자동 회귀 통합 평균 이동 평균

ARIMA Modeling. ARIMA 모델은 하나 이상의 통합 된 단위근을 가진 비 정적 시계열 시계열에 적용되는 ARMA i 모델의 확장입니다. ARIMA Model Wizard는 초기 매개 변수, 매개 변수 유효성 검사, 장점을 추측하는 모델 구성 단계를 자동화합니다 이 기능을 사용하려면 도구 모음이나 메뉴 항목에서 해당 아이콘을 선택하십시오. 워크 시트에서 데이터 샘플을 선택하고 자동 회귀 AR 구성 요소 모델, 통합 순서 d, 이동 평균 구성 요소 모델의 순서 그런 다음 적합도 테스트, 잔여 진단을 선택하고 워크 시트에서 모델을 인쇄 할 위치를 지정합니다. 참고 기본적으로 모델 마법사는 모델의 값을 빠르게 추측합니다 사용자는 모델 s 계수에 대한 캘리브레이션 된 값을 생성하도록 선택할 수 있습니다. 완료되면 ARMA 모델링 함수는 선택된 모델의 매개 변수를 ARIMA 마법사는 엑셀 유형의 주석 빨간색 화살표를 라벨 셀에 추가하여 설명합니다. ARIMA 비 계절 모델에 대한 소개. ARIMA p, d, q 예측 방정식 ARIMA 모델은 다음과 같습니다. 이론적으로 필요한 경우 로깅 또는 수축과 같은 비선형 변환과 함께 필요한 경우 차분을 통해 고정 될 수있는 시계열 예측을위한 가장 일반적인 클래스의 모델 시계열 인 임의의 변수는 다음과 같이 고정되어 있습니다. 그것의 통계적 성질은 시간에 대해 모두 일정하다. 고정 된 시리즈는 추세가 없으며, 평균 주위의 변이는 일정한 진폭을 가지며 일관된 방식으로 흔들린다. 즉, 그것의 단기간 무작위 시간 패턴은 항상 통계적 의미에서 동일하게 보인다. 조건은 평균과의 자체 사전 편차와의 자기 상관 상관 관계가 시간 경과에 따라 일정하거나 동등하게 그 힘 스펙트럼 럼은 시간에 따라 일정하게 유지됩니다. 이 형식의 무작위 변수는 신호와 노이즈의 조합으로 평소와 같이 볼 수 있으며, 신호가 명백한 경우 신호는 고속 또는 저속 평균 반향 또는 정현파 발진의 패턴 일 수 있습니다. 신호와 계절 성분을 가질 수도 있습니다. ARIMA 모델은 신호를 잡음과 분리하려고하는 필터로 볼 수 있으며 신호는 미래 예측으로 추정됩니다. 정지 시간에 대한 ARIMA 예측 방정식 series는 예측 변수가 종속 변수의 시차와 예측 오차의 시차로 구성되는 선형 즉 회귀 식 방정식입니다. 예측값 Y는 상수 및 / 또는 Y와 Y의 최근 값 중 하나 이상의 가중치 합계입니다. 또는 오류의 최근 값 중 하나 이상의 가중치 합계. 예측 변수가 Y의 지연 값으로만 ​​구성된 경우 순수 회귀 자동 회귀 모델이며 회귀 모델의 특수한 경우이며 c 예를 들어, Y에 대한 1 차 자동 회귀 AR 1 모델은 독립 변수가 단지 하나의 기간 LAG Y, Statgraphics에서 1 또는 RegressIt에서 YLAG1에 의해 지연되는 간단한 회귀 모델입니다. 예측기는 오류의 래그 (lags)가 있으며, ARIMA 모델은 선형 회귀 모델이 아닙니다. 마지막 기간의 오류를 독립 변수로 지정할 수있는 방법이 없기 때문에 오류가 기간별로 계산되어야합니다. 기술적 인 관점에서 보면, 지연된 오류를 예측 변수로 사용하는 문제는 모델의 예측이 과거 데이터의 선형 함수이지만 계수의 선형 함수가 아니라는 것입니다. 따라서 ARIMA 모델의 계수는 지연 오류는 방정식 시스템을 해결하는 것보다는 비 등화적인 최적화 방법으로 산정되어야합니다. 