Które analizy szeregów czasowych są zawarte w Minitab Minitab oferuje kilka prostych metod prognozowania i wygładzania, metody analizy korelacji i techniki modelowania ARIMA do analizy danych z szeregów czasowych. Wykres szeregów czasowych Aby wykreślić dane w kolejności czasowej, aby określić, czy istnieje trend lub wzór sezonowy, należy utworzyć wykres serii czasowej. W Minitab wybierz opcję Stat gt Time Series gt Time Series Plot. Analiza trendów Aby dopasować linie trendu za pomocą modelu trendu liniowego, kwadratowego, wzrostu lub krzywej S, należy przeprowadzić analizę trendów. W Minitab wybierz opcję Analiza trendów gt gt gt. Dekompozycja Aby dopasować model, który w równym stopniu obciąża wszystkie obserwacje, aby określić najlepsze dopasowanie regresji, należy wykonać analizę rozkładu. Użyj, gdy seria prezentuje wzór sezonowy z tendencją lub bez niej. W Minitab wybierz opcję Stat gt Time Series gt Decomposition. Średnia ruchoma Aby wygładzić serię przy użyciu metody, która uwzględnia ostatnie obserwacje i wyklucza starsze obserwacje, użyj metody średniej ruchomej. Nie używaj, gdy seria wykazuje trend. W Minitab wybierz opcję Stat gt Time Series gt Moving Average. Pojedyncze wygładzanie wykładnicze Aby wygładzić serię przy użyciu metody, która zmniejsza obciążenia do starszych obserwacji, gdy seria czasowa nie wykazuje trendu lub wzoru sezonowego, należy zastosować pojedynczą metodę wygładzania wykładniczego. W Minitab wybierz opcję Stat gt Time Series gt Single Exp Smoothing. Podwójne wygładzanie wykładnicze Aby wygładzić serię przy użyciu metody, która zmniejsza obciążenia do starszych obserwacji, gdy seria czasowa wykazuje trend, ale nie jest to wzór sezonowy, należy zastosować metodę podwójnego wygładzania wykładniczego. W Minitab wybierz opcję Stat gt Time Series gt Double Exp Smoothing. Metoda Winters Aby wygładzić serię przy użyciu metody, która zmniejsza obciążenia do starszych obserwacji, gdy seria czasowa wykazuje wzór sezonowy, z trendem lub bez niego, użyj metody wygładzania Winters. W Minitab wybierz opcję Stat gt Time Series gt Winters Method. Różnice Utwórz nową kolumnę danych dla niestandardowych analiz i wykresów i zachowaj różnice między obserwacjami w serii. W Minitab wybierz opcję Stat gt Time Series gt Differences. Lagi Utwórz nową kolumnę danych dla niestandardowych analiz i wykresów i przesuń szereg w dół o określoną liczbę wierszy w arkuszu. W Minitab wybierz Stat gt Time Series gt Lag. Autokorelacja Aby zmierzyć, jak dobrze obserwacje w różnych punktach czasowych korelują się ze sobą i szukają wzoru sezonowego, przeprowadź analizę autokorelacji. Użyj tej analizy w połączeniu z funkcją częściowej autokorelacji, aby zidentyfikować komponenty modelu ARIMA. W Minitab wybierz opcję Autocorrelation gt gt gt gt. Częściowa autokorelacja Aby zmierzyć, jak dobrze przeszłe obserwacje w szeregu czasowym korelują z przyszłymi obserwacjami, podczas rozliczania obserwacji pomiędzy parą korelacji, należy wykonać częściową analizę autokorelacji. Użyj tej analizy w połączeniu z funkcją autokorelacji, aby zidentyfikować komponenty modelu ARIMA. W Minitab wybierz pozycję Stat gt Time Series gt Paroreracja autokorelacji. Korelacja krzyżowa Aby ustalić, czy jedna seria przewiduje inną, wykreślając korelacje między dwiema seriami w różnych punktach w czasie, przeprowadź analizę korelacji krzyżowej. W Minitab wybierz opcję Stat gt Time Time gt Cross Correlation. ARIMA Aby dopasować model z autoregresyjnymi, różnicowymi i ruchomymi średnimi komponentami, wykonaj ARIMA. Aby dopasować model ARIMA, musisz zrozumieć strukturę autokorelacji i częściowej autokorelacji twojej serii. W Minitab