Flytting Gjennomsnitt Modell Ligning

Eksponensiell ligning Bruk av eksponensiell ligning har ført til at forholdet blir brukt av forskjellige forskere og i ulike former 1, 15. I kvantitative metoder vises en tilsynelatende annen anvendelse av eksponensiell ligning i form av kø eller ankomstproblem. Gitt nøyaktigheten av denne passformen ble den eksponensielle ligningen brukt til å forutsi den sannsynlige årlige produksjonen av gass for en mulig ny brønn og som grunnlag for den økonomiske analyse som følger. Dette bekrefter at de teoretiske studiene er tilstrekkelige for den faktiske ozoneringsprosessen, fordi konsekvensen av teoretiske studier også er en eksponentiell ligning. For bønne ble samme kubiske eksponensielle ligning montert på LA, GLDM, PEDM, SDM, TDM og RDM data. Observasjoner viste at endringen i trykkfastheten til betong som følge av innføring av forskjellige mengder av CR, kan matematisk tilnærmet ved eksponentiell ligning på en svært presis måte. Aggregerte RMSE-koeffisienter for hyperbolisk diskontering var betydelig lavere enn de for eksponentiell ligning (se tabell 1). Den følgende eksponensielle ligningen (29) gir et godt estimat av avhengigheten av partikkelstørrelsen på HDPE-g-MAH-konsentrasjonen. R av følgende utvidelse av Cauchys eksponensielle ligning (se eksempel 2. 11) kalles en areolar eksponensiell ligning av Fempl type 4. Parametrene for USLE ble tilpasset ved to metoder: (i) montering av en eksponensiell ligning til jordtapet - innhente data (kombinere Eqns 2 og 4), og (ii) optimalisere parametrene K og bcov for å minimere summen av feilfeltene (SSE) for målte og modellerte gjennomsnittlige årlige jordstap. Formen på kurven ble funnet å nesten perfekt følge den generelle eksponensielle ligningen som uttrykt nedenfor. Bernoullis-ligningen Bernoulli-ligningen sier at der hvor punkt 1 og 2 ligger på en strømlinje, har væsken konstant tetthet, strømmen er stabil og der er ingen friksjon. Selv om disse begrensningene er svake, er Bernoulli-ligningen meget nyttig, delvis fordi den er veldig enkel å bruke, og delvis fordi den kan gi stor innsikt i balansen mellom trykk, hastighet og høyde. Hvor nyttig er Bernoullis ligning Hvor restriktiv er antagelsene som styrer bruken Her gir vi noen eksempler. Variasjon i trykkhastighet Vurder den jevne, flytende væsken i konstant tetthet i en konvergerende kanal uten tap som skyldes friksjon (figur 14). Strømmen tilfredsstiller derfor alle restriksjonene som styrer bruken av Bernoullis-ligningen. Oppstrøms og nedstrøms for sammentrekningen gjør vi den endimensjonale antagelsen om at hastigheten er konstant over innløps - og utløpsområdene og parallelt. Figur 14. Eidimensjonal kanal som viser kontrollvolum. Når strømlinjene er parallelle, er trykket konstant på tvers av dem, bortsett fra hydrostatiske hodeforskjeller (hvis trykket var høyere i midten av kanalen, for eksempel, ville vi forvente at strømlinjene skulle divergere og omvendt). Hvis vi ignorerer tyngdekraften, er trykket over innløps - og utløpsområdene konstant. Sammen med en strømlinje på midtlinjen gir Bernoulli-ligningen og den endimensjonale kontinuitetsligningen henholdsvis disse to observasjonene en intuitiv guide for analyse av væskestrømmer, selv når strømmen ikke er endimensjonal. For eksempel når strømmen passerer over et fast legeme, strømlinjene kommer nærmere sammen, strømningshastigheten øker, og trykket avtar. Luftskinner er konstruert slik at strømmen over toppflaten er raskere enn over bunnflaten, og derfor er gjennomsnittstrykket over toppflaten mindre enn gjennomsnittstrykket over bunnflaten, og en resulterende kraft på grunn av denne trykkforskjellen er produsert . Dette er kilden til løft på en flygel. Løft er definert som kraften som virker på en luftskive på grunn av bevegelsen, i en retning som er normal mot bevegelsesretningen. På samme måte er dra på en flygel definert som kraften som virker på en løftebøyle på grunn av bevegelsen, langs bevegelsesretningen. En enkel demonstrasjon