약어 ARIMA는 stat의 자동 회귀 적 통합 이동 평균 지연 예측 방정식에서 이온화 된 계열을 자동 회귀 항이라고 부르며, 예측 오차의 시차를 이동 평균 항이라고 부르며, 고정으로하기 위해 차분해야 할 시계열을 고정 계열의 통합 버전이라고합니다. 임의 추세 모델, 자동 회귀 모델 및 지수 평활 모델은 모두 ARIMA 모델의 특별한 경우입니다. 비 계절 ARIMA 모델은 ARIMA p, d, q 모델로 분류됩니다. 여기서, p는 자동 회귀 항의 수입니다. d는 숫자 q는 예측 방정식의 지연 예측 오차의 수이다. 예측 방정식은 다음과 같이 구성된다. 먼저, y의 d 번째 차를 의미하는 y라고한다. Y의 두 번째 차 d 2 경우는 2주기 이전과 차이가 없다. 2 차 미분의 이산 아날로그, 즉 seri의 국부 가속도 인 첫 번째 차이점은 첫 번째 차이점이다 es의 관점에서 볼 때, 일반적인 예측 방정식은 y와 관련하여 이동 평균 매개 변수 s가 Box 및 Jenkins가 도입 한 규칙에 따라 방정식에서 음수가되도록 정의됩니다. 일부 저작자 및 R 프로그래밍 언어는 더하기 기호를 대신 사용하도록 정의합니다. 실제 숫자가 방정식에 연결되면 모호성은 없지만 출력을 읽을 때 소프트웨어가 사용하는 규칙을 아는 것이 중요합니다. 매개 변수는 종종 AR로 표시됩니다 1, AR 2, MA 1, MA 2 등. Y에 대한 적절한 ARIMA 모델을 식별하기 위해 계열을 스테레오 라이즈하고 계절성의 총체적인 특징을 제거 할 필요가있는 차분 d의 순서를 결정하는 것으로 시작합니다. 벌채 또는 수축과 같은 분산 안정화 변환이 시점에서 멈추고 차이가있는 시리즈가 일정하다고 예측하면, 무작위 걸음 또는 무작위 배정을 맞추기 만하면됩니다 그러나, 정규화 된 계열은 여전히 ​​자기 상관 오차를 가질 수 있으며, AR 항의 수 p 1 및 / 또는 MA 항 q 1이 예측 방정식에서도 필요하다는 것을 암시한다. p, d, 및 d의 값을 결정하는 과정 q가 주어진 시간 계열에 가장 적합한 링크는이 페이지의 상단에있는 노트의 이후 섹션에서 논의되지만 일반적으로 발생하는 비 계절 ARIMA 모델의 일부 유형에 대한 미리보기가 아래에 나와 있습니다. ARIMA 1 , 0,0 일차 자기 회귀 모델은 그 시리즈가 고정되어 있고 자기 상관된다면, 아마도 그것은 이전의 여러 값과 상수로 예측 될 수 있습니다. 이 경우의 예측 방정식은입니다. 1주기 이것은 ARIMA 1,0,0 상수 모델입니다. Y의 평균이 0이면 상수 항이 포함되지 않습니다. 기울기 계수 1이 양수이고 크기가 1보다 작 으면 1보다 작아야합니다 Y가 고정 된 경우 크기, 모형은 다음 기간의 값이이 기간의 값과 같이 평균값에서 1 배로 예측되어야하는 평균 복귀 거동을 기술한다. 1이 음수이면 부호의 교대로 평균 복귀 행동을 예측한다. 즉, 이 기간이 평균 이상인 경우 Y는 다음 평균 기간보다 낮을 것입니다. 2 차 자동 회귀 모델 ARIMA 2,0,0에서는 오른쪽에 Y t-2 항이있을 것입니다. 계수의 부호와 크기에 따라 ARIMA 2,0,0 모델은 평균 반향이 사인파 진동 방식으로 발생하는 시스템을 설명 할 수 있습니다. 