The two most commonly used model se

The two most commonly used model selection criteria, Akaike information
criterion (AIC) and Schwartz Bayesian criterion (SBC) are used to
aid in selecting the most appropriate SARIMA model:
ϕpðBÞΦP Bs 
∇1∇1
12yt


¼ θqðBÞΘQ Bs 
εt
1−0:115B6−0:168B13 þ 0:169B14


1 þ 0:327B12


∇1∇1
12yt
ð−:2:33Þ  ð−3:45Þ    ð3:45Þ    ð6:45Þ  
¼ 1−0:476B−0:089B3


1−0:936B12


εt
ð−10:67Þ    ð−1:99Þ   ð59:45Þ    :
ð5Þ
The dth difference of a series is denoted by ∇d. A seasonal difference
is denoted by∇s,where s is the period of the data. The Dth such seasonal
difference is ∇s
D. In Eq. (5), we use monthly data and therefore twelfth
difference of the data yt first and then first difference the resulting series,
which is denoted by ∇1∇12
1 , to attain stationary of the tourist arrival
series. B is the backward shift operator (i.e., B yt = yt − 1, Bs = yt − s).
ϕp andΦP are non-seasonal and seasonal parameters of the autoregressive
part, θq and ΘQ are non-seasonal and seasonal parameters of themoving
average part. εt is the error term.
AIC and SBC are 25.26 and 25.33, respectively. The t-statistic of the
estimated parameters shown in parentheses indicate that all estimated
coefficients are significantly different from 0 at the level of 5%(**) and
1%(***). The Ljung–Box Q-statistic at lags 1, 2, 3, 4, 5, 6, 12, 24 and 36
are Q1 = 0.17(0.68), Q2 = 0.17(0.92), Q3 = 1.18(0.76), Q4 =
1.34(0.85), Q5 = 2.08(0.84), Q6 = 2.08(0.92), Q12 = 3.39(0.99),
Q24 = 18.26(0.80) and Q36 = 27.12(0.86). Significance level in parentheses
indicates that they are insignificant at conventional level,
confirming no significant autocorrelations in the residuals. Eq. (5) fits
the data adequately because the test does not indicate that the extra
parameters are significantly different from zero when fitting slightly
higher-order models. The AIC/SBC and diagnostic checks applied to
the residuals also confirm that the more elaborate model is not
necessary.
Again, the results of the forecasts from SARIMA and Naïve 1 are
shown in columns 4 and 5 of Table 2 alongwith their corresponding absolute
percentage errors. The reading of the absolute percentage error of
the forecasts points to the out-performance of the logistic growthmodel
over two benchmark models in terms of accuracy. The MAPE and
RMSPE achieved for SARIMA and Naïve 1 are also shown in Table 3
along with those for logistic growth model. The bold-faced numerical
values all unequivocally point to the better forecasting capacity of logistic
growth model. The plots of SARIMA and Naïve 1 forecasts, shown in
Fig. 3, indicate that Las Vegas tourist arrivals are under-predicted by
both models most of the months. There is a noticeable deterioration in
the accuracy of forecasts as the forecast horizon is extended further forwards,
a phenomenon not seen in forecasts generated from logistic
growth model shown in the same figure.
4.5. Test for comparing forecast errors
In the forecasting experiments presented earlier, the performances
of both models are judged solely on the relative magnitudes of MAPE
and RMSPE of the forecast errors. These comparisons provide ordinal
rankings of the models but give no indication as to whether forecasts
from a particular model are significantly better than forecasts from
another model in a statistical sense. In order to address this issue, the
Diebold–Mariano (DM) statistic is used to test for statistically significant
differences in the forecasting ability of both procedures (Diebold &
Mariano, 1995). The test results, presented in Table 4, show that we reject
the null of equal predictive accuracy at the 5% level. In other words,
DM statistics show that the logistic growth forecast error path is significantly
different from that of SARIMA and Naïve 1 model. Indeed, the

ผลลัพธ์ (ไทย) 1:

สองใช้เกณฑ์การเลือกแบบจำลอง ข้อมูล Akaikeเกณฑ์ (AIC) และเกณฑ์ทฤษฎี Schwartz (SBC) ถูกนำมาใช้ช่วยในการเลือกรูปแบบจำลองสมถวิลที่เหมาะสม:ΦpðBÞΦP Bs ∇1∇112yt
Bs ¼ θqðBÞΘQ Εt1−0:115B6−0:168B13 þ 0:169B14
1 þ 0:327B12
∇1∇112ytð−:2:33Þ ð−3:45Þ ð3:45Þ ð6:45Þ¼ 1−0:476B−0:089B3
1−0:936B12
Εtð−10:67Þ ð−1:99Þ ð59:45Þ:ð5Þสามารถระบุผลต่าง dth ชุด โดย ∇d ความแตกต่างตามฤดูกาลจะสามารถบุ by∇s โดยที่ s คือ ระยะเวลาของข้อมูล Dth ที่เช่นตามฤดูกาลความแตกต่างคือ ∇sD. ใน Eq. (5), เราใช้ข้อมูลรายเดือน และสิบสองดังนั้นความแตกต่างของข้อมูลวายทีแรกแล้ว ครั้งแรกความแตกต่างชุดผลลัพธ์ซึ่งสามารถระบุ โดย ∇1∇121 บรรลุเครื่องเขียนของการมาท่องเที่ยวชุด B คือ ตัวกะย้อนหลัง (เช่น B yt = yt − 1, Bs = yt − s)Φp andΦP มีพารามิเตอร์ไม่มีฤดูกาล และตามฤดูกาลของการ autoregressiveส่วน θq และ ΘQ เป็นพารามิเตอร์ไม่มีฤดูกาล และตามฤดูกาลของ themovingค่าเฉลี่ยส่วน Εt เป็นคำผิดพลาดAIC และ SBC ได้ 25.26 และ 25.33 ตามลำดับ สถิติของการประมาณพารามิเตอร์ในวงเล็บแสดงบ่งชี้ที่ประเมินทั้งหมดสัมประสิทธิ์มีนัยสำคัญแตกต่างจาก 0 ที่ระดับ 5%(**) และ1%(***). Q-สถิติ Ljung-กล่องที่ lags 1, 2, 3, 4, 5, 6, 12, 24 และ 36มีไตรมาส 1 = 0.17(0.68), Q2 = 0.17(0.92), Q3 = 1.18(0.76) ไตรมาสที่ 4 =1.34(0.85), Q5 = 2.08(0.84), Q6 = 2.08(0.92), Q12 = 3.39(0.99)Q24 = 18.26(0.80) และ Q36 = 27.12(0.86) ระดับความสำคัญในวงเล็บบ่งชี้ความสำคัญระดับทั่วไปยืนยันไม่ autocorrelations อย่างมีนัยสำคัญในค่าคงเหลือ พอดี eq. (5)ข้อมูลอย่างเพียงพอเนื่องจากการทดสอบบ่งชี้ว่า พิเศษพารามิเตอร์จะแตกต่างจากศูนย์อย่างมีนัยสำคัญเมื่อเหมาะสมเล็กน้อยรูปแบบจำลองขั้นสูง เช็คการ AIC/SBC และวินิจฉัยที่ใช้ค่าคงเหลือยังยืนยันว่า รูปแบบความละเอียดยิ่งขึ้นไม่ใช่จำเป็นอีกครั้ง เป็นผลลัพธ์ของการคาดการณ์จากทิพยและขำน่า 1แสดงในคอลัมน์ที่ 4 และ 5 ของตารางที่ 2 alongwith ของพวกเขาตรงแน่นอนเปอร์เซ็นต์ข้อผิดพลาด อ่านข้อผิดพลาดสมบูรณ์เปอร์เซ็นต์ของการคาดการณ์จุดประสิทธิภาพออกของ growthmodel โลจิสติกรุ่นมาตรฐาน 2 ในแง่ของความถูกต้อง MAPE และRMSPE สำเร็จทิพยและ 1 ขำน่าจะแสดงในตาราง 3พร้อมกับที่รุ่นเติบโตโลจิสติก Bold-faced เป็นตัวเลขทั้งหมดค่า unequivocally ชี้ไปที่กำลังการผลิตที่ดีกว่าคาดการณ์ของโลจิสติกแบบจำลองการเจริญเติบโต โครงการของสมถวิลและขำน่า 1 คาดการณ์ แสดงในFig. 3 ระบุว่า เข้ามาท่องเที่ยวลาสเวกัสภายใต้ทำนายโดยทั้งสองรุ่นส่วนใหญ่ของเดือน มีการเสื่อมสภาพที่เห็นได้ชัดในความถูกต้องของการคาดการณ์ที่ขยายขอบเขตการคาดการณ์ไปข้างหน้าเป็นปรากฏการณ์ที่ไม่เห็นในการคาดการณ์ที่สร้างจากโลจิสติกรุ่นเจริญเติบโตที่แสดงไว้ในรูปเดียว4.5 การทดสอบการเปรียบเทียบการคาดการณ์ผิดในการทดลองคาดการณ์ที่นำเสนอก่อนหน้านี้ การแสดงทั้งสองรุ่นจะพิจารณาแต่เพียงผู้เดียวจาก magnitudes ญาติของ MAPEและ RMSPE ของข้อผิดพลาดการคาดการณ์ เหล่านี้เปรียบเทียบให้เลขลำดับของรูปแบบการจัดอันดับแต่อย่างไม่เป็นว่าการคาดการณ์จากรูปแบบเฉพาะมีมากดีกว่าจากการคาดการณ์รูปอื่นในแง่สถิติ การแก้ไขปัญหา การสถิติ Diebold – มาเรียโน (DM) จะใช้การทดสอบทางสถิติอย่างมีนัยสำคัญความแตกต่างในความสามารถในการคาดการณ์ของทั้งสองขั้นตอน (Diebold &มาเรียโน 1995) ผลการทดสอบ นำเสนอในตาราง 4 แสดงว่า เราปฏิเสธค่า null ความแม่นยำทำนายเท่าที่ระดับ 5% ในคำอื่น ๆDM สถิติแสดงว่า การเติบโตโลจิสติกการคาดการณ์เส้นทางข้อผิดพลาดเป็นอย่างมากแตกต่างจากรุ่นที่ 1 ขำน่าและสมถวิล แน่นอน การ