av heisen produsert av en luftstrøm krever et stykke notisbokspapir og to bøker med omtrent samme tykkelse. Legg bøkene fire til fem tommer fra hverandre, og dekk hullet med papiret. Når du blåser gjennom passasjen fra bøkene og papiret, hva ser du Hvorfor To flere eksempler: En bordtennisball plassert i en vertikal luftstråle blir suspendert i strålen, og den er svært stabil for små forstyrrelser i alle retninger . Skyv ballen ned, og den springer tilbake til dens likevektsposisjon skyver den sidelengs, og den går raskt tilbake til sin opprinnelige posisjon i midten av strålen. I vertikal retning balanseres ballens vekt av en kraft på grunn av trykkforskjeller: Trykket over bakre halvdel av sfæren er lavere enn over forsiden på grunn av tap som oppstår i kjølvannet (store eddiesform i våkne som sprer mye strømningsenergi). For å forstå styrkenes balanse i horisontal retning, må du vite at strålen har sin maksimale hastighet i midten, og hastigheten på strålen minker mot kantene. Ballposisjonen er stabil fordi hvis ballen beveger seg sidelengs, beveges den ytre siden til et område med lavere hastighet og høyere trykk, mens dens indre beveger seg nærmere midten der hastigheten er høyere og trykket er lavere. Forskjellene i trykk har en tendens til å bevege ballen tilbake mot midten. Anta at en ball snurrer med urviseren mens den beveger seg gjennom luften fra venstre til høyre. Kraftene som virker på spinnkulen, ville være de samme hvis den ble plassert i en luftstrøm som beveger seg fra høyre til venstre, som vist i figur 15. Figur 15 Spinnende ball i en luftstrøm. Et tynt lag av luft (et grenselag) er tvunget til å snurre med ballen på grunn av viskøs friksjon. Ved A er bevegelsen på grunn av spinn motsatt den av luftstrømmen, og derfor nær A er det et område med lav hastighet der trykket er nær atmosfærisk. Ved B er bevegelsesretningen til grenselaget det samme som for den eksterne luftstrømmen, og siden hastighetene legger til, er trykket i denne regionen under atmosfærisk. Bollen opplever en kraft som virker fra A til B, og forårsaker banen til å kurve. Hvis rotasjonen var mot klokken, ville banen ha motsatt krumning. Utseendet til en sidekraft på en spinnende sfære eller sylinder kalles Magnus-effekten, og det er kjent for alle deltakere i ballsporter. spesielt baseball, cricket og tennisspillere. Stagnasjonstrykk og dynamisk trykk Bernoullis likning fører til noen interessante konklusjoner angående variasjon av trykk langs en strømlinjeform. Vurder en jevn strømning som rammer en vinkelrett plate (figur 16). Figur 16. Stagneringspunktsstrøm. Det er en strømlinje som deler strømmen i halv: over denne strømlinjen går all strømmen over platen, og under denne strømlinjen går all strøm under platen. Langs denne delingstrømlinjen beveger fluidet seg mot platen. Siden strømmen ikke kan passere gjennom platen, må væsken komme til hvile ved det punktet den møter platen. Det stagnerer med andre ord. Væsken langs delingen eller stagnasjonsstrømlinjen bremser ned og til slutt kommer til å hvile uten avbøyning ved stagneringspunktet. Bernoullis ligning langs stagnasjonsstrømlinjen gir hvor punktet e er langt oppstrøms og punkt 0 er ved stagneringspunktet. Siden hastigheten ved stagneringspunktet er null, Stagnasjonen eller totaltrykket, p0, er trykket målt ved det punkt der fluidet kommer til å hvile. Det er det høyeste trykket som finnes hvor som helst i flytfeltet, og det forekommer ved stagneringspunktet. Det er summen av det statiske trykket (p0), og det dynamiske trykket måles langt oppstrøms. Det kalles det dynamiske trykket fordi det oppstår fra væskens bevegelse. Det dynamiske trykket er egentlig ikke et trykk i det hele tatt: det er bare et passende navn for mengden (halv tetthet ganger hastigheten kvadret), som representerer nedgangen i trykket på grunn av væskens hastighet. Vi kan også uttrykke trykket hvor som helst i strømmen i form av en ikke-dimensjonal trykkkoeffisient Cp, hvor Ved stagneringspunktet Cp 1, som er dens