예를 들어, 무작위 적 충격을받는 스프링의 질량 운동과 같습니다. ARIMA 0,1,0 무작위 걸음 시리즈 Y가 고정되어 있지 않으면, 가장 간단한 모델은 무작위 걸음 걸이 모델로, 자동 회귀 계수가 1 인 AR 1 모델의 제한적인 경우로 간주 될 수 있습니다. iea 시리즈는 무한히 느린 평균 복귀를 가짐 예측 식 이 모델은 다음과 같이 쓸 수있다. 상수 항은 평균 기간 - 주기 변화, 즉 Y에서의 장기간 드리프트이다. 이 모델은 Y의 첫 번째 차이가 종속 변수는 비 계절적 차이와 상수 항만을 포함하기 때문에 상수가있는 ARIMA 0,1,0 모델로 분류됩니다. 무작위 도보가없는 모델은 상수가없는 ARIMA 0,1,0 모델입니다. ARIMA 1,1,0 차분한 1 차 자동 회귀 모델 임의의 보행 모델의 오차가 자동 상관된다면, 종속 변수의 한 지연을 예측 방정식에 추가하여 문제를 해결할 수 있습니다. 즉, 첫 번째 차를 회귀하여 Y는 그 자체로 한주기만큼 뒤떨어져있다. 이것은 다음의 예측 방정식을 산출 할 것이다. 이것은 재 배열 될 수있다. 이것은 비 계절별 차이와 상수 항이있는 1 차 자동 회귀 모델이다. 즉, ARIMA 1,1,0 모델. ARIMA 0,1,1, 상수없이 간단한 exp onential smoothing 임의의 보행 모델에서 자동 상관 오류를 수정하기위한 또 다른 전략은 간단한 지수 평활화 모델에 의해 제안됩니다. 일부 비정규 시간 계열 (예 : 천천히 변하는 평균 주위의 잡음이 많은 변동을 나타냄)에서 무작위 걸음 모델은 잘 수행되지 않습니다 다시 말해, 가장 최근의 관측치를 다음 관측치의 예측치로 사용하는 것보다, 노이즈를 걸러 내고 더 정확하게 관측치를 추정하기 위해 마지막 관측치의 평균을 사용하는 것이 더 낫습니다. local mean 간단한 지수 평활화 모델은 과거 값의 지수 가중 이동 평균을 사용하여이 효과를 얻습니다. 단순 지수 평활화 모델의 예측 식은 수학적으로 동등한 여러 형식으로 작성할 수 있습니다. 이 중 하나는 소위 오류 수정 형식 , 이전 예측은 오류의 방향으로 조정됩니다. 왜냐하면 e t-1 Y t-1 - t-1을 정의하면 ARIMA 0,1,1과 같이 다시 쓸 수 있습니다. - 1 - 1로 일정하지 않은 예측 방정식 - ARIMA 0,1로 지정하여 간단한 지수 평활화를 적용 할 수 있음을 의미합니다. , 상수가없는 1 모델이며, 추정 된 MA 1 계수는 SES 공식에서 1-minus-alpha에 해당한다. SES 모델에서 1 기간 예측에서의 데이터의 평균 연령은 1이다. 추세 또는 전환점보다 약 1주기 지연되는 경향이 있습니다. ARIMA 0,1,1 - 일정하지 않은 모델의 1 기 간 예측에서 데이터의 평균 연령은 11-1입니다. 예를 들어, 1 0 8이면 평균 연령은 5입니다 1이 1에 가까워지면 ARIMA 0,1,1 - 비 상수 모델은 매우 장기적인 이동 평균이되고 1이 0에 가까워지면 랜덤 워크 - 드리프트없는 모델. AR 항을 추가하거나 MA 항을 추가하는 자기 상관을 보정하는 가장 좋은 방법은 무엇인가? 앞에서 설명한 두 모델에서, 자기 상관의 문제 무작위 걸음 모델의 ated 오류는 차분 된 계열의 지연된 값을 방정식에 추가하거나 예측 오차의 지연된 값을 추가하여 두 가지 다른 방법으로 수정되었습니다. 어떤 접근 방식이 가장 좋은가이 상황에 대한 경험 법칙은 다음과 같습니다. 