The ARMA (p, q) model is suitable f

The ARMA (p, q) model is suitable for smooth time series analysis [11]. In practical applications, we often encounter nonstationary
time series. Then, we usually need to deal with the original time series difference. If the original time series d order
difference is a smooth ARMA (p, q) sequence, it declares the sequence has the order p and q, d the most regression piece
moving average (ARIMA) model, representing ARIMA (p, d, q). In some time series with still existing seasonal changes or
other factors causing significant periodic change, this kind of sequence is called a seasonal sequence [12]. The SARIMA model
is developed from the ARMA model. ARMA models predict the outcome variable from the values of the outcome at previous
time points, but it is only suitable for a stationary process. If a clear seasonal variation is observed, the SARIMA model could be
more appropriate, which allows for long-term trend and seasonal effects [13]. The SARIMA model is based on the application
of ARMA models to transformed time series, where the seasonal and non-stationary behavior has been eliminated.

ผลลัพธ์ (ไทย) 2:

ARMA (P, Q) รุ่นที่เหมาะสำหรับการวิเคราะห์อนุกรมเวลาเรียบ [11] ในการใช้งานจริงเรามักจะพบคงที่
อนุกรมเวลา จากนั้นเรามักจะต้องจัดการกับเวลาเดิมที่แตกต่างกันชุด ถ้าอนุกรมเวลาเดิมงเพื่อ
ความแตกต่างเป็นไปอย่างราบรื่น ARMA (P, Q) ลำดับก็ประกาศลำดับมีต่อการสั่งซื้อและ Q, d ชิ้นถดถอยมากที่สุด
ค่าเฉลี่ยเคลื่อนที่ (ARIMA) รุ่นที่เป็นตัวแทนของ ARIMA (p, D, Q ) ในบางช่วงเวลาที่มีการเปลี่ยนแปลงตามฤดูกาลยังคงมีอยู่หรือ
ปัจจัยอื่น ๆ ที่ก่อให้เกิดการเปลี่ยนแปลงอย่างมีนัยสำคัญเป็นระยะ ๆ ชนิดของลำดับนี้จะเรียกว่าลำดับตามฤดูกาล [12] รูปแบบ SARIMA
ได้รับการพัฒนาจากรูปแบบ ARMA อาร์โมเดลทำนายตัวแปรผลจากคุณค่าของผลที่ก่อนหน้านี้
จุดเวลา แต่มันเป็นเพียงเหมาะสำหรับกระบวนการนิ่ง ถ้าการเปลี่ยนแปลงตามฤดูกาลที่ชัดเจนเป็นที่สังเกตแบบ SARIMA อาจจะ
เหมาะสมมากขึ้นซึ่งจะช่วยให้แนวโน้มระยะยาวและผลของฤดูกาล [13] รูปแบบ SARIMA จะขึ้นอยู่กับการใช้งาน
ของอาร์โมเดลชุดเปลี่ยนเวลาที่ฤดูกาลและพฤติกรรมที่ไม่หยุดนิ่งได้ถูกตัดออก

ผลลัพธ์ (ไทย) 3:

อาวุธ ( p , q ) รุ่นที่เหมาะสำหรับการวิเคราะห์อนุกรมเวลาเรียบ [ 11 ] ในการใช้งานจริง เรามักจะเจอเวลาติจิ
ชุด แล้ว เราต้องจัดการกับชุดเดิม เวลาต่างกัน ถ้าเดิมเวลาสั่งซื้อชุด D
แตกต่างกันคือ อาวุธเรียบ ( p , q ) ลำดับ มันประกาศลำดับมีคำสั่ง p และ q , D ที่สุดชิ้น
การถดถอยค่าเฉลี่ยเคลื่อนที่ ( ARIMA ) รุ่น ) , ARIMA ( P , D , Q ) ในอนุกรมเวลาที่มีการเปลี่ยนแปลง หรือปัจจัยอื่น ๆยังคงมีอยู่เป็นระยะๆ ที่สำคัญ
เป็นสาเหตุทำให้เกิดการเปลี่ยนแปลงตามฤดูกาล , ชนิดของลำดับเรียกว่าลำดับตามฤดูกาล [ 12 ] รูปแบบ sarima
พัฒนามาจากอาวุธแบบ อาวุธแบบจำลองทำนายผลตัวแปรจากค่าของผลที่จุด
ครั้งก่อนแต่มันเป็นเพียงที่เหมาะสมสำหรับกระบวนการเครื่องเขียน ถ้าการเปลี่ยนแปลงตามฤดูกาลที่ชัดเจนเป็นที่สังเกต , sarima รูปแบบอาจจะเป็น
เหมาะสมมากขึ้นซึ่งจะช่วยให้แนวโน้มระยะยาวและผลตามฤดูกาล [ 13 ] การ sarima รูปแบบจะขึ้นอยู่กับการใช้อาวุธเพื่อเปลี่ยน
แบบอนุกรมเวลาที่พฤติกรรมตามฤดูกาลและ non-stationary ได้ถูกตัดออก