Что Авторегрессивно?
"Авторегрессивный" статистический термин, используемый, работая с данными о временном ряде, которые обращаются к переменному количеству или стоимости интереса, который коррелирован к, или зависящий от, предыдущие ценности той же самой переменной. Родственный термин "авторегресс" является формой регрессионного анализа, который использует данные о временном ряде как входной, чтобы узнать, авторегрессивна ли переменная интереса действительно, то есть, зависит от предыдущих ценностей себя. Переменная интереса, который, оказывается, авторегрессивен, предлагает, но не приканчивает, и себя доказывают, что есть причинно-следственная связь между потоком и прошлыми ценностями. Следовательно, временные ряды известных или подозреваемых авторегрессивных количеств или ценностей часто анализируются, используя прогнозирующие аналитические методы, чтобы спрогнозировать будущие ценности таких переменных.
Переменные интереса, которые показывают некоторую существенную степень всплывающего окна авторегресса во множестве мест в результате человеческих и естественных процессов. Цены на фондовом рынке, курсы иностранных валют, цифровые сигналы и номер частных лиц в населении, например, как все полагают, авторегрессивны, по крайней мере до некоторой степени. Кроме того, есть множество форм авторегрессионного анализа, каждый рассматриваемый лучше или хуже удовлетворенный, и следовательно примененный, к особым типам авторегрессивных наборов данных. Среди таких применений авторегресс используется в здравоохранении, чтобы улучшить резолюцию и интерпретацию ультразвука диагностические тесты; в телекоммуникациях, чтобы улучшить передачу, прием и обработку цифровых сигналов; в экономике, чтобы спрогнозировать макроэкономический и эффективность бизнеса; и в финансовых услугах, чтобы вычислить множество индивидуального кредита, обнаружьте мошенничество и вычислите страховые профили риска и премии.
Авторегрессивное скользящее среднее значение (ARMA) модели комбинирует авторегресс и модели скользящего среднего значения — развиваются средние числа, составляющие элементы которых переходят как время. Также известный как модели Коробки-Jenkins — названный в честь Джорджа Бокса и Гвилима Дженкинса, статистиков, которые улучшали их первоначальные формулировки и популяризировали их использование — они обычно используются, чтобы смоделировать и проверить временные ряды, которые являются функцией экзогенных, или внешних, шоков и их собственного прошлого результата. Модели ARMA "пригодны" к фактическим наблюдениям в течение долгого времени за немного известными или подозревали авторегрессивную переменную или переменные интереса лучше понять процессы, которые производят их. В отличие от строго авторегрессивных моделей, их считают средством установления причинной связи — существование причинно-следственной связи между независимой и зависимой переменной или переменными. Следовательно, они обычно используются в прогнозировании временного ряда и других формах прогнозирующей аналитики.