나중에 긍정적으로 자기 상관은 모델에 AR 항을 추가하여 가장 잘 처리되고 음의 자기 상관은 일반적으로 MA 항을 추가하여 가장 잘 처리된다는 것입니다. 비즈니스 및 경제적 시계열에서 부정적인 자기 상관은 종종 유물로 발생합니다 차분 (differencing) 일반적으로 차분은 양의 자기 상관을 감소시키고 심지어 양의 자기 상관에서 음의 자기 상관로의 전환을 야기 할 수 있습니다. 따라서, 차분이 MA 항을 수반하는 ARIMA 0,1,1 모델이 ARIMA 1보다 자주 사용됩니다. 1,0 모델. ARIMA 0,1,1 성장과 함께 일정하고 단순한 지수 평활화 ARIMA 모델로 SES 모델을 구현하면 실제로 유연성을 얻을 수 있습니다. 먼저 MA 1 coe fficient가 음수가되도록 허용됨 이것은 SES 모델에서 일반적으로 허용되지 않는 SES 모델에서 1보다 큰 평활 계수에 해당합니다. 둘째, 원하는 경우 ARIMA 모델에 상수 항을 포함 할 수 있습니다 , 0이 아닌 평균 추세를 추정하기 위해 ARIMA 0,1,1 모델에는 예측 방정식이 있습니다. 이 모델의 한주기 예측은 SES 모델의 단주기 예측과 정 성적으로 유사하지만 궤적 장기 예측의 일반적으로 슬로프가 수평선이 아닌 μ와 같은 경사 선입니다. ARIMA 0,2,1 또는 0,2,2 일정한 선형 지수 스무딩없이 선형 선형 평활화 모델은 두 개를 사용하는 ARIMA 모델입니다 MA 조건과 관련된 비 계절적 차이 시리즈 Y의 두 번째 차이점은 단순히 Y와 두 기간의 차이가 아니라 첫 번째 차이점의 첫 번째 차이, 즉 변경 사항 변경 의 Y와 동일하다. 따라서주기 t에서의 Y의 두 번째 차이는 다음과 같다. y t - 1 - Y t - 2 Y t - 2Y t - 1 Y t - 2 이산 함수는 주어진 시점에서 함수의 가속도 또는 곡률을 측정하는 연속 함수의 2 차 미분과 유사합니다. 상수가없는 ARIMA 0,2,2 모델은 계열의 두 번째 차이가 선형 함수와 같다고 예측합니다 마지막 2 개의 예측 오차 중 1 번째와 2 번째는 MA 1과 MA 2 계수이다. 이것은 홀트 모델과 본질적으로 동일한 일반적인 선형 지수 평활 모델이며 Brown s 모델은 특별한 경우이다. 지수의 가중 이동 평균을 사용하여 계열의 지역 수준과 지역 경향을 예측합니다. 이 모델의 장기 예측은 계열이 끝날 때 관찰 된 평균 추세에 따라 달라지는 직선으로 수렴합니다. ARIMA 1,1 , 2 일정한 감쇠 추세 선형 지수 평활화없이. 이 모델은 illu ARIMA 모델의 동반 슬라이드에 실 렸습니다. 시리즈의 마지막 부분에서 지역 추세를 외삽하지만 더 긴 예측 시야에서 보완하여 보수주의 메모를 소개합니다. 경험적 지원이있는 실습 문서 댐핑 동향이 작동하는 이유에 대한 기사 참조 Gardner와 McKenzie와 Armstrong 외의 Golden Rule 기사를 참고하십시오. p와 q 중 적어도 하나가 1보다 크지 않은 모델, 즉 ARIMA 2와 같은 모델을 적합하게하려고 시도하지 않는 모델에 충실하는 것이 일반적으로 권장됩니다 , 1,2는 ARIMA 모델의 수학적 구조에 대한 참고 사항에서 자세히 설명하는 overfitting 및 공통 요인 문제로 이어질 가능성이 있기 때문입니다. 스프레드 시트 구현 위에서 설명한 ARIMA 모델은 스프레드 시트 예측 방정식은 원래 시계열의 과거 값과 과거 오류 값을 나타내는 선형 방정식입니다. 