ถ้าดังนั้น(t)]Y(t)=[θ/ϕ][A(t)+IO(t)]Y*(t)=[θ/ϕ][A(t)]+[θ/ϕ][IO(t)]
หากและเช่น ... ดังนั้นθ=1ϕ=[1−.5B]
Y*(t)=[1/(1−.5B)][A(t)]
+IO(t)−.5⋅IO(t−1)+.25⋅IO(t−2)−.125⋅IO(t−3)−….
หากตัวอย่างเช่นการประเมินผลกระทบของ IO คือ 10.0 ดังนั้น
โดยที่ตัวแปรตัวบ่งชี้สำหรับคือ 0 หรือ 1
Y∗(t)=[1/(1−.5B)][A(t)]
IO+10⋅IO(t)−5⋅IO(t−1)+2.5⋅IO(t−2)−1.25⋅IO(t−3)−….
IO
ด้วยวิธีนี้คุณจะเห็นว่าผลกระทบของความผิดปกตินั้นไม่เพียง แต่เกิดขึ้นทันที แต่มีความทรงจำ
ซอฟต์แวร์เช่น Autobox (ซึ่งผมคุ้นเคยกับ) ไม่ได้ระบุผลกระทบ IO ( แต่ผลกระทบ AO) จะระบุลำดับของความผิดปกติที่มีค่า 10, -5, 2.5, -1.25 ... เริ่มต้นที่ระยะเวลาทีt
ผู้ใช้เมื่อเห็นเหตุการณ์ที่เกิดขึ้นได้ยากนี้จะสามารถย้ำถึงการถ่ายโอนระหว่างการแทรกแซง AO กับโครงสร้างแบบไดนามิกมากกว่าโครงสร้างตัวเศษบริสุทธิ์ให้ผลลัพธ์เดียวกันกับถ้า IO ผลกระทบถูกจัดตั้งขึ้น [ w ( b ) ][w(b)/d(b)][w(b)]
ทุกครั้งที่คุณรวมหน่วยความจำไม่ว่าจะเป็นผลมาจากตัวดำเนินการที่แตกต่างกันหรือโครงสร้าง ARMA มันเป็นการยอมรับโดยปริยายของความไม่รู้เนื่องจากชุดสาเหตุที่ละเว้น สิ่งนี้เป็นความจริงด้วยที่จะต้องรวมชุดการกำหนดค่าการแทรกแซงเช่นพัลส์ / การเลื่อนระดับพัลส์ตามฤดูกาลหรือแนวโน้มเวลาท้องถิ่น ตัวแปรดัมมี่เหล่านี้เป็นพร็อกซีที่ต้องการสำหรับตัวแปรเชิงสาเหตุที่ผู้ใช้ระบุไม่ระบุ บ่อยครั้งที่สิ่งที่คุณมีคือชุดของความสนใจและจากตัวระบุที่ฉันสะกดออกมาคุณสามารถคาดการณ์อนาคตตามอดีตที่ผ่านมาโดยไม่รู้ถึงธรรมชาติของข้อมูลที่กำลังวิเคราะห์ ปัญหาเดียวคือคุณกำลังใช้หน้าต่างด้านหลังเพื่อคาดการณ์ถนนข้างหน้า .... สิ่งที่เป็นอันตรายแน่นอน
หลังจากโพสต์ข้อมูลแล้ว ...
แบบจำลองที่สมเหตุสมผลคือ (1,1,0) คือและความผิดปกติของ AO ถูกระบุในช่วงเวลา 39,41,47,21 และ 69 (ไม่ใช่ระยะเวลา 48) ส่วนที่เหลือของรุ่นนี้ดูเหมือนจะไม่มีโครงสร้างที่ชัดเจน AND AO fice ให้คุณค่าการแสดงกิจกรรมที่เหมาะสมที่สุดซึ่งสะท้อนโดยกิจกรรมที่ไม่ได้อยู่ในประวัติของอนุกรมเวลา ฉันคิดว่า ACF ของโมเดลที่มีความแตกต่างเกินกว่าของ OP จะสะท้อนถึงความไม่เพียงพอของโมเดล นี่คือรูปแบบ อีกครั้งที่ไม่มีรหัส R ส่งมอบเนื่องจากปัญหาหรือโอกาสอยู่ในขอบเขตของการระบุ / แก้ไข / ตรวจสอบรุ่น ในที่สุดพล็อตของซีรีส์ที่เกิดขึ้นจริง / ติดตั้งและคาดการณ์! [ใส่คำอธิบายภาพที่นี่] [6]