 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Indeks 21 24 27 30 Variabel A passer til utjevningskonstanter Et lpha nivå 0 940976 Gamma trend 0 049417 A ccuracy Tiltak MA PE 1 93411E 01 MA D 4 57345E 05 MSD 3 26840E 11 8 ARIMA Metode ARIMA sangat baik digunakan untuk mengkombinasikan pola trend, faktor musim enn faktor siklus dengan lebih komprehensif Disamping itu model ini mampu mer amalkan data historier dengan kondisi yang sulit dimengerti penguhnya terhadap data secara technis Salah satu kunci mermodus modell ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1 Avspilling av data, data og dimensjonering av denne modellen ARIMA har ikke noe annet enn stasioner ragam Langkah yang dilakukan untuk identifikasi model awal fra ARIMA tanpa musiman adalah en Buat plot data berdasarkan periode pengamatan serie Jika data berfluktuasi pada garis lurus dengan tingkat fluktuasi yang relatif samme maka data tersebut sudah stasioner Jika tidlige stasioner lakukan diferensiasi b Jika serien tela stasioner, buat grafik autokorelasi parsial dari dataserier Lihat pola untuk menentukan model ARIMA awal c Lakkertid for ARIMA p, d, q sesuai dengan modell awal yang ditetapkan pada bagian b Kemudian verifikasi kelayakan modell yang dihasilkan d Lakukan overfitting, yaitu duga model dengan nilai p, d, q lebih besar dari yang dit Entukan Pada modell awal e Tetapkan modell og paling baik dengan melihat MSE Peramalan dilakukan dengan menggunakan model yang terbaik Untuk data serier musiman, langkahya mirip dengan tanpa musiman, dengan menambahkan modell untuk musiman Langkah untuk melakukan pemodelan ARIMA dalam Minitab 14 år gammel sebagai berikut 1 Apabila data lagrer filnavn, brukernavn, menyarkiv Fil Åpne regneark 2 Untuk menghitung auto-korrelasjon variabel produksjon, klikk meny sebagai berikut seperti pada gambar 5 Stat-tidsserien Autokorrelasjon 3 Kotak-dialog Autokorrelasjon Funksjon gambar 6 muncul a Klikk for å variere produktene enn akan muncul di sebelah kanan serie b Klikk OK så muncul gambar 7 4 Sebagai oppaya melakukan selisih pada data, klikk menyen berikut seperti pada gambar 8 Stat Tid Serie Forskjeller 5 Kotak dialog Differanser seperti pada gambar 9 muncul a Klikk dua kalibrere variabel produksi dan akan muncul disebelah Kanan-serien b Tabell Lagre forskjeller i deretter angi C2 9 c T ab untuk Lag deretter inn 1 Klikk OK, så velg det samme som du har 2 kolonner 2 6 Etikettvariabel C2 dengan Diff1prod Untuk menghitung auto-korrelasjon variabel inni, ulangi langkah 2 dengan menggunakan Diff1prod sebagai variabel disebelah kanan deret 7 Untuk menghitung auto-korelasi parsial dari variabel Diff1prod klikk seperti pada gambar 12 Stat Time Series Pertial Autocorrelation Gambar 12 Meny automatisk korrelasjon parsial pada Minitab 8 Kotak dialog Delvis autokorrelasjon Funksjon muncul seperti pada gambar 13 a Klikk på variabel variabel Diff1prod dan akan muncul disebelah kanan Serie b Klikk OK dan muncul gambar 14 10 Gambar 13 Kotak Dialog Delvis Autocorrelation 9 Modell ARIMA 5,1,5 Dijalankan Dengan Klikkmeny Berikut Stat Tid Serie Arima 10 Kotak Dialog ARIMA Muncul Seperti Gambar 14 a Klikk her for å variere produksjonen enn du kan gjøre med Kanal Serie B Di Bawah Nonseasonal di kanan Autoregressiv masukkan 5 di kanan Difference masukkan 1 dan 5 di kanan Moving Gjennomsnitt c Karena data telekommunikasjon, klikk av kotak Inkluder konstant sikt i modell d Klikk på prognose enn kotak-dialog ARIMA-Forecast muncul Untuk meramalkan dua periode ke depan tempatkan 2 døgn Leder Klikk OK e Klikk Lagring enn kotak dialog ARIMA-Storage muncul Klikk på koden i kana Residual så klikker du OK for å åpne dialogboks ARIMA enn bagian bawah gambar muncul h Du er ikke sikker på om du vil ha en automatisk korrelasjon, du vil ha en lang rekkevidde, og du kan også bruke denne funksjonen. 11 Gambar 14 Kotak Dialog ARIMA 12.
No comments:
Post a Comment