ปัญหาที่นี่คือการได้รับสมการที่แยกวิเคราะห์ข้อมูลที่สังเกตได้กับสัญญาณและเสียงรบกวน หากข้อมูลของคุณง่ายวิธีการถดถอยของคุณอาจใช้ได้ ควรใช้ความระมัดระวังเพื่อทำความเข้าใจสมมติฐานบางอย่างที่พวกเขาทำกับศาสดา คุณควรเข้าใจสิ่งที่ศาสดาทำดีกว่าเพราะมันไม่ได้เป็นแค่รูปแบบเรียบง่าย แต่พยายามเพิ่มโครงสร้างบางอย่าง
ตัวอย่างเช่นภาพสะท้อนบางอย่างที่ฉันทำหลังจากอ่านคำแนะนำที่เขียนเป็นลายลักษณ์อักษรอาจช่วยคุณในการประเมินของคุณ ฉันต้องขออภัยล่วงหน้าหากฉันเข้าใจผิดเกี่ยวกับวิธีการของพวกเขาและต้องการแก้ไขหากเป็นเช่นนั้น
1) ตัวอย่างนำของพวกเขามีสองจุดพักในแนวโน้ม แต่พวกเขาเท่านั้นจับชัดเจนที่สุด
2) พวกเขาไม่สนใจโครงสร้าง ARIMA ใด ๆ และทั้งหมดที่สะท้อนชุดสโตแคสติกที่ละเว้นหรือค่าของการใช้ค่าประวัติของ Y เพื่อเป็นแนวทางในการพยากรณ์
3) พวกมันไม่สนใจการเปลี่ยนแปลงใด ๆ ที่เป็นไปได้ (เอฟเฟกต์ตะกั่วและความล่าช้า) ของซีรี่ส์ที่สุ่มเลือกและกำหนดขึ้น ผลการถดถอยเชิงสาเหตุของท่านศาสดานั้นเกิดขึ้นพร้อมกัน
4) ไม่มีการพยายามระบุขั้นตอน / ระดับการเปลี่ยนแปลงในซีรีส์หรือจังหวะตามฤดูกาลเช่นการเปลี่ยนแปลงในผลของ MONDAY ครึ่งเวลาเนื่องจากเหตุการณ์ภายนอกที่ไม่ทราบ ศาสดาถือว่า "การเติบโตเชิงเส้นอย่างง่าย" แทนที่จะตรวจสอบโดยการตรวจสอบความเป็นไปได้ทางเลือกสำหรับตัวอย่างที่เป็นไปได้นี้ดูการคาดการณ์คำสั่งซื้อที่เกิดซ้ำสำหรับธุรกิจการสมัครสมาชิกออนไลน์โดยใช้ Facebook Prophet และ R
5) Sines และ Cosines เป็นวิธีการที่ชัดเจนในการจัดการกับฤดูกาลในขณะที่ผลกระทบตามฤดูกาลเช่นวันต่อสัปดาห์, วันต่อเดือน, สัปดาห์ต่อเดือน, เดือนของปี มีประสิทธิภาพมากขึ้น / ให้ข้อมูลเมื่อต้องรับมือกับผลของมนุษย์ (จัดการกับมนุษย์!)
การแนะนำความถี่ของ 365.25 สำหรับรูปแบบรายปีนั้นสมเหตุสมผลเล็กน้อยเพราะเราไม่ได้ทำแบบเดียวกันในวันเดียวกับที่เราทำเมื่อปีที่แล้วขณะที่กิจกรรมรายเดือนยังคงติดตาอยู่มาก แต่ศาสดาไม่ปรากฏตัวชี้วัดรายเดือน 11 รายการ ตัวเลือก ความถี่รายสัปดาห์ 52 มีเหตุผลเล็กน้อยเนื่องจากเราไม่มี 52 สัปดาห์ในแต่ละปี
6) ไม่มีความพยายามใด ๆ ในการตรวจสอบความผิดพลาดของกระบวนการเป็นแบบเกาส์ดังนั้นการทดสอบที่มีความสำคัญอย่างมีนัยสำคัญสามารถทำได้
7) ไม่ต้องกังวลเกี่ยวกับความแปรปรวนของข้อผิดพลาดของแบบจำลองที่เป็นเนื้อเดียวกันคือไม่เปลี่ยนแปลงไปตามจุดต่าง ๆ ในช่วงเวลาที่กำหนดเพื่อบอกน้ำหนักกำลังสองน้อยที่สุด ไม่ต้องกังวลกับการหาการแปลงพลังงานที่เหมาะสมเพื่อจัดการความแปรปรวนข้อผิดพลาดที่เป็นสัดส่วนกับค่าที่คาดหวังเมื่อใด (และเพราะเหตุใด) ที่คุณควรบันทึกการกระจาย (ของตัวเลข)? .
8) ผู้ใช้จะต้องระบุล่วงหน้าโอกาสและความล่าช้าที่เป็นไปได้ทั้งหมดเกี่ยวกับเหตุการณ์ / วันหยุด ตัวอย่างเช่นยอดขายรายวันมักจะเริ่มเพิ่มขึ้นในช่วงปลายเดือนพฤศจิกายนซึ่งสะท้อนถึงผลกระทบระยะยาวของคริสต์มาส
9) ไม่ต้องกังวลว่าข้อผิดพลาดที่เกิดขึ้นนั้นไม่มีโครงสร้างแนะนำวิธีการปรับปรุงตัวแบบผ่านการตรวจวินิจฉัยเพื่อความเพียงพอ
10) เห็นได้ชัดว่าไม่มีความกังวลกับการปรับปรุงตัวแบบโดยการลบโครงสร้างที่ไม่สำคัญออกไป
11) ไม่มีสิ่งอำนวยความสะดวกที่จะได้รับครอบครัวของการพยากรณ์ที่จำลองซึ่งข้อ จำกัด ของความเชื่อมั่นอาจไม่จำเป็นต้องสมมาตรเมื่อทำการบู๊ตข้อผิดพลาดของโมเดลด้วยค่าเผื่อความผิดปกติที่อาจเกิดขึ้น
12) การให้ผู้ใช้ตั้งสมมติฐานเกี่ยวกับเทรนด์ (# ของเทรนด์เบรกพอยต์และเบรกพอยต์ที่เกิดขึ้นจริง) ให้ความยืดหยุ่นที่ไม่พึงประสงค์ / ไม่สามารถใช้งานได้ในการเผชิญกับการวิเคราะห์ขนาดใหญ่ซึ่งโดยชื่อของมัน