was fitted to the data, where gt ha

was fitted to the data, where gt has an ARMA structure (Shumway and Stoffer, 2011). The arima function in R
(http://www.r-project.org/) can be used to fit a regression model of the form (1). This model was used as it can accurately
represent residual autocorrelation in regression, and hence can provide a realistic stochastic representation of a time series
suitable for simulation, as well as an unbiased assessment of the statistical significance of regression coefficients compared
to those obtained from ordinary least squares regression (Maddala, 2001).
The model was selected according to a Bayesian Information Criterion (BIC) using the auto.arima function in R (Hyndman
and Khandakar, 2008) with default parameters and a search restricted to stationary models, and the entire time series from
1882 to 2010 was used. We start with the simple (stationary in this case) and only move to the complex (non-stationary) if
the performance of the simpler model was found to be wanting. The selected model has autoregressive terms of order 1, and
moving average terms of orders 1 and 2 (Table 2, Model A). However, the partial autocorrelation plot indicated strong autocorrelation
for a lag of 24 months. Therefore, moving average terms of lags 12 and 24, were added to the model (Table 2,
Model B). The residual for this model is of the form:

ผลลัพธ์ (ไทย) 1:

ไม่พอดีกับข้อมูล ที่ gt มีอาร์มาเป็นโครงสร้าง (Shumway และ Stoffer, 2011) ฟังก์ชันอาใน R
(http://www.r-project.org/) ที่สามารถใช้ให้พอดีกับแบบจำลองการถดถอยของแบบฟอร์ม (1) ได้ ใช้รุ่นนี้มันสามารถถูกต้อง
แทนเหลือ autocorrelation ในถดถอย และดังนั้น สามารถให้การแสดงสมจริงแบบเฟ้นสุ่มชุดเวลา
เหมาะสำหรับการจำลอง รวมทั้งการประเมินนัยสำคัญทางสถิติของค่าสัมประสิทธิ์ถดถอยที่เปรียบเทียบคน
ผู้ที่ได้รับจากการถดถอยธรรมดากำลังสองน้อยสุด (Maddala, 2001) .
แบบเลือกตามแบบทฤษฎีข้อมูลเกณฑ์ (BIC) โดยใช้ฟังก์ชัน auto.arima ใน R (Hyndman
และ Khandakar, 2008) กับพารามิเตอร์เริ่มต้นการค้นหาที่จำกัดรุ่นเครื่องเขียน และชุดเวลาทั้งจาก
1882-2010 ใช้ เราเริ่มต้น ด้วยง่าย (เขียนในกรณีนี้) และเฉพาะ ไปถ้า (ไม่เขียน) ซับซ้อน
พบประสิทธิภาพของรูปแบบเรียบง่ายให้ถูกต้อง แบบจำลองที่เลือกมีเงื่อนไข autoregressive สั่ง 1 และ
ย้ายเงื่อนไขเฉลี่ยของใบสั่งที่ 1 และ 2 (ตารางที่ 2 แบบจำลอง A) อย่างไรก็ตาม พล็อต autocorrelation บางส่วนระบุ autocorrelation แข็ง
สำหรับความล่าช้าของ 24 เดือน ดังนั้น ย้ายเงื่อนไขเฉลี่ยของ lags 12 และ 24 เพิ่มกับรูปแบบ (ตารางที่ 2,
รุ่น B) ส่วนที่เหลือจากรุ่นนี้เป็นแบบฟอร์ม:

ผลลัพธ์ (ไทย) 2:

ก็พอดีกับข้อมูลที่ GT มีโครงสร้าง ARMA (Shumway และ Stoffer, 2011) ฟังก์ชั่น Arima ใน R
(http://www.r-project.org/) สามารถใช้เพื่อให้เหมาะสมกับรูปแบบการถดถอยของแบบฟอร์ม (1) รุ่นนี้ถูกใช้เป็นมันอย่างถูกต้องสามารถ
เป็นตัวแทนของอัตตกค้างในการถดถอยและด้วยเหตุนี้สามารถให้การแสดงสุ่มจริงของอนุกรมเวลา
ที่เหมาะสมสำหรับการจำลองเช่นเดียวกับการประเมินที่เป็นกลางของนัยสำคัญทางสถิติของสัมประสิทธิ์การถดถอยเมื่อเทียบ
กับผู้ที่ได้รับจากน้อยธรรมดา สี่เหลี่ยมถดถอย (Maddala, 2001)
รูปแบบที่ได้รับการคัดเลือกตามเกณฑ์คชกรรมข้อมูล (BIC) โดยใช้ฟังก์ชั่น auto.arima ใน R (Hyndman
และ Khandakar, 2008) กับพารามิเตอร์เริ่มต้นการค้นหาและ จำกัด ตัวแบบนิ่งและทั้ง อนุกรมเวลาจาก
1882 ถึง 2010 ถูกนำมาใช้ เราเริ่มต้นด้วยง่าย (นิ่งในกรณีนี้) และมีเพียงย้ายไปที่ซับซ้อน (ไม่หยุดนิ่ง) ถ้า
การทำงานของรูปแบบที่เรียบง่ายก็จะพบว่าจะต้องการ เลือกแบบมีเงื่อนไขของคำสั่งอัต 1 และ
ย้ายแง่เฉลี่ยของใบสั่งซื้อ 1 และ 2 (ตารางที่ 2 รุ่น) แต่พล็อตผิดพลาดที่ระบุบางส่วนผิดพลาดที่สัมพันธ์ที่แข็