การย้าย ค่าเฉลี่ย วิธี คำถาม

ความแตกต่างระหว่างค่าเฉลี่ยเคลื่อนที่กับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักค่าเฉลี่ยเคลื่อนที่ 5 ช่วงโดยอิงจากราคาข้างต้นจะคำนวณโดยใช้สูตรต่อไปนี้: ตามสมการข้างต้นราคาเฉลี่ยในช่วงเวลาดังกล่าวข้างต้นเท่ากับ 90.66 การใช้ค่าเฉลี่ยเคลื่อนที่เป็นวิธีที่มีประสิทธิภาพในการขจัดความผันผวนของราคาที่แข็งแกร่ง ข้อ จำกัด ที่สำคัญคือจุดข้อมูลจากข้อมูลที่เก่ากว่าจะไม่ได้รับการถ่วงน้ำหนักใด ๆ กว่าจุดข้อมูลใกล้จุดเริ่มต้นของชุดข้อมูล นี่คือที่ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักเข้ามาเล่น ค่าเฉลี่ยถ่วงน้ำหนักกำหนดน้ำหนักให้มากขึ้นกับจุดข้อมูลปัจจุบันมากขึ้นเนื่องจากมีความเกี่ยวข้องมากกว่าจุดข้อมูลในอดีตอันไกลโพ้น ผลรวมของการถ่วงน้ำหนักควรเพิ่มได้ถึง 1 (หรือ 100) ในกรณีของค่าเฉลี่ยเคลื่อนที่แบบง่ายๆการถ่วงน้ำหนักมีการกระจายอย่างเท่าเทียมกันซึ่งเป็นเหตุผลว่าทำไมจึงไม่แสดงในตารางด้านบน ราคาปิดของ AAPLJava moving average method หากคุณกำลังมองหา EMA ที่ได้รับการปรับให้เหมาะสำหรับการสตรีมข้อมูลที่มาจากไฟล์หรือบริการ quoting คลาสตัวอย่างต่อไปนี้จะช่วยให้คุณได้ผลดีแทนที่จะใช้การคำนวณแบบ brute-force วิธีนี้เป็นประโยชน์อย่างยิ่งหากคุณประมวลผลข้อมูลในแบบเรียลไทม์ EMA ซึ่งเป็นกรณีพิเศษของค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักมีประโยชน์ที่น้ำหนักสัมพัทธ์สำหรับแต่ละช่วงเวลาต่อเนื่องจะลดลงตามค่าคงที่ f 2 (N1) โดยที่ N คือจำนวนรอบที่จะใช้ EMA สมมติว่าคุณสามารถคำนวณ EMA ปัจจุบัน (เช่นในช่วงเวลาปัจจุบัน) โดยใช้สูตรซ้ำต่อไปนี้: eman fprice (1-f) eman-1 ตัวอย่างคลาสต่อไปนี้ใช้ลักษณะซ้ำของ EMA และลดความต้องการในการคำนวณมากกว่าความสามารถในการประมวลผลแบบเดรัจฉาน - วิธีกำลังหรือวิธีหลังการประมวลผล private int numPeriods 0 private int totalPeriods 0 private double runningEMA 0.0 private double factor 0.0 public EMA (int numPeriods) this. numPeriods numPeriods factor 2.0 (numPeriods 1.0) รีเซ็ตการคำนวณเพื่อสร้าง EMA ในช่วงเวลาที่กำหนด รีเซ็ต void สาธารณะ (int numPeriods) ส่งกลับค่า EMA สำหรับระยะเวลาที่กำหนดระหว่างตัวสร้าง หากช่วงการประมวลผลมีค่าน้อยกว่าช่วง EMA จะส่งกลับค่าเป็นศูนย์ การคำนวณค่าใช้จ่ายของคู่ค้าสาธารณะ (ราคาคู่) ที่เรียกใช้งาน IFA factorprice (1-factor) runningEMA if (totalPeriods lt numPeriods) จากแหล่งข้อมูลที่คุณให้ข้อมูลราคาและสิ่งที่คุณทำกับผลลัพธ์ EMA ขึ้นอยู่กับคุณ ตัวอย่างเช่นหากคุณมีข้อมูลราคาในอาร์เรย์และต้องการคำนวณ EMA ในอาร์เรย์อื่นข้อมูลโค้ดต่อไปนี้จะใช้งานได้: ราคาคู่ ที่มาจากการคำนวณไฟล์หรือบริการ quoting double ema doubleprices. length ใหม่ EMA ema ใหม่ EMA (50) ระยะเวลา 50 EMA สำหรับ (int idx0 iltprices. length idx) emaidx ema (pricesidx) ขอให้โชคดีและปรารถนาดีที่สุดสำหรับโครงการของคุณ ค่าเฉลี่ยเคลื่อนที่ของลำดับที่ 5 แสดงไว้ในประมาณการของรอบการหมุนเวียน (trend-cycle) ค่าแรกในคอลัมน์นี้คือค่าเฉลี่ยของห้าข้อสังเกตแรก (1989-1993) ค่าที่สองในคอลัมน์ 5-MA คือค่าเฉลี่ยของค่า 1990-1994 และอื่น ๆ แต่ละค่าในคอลัมน์ 5-MA คือค่าเฉลี่ยของการสังเกตในระยะเวลาห้าปีที่ตรงกลางกับปีที่สอดคล้องกัน ไม่มีค่าสำหรับสองปีแรกหรือสองปีที่ผ่านมาเพราะเราไม่มีข้อสังเกตสองด้าน ในสูตรด้านบนคอลัมน์ 5-MA มีค่าหมวกกับ k2 หากต้องการดูว่ามีการคาดการณ์แนวโน้มของวงจรแนวโน้มใดเราจะคำนวณพล็อตพร้อมกับข้อมูลต้นฉบับในรูปที่ 6.7 พล็อต 40 elecsales, main quotResidential ขายไฟฟ้า quot, ylab quotGWhquot สังเกตว่าแนวโน้ม (สีแดง) นุ่มนวลกว่าข้อมูลเดิมและจับภาพการเคลื่อนไหวหลักของชุดข้อมูลเวลาโดยไม่มีความผันผวนเล็กน้อยทั้งหมด วิธีเฉลี่ยเคลื่อนที่ไม่อนุญาตให้มีการประมาณค่า T ซึ่ง t อยู่ใกล้กับปลายของชุดดังนั้นเส้นสีแดงจึงไม่ขยายไปยังขอบของกราฟทั้งสองด้าน ต่อมาเราจะใช้วิธีการประเมินแนวโน้มรอบแนวโน้มที่มีความซับซ้อนมากขึ้นซึ่งจะอนุญาตให้มีการประมาณใกล้จุดสิ้นสุด ลำดับของค่าเฉลี่ยเคลื่อนที่จะเป็นตัวกำหนดความเรียบของการประมาณแนวโน้มรอบ โดยทั่วไปคำสั่งที่มีขนาดใหญ่หมายถึงเส้นโค้งที่นุ่มนวล กราฟต่อไปนี้แสดงผลของการเปลี่ยนแปลงลำดับของค่าเฉลี่ยเคลื่อนที่สำหรับข้อมูลการขายไฟฟ้าที่อยู่อาศัย ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเช่นนี้มักเป็นคำสั่งแปลก ๆ (เช่น 3, 5, 7, ฯลฯ ) ซึ่งเป็นสมมาตร: ในค่าเฉลี่ยเคลื่อนที่ของคำสั่ง m2k1 มีการสังเกตก่อนหน้านี้ k สังเกตการณ์ในภายหลังและการสังเกตการณ์กลาง ที่มีค่าเฉลี่ย แต่ถ้ามมก็จะไม่สมมาตรอีกต่อไป ค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยเคลื่อนที่ (moving average) ค่าเฉลี่ยเคลื่อนที่ (moving