wybierz Stat gt Time Series gt ARIMA. Prawa autorskie 2018 Minitab Inc. Wszelkie prawa zastrzeżone. Korzystając z tej witryny, zgadzasz się na wykorzystanie plików cookie do celów analitycznych i spersonalizowanej treści. Przeczytaj naszą politykęPortal - Statistik Bertemu lagi z postingan kali ini, setelah sekian lama nieaktywny dari dunia blogger, tidak pernah lagi blog mengurusi, nah pada kesempatan kali ini saya mau berbagi kembali semua sahabat yang membutuhkan tutorial atau pengetahuan tentang forecasting peramalan, mungkin beberapa hari kedepan saya akan banyak memposting tulisan tentang forecasting. Semoga tulisan ini dapat berguna bagi kita semua. Pada postingan pertama tentang analisis runtun waktu kali ini, saya akan berbagi tentang analisis runtun waktu yang paling sederhana yaitu metode Średnia ruchoma. Analiza danych jest w stanie porównać dane z danymi na temat sieci danych, które można porównać do sieci telefonii komórkowej. Analisis runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observasi pada suu reguland dipandang sebagai realisasi dari variabel losowy berdistribusi bersama. Gerakan musiman adalah gerakan rangkaian waktu yang sepanjang tahun pada bulan-bulan yang sama yang selalu menunjukkan pola yang identik. contohnya: harga saham, inflasi. Gerakan losowy adalah gerakan naik turun waktu yang tidak dapat diduga sebelumnya dan terjadi secara acak contohnya: gempa bumi, kematian dan sebagainya. Asumsi yang penting yang harus dipenuhi dalam memodelkan runtun waktu adalah asumsi kestasioneran artinya sifat-sifat yang mendasari proses tidak dipengaruhi oleh waktu atau proses dalam keseimbangan. Apabila asumsi stasioner belum dipenuhi maka deret belum dapat dimodelkan. Namun, deret yang nonstasioner dapat ditransformasikan menjadi deret yang stasioner. Pola Data Runtun Waktu Salah satu aspek yang paling penting dalem penyeleksian metode peramalan yang sesuai dla danych runtun waktu adalah dla mempertimbangkan perbedaan tipe pola data. Ada empat tipe umum. poziomy, trend, sezonowy, dan cykliczny. Ketika dane obserwaci berubah di sekitar tingkatan atau rata-rata Yang konstanci disebut pola horyzontalni. Sebagai contoh penjualan tiap bulan suuu tidak meningkat atau menurun secara konsysten pada suatu waktu dapat dipertimbangkan dla pól poziomych. Ketika data observasi naik atau menurun pada perluasan periode suatu waktu disebut pole trend. Pola cykliczny ditandai z adanya fluktuasi bergelombang dane yang terjadi di sekitar garis trend. Ketika observasi dipengaruhi oleh faktor musiman disebut pola sezonowy yang ditandai z adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Dla runtun tiap bulan, ukuran zmienny komponen sezonowy runtun tiap Januari, tiap Februari, dan seterusnya. Do runtun tiap triwulan ada elemen empat musim, satu do masing-masing triwulan. Pojedyncza średnia ruchoma Rata-rata bergerak tunggal (średnia ruchoma) dla periode t adalah nilai rata-rata dla n jumlah data terbaru. Zaniżono dane w sieci, maka nata-rata-yang baru, dapat dihitung z menghilangkan danych yang terlama i menambahkan danych yang terbaru. Przenoszenie średniej ini digunakan do memprediksi nilai pada periode berikutnya. Model ini sangat cocok digunakan pada danych yang stasioner atau danych yang constant terhadap variansi. tetapi tidak dapat bekerja dengan dane yang mengandung unsur trend atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan data terakhir (Ft), dan menggunakannya dla memprediksi data pada periode selanjutnya. Metode ini sering digunakan dane padają kuartalan atau bulanan za członkostwo mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (wygładzanie). Dibanding