ผลลัพธ์ (ไทย) 2:

ทั้งสองใช้กันมากที่สุดเกณฑ์การคัดเลือกรุ่น Akaike ข้อมูล
เกณฑ์ (AIC) และชวาร์เกณฑ์คชกรรม (SBC) จะถูกนำมาใช้เพื่อ
ช่วยในการเลือกรูปแบบที่เหมาะสมที่สุด SARIMA:
? φpðBÞΦP Bs
∇1∇1
12yt
? ?
? ¼θqðBÞΘQ Bs
εt
1-0: 115B6-0: 168B13 þ 0: 169B14
? ?
ที่ 1 0: 327B12
? ?
∇1∇1
12yt
Ð-: 2: 33? ? D-3: 45? ? ? D3: 45? ? ? D6: 45? ??
¼ 1-0: 476B-0: 089B3
? ?
1-0: 936B12
? ?
εt
D-10: 67th? ? ? D-1: 99th? ? D59: 45? ? ? :
ð5Þ
DTH แตกต่างของชุดจะแสดงโดย∇d แตกต่างกันตามฤดูกาล
จะแสดงby∇sที่คือระยะเวลาของข้อมูล ฤดูกาล Dth ดังกล่าว
แตกต่างคือ∇s
D. ในสมการ (5) เราจะใช้ข้อมูลรายเดือนและดังนั้นจึงสิบสอง
ความแตกต่างของข้อมูล yt ก่อนแล้วจึงแตกต่างกันเป็นครั้งแรกในซีรีส์ที่เกิดขึ้น,
ซึ่งจะแสดงโดย∇1∇12
1 เพื่อบรรลุนิ่งของนักท่องเที่ยวที่เข้ามา
ชุด B เป็นผู้ประกอบการย้อนหลังการเปลี่ยนแปลง (เช่น B yt = yt - 1, BS = yt - s).
φpandΦPเป็นตัวแปรที่ไม่ได้ตามฤดูกาลและฤดูกาลของอัต
ส่วนθqและΘQเป็นตัวแปรที่ไม่ได้ตามฤดูกาลและฤดูกาลของ themoving
เฉลี่ย ส่วนหนึ่ง εtเป็นคำข้อผิดพลาด.
AIC และ SBC เป็น 25.26 และ 25.33 ตามลำดับ เสื้อสถิติของ
พารามิเตอร์ประมาณแสดงในวงเล็บหมายถึงว่าทุกประมาณ
ค่าสัมประสิทธิ์การอย่างมีนัยสำคัญที่แตกต่างกันจาก 0 ที่ระดับ 5% (**) และ
1% (***) Ljung กล่อง Q-สถิติที่ล่าช้า 1, 2, 3, 4, 5, 6, 12, 24 และ 36
เป็นไตรมาสที่ 1 ปี = 0.17 (0.68) ไตรมาสที่ 2 = 0.17 (0.92) ไตรมาสที่ 3 ปี = 1.18 (0.76) ไตรมาสที่ 4 =
1.34 (0.85), Q5 = 2.08 (0.84) Q6 = 2.08 (0.92), Q12 = 3.39 (0.99),
Q24 = 18.26 (0.80) และ Q36 = 27.12 (0.86) ระดับความสำคัญในวงเล็บ
แสดงให้เห็นว่าพวกเขามีความสำคัญในระดับธรรมดา
ยืนยันไม่มี autocorrelations สำคัญในการเหลือ อีคิว (5) เหมาะกับ
ข้อมูลที่เพียงพอเพราะการทดสอบไม่ได้แสดงให้เห็นว่าพิเศษ
พารามิเตอร์อย่างมีนัยสำคัญแตกต่างจากศูนย์เมื่อกระชับเล็กน้อย
รูปแบบการสั่งซื้อที่สูงขึ้น AIC / SBC และการตรวจสอบการวินิจฉัยที่ใช้กับ