average) เป็นค่าเฉลี่ยเคลื่อนที่ เหตุผลหนึ่งในการทำเช่นนี้คือการทำให้สมมุติฐานค่าเฉลี่ยของค่าเฉลี่ยที่เท่ากัน ตัวอย่างเช่นเราอาจใช้ค่าเฉลี่ยเคลื่อนที่ของลำดับที่ 4 จากนั้นให้ใช้ค่าเฉลี่ยเคลื่อนที่อื่นของคำสั่งที่ 2 ต่อผลลัพธ์ ในตารางที่ 6.2 ข้อมูลนี้ถูกสร้างขึ้นในช่วงไม่กี่ปีแรกของข้อมูลการผลิตเบียร์รายไตรมาสของออสเตรเลีย beer2 lt - หน้าต่าง 40 ausbeer เริ่มต้น 1992 41 ma4 lt-ma 40 beer2 ลำดับที่ 4. ศูนย์ FALSE 41 ma2x4 lt-ma 40 beer2 ลำดับ 4. ศูนย์ TRUE 41 สัญกรณ์ 2times4-MA ในคอลัมน์สุดท้ายหมายถึง 4-MA ตามด้วย 2-MA ค่าในคอลัมน์สุดท้ายจะได้รับโดยการคำนวณค่าเฉลี่ยเคลื่อนที่ของลำดับที่ 2 ของค่าในคอลัมน์ก่อนหน้า ตัวอย่างเช่นสองค่าแรกในคอลัมน์ 4-MA คือ 451.2 (443410420532) 4 และ 448.8 (410420532433) 4 ค่าแรกในคอลัมน์ 2times4-MA คือค่าเฉลี่ยของทั้งสอง: 450.0 (451.2448.8) 2. เมื่อ 2-MA ตามค่าเฉลี่ยเคลื่อนที่ของลำดับคู่ (เช่น 4) จะเรียกว่าค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางของคำสั่ง 4 เนื่องจากผลลัพธ์นี้สมมาตร เพื่อดูว่าเป็นกรณีนี้เราสามารถเขียน 2times4-MA ดังต่อไปนี้: เริ่มต้นแอมป์หมวก frac Bigfrac (y y y y) frac (y y y y) frac18y frac18y frac18y frac end ตอนนี้มันเป็นค่าเฉลี่ยถ่วงน้ำหนักของการสังเกต แต่มันเป็นสมมาตร การรวมกันของค่าเฉลี่ยเคลื่อนที่อื่น ๆ ก็เป็นไปได้ ตัวอย่างเช่นมักใช้ 3times3-MA และประกอบด้วยค่าเฉลี่ยเคลื่อนที่ของคำสั่งที่ 3 ตามด้วยค่าเฉลี่ยเคลื่อนที่อื่นของคำสั่ง 3 โดยทั่วไปคำสั่ง MA แม้แต่จะต้องตามด้วยคำสั่ง MA ที่ทำให้เป็นสมมาตร ในทำนองเดียวกันคำสั่งแปลก ๆ ของ MA ควรเป็นไปตามคำสั่งแบบแปลก ๆ ของ MA การประมาณแนวโน้มรอบกับข้อมูลตามฤดูกาลการใช้ค่าเฉลี่ยเคลื่อนที่โดยรวมที่ใช้บ่อยที่สุดคือการประมาณแนวโน้มรอบจากข้อมูลตามฤดูกาล พิจารณา 2times4-MA: frac18y frac18y frac18y เมื่อนำไปใช้กับข้อมูลรายไตรมาสในแต่ละไตรมาสของปีจะได้รับน้ำหนักเท่ากันเป็นครั้งแรกและครั้งสุดท้ายที่ใช้กับไตรมาสเดียวกันในปีต่อเนื่อง ดังนั้นความแปรผันตามฤดูกาลจะได้รับการเฉลี่ยและค่าที่ได้จากหมวกจะมีการเปลี่ยนแปลงตามฤดูกาลเพียงเล็กน้อยหรือไม่มีเลย ผลที่คล้ายกันจะได้รับโดยใช้ 2times 8-MA หรือ 2times 12-MA โดยทั่วไปแล้ว 2times m-MA จะเท่ากับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักของคำสั่ง m1 