z rata-rata sederhana (dari dane masa lata) rata-rata bergerak berord T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari data yang diketahui. Jumlah titik data dalam setata rata-rata tidak berubah den berjalannya waktu. Kelemahan dari metode ini adalah. Metode ini memerlukan penyimpanan yang lebih banyak karena semua T pengamatan terakhir harus disimpan, tidak hanya nilai rata-rata. Metode ini tidak dapat menanggulangi z baik adanya trend atau musiman, walaupun metode ini lebih baik dibanding rata-rata total. Diberikan N titik data dan diputuskan do menggunakan T pengamatan pada setiap rata-rata (yang disebut z rata-rata bergerak orde (T) atau MA (T), sehingga keadaannya adalah sebagai berikut: Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2017 sampai dengan Kwiecień 2017 r. Dane menadżerskie data i czas: Manajemen ingin meramalkan hasil penjualan menggunakan metode peramalan yang cocok z danymi tersebut Bandingkan metode MA tunggal orde 3, 5, 7 z aplikaliami Minitab dan MA ganda ordo 3x5 z zastosowaniami Excel, manakah metode yang paling tepat Dane techniczne są dostępne tylko w języku angielskim. Kliknij, aby przejść do pojedynczej średniej kroczącej Adapun langkah-langkah melakukan forcasting Dane techniczne: kliknij prawym przyciskiem myszy na ikonie pulpitu, wybierz program Minitab dengan melakukan kliknij dwukrotnie ikonę pulpitu. digunakan, buat nama variabel Bulan dan Data kemudian masukkan data sesuai studi kasus. m memulai dla prognozy melodyki, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran dane runtun waktunya, klik menu Wykres 8211 Time Series Plot 8211 Prosty, masukkan variabel Data ke kotak Series, sehingga didapatkan output seperti gambar. Selanjutnya dla prognoz melakukan z metodą Ruchoma Średnia pojedyncza orde 3, klik menu Stat 8211 Time Series 8211 Średnia ruchoma. . sehingga muncul tampilan seperti gambar dibawag, pada kotak Zmienna: masukkan variabel Data, pada kotak MA Długość: masukkan angka 3, selanjutnya berikan centang pada Generuj prognozy dan isi kotak Liczba prognoz: dengan 1. Przycisk Klik Opcja dan berikan judul z oznaczeniem MA3 dan klik OK. Selanjutnya klik przycisk Storage dan berikan centang pada Średnie kroczące, Pasuje (prognozy jednokresowe do przodu), Pozostałe, dan Prognozy, klik OK. Kemudian klik Graphs dan pilih Fabuła przewidywana kontra aktualna dan OK. Wyjście muncul output seperti gambar dibawah ini, Pada gambar diatas, terlihat z hasłem hasil dari forecast data tersebut, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan z metode Double Moving Średnia dapat dilihat DISINI. ganti saja langsung angka-angkanya dengan danych snu, hehhe. maaf yaa saya tidak jelaskan, lagi laperr soalnya: D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Modul Minitab do książki Peramalan Dengan Metode Arima Dan Double Exponential podręcznik książki minitab dla aplikacji analisis ARIMA MODUL MINITAB UNTUK PERAMALAN DENGAN METODE ARIMA DAN PODWÓJNA EXPONENTIAL Minitab adalah program statistik yang setiap versinya terus dikembangkan. Gambar 1 memperlihatkan kepada anda aspek-aspek utama dari Minitab. Pasek menu adalah tempat anda memilih perintah-perintah. Toolbar menampilkan tombol-tombol do fungsi-fungsi yang sering dipakai. Perhatikan bahwa tombol-tombol tersebut berubah tergantung dari window Minitab mana yang dibuka. Ada dua window berbeda pada layar Minitab: window data tempat i memasukkan, mengedit, dan melihat kolom data dari setiap kertas-kerja dan sesi window yang menayangkan output teks seperti misalnya tabela statystistik. Pada beberapa bab berikut perintah-perintah khusus akan diberikan agar ia dapat memasukkan data kedalam lembar kerja Minitab dan mengaktifkan prosedur peramalan dla menghasilkan peramalan yang diperlukan. Gambar 1 Layar Minitab Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan pemahaman pola historis data. Pola historis dane ini bisa dilihat dari fabuła deret beserta fungsi auto-korelasi sampel. 1 Langkah-langkah mendapatkan plot deret z Minitab 14 adalah sebagai berikut: 1. Memasukkan data produksi pupuk ke dalam kolom C1. Na stronie wyświetla się deret, klik menu menu, a następnie wybierz opcję 2 StatTime SeriesTime Series Plot Gambar 2 Menu, wykresy Deret pada Minitab 2. Okno dialogowe Kotak Time Series Wykreśl ditampilkan pada gambar 3, lalu pilih jenis plotuj yang diinginkan. Lalu klik OK. 2 Gambar 3 Okno dialogowe Kotak Seria czasowa Wykres 3. Okno dialogowe Kotak Seria czasowa Wykres prosty Ditampilkan pada gambar 4 Klik dua kali pada variabel produksi dan hal ini akan muncul disebelah bawah Seria. Lalu klik OK. Gambar 4 Kotak Dialog Time Series Fabuła-Prostota 3 Sedangkan langkah-langkah dla mendapatkan pola auto-korelasi adalah sebagai berikut: 1. Dla wielu użytkowników, klik menu menu dla wyboru gamepada 5 StatTime SeriesAutocorrelation Gambar 5 Menu Auto-korelasi pada Minitab 2 Okno dialogowe Kotak Funkcja autokorelacji mucul pada gambar 6 a. Klik dua kali pada variabel produksi dan hal ini akan muncul disebelah kanan Series. b. Masukkan judul (Tytuł) pada ruang yang dikehendaki dan klik OK. Hasil korrelogram ditampilkan pada gambar 7. 4 Gambar 6 Funkcja autokorelacji kotakowej Gambar 7 Fungsi Auto-korelasi dari variabel Produksi Pupuk Autokorelacja Funkcja dla produkcji (z 5 limitami istotności dla autokorelacji) 1.0 0.8 0.6 Autokorelacja 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 0,94 0,94 0,68 0,38 LBQ 27,12 49,49 66,49 79,41 89,39 96,41 100,48 101,81 Jika dalam gambar 7 masih menunjukkan adanya autokorelasi (non-stasioner) maka data szereg czasowy perse dilakukan proses różnice dla mendapatkan deret yang stasioner. Langkah-langkah analizuje różnice sebagai berikut: 1. Dowolne dane danych selisih (różnice), klik pada menu-menu berikut StatTime SeriesDifferences Pilihan Differences berada diatas pilihan Autocorrelation yang ditampilkan gambar 2. 2. Okno dialogowe Kotak Różnice ditampilkan pada gambar 8. a. Klik dua kali pada variabel produksi pupuk dan hal ini akan muncul disebelah kanan Series. b. Tekan Tab dla menyimpan selisih (differences) dan dimasukkan kedalam C2. Dane selisih (różnice) kini akan muncul dalam worksheet di kolom C2. Gambar 8 Różnice Dialogowe 6 Dalam modul ini hania digunakan dua metode peramalan yaitu ARIMA dan Double Exponential Smoothing. Double Exponential Smoothing Dla melakukan pemulusan mengunakan metode Double Exponential dane pada, lakukan langkah-langkah berikut: 1. Menu Melalui, klik menu menu, menu seperti pada gambar 9: StatTime SeriesDouble Exponential Smoothing Gambar 9 Menu Double Exponential pada Minitab 2. Okno dialogowe Muncul kotak Double Exponential Smoothing seperti pada gambar 10. a. Klik dua kali variabel produksi dan akan muncul sebagai variabel. b. Pada bobot yang akan digunakan sebagai smoothing, pilih Optimal ARIMA, kemudian klik OK. Hasilnya diperlihatkan pada gambar 11. 