เหลือยังยืนยันว่ารูปแบบที่ซับซ้อนมากขึ้นคือไม่
จำเป็น.
อีกครั้งผลของการคาดการณ์จาก SARIMA และไร้เดียงสา 1 จะ
แสดงในคอลัมน์ที่ 4 และ 5 ของตารางที่ 2 alongwith แน่นอนสอดคล้องกันของพวกเขา
ข้อผิดพลาดร้อยละ . การอ่านของข้อผิดพลาดเปอร์เซ็นต์แน่นอนของ
จุดที่คาดการณ์ผลประกอบการที่ออกจาก growthmodel โลจิสติก
กว่าสองรุ่นมาตรฐานในแง่ของความถูกต้อง MAPE และ
RMSPE ประสบความสำเร็จสำหรับ SARIMA และไร้เดียงสา 1 ก็จะแสดงในตารางที่ 3
พร้อมกับผู้ที่สำหรับรูปแบบการเจริญเติบโตของโลจิสติก ตัวเลขตัวหนาเผือด
ค่าทั้งหมดชี้อย่างแจ่มแจ้งความจุการคาดการณ์ที่ดีขึ้นของโลจิสติก
รูปแบบการเจริญเติบโต แปลง SARIMA และไร้เดียงสา 1 การคาดการณ์ที่แสดงใน
รูป 3 ระบุว่าลาสเวกันักท่องเที่ยวอยู่ภายใต้การคาดการณ์โดย
ทั้งสองรุ่นมากที่สุดของเดือน มีการเสื่อมสภาพที่เห็นได้ชัดคือ
ความถูกต้องของการคาดการณ์ที่เป็นขอบฟ้าคาดการณ์จะขยายไปข้างหน้าต่อไป
ปรากฏการณ์ไม่เห็นในการคาดการณ์ที่เกิดจากการโลจิสติก
รูปแบบการเจริญเติบโตที่แสดงในรูปเดียวกัน.
4.5 ทดสอบสำหรับการเปรียบเทียบการคาดการณ์ข้อผิดพลาด
ในการทดลองการคาดการณ์ก่อนหน้านี้ที่นำเสนอการแสดง
ของทั้งสองรุ่นจะถูกตัดสิน แต่เพียงผู้เดียวในการเคาะญาติของ MAPE
และ RMSPE ข้อผิดพลาดของการคาดการณ์ เปรียบเทียบเหล่านี้ให้ลำดับ
การจัดอันดับของรูปแบบ แต่ให้ข้อบ่งชี้เป็นไปได้ว่าการคาดการณ์
จากรูปแบบเฉพาะอย่างมีนัยสำคัญที่ดีกว่าคาดการณ์จาก
รุ่นอื่นในความหมายทางสถิติ เพื่อที่จะแก้ไขปัญหานี้
Diebold-มาเรียโน (DM) สถิติที่ใช้ในการทดสอบอย่างมีนัยสำคัญทางสถิติ
ความแตกต่างในความสามารถในการคาดการณ์ของขั้นตอนทั้งสอง (Diebold และ
มาเรียโน, 1995) ผลการทดสอบแสดงในตารางที่ 4 แสดงให้เห็นว่าเราปฏิเสธ
null ของความถูกต้องทำนายเท่ากับที่ระดับ 5% ในคำอื่น ๆ
DM สถิติแสดงให้เห็นว่าการคาดการณ์การเติบโตของโลจิสติกเส้นทางข้อผิดพลาดอย่างมีนัยสำคัญ
ที่แตกต่างจาก SARIMA และไร้เดียงสา 1 รูปแบบ อันที่จริง

ผลลัพธ์ (ไทย) 3:

ทั้งสองมักใช้เกณฑ์การคัดเลือกตัวแบบ , เกณฑ์เคราะห์ข้อมูล
( AIC ) และ Schwartz เบ ( SBC ) เกณฑ์ที่ใช้ใน sarima
ช่วยเลือกแบบที่เหมาะสมที่สุด :
ϕ P ð B ÞΦ P BS 
∇ 1 ∇ 1


12yt 
¼θ Q ð B ÞΘ Q BS 
ε T
0:115b6 1 −− 0:168b13 þ 0:169b14


1 þ 0:327b12


 ∇ 1 ∇ 1

12yt ð− : 2 : 33 Þ   ð− 3 : Þ    ð 3 : Þ    ð 6.45 Þ   
¼ 1 −− 0:476b 0:089b3


1 − 0 :936b12


 ε T
ð− 10:67 Þ    ð− 1:99 Þ   ð 59:45 Þ    :

ð 5 Þ DTH ความแตกต่างของชุดแทน โดยมี∇ d
ความแตกต่างตามฤดูกาลเป็นแทน โดย∇ S ซึ่งเป็นยุคแห่งข้อมูล DTH เช่น seasonal
ความแตกต่าง∇ S
d ในอีคิว ( 5 ) เราใช้ข้อมูลรายเดือน ดังนั้น 12
ความแตกต่างของข้อมูลได้ไม่ก่อนแล้วก่อนความแตกต่างผลชุด
ซึ่งเขียนโดย∇ 1 ∇ 12
1เพื่อให้บรรลุเครื่องเขียนของนักท่องเที่ยวมาถึง
ชุด B คือผู้ประกอบการเปลี่ยนไป ( เช่น บี YT = YT − 1 , B = YT − s )
ϕ P และΦ P ไม่ตามฤดูกาลตามฤดูกาลพารามิเตอร์ของส่วนตัวθ
Q และ Q จะไม่Θตามฤดูกาลตามฤดูกาลพารามิเตอร์ของ themoving
ส่วนเฉลี่ย ε T
6 ระยะคือข้อผิดพลาด และจะ 25.33 25.26 SBC และ ตามลำดับ การ t-statistic ของ
ประมาณค่าพารามิเตอร์ที่แสดงในวงเล็บระบุว่าทั้งหมดประมาณ
) แตกต่างจาก 0 ที่ระดับ 5% ( * * )
1 % ( * * * ) การ ljung –กล่อง q-statistic ที่ล่าช้า 1 , 2 , 3 , 4 , 5 , 6 , 12 , 24 และ 36
เป็น Q1 = 0.17 ( 0.68 ) Q2 = 0.17 ( 0.92 ) Q3 = 1.18 ( 0.76 ) , 4 =
1.34 ( 0.85 ) Q5 = 2.08 ( 0.84 ) Q6 = 2.08 ( 0.92 ) Q12 = 3.39 ( 0.99 )
q24 = 18.26 ( 0.80 ) และ q36 = 27.12 ( 0.86 )ระดับความสำคัญในวงเล็บ
บ่งชี้ว่าพวกเขามีมากในระดับปกติ
ยืนยันไม่สําคัญในค่าอัตตสหสัมพันธ์ระดับ . อีคิว ( 5 ) พอดี
ข้อมูลอย่างเพียงพอ เพราะข้อสอบไม่ได้บ่งชี้ว่าพารามิเตอร์พิเศษ
จะแตกต่างจากศูนย์เมื่อกระชับเล็กน้อย
5 รุ่น AIC / day และการตรวจสอบวินิจฉัยใช้