maksimumsverdi. I fristrømmen, langt fra platen, Cp 0. Pitot-rør En av de mest umiddelbare bruksområdene av Bernoullis-ligningen er i måling av hastighet med et Pitot-rør. Pitotrøret (oppkalt etter den franske forskeren Pitot) er en av de enkleste og mest nyttige instrumentene som noensinne er utarbeidet. Den består bare av et rør bøyd i rette vinkler (figur 17). Figur 17. Pitotrør i vindtunnel. Ved å peke røret direkte oppstrøms inn i strømmen og måle forskjellen mellom trykket som detekteres av Pitotrøret og trykket i den omgivende luftstrømmen, kan det gi et meget nøyaktig mål for hastigheten. Faktisk er det sannsynligvis den mest nøyaktige metoden som er tilgjengelig for måling av flythastighet på rutinemessig basis, og nøyaktigheter bedre enn 1 er lett mulig. Bernoullis-ligningen langs strømlinjen som begynner langt oppstrøms for røret og kommer til hvile i munnen av Pitotrøret, viser at Pitotrøret måler stagnasjonstrykket i strømmen. Derfor, for å finne hastigheten Ve, må vi vite lufttetthet og trykkforskjellen (p0 - pe). Tettheten finnes fra standard tabeller hvis temperaturen og trykket er kjent. Trykkforskjellen er vanligvis funnet indirekte ved å bruke et statisk trykkuttak som befinner seg på vindtunnelens vegg eller på overflaten av modellen. Innføring i ARIMA: ikke-sasonlige modeller ARIMA (p, d, q) prognoser likning: ARIMA-modeller er , i teorien, den mest generelle klassen av modeller for å prognose en tidsserie som kan gjøres til å være 8220stationary8221 ved differensiering (om nødvendig), kanskje i forbindelse med ikke-lineære transformasjoner som logging eller deflatering (om nødvendig). En tilfeldig variabel som er en tidsserie er stasjonær hvis dens statistiske egenskaper er konstante over tid. En stasjonær serie har ingen trend, dens variasjoner rundt sin gjennomsnitt har en konstant amplitude, og den svinger på en konsistent måte. det vil si at kortsiktige tilfeldige tidsmønstre alltid ser like ut i statistisk forstand. Den sistnevnte tilstanden betyr at dets autokorrelasjoner (korrelasjoner med sine egne tidligere avvik fra gjennomsnittet) forblir konstante over tid, eller tilsvarende, at dets effektspektrum forblir konstant over tid. En tilfeldig variabel av dette skjemaet kan ses som en kombinasjon av signal og støy, og signalet (hvis det er tydelig) kan være et mønster av rask eller saksom gjennomsnittlig reversering eller sinusformet svingning eller rask veksling i skiltet , og det kan også ha en sesongbestemt komponent. En ARIMA-modell kan ses som en 8220filter8221 som forsøker å skille signalet fra støyen, og signalet blir deretter ekstrapolert inn i fremtiden for å oppnå prognoser. ARIMA-prognose-ligningen for en stasjonær tidsserie er en lineær (dvs. regresjonstype) ekvation hvor prediktorene består av lag av de avhengige variable ogor lagene av prognosefeilene. Det er: Forutsigbar verdi for Y en konstant og en vektet sum av en eller flere nylige verdier av Y og eller en vektet sum av en eller flere nylige verdier av feilene. Hvis prediktorene kun består av forsinkede verdier av Y. Det er en ren autoregressiv (8220self-regressed8221) modell, som bare er et spesielt tilfelle av en regresjonsmodell, og som kunne være utstyrt med standard regresjonsprogramvare. For eksempel er en førsteordens autoregressiv (8220AR (1) 8221) modell for Y en enkel regresjonsmodell der den uavhengige variabelen bare er Y forsinket med en periode (LAG (Y, 1) i Statgraphics eller YLAG1 i RegressIt). Hvis noen av prediktorene er lags av feilene, er en ARIMA-modell det IKKE en lineær regresjonsmodell, fordi det ikke er mulig å spesifisere 8220last period8217s error8221 som en uavhengig variabel: feilene må beregnes fra tid til annen når modellen er montert på dataene. Fra et teknisk synspunkt er problemet med å bruke forsinkede feil som prediktorer at modellen8217s spådommer ikke er lineære funksjoner av koeffisientene. selv om de er lineære funksjoner av tidligere data. Så koeffisienter i ARIMA-modeller som inkluderer forsinkede