따라서 ARIMA 예측 스프레드 시트를 열 A, t에 저장하여 설정할 수 있습니다 그는 B 열의 수식을 예측하고 C 열의 오류 데이터에서 예측치를 뺀 값을 계산합니다. B 열의 일반적인 셀의 예측 수식은 단순히 열 A와 C의 이전 행의 값을 나타내는 선형식이 고 적절한 AR 또는 MA 계수는 스프레드 시트의 다른 곳에있는 셀에 저장됩니다. ARIMA Excel 및 R. Hello로 예측하기 오늘 ARIMA 모델 및 그 구성 요소에 대한 소개와 Box-Jenkins 방법에 대한 간단한 설명 ARIMA 모델이 지정되었습니다. 마지막으로 R을 사용하여 Excel 구현을 만들었습니다. 이 모델에서는 설치 및 사용 방법을 보여줍니다. 자동 회귀 평균 ARMA 모델. 자동 회귀 평균 모델은 정적, 확률 적 시계열 프로세스를 모델링하고 예측하는 데 사용됩니다 이전에 개발 된 두 가지 통계 기법 인 Autoregressive AR 및 Moving Average MA 모델의 조합이며 1951 년 George EP에서 Peter Whittle이 처음에 설명했습니다 Box와 Gwilym Jenkins는 모델 식별, 추정 및 검증을위한 개별 단계를 지정하여 1971 년에 모델을 대중화했습니다. 이 프로세스는 나중에 참조하기 위해 설명합니다. ARMA 모델을 다양한 구성 요소 인 AR 및 MA 모델로 소개하고 ARMA 모델의 일반적인 일반화, ARIMA Autoregressive 통합 이동 평균 및 예측 및 모델 지정 단계 마지막으로, 내가 작성한 Excel 구현과이를 사용하여 시계열 예측을 수행하는 방법을 설명합니다. 자동 회귀 모델. 자동 회귀 모델은 다음과 같습니다. 임의의 프로세스와 시변 프로세스를 설명하는 데 사용되며 출력 변수가 이전 값에 선형으로 종속되어 있음을 나타냅니다. 모델은. Xt C sum varphii, Xt-i varepsilont로 표시됩니다. varphi1, ldots, varphi varphi는 모델, C는 상수, varepsilont는 백색 잡음 용어입니다. 근본적으로 모델이 설명하는 것은 주어진 값 X에 대한 설명입니다. b y 함수 이전 매개 변수가있는 모델의 경우, varphi 1 X t는 과거 값 X t-1과 임의 오류 varepsilont로 설명됩니다. 하나 이상의 매개 변수가있는 모델의 경우, 예를 들어 varphi 2 X t는 X 이동 평균 MA 모델은 단 변량 시계열을 모델링하기 위해 종종 사용되며,.Xt mu varepsilont theta1, varepsilon ldots thetaq, varepsilon으로 정의됩니다. mu는 시계열의 평균입니다. theta1, ldots, thetaq는 모델의 매개 변수입니다. varepsilont, varepsilon, ldots는 백색 잡음 오류 용어입니다. q는 이동 평균 모델의 순서입니다. 이동 평균 모델은 이전 기간의 varepsilont 항과 비교 한 시리즈의 현재 값에 대한 선형 회귀입니다. 예를 들어, , q 1 X t의 MA 모델은 같은주기의 현재 오류 varepsilont와 과거 오류 값인 varepsilon에 의해 설명된다. 차수 2 q 2의 모델에 대해 X t는 지난 두 오류 값인 varepsilon과 varepsilon . AR p와 MA q 항이 ARMA 모델에서 사용되며, 이제 소개 될 것이다. 