ความคลาดเคลื่อนยังยืนยันว่ารูปแบบซับซ้อนมากขึ้น

ไม่จําเป็น อีกครั้ง ผลของการคาดการณ์จาก sarima นาไตได้ 1
แสดงในคอลัมน์ที่ 4 และ 5 ของตาราง 2 alongwith ที่สอดคล้องกันของพวกเขาเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์
. การอ่านค่าเปอร์เซ็นต์ความคลาดเคลื่อนของ
การคาดการณ์จุดออกประสิทธิภาพของ
growthmodel โลจิสติกกว่าสองรุ่นมาตรฐาน ในแง่ของความถูกต้อง ค่า MAPE และ
rmspe สําเร็จ sarima นาไตได้ 1 ยังแสดงในตารางที่ 3
พร้อมกับเหล่าสำหรับการพัฒนาแบบจำลองโลจิสติก กล้าเผชิญตัวเลข
ค่าทุกจุดชัดเจนดีกว่าการพยากรณ์ความจุรูปแบบการเจริญเติบโตโลจิสติก

แปลงของ sarima นาไตได้ 1 คาดการณ์ แสดงในรูปที่ 3
,ระบุว่า นักท่องเที่ยวในลาสเวกัสภายใต้คาดการณ์โดย
ทั้งสองรุ่นมากที่สุดของเดือน มีการเสื่อมสภาพที่เห็นได้ชัดในความถูกต้องของการคาดการณ์
เป็นพยากรณ์ขอบฟ้าจะขยายต่อไปข้างหน้า ไม่เห็นในการคาดการณ์
เป็นปรากฏการณ์ที่เกิดจากการขนส่ง
2 รูปแบบแสดงในรูปเดียวกัน
4.5 . ทดสอบเปรียบเทียบการพยากรณ์
ในการพยากรณ์การทดลองนำเสนอก่อนหน้านี้ การแสดง
ทั้งสองรุ่นจะตัดสิน แต่เพียงผู้เดียวในขนาดสัมพัทธ์ของค่า
rmspe ของการคาดการณ์และข้อผิดพลาด การเปรียบเทียบเหล่านี้ให้ .
อันดับของรุ่น แต่ไม่ระบุว่า การคาดการณ์
จากนางแบบที่ถูกมากดีกว่าการคาดการณ์จาก
รูปแบบอื่นในความรู้สึกทางเพื่อแก้ไขปัญหานี้ ,
DIEBOLD ( Mariano ( DM ) สถิติที่ใช้ทดสอบความแตกต่างอย่างมีนัยสำคัญทางสถิติในการพยากรณ์ความสามารถ
2 ขั้นตอน ( Diebold &
Mariano , 1995 ) ผลการทดสอบ แสดงใน ตารางที่ 4 แสดงให้เห็นว่าเราปฏิเสธความถูกต้องของการพยากรณ์เท่ากับ Null
ที่ระดับ 5% ในคำอื่น ๆ ,
สถิติแสดงให้เห็นว่า โลจิสติกและคาดการณ์ข้อผิดพลาดเส้นทางเป็นอย่างมาก
แตกต่างจากที่ sarima นาไตได้ 1 รุ่น แน่นอน