กับการสังเกตทั้งหมดที่มีน้ำหนัก 1 เมตรยกเว้นเงื่อนไขแรกและครั้งสุดท้ายที่ใช้น้ำหนัก 1 (2 เมตร) ดังนั้นถ้าระยะเวลาตามฤดูกาลเป็นไปได้และมีคำสั่ง m ให้ใช้ 2times m-MA เพื่อประมาณแนวโน้มรอบ ถ้าระยะเวลาตามฤดูกาลเป็นเลขคี่และจากคำสั่ง m ให้ใช้ m-MA เพื่อประมาณวัฏจักรของแนวโน้ม โดยเฉพาะช่วงเวลา 2 เดือน 12-MA สามารถใช้ในการประมาณวัฏจักรของข้อมูลรายเดือนและ 7-MA สามารถใช้ในการประมาณแนวโน้มรอบของข้อมูลรายวัน ตัวเลือกอื่น ๆ สำหรับคำสั่งของ MA มักจะส่งผลให้ประมาณการแนวโน้มรอบถูกปนเปื้อนตามฤดูกาลในข้อมูล ตัวอย่าง 6.2 การผลิตอุปกรณ์ไฟฟ้ารูปที่ 6.9 แสดงค่า 2times12-MA ที่ใช้กับดัชนีการสั่งซื้ออุปกรณ์ไฟฟ้า สังเกตว่าเส้นเรียบแสดงให้เห็นว่าไม่มีฤดูกาลใดใกล้เคียงกับวัฏจักรของแนวโน้มที่แสดงในรูปที่ 6.2 ซึ่งใช้วิธีการที่ซับซ้อนมากขึ้นกว่าค่าเฉลี่ยเคลื่อนที่ ทางเลือกอื่น ๆ สำหรับคำสั่งของค่าเฉลี่ยเคลื่อนที่ (ยกเว้น 24, 36 ฯลฯ ) จะส่งผลให้เส้นเรียบที่แสดงความผันผวนบางฤดูกาล พล็อต 40 elecequip, ylab quot คำสั่งซื้อใหม่ indexquot col quotgrayquot การผลิตอุปกรณ์ไฟฟ้าหลัก (Euro area) 41 บรรทัด 40 ma 40 elecequip, order 12 41. col quotredquot 41 ค่าเฉลี่ยถ่วงน้ำหนักการรวมกันของค่าเฉลี่ยเคลื่อนที่จะส่งผลให้ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก ตัวอย่างเช่น 2x4-MA ที่พูดถึงข้างต้นจะเทียบเท่ากับน้ำหนัก 5-MA ที่มีน้ำหนักให้โดย frac, frac, frac, frac, frac โดยทั่วไปแล้ว m-MA ที่ถ่วงน้ำหนักสามารถเขียนเป็น hat t sum k aj y โดยที่ k (m-1) 2 และน้ำหนักโดยจุด a เป็นสิ่งสำคัญที่น้ำหนักทั้งหมดรวมกันเพื่อให้หนึ่งและว่าพวกเขาจะสมมาตรเพื่อให้ aj a. ง่าย m-MA เป็นกรณีพิเศษที่น้ำหนักทั้งหมดมีค่าเท่ากับ 1m ข้อได้เปรียบที่สำคัญของค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักคือให้ค่าประมาณของวงจรแนวโน้ม แทนที่จะสังเกตการป้อนและออกจากการคำนวณที่น้ำหนักเต็มน้ำหนักของพวกเขาจะเพิ่มขึ้นอย่างช้าๆและจากนั้นค่อยๆลดลงส่งผลให้เส้นโค้งเรียบ ใช้ชุดน้ำหนักที่เฉพาะเจาะจงบางชุด บางส่วนของข้อมูลเหล่านี้มีให้ในตาราง 6.3 ตัวอย่างคำถาม (จากการทดสอบที่ผ่านมา) หมายเหตุ: มีคำตอบที่ถูกต้อง รหัส i - j อ้างถึงส่วนของข้อความที่คำถามถูกออกแบบมาเพื่อตอบสนอง 1. ปัจจัยอะไรที่ทำห้าเทคนิคการทำให้เรียบข้อมูลที่นำเสนอในบทที่สามมีเหมือนกัน) พวกเขาทั้งหมดใช้ข้อมูลจากอดีตเท่านั้น