feil må estimeres ved ikke-lineære optimaliseringsmetoder (8220hill-klatring8221) i stedet for bare å løse et system av ligninger. Akronymet ARIMA står for Auto-Regressive Integrated Moving Average. Lags av den stationære serien i prognosekvotasjonen kalles kvotoregressivequot-termer. Lags av prognosefeilene kalles quotmoving averagequot vilkår, og en tidsserie som må differensieres for å bli stillestående, sies å være en quotintegratedquot-versjon av en stasjonær serie. Tilfeldige gange og tilfeldige trendmodeller, autoregressive modeller og eksponentielle utjevningsmodeller er alle spesielle tilfeller av ARIMA-modeller. En nonseasonal ARIMA-modell er klassifisert som en quotARIMA (p, d, q) kvotemodell hvor: p er antall autoregressive termer, d er antall ikke-sekundære forskjeller som trengs for stasjonar, og q er antall forsinkede prognosefeil i prediksjonsligningen. Forutsigelsesligningen er konstruert som følger. Først, la y betegne den d forskjellen på Y. Det betyr: Merk at den andre forskjellen på Y (d2-saken) ikke er forskjellen fra 2 perioder siden. Snarere er det den første forskjellen-av-første forskjellen. som er den diskrete analogen til et andre derivat, det vil si den lokale akselerasjonen av serien i stedet for sin lokale trend. Når det gjelder y. Den generelle prognosekvasjonen er: Her er de bevegelige gjennomsnittsparametrene (9528217s) definert slik at deres tegn er negative i ligningen, etter konvensjonen innført av Box og Jenkins. Noen forfattere og programvare (inkludert R programmeringsspråket) definerer dem slik at de har pluss tegn i stedet. Når faktiske tall er koblet til ligningen, er det ingen tvetydighet, men det er viktig å vite hvilken konvensjon programvaren bruker når du leser utgangen. Ofte er parametrene benevnt der av AR (1), AR (2), 8230 og MA (1), MA (2), 8230 etc. For å identifisere den aktuelle ARIMA modellen for Y. begynner du ved å bestemme differensordren (d) trenger å stasjonærisere serien og fjerne bruttoegenskapene til sesongmessighet, kanskje i forbindelse med en variansstabiliserende transformasjon som logging eller deflating. Hvis du stopper på dette punktet og forutsier at den forskjellige serien er konstant, har du bare montert en tilfeldig tur eller tilfeldig trendmodell. Den stasjonære serien kan imidlertid fortsatt ha autokorrelerte feil, noe som tyder på at noen antall AR-termer (p 8805 1) og eller noen nummer MA-termer (q 8805 1) også er nødvendig i prognosekvasjonen. Prosessen med å bestemme verdiene p, d og q som er best for en gitt tidsserie, vil bli diskutert i senere avsnitt av notatene (hvis koblinger er øverst på denne siden), men en forhåndsvisning av noen av typene av nonseasonal ARIMA-modeller som ofte oppstår, er gitt nedenfor. ARIMA (1,0,0) førstegangs autoregressiv modell: Hvis serien er stasjonær og autokorrelert, kan den kanskje forutsies som et flertall av sin egen tidligere verdi, pluss en konstant. Forutsigelsesligningen i dette tilfellet er 8230 som er Y regressert i seg selv forsinket med en periode. Dette er en 8220ARIMA (1,0,0) constant8221 modell. Hvis gjennomsnittet av Y er null, vil ikke det konstante begrepet bli inkludert. Hvis hellingskoeffisienten 981 1 er positiv og mindre enn 1 i størrelsesorden (den må være mindre enn 1 i størrelsesorden dersom Y er stasjonær), beskriver modellen gjennomsnittsreferanseadferd hvor neste periode8217s verdi skal anslås å være 981 1 ganger som langt unna gjennomsnittet som denne perioden8217s verdi. Hvis 981 1 er negativ, forutser det middelreferanseadferd med skifting av tegn, dvs. det forutsier også at Y vil være under gjennomsnittlig neste periode hvis den er over gjennomsnittet denne perioden. I en andre-ordregivende autoregressiv modell (ARIMA (2,0,0)), ville det være et Y t-2 begrep til høyre også, og så videre. Avhengig av tegnene og størrelsene på koeffisientene, kunne en ARIMA (2,0,0) modell beskrive et system hvis gjennomsnitts reversering foregår i sinusformet oscillerende mote, som bevegelse av en masse