7 Gambar 10 Dialog podwójny wykładniczy Gambar 11 Pemulusan Ekspresyjny liner Hold Dane Produksi Pupuk Double Exponential Smoothing Plot dla produksi 9000000 8000000 7000000 6000000 produksi 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Indeks 21 24 27 30 Zmienna A ctual Pasuje do stałych wygładzania A lpha (poziom) 0.940976 Gamma (trend) 0.049417 Dokładność Pomiar MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Metode ARIMA sangat baik digunakan dla mengkombinasikan pola trend, faktor musim dan faktor siklus dengan lebih komprehensif. Disamping itu model ini mampu meramalkan data historis z kondisi yang sulit dimengerti pengaruhnya terhadap data secara teknis. Salah satu kunci merumuskan model ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Disamping itu, dane yang dapat dimodelkan z modelem ARIMA haruslah stasioner nilai tengah dan stasioner ragam. Langkah yang dilakukan dla identifikasi model awal dari ARIMA tanpa musiman adalah: a. Dane wykresu Buat berdasarkan periode pengamatan (seria). Jika danych berfluktuasi pada garis lurus dengan tingkat fluktuasi yang relatif sama maka danych tersebut sudah stasioner. Jika tidak stasioner lakukan diferensiasi. b. Jika seria telah stasioner, buat grafik autokorelasi parsial dari seria danych. Lihat pola do menentukan model ARIMA awal. do. Lakukan permodelan ARIMA (p, d, q) sesuai od modelu awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan model yang dihasilkan. re. Lakukan overfitting, yaitu duga model z nilai p, d, q lebih besar dari yang ditentukan pada model awal. mi. Tkańka modelu yang paląca się z melihat MSE. Peramalan dilakukan z menggunakan model yang terbaik. Do serii danych musiman, langkah-langkahnya mirip z tanpa musiman, dengan menambahkan model do musiman. Langkah dla melakukan pemodelan ARIMA dalam Minitab 14 adalah sebagai berikut: 1. Apabila data tersimpan dalam file, bukalah z menu berikut: FileOpen Worksheet 2. Dla mężczyzn auto-korelassy variabel produksi, klik menu sebagai berikut seperti pada gambar 5: StatTime SeriesAutocorrelation 3. Okno dialogowe Kotak Funkcja autokorelacji (gambar 6) muncul: a. Klik dua kali variabel produksi dan akan muncul di sebelah kanan series b. Klik OK dan muncul gambar 7. 4. Sebagai upaya melakukan selisih pada dane, klik menu menu seperti pada gambar 8: StatTime SeriesDifferences 5. Okno dialogowe Kotak Różnice seperti pada gambar 9 muncul a. Klik dua kali variabel produksi dan akan muncul disebelah kanan series b. Tab dla sklepu Różnice w: dan wpisz C2 9 c. Tab dla Lagu: dan wpisz 1. Klik OK dan selisih pertama akan muncul di kolom 2 mulai baris 2. 6. Znacznik zmienny C2 dla Diff1prod. Dla menadżerów auto-korelasi variabel ini, ulangi langkah 2 dengan menggunakan Diff1prod sebagai variabel disebelah kanan deret. 7. Dla menażerów auto-korelari parsial dari variabel Diff1prod kliknij polecenie seperti pada gambar 12: StatTime SeriesPertial Autocorrelation Gambar 12 Menu auto-korelasi parsial pada Minitab 8. Okno dialogowe Kotak Partial Autocorrelation Function muncul seperti pada gambar 13. a. Klik dua kali variabel Diff1prod dan akan muncul disebelah kanan Series. b. Klik OK dan muncul gambar 14. 10 Gambar 13 Dialog częściowy Kotak Częściowa autokorelacja 9. Model ARIMA (5,1,5) z menu podręcznego: StatTime SeriesArima 10. Okno dialogowe Kotak ARIMA muncul seperti gambar 14 a. Klik dua kali variabel produksi dan akan muncul disebelah kanan series. b. Di bawah Nonseasonal di kanan Autoregressive masukkan 5 di kanan Różnica masukkan 1 dan 5 di kanan Średnia ruchoma. do. Karena data telah diselisihkan, klik off kotak Uwzględnij stały termin w modelu. re. Klik prognozy dan kotak dialog ARIMA-Forecast muncul. Do meramalkan dua periode ke depan tempatkan 2 di kanan Prowadzenie: Klik OK. mi. Klik Storage dan kotak dialog ARIMA-Storage muncul. Klik kotak di kanan Pozostało dan kliknij OK OK okno dialogowe ARIMA dan bagian bawah gambar muncul. h. Dla menażka auto-korelasi rezydualny, ulangi langkah 2 z menggunakan Res1 sebagai variabel di kanan deret. 11 Gambar 14 Okno dialogowe Kotak ARIMA 12
No comments:
Post a Comment