B) พวกเขาทั้งหมดล้มเหลวในการคาดการณ์การผกผันวงจรในข้อมูล C) พวกเขาทั้งหมดราบรื่นระยะสั้นโดยค่าเฉลี่ยข้อมูล D) พวกเขาทั้งหมดผลิตภัณฑ์ serially correlated คาดการณ์ E) ทั้งหมดข้างต้นถูกต้อง 2. ค่าเฉลี่ยเคลื่อนที่แบบ 3 จุดแบบศูนย์กลางของตัวแปร XT-XT คือ: A) (Xt-1 Xt-2 Xt-3) 3. B) (Xt Xt-1 Xt-1) 3. C) (Xt1 Xt Xt-1) 3. D) ไม่มีข้อใดข้างต้นถูกต้อง 3. การขยับขยายเฉลี่ยโดยเฉลี่ยอาจนำไปสู่การอนุมานที่ผิดพลาดเมื่อนำมาประยุกต์ใช้กับ A) ข้อมูลแบบคงที่ B) การคาดการณ์แนวโน้มการกลับรายการในตลาดหุ้น C) ชุดข้อมูลขนาดเล็กและ จำกัด D) ชุดข้อมูลขนาดใหญ่และกว้างขวาง E) ไม่มีข้อใดข้างต้นถูกต้อง 4. สิ่งใดสิ่งหนึ่งต่อไปนี้ไม่ถูกต้องเกี่ยวกับการเลือกขนาดที่เหมาะสมของค่าคงที่การปรับให้ราบเรียบ (a) ในรูปแบบการเรียบง่ายแบบเอ็กซ์โปนเนนชัน A) เลือกค่าใกล้เคียงกับศูนย์ถ้าชุดมีรูปแบบสุ่มอย่างมาก B) เลือกค่าใกล้เคียงกับค่าถ้าคุณต้องการให้ค่าพยากรณ์จะขึ้นกับการเปลี่ยนแปลงล่าสุดของค่าจริง C) เลือกค่าที่ลด RMSE D) เลือกค่าที่ทำให้เกิดความคลาดเคลื่อนเฉลี่ยเพิ่มขึ้น E) ทั้งหมดข้างต้นถูกต้อง 5. ค่าคงที่ที่ราบเรียบ (a) ของรูปแบบการเรียบแบบเอ็กซ์โปนเนนแบบเรียบง่าย) ควรมีค่าใกล้เคียงกับค่าหนึ่งหากข้อมูลพื้นฐานค่อนข้างไม่แน่นอน B) ควรมีค่าใกล้เคียงกับศูนย์ถ้าข้อมูลพื้นฐานค่อนข้างราบรื่น C) อยู่ใกล้กับศูนย์มากขึ้นการแก้ไขในการคาดการณ์ในปัจจุบันให้ข้อผิดพลาดในการคาดการณ์ในปัจจุบัน D) ใกล้เคียงกับการแก้ไขข้อผิดพลาดการคาดการณ์ในปัจจุบันมากขึ้น 6. ขั้นตอนสแควร์น้อยที่สุดลด A) ผลรวมของส่วนที่เหลือ B) ความผิดพลาดสูงสุดของตาราง C) ผลรวมของข้อผิดพลาดแน่นอน D) ผลรวมของส่วนที่เหลือเป็นสี่เหลี่ยม E) ไม่มีข้อใดข้างต้นถูกต้อง 7. ส่วนที่เหลือคือ A) ความแตกต่างระหว่างค่าเฉลี่ยของ Y กับเงื่อนไข X และค่าเฉลี่ยที่ไม่มีเงื่อนไข B) ความแตกต่างระหว่างค่าเฉลี่ยของ Y กับค่าที่แท้จริง C) ความแตกต่างระหว่างการคาดการณ์การถดถอยของ Y กับค่าที่แท้จริง D) ความแตกต่างระหว่างผลรวมของข้อผิดพลาดกำลังสองก่อนและหลัง X ใช้ทำนาย Y. E) ไม่มีข้อใดข้างต้นถูกต้อง 8 การถดถอยของแบบจำลองการถดถอย (ข้อผิดพลาดในการคาดการณ์) A) จะถือว่าเป็นไปตามการแจกแจงความเป็นไปได้ตามปกติ B) จะถือว่าเป็นอิสระเมื่อเวลาผ่านไป C) จะถือว่าเป็นศูนย์ D) สามารถประมาณได้โดยส่วนที่เหลือของ OLS E) ทั้งหมดข้างต้นถูกต้อง 9. ดัชนีฤดูกาลของการขายสำหรับสกีรีสอร์ท Black Lab อยู่ที่ 1.20 มกราคมและธันวาคม 0.80 หากยอดขายเดือนธันวาคมปี 2541 เท่ากับ 5,000 รายประมาณการยอดขายที่เหมาะสมสำหรับเดือนมกราคม 2542 คือ: E) ไม่มีข้อใดถูกต้อง 10. เทคนิคใดต่อไปนี้ไม่ได้ถูกนำมาใช้ในการแก้ปัญหาเรื่องความสัมพันธ์กัน (Autocorrelation) A) โมเดลอัตถิภาวนิยม B) การปรับปรุงข้อกำหนดของแบบจำลอง C) การปรับความเรียบโดยเฉลี่ย D) แตกต่างจากข้อมูลครั้งแรก E) การถดถอยโดยใช้เปอร์เซ็นต์การเปลี่ยนแปลง 11. ข้อใดต่อไปนี้ไม่ได้เป็นผลมาจากความสัมพันธ์แบบอนุกรม A) การประมาณการความลาดชันของ OLS เป็นไปอย่างไม่เป็นธรรม B) ช่วงการคาดการณ์ของ OLS มีความลำเอียง C) R-squared มีค่าน้อยกว่า 0.5 D) การประเมินจุดไม่เป็นกลาง E) ไม่มีข้อใดข้างต้นถูกต้อง 12. ความสัมพันธ์ในตัวเองนำไปสู่หรือสาเหตุ: B) ความสัมพันธ์แบบอนุกรม C) การถดถอยเชิงพรรณนา D) การถดถอยแบบไม่เชิงเส้น E) ทั้งหมดข้างต้นถูกต้อง 13. ช่วงการทำนายที่แน่นอนสำหรับตัวแปรตาม A) มีรูปโค้งอยู่รอบ ๆ เส้นการถดถอยโดยประมาณ B) เป็นเส้นตรงรอบเส้นการถดถอยโดยประมาณ C) ไม่ใช้ความแปรปรวนของ Y รอบ ๆ การถดถอยตัวอย่าง D) ไม่ได้สุ่มตัวอย่างของกลุ่มตัวอย่าง E) ไม่มีข้อใดข้างต้นถูกต้อง ปัญหาสั้นตัวอย่างที่ 14. แบบจำลองการถดถอยเชิงเส้นแบบสองตัวแปรที่เกี่ยวกับค่าใช้จ่ายในการเดินทางในประเทศ (DTE) ในรูปของรายได้ต่อหัว (IPC) ได้รับการประเมินดังนี้: DTE -9589.67 .953538 (IPC) พยากรณ์ DTE ภายใต้สมมติฐานว่า IPC จะเท่ากับ 14,750 ทำจุดที่เหมาะสมและประมาณค่าประมาณ 95 เปอร์เซ็นต์โดยสมมติว่าค่าความแปรปรวนของการถดถอยถดถอยประมาณ 2,077,230.38 ค่าประมาณจุดของ DTE คือ: DTE -9589.67 .953538 (14,750) 4,475.02 ข้อผิดพลาดมาตรฐานของการถดถอยคือ 1441.26 และช่วงความเชื่อมั่นโดยประมาณ 95 คือ: 4,475.02 plusmn (2) (1441.26) 4,475.02 plusmn 2882.52 P1592.50 lt DTE lt 7357.54 .95 b) สมมติว่า DTE ที่เกิดขึ้นจริงเป็น 7,754 (ล้าน) ให้คำนวณเปอร์เซ็นต์ข้อผิดพลาดในการคาดการณ์ของคุณ ถ้าค่าที่แท้จริงของ DTE เท่ากับ 7,754 ข้อผิดพลาดเปอร์เซ็นต์ในการคาดการณ์โดยอิงตามการประมาณจุดของ 4475.02 คือ 42.3 (7754 - 4475.02) 7754 .423 15 ถ้าพบว่าข้อผิดพลาดจากแบบจำลอง ARIMA แสดงความสัมพันธ์แบบอนุกรมรูปแบบดังกล่าว A) ไม่ใช่รูปแบบการคาดการณ์ที่เพียงพอ B) เป็นตัวเลือกสำหรับการเพิ่มตัวแปรอธิบาย C) เกือบจะแน่นอนมีฤดูกาล D) เป็นผู้สมัครสำหรับการถดถอย Cochrane - Orcutt E) ทั้งหมดข้างต้นถูกต้อง 16. แบบจำลองเฉลี่ยถ่วงน้ำหนักที่ดีที่สุดคือ A) ค่าเฉลี่ยที่เรียบง่าย B) ค่าเฉลี่ยถ่วงน้ำหนัก C) ค่าเฉลี่ยถ่วงน้ำหนักของชุดสัญญาณรบกวนสีขาว D) ค่าเฉลี่ยถ่วงน้ำหนักของตัวแปรสุ่มที่ไม่ปกติ E) ไม่มีข้อใดข้างต้นถูกต้อง 17. รูปแบบใดต่อไปนี้ของ correlogram ฟังก์ชัน autocorrelation บางส่วนไม่สอดคล้องกับกระบวนการข้อมูล autoregressive ที่อยู่ในเกณฑ์ A) ลดจำนวนศูนย์ลงเป็นศูนย์ B) ลดลงเป็นศูนย์เป็นวัฏจักร C) บวกในตอนแรกจากนั้นลบและเพิ่มเป็นศูนย์ D) เป็นลบในตอนแรกบวกเป็นบวกแล้วลดลงเป็นศูนย์ E) ทั้งหมดข้างต้นถูกต้อง 18 ฟังก์ชันการเชื่อมโยงแบบอิสระของชุดข้อมูลเวลาแสดงค่าสัมประสิทธิ์แตกต่างอย่างมีนัยสำคัญจากศูนย์ ณ เวลาที่ล่าช้า 1 ถึง 4 ฟังก์ชันความสัมพันธ์อิสระบางส่วนแสดงให้เห็นถึงการเพิ่มขึ้นและเพิ่ม monotonically เป็นศูนย์เมื่อความล่าช้าเพิ่มขึ้น ชุดดังกล่าวสามารถจำลองเป็นแบบจำลองได้ E) ไม่มีข้อใดข้างต้นถูกต้อง 19. ขั้นตอนใดต่อไปนี้ไม่ใช่ขั้นตอนแรกในขั้นตอนการคัดเลือก ARIMA A) ตรวจสอบฟังก์ชันการเชื่อมโยงความสัมพันธ์แบบดิบ B) ตรวจสอบฟังก์ชันการเชื่อมโยงบางส่วนของชุดข้อมูลดิบ C) ทดสอบข้อมูลสำหรับ stationarity D) ประมาณการแบบ ARIMA (1,1,1) เพื่อการอ้างอิง E) ทั้งหมดข้างต้นถูกต้อง 20 สมมุติฐานสมมติฐานที่กำลังทดสอบโดยใช้สถิติ Box-Pierce A) ชุดของการเชื่อมโยงกันโดยอัตโนมัติมีค่าเท่ากับศูนย์ B) ชุดของการเชื่อมโยงกันโดยอัตโนมัติไม่เท่ากับศูนย์ C) ชุดของการเชื่อมโยงกัน (autocorrelations) มีค่าเท่ากับหนึ่ง D) ชุดของการเชื่อมโยงกันโดยอัตโนมัติจะไม่เท่ากัน E) ทั้งหมดข้างต้นไม่ถูกต้อง 21. วัตถุประสงค์หลักของการรวมการคาดการณ์คือการลด B) ความลำเอียงคาดการณ์ C) หมายถึงข้อผิดพลาดในการคาดการณ์กำลังสอง D) หมายถึงข้อผิดพลาดในการคาดการณ์ที่แน่นอน E) ทั้งหมดข้างต้นถูกต้อง 22. ข้อใดต่อไปนี้เป็นข้อได้เปรียบในการใช้วิธีการปรับตัวเพื่อประเมินน้ำหนักที่เหมาะสมที่สุดในกระบวนการผสมผสานที่คาดไว้ A) น้ำหนักจะเปลี่ยนแปลงจากระยะเวลาหนึ่ง B) สามารถทดสอบรูปแบบการคาดการณ์แบบรวมอคติได้ C) มีการใช้ความแปรปรวนร่วมระหว่างข้อผิดพลาด D) เลือกน้ำหนักเพื่อให้เกิดความคลาดเคลื่อนการถดถอยมากที่สุด E) ทั้งหมดข้างต้นถูกต้อง