무조건 이동 평균 모델. 무동향 이동 평균 모델은 2 개의 다항식 AR p와 MA q를 사용하고 고정 된 확률 과정을 설명한다. 따라서 시공간적으로 변할 때 변화한다. 따라서 고정 된 과정은 일정한 평균과 분산을 갖는다. ARMA 모델은 종종 그 다항식 ARMA p, q의 관점에서 언급된다. 모델의 표기법이 쓰여있다. Xt c varepsilont sum varphi 1 X 합계 모델을 선택합니다. 모델을 선택, 추정 및 검증하는 것은 Box-Jenkins 프로세스에 의해 설명됩니다. Box-Jenkins 모델 식별 방법. 다음은 Box-Jenkins 방법의 개요입니다. 이 값은 통계 패키지없이 매우 압도적 일 수 있습니다. 이 페이지에 포함 된 Excel 시트가 자동으로 최적 모델을 결정합니다. Box-Jenkins 방법의 첫 번째 단계는 모델 식별입니다. 단계는 계절성 식별, 필요시 차이점 표시 및 순서 결정 모델이 식별 된 후, 다음 단계는 매개 변수를 추정하는 것입니다. 매개 변수 추정은 통계 패키지와 계산 알고리즘을 사용하여 가장 적합한 피팅 매개 변수를 찾습니다. 매개 변수가 선택되면 마지막 단계 모델을 점검하고 있습니다. 모델 점검은 모델이 정지 된 단 변수 시계열을 준수하는지 확인하기 위해 테스트합니다. On e는 잔차가 서로 독립적이며, Ljung-Box 테스트를 수행하거나 잔차의 자기 상관 및 부분 자기 상관을 다시 플롯하여 수행 할 수있는 일정한 평균 및 분산을 나타낼 수 있어야합니다. 첫 번째 단계는 계절성 계절적 추세가 포함 된 데이터의 경우 데이터를 고정시키기위한 차이점이 차별화 단계는 ARMA 모델을 ARIMA 모델 또는 자동 회귀 식 통합 이동 평균으로 일반화합니다. 여기서 Integrated은 차별화 단계에 해당합니다. Autoregressive Integrated Moving 평균 모델. ARIMA 모델은 세 가지 매개 변수, p, d, q를가집니다. ARMA 모델에 차이 기간을 포함 시키려면 표준 ARMA 모델을 재 배열하여 X t latex와 latex varepsilont를 합계에서 분리합니다. 1 - sum alphai L i Xt 1 합계 L i varepsilont. L은 Lag 연산자이고 alphai thetai varepsilont는 각각 자동 회귀 및 이동 평균 매개 변수이고 오차항입니다. 이제 우리는 가정을 함수의 첫 번째 다항식으로 가정합니다. 1 - sum alphai L i는 다중성의 단위 루트를 갖습니다. 다음으로 다시 작성할 수 있습니다. ARIMA 모델은 다항식 분해를 pp - d로 표현하고 우리에게 1-sum phi L i 1 - L d Xt 1 sum ttai L i varepsilont. Lastly, 우리는 drift frac을 사용하여 ARIMA 모델을 ARIMA p, d, q로 정의하는 표류 항을 추가하여 모델을 더욱 일반화합니다. 현재 정의 된 모델을 사용하여 ARIMA 모델을 2 개의 별도 파트, 하나는 비 정적, 다른 하나는 광역 고정식 관절 확률 분포로 볼 수 있습니다 시간 또는 공간에서 시프트 할 때 변경되지 않습니다. 비 정지 모델입니다. 와이드 센스 정지 모델입니다. 1 - sum phi L i Yt 1 합계 L i varepsilont. 이제 일반화 된 자동 회귀 예측 방법을 사용하여 Yt에서 포털을 만들 수 있습니다. 