Page 240 - 4512

проміжних елементів (тобто в межах затримки) видалена. Якщо
затримка дорівнює 1, то часткова автокореляція еквівалентна
автокореляції. В деякому розумінні, часткова автокореляція за-
безпечує "чистішу" картину послідовних залежностей впро-
довж індивідуальних затримок (не плутати з іншими серіаль-
ними залежностями).

Видалення серіальної залежності. Серіальна залежність
впродовж специфічної затримки k може бути видалена дифере-
нціюванням ряду, який перетворює кожен i-й елемент ряду в
його відмінність через (i - k) -й елемент. Є дві головні причини
для таких перетворень.
По-перше, Ви можете ідентифікувати приховану природу
сезонних залежностей в ряду. Пам'ятайте, що, як згадано в по-
передньому параграфі, автокореляції впродовж послідовних за-
тримок є взаємозалежними. Тому, видалення деякі з автокоре-
ляцій змінить інші автокореляції. Таким чином, це може усу-
нути їх і допоможе зробити деяку іншу сезонність очевидні-
шою.
Інша причина для видалення сезонних залежностей поля-
гає в тому, щоб зробити ряд стаціонарним, який потрібний для
методу ARIMA і інших методів.

14.2 Аналіз часового ряду – ARIMA

Методологія ARIMA, розвинена Box і Jenkins (1976) і ре-
алізована в програмі, дозволяє не лише розкрити приховані мі-
нливості в даних, але також зробити прогнози.

14.2.1 Два загальні процеси

Авторегресійний процес. Більшість часових рядів скла-
даються з елементів, які можна представити, як функції від по-
передніх елементів:

x    1 ( 1)t x   x  ...  ,
2 ( 2)t
t

де:

239