på en fjær som er utsatt for tilfeldige støt . ARIMA (0,1,0) tilfeldig tur: Hvis serien Y ikke er stasjonær, er den enkleste modellen for den en tilfeldig turmodell, som kan betraktes som et begrensende tilfelle av en AR (1) modell der autoregressive koeffisienten er lik 1, det vil si en serie med uendelig sakte gjennomsnittlig reversering. Forutsigelsesligningen for denne modellen kan skrives som: hvor den konstante sikt er den gjennomsnittlige perioden til periode-endringen (dvs. den langsiktige driften) i Y. Denne modellen kan monteres som en ikke-avskjæringsregresjonsmodell der Første forskjell på Y er den avhengige variabelen. Siden den inneholder (bare) en ikke-soneforskjell og en konstant periode, er den klassifisert som en quotARIMA (0,1,0) modell med constant. quot. Den tilfeldig-walk-uten-drift-modellen ville være en ARIMA (0,1, 0) modell uten konstant ARIMA (1,1,0) forskjellig førsteordens autoregressiv modell: Hvis feilene i en tilfeldig turmodell er autokorrelert, kan problemet løses ved å legge til et lag av den avhengige variabelen til prediksjonsligningen - - dvs ved å regresse den første forskjellen på Y i seg selv forsinket med en periode. Dette vil gi følgende prediksjonsligning: som kan omarrangeres til Dette er en førsteordens autoregressiv modell med en rekkefølge av ikke-soneforskjeller og en konstant term, dvs. en ARIMA (1,1,0) modell. ARIMA (0,1,1) uten konstant enkel eksponensiell utjevning: En annen strategi for korrigering av autokorrelerte feil i en tilfeldig gangmodell er foreslått av den enkle eksponensielle utjevningsmodellen. Husk at for noen ikke-stationære tidsserier (for eksempel de som viser støyende svingninger rundt et sakte varierende gjennomsnitt), utfører ikke den tilfeldige turmodellen så vel som et glidende gjennomsnittsverdier av tidligere verdier. Med andre ord, i stedet for å ta den nyeste observasjonen som prognosen for neste observasjon, er det bedre å bruke et gjennomsnitt av de siste observasjonene for å filtrere ut støy og mer nøyaktig anslå det lokale gjennomsnittet. Den enkle eksponensielle utjevningsmodellen bruker et eksponentielt vektet glidende gjennomsnitt av tidligere verdier for å oppnå denne effekten. Forutsigelsesligningen for den enkle eksponensielle utjevningsmodellen kan skrives i en rekke matematisk ekvivalente former. hvorav den ene er den såkalte 8220error correction8221 skjemaet, der den forrige prognosen er justert i retning av feilen det gjorde: Fordi e t-1 Y t-1 - 374 t-1 per definisjon kan dette omskrives som : som er en ARIMA (0,1,1) - out-konstant prognosekvasjon med 952 1 1 - 945. Dette betyr at du kan passe en enkel eksponensiell utjevning ved å angi den som en ARIMA (0,1,1) modell uten konstant, og den estimerte MA (1) - koeffisienten tilsvarer 1-minus-alfa i SES-formelen. Husk at i SES-modellen er gjennomsnittsalderen for dataene i 1-periode fremover prognosene 1 945. Det betyr at de vil ha en tendens til å ligge bak trender eller vendepunkter med ca 1 945 perioder. Det følger at gjennomsnittlig alder av dataene i 1-periode fremover prognosene for en ARIMA (0,1,1) uten konstant modell er 1 (1 - 952 1). For eksempel, hvis 952 1 0,8 er gjennomsnittsalderen 5. Når 952 1 nærmer seg 1, blir ARIMA (0,1,1) uten konstant modell et veldig langsiktig glidende gjennomsnitt og som 952 1 nærmer seg 0 blir det en tilfeldig tur uten drivmodell. What8217s den beste måten å korrigere for autokorrelasjon: legge til AR-vilkår eller legge til MA-vilkår I de to foregående modellene ble problemet med autokorrelerte feil i en tilfeldig turmodell løst på to forskjellige måter: ved å legge til en forsinket verdi av differensierte serier til ligningen eller legge til en forsinket verdi av prognosen feil. Hvilken tilnærming er best En tommelfingerregel for denne situasjonen, som vil bli nærmere omtalt senere, er at positiv autokorrelasjon vanligvis behandles best ved å legge til et AR-uttrykk for modellen og negativ autokorrelasjon vanligvis behandles best ved å legge til en MA term. I forretnings - og økonomiske tidsserier oppstår negativ autokorrelasjon ofte som en artefakt av differensiering. (Generelt reduserer differensiering positiv autokorrelasjon og kan til og med føre til en bryter fra positiv til negativ autokorrelasjon.) Så, ARIMA (0,1,1) modellen, der differensiering er ledsaget av en MA-term, brukes hyppigere enn en ARIMA (1,1,0) modell. ARIMA (0,1,1) med konstant enkel eksponensiell utjevning med vekst: Ved å implementere SES-modellen som en ARIMA-modell, får du faktisk en viss fleksibilitet. Først og fremst er estimert MA (1) - koeffisient tillatt å være negativ. Dette tilsvarer en utjevningsfaktor som er større enn 1 i en SES-modell, som vanligvis ikke er tillatt i SES-modellprosedyren. For det andre har du muligheten til å inkludere en konstant periode i ARIMA-modellen hvis du ønsker det, for å estimere en gjennomsnittlig ikke-null trend. ARIMA-modellen (0,1,1) med konstant har prediksjonsligningen: Forventningene for en periode fremover fra denne modellen er kvalitativt lik SES-modellen, bortsett fra at bane av de langsiktige prognosene vanligvis er en skrånende linje (hvis skråning er lik mu) i stedet for en horisontal linje. ARIMA (0,2,1) eller (0,2,2) uten konstant lineær eksponensiell utjevning: Linjære eksponentielle utjevningsmodeller er ARIMA-modeller som bruker to ikke-soneforskjeller i sammenheng med MA-termer. Den andre forskjellen i en serie Y er ikke bare forskjellen mellom Y og seg selv forsinket av to perioder, men det er den første forskjellen i den første forskjellen - dvs. Y-endringen i Y i periode t. Således er den andre forskjellen på Y ved periode t lik (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. En annen forskjell på en diskret funksjon er analog med et andre derivat av en kontinuerlig funksjon: den måler kvoteringsberegningsquot eller kvoturvitaquot i funksjonen på et gitt tidspunkt. ARIMA-modellen (0,2,2) uten konstant forutser at den andre forskjellen i serien er lik en lineær funksjon av de to siste prognosefeilene: som kan omarrangeres som: hvor 952 1 og 952 2 er MA (1) og MA (2) koeffisienter. Dette er en generell lineær eksponensiell utjevningsmodell. i hovedsak det samme som Holt8217s modell, og Brown8217s modell er et spesielt tilfelle. Den bruker eksponensielt vektede glidende gjennomsnitt for å anslå både et lokalt nivå og en lokal trend i serien. De langsiktige prognosene fra denne modellen konvergerer til en rett linje hvis skråning avhenger av den gjennomsnittlige trenden observert mot slutten av serien. ARIMA (1,1,2) uten konstant fuktet trend lineær eksponensiell utjevning. Denne modellen er illustrert i de tilhørende lysbildene på ARIMA-modellene. Den ekstrapolerer den lokale trenden i slutten av serien, men flater ut på lengre prognoshorisonter for å introdusere et konservatismedokument, en praksis som har empirisk støtte. Se artikkelen om hvorfor Damped Trend worksquot av Gardner og McKenzie og quotgolden Rulequot-artikkelen av Armstrong et al. for detaljer. Det er generelt tilrådelig å holde fast i modeller der minst en av p og q ikke er større enn 1, dvs. ikke prøv å passe på en modell som ARIMA (2,1,2), da dette sannsynligvis vil føre til overfitting og kvadrat-faktorquot problemer som er omtalt nærmere i notatene om den matematiske strukturen til ARIMA-modellene. Implementering av regneark: ARIMA-modeller som de som er beskrevet ovenfor, er enkle å implementere på et regneark. Forutsigelsesligningen er bare en lineær ligning som refererer til tidligere verdier av originale tidsserier og tidligere verdier av feilene. Dermed kan du sette opp et ARIMA prognose regneark ved å lagre dataene i kolonne A, prognoseformelen i kolonne B, og feilene (data minus prognoser) i kolonne C. Forutsigelsesformelen i en typisk celle i kolonne B ville ganske enkelt være et lineært uttrykk som refererer til verdier i forrige rader av kolonner A og C, multiplisert med de relevante AR - eller MA-koeffisientene lagret i celler andre steder på regnearket.