이제 ARMA 및 ARIMA 모델에 대해 논의 했으므로 이제 어떻게 실용적으로 사용할 수 있습니까? 응용 프로그램을 사용하여 예측을 제공합니다. Excel에서 R을 사용하여 ARIMA 예측을 작성하고 모델에 몬테카를로 시뮬레이션을 실행하여 예측 가능성을 결정하는 옵션을 Excel에 구현했습니다. Excel 구현 및 사용 방법. 시트를 사용하기 전에, Statconn 웹 사이트에서 R 및 RExcel을 다운로드해야합니다. R이 이미 설치되어있는 경우 RExcel을 다운로드하면됩니다. R이 설치되어 있지 않은 경우 R 및 RExcel의 최신 버전이 포함 된 RAndFriends를 다운로드 할 수 있습니다. RExcel은 비상업적 인 라이센스를위한 32 비트 Excel 64 비트 Excel이 설치된 경우 Statconn에서 상업 라이센스를 얻어야합니다. RAndFriends를 다운로드하는 것이 가장 빠르고 쉬운 설치를 위해 권장됩니다 그러나 R이 이미 있고 수동으로 설치하려면 다음 단계를 따르십시오. 수동으로 RExcel을 설치하십시오. Excel에서 R을 작동하도록 RExcel 및 다른 패키지를 설치하려면 먼저 오른쪽 마우스를 클릭하여 관리자로 R을여십시오 R 콘솔에서 다음 명령문을 입력하여 RExcel을 설치하십시오. 위 명령은 RExcel을 시스템에 설치합니다. 다음 단계는 RExcel 패키지의 Statconn에서 다른 패키지 인 rcom을 설치하는 것입니다. 이를 설치하려면 다음을 입력하십시오 명령은 자동으로 R 버전 2 8의 rscproxy를 설치합니다. 8.이 패키지가 설치되어 있으면 R과 Excel 간의 연결 설정으로 이동할 수 있습니다. 설치에 필요하지는 않지만 다운로드 할 수있는 편리한 패키지는 Rcmdr입니다. John Fox의 Rcmdr은 Excel에서 메뉴가 될 수있는 R 메뉴를 만듭니다. 이 기능은 기본적으로 RAndFriends 설치와 함께 제공되며 Excel에서 여러 R 명령을 사용할 수 있도록합니다. 다음 명령을 R에 입력하여 Rcmd r. 우리는 R 및 Excel에 대한 링크를 만들 수 있습니다. 참고 최신 버전의 RExcel에서이 연결은 제공된 파일 ActivateRExcel2010의 간단한 두 번 클릭으로 이루어 지므로 R 및 RExcel을 수동으로 설치 한 경우에만 다음 단계를 수행하면됩니다. 또는 어떤 이유로 든 연결이 RAndFriends 설치 중에 만들어지지 않은 경우 R과 Excel 사이의 연결을 만듭니다. Excel에서 새 책을 열고 옵션 화면으로 이동합니다. 옵션을 클릭 한 다음 추가 기능을 클릭합니다. 현재있는 활성 및 비활성 추가 기능 맨 아래에있는 이동 단추를 클릭하십시오. 추가 기능 대화 상자에서 사용자가 만든 모든 추가 기능 참조가 표시됩니다. 찾아보기를 클릭하십시오. 일반적으로 위치한 RExcel 폴더로 이동하십시오 C 프로그램 FilesRExcelxls 또는 유사 항목 추가 기능을 찾아서 클릭하십시오. 다음 단계는 R을 사용하여 매크로가 제대로 작동하도록 참조를 작성하는 것입니다. Excel 문서에서 Alt F11을 입력하십시오. 그러면 Excel이 열립니다. VBA 편집기로 이동하십시오. 도구 - 참조 및 RExcel 찾기 레퍼런스, RExcelVBAlib RExcel은 이제 사용할 준비가되었습니다. 엑셀 시트를 사용하십시오. 이제 R과 RExcel이 올바르게 구성되었으므로 예측을 할 시간입니다. 예측 시트를 열고 서버로드를 클릭하십시오. RCom 서버를 시작하는 것입니다. 예측을 수행하는 데 필요한 함수로드 대화 상자가 열립니다 시트에 포함 된 itall R 파일 선택이 파일에는 예측 도구가 사용하는 기능이 포함되어 있습니다. 포함 된 대부분의 기능은 피츠버그 대학교의 Stoffer 교수가 개발 한 기능입니다. 우리의 예측 결과와 함께 유용한 진단 그래프를 제공합니다 ARIMA 모델의 가장 적합한 피팅 파라미터를 자동으로 결정하는 기능이 있습니다. 서버가로드 된 후 데이터 열에 데이터를 입력하십시오. 데이터 범위를 선택하십시오. 마우스 오른쪽 버튼으로 클릭하고 이름 범위를 선택합니다. 범위를 Data. Next로 지정하고 셀 C6에서 데이터의 빈도를 설정합니다. 빈도는 데이터의 기간을 나타냅니다. 주 즉, 빈도는 7 일, 월간은 12 일, 분기는 4 일, 기타 등등. 앞으로 예측 기간을 입력하십시오. ARIMA 모델은 여러 번의 연속적인 주파수 예측을 통해 상당히 부정확하게됩니다. 좋은 경험 법칙은 30 단계를 초과해서는 안됩니다 과거의 것보다 오히려 신뢰성이 떨어질 수 있음 데이터 세트의 크기에도 영향을 미칩니다. 사용 가능한 데이터가 제한적이라면 더 작은 스텝 수를 선택하는 것이 좋습니다. 데이터를 입력 한 후 이름을 지정하고 원하는 값을 설정 한 후 빈도를 계산하고 예측을 진행하여 실행을 클릭합니다. 예측이 처리되는 데 시간이 걸릴 수 있습니다. 완료되면 예측 된 값을 지정한 숫자, 결과의 표준 오류 및 두 개의 차트로 가져옵니다. 왼쪽은 예측 된 값은 데이터로 그려지는 반면, 오른쪽에는 표준화 된 잔차, 잔차의 자기 상관, 잔차의 gg 플롯 및 i를 결정하는 Ljung-Box 통계 그래프가있는 편리한 진단이 포함되어 있습니다. f 모델이 잘 맞습니다. 잘 맞는 모델을 찾는 방법에 대해 너무 자세히 설명하지는 않지만, ACF 그래프에서는 점선으로 된 파란색 선을 지나치는 지연 스파이크를 원하지 않습니다. gg 음모, 선을 통과하는 원이 많을수록 표준화되고 모델에 더 잘 맞습니다. 더 큰 데이터 세트의 경우 이것은 많은 원을 교차 할 수 있습니다. 마지막으로 Ljung-Box 테스트 자체는 기사이지만 더 많은 원 파란색 점선 위에있는 모델이 더 좋습니다. 진단 결과가 잘 보이지 않으면 예측하려는 범위에 가까운 다른 지점에서 시작하거나 더 많은 데이터를 추가해보십시오. 생성 된 결과를 다음과 같이 쉽게 지울 수 있습니다. 예상 값 지우기 버튼을 클릭하십시오. 그리고 현재는 날짜 열이 참조 이외의 다른 작업을 수행하지는 않지만 툴에는 필요하지 않습니다. 시간이 지나면 다시 돌아가서 표시된 그래프를 추가합니다 정확한 시간을 보여줍니다. 또한 r 예측 최적화하기 이것은 대개 최상의 매개 변수가 적절한 순서를 결정할 수 없다는 것을 발견했기 때문입니다. 위의 단계를 수행하여 함수가 작동하도록 데이터를보다 잘 정렬하고 정렬 할 수 있습니다. 도구 밖으로 사용하기를 바랍니다. 이제는 데이터를 입력하고 서버를로드 한 다음 실행하면됩니다. 이제는 R이 얼마나 멋진지를 보여줄 수 있기를 바랍니다. 특히 프런트 엔드와 함께 사용할 때 Excel. Code, Excel 워크 시트 및 파일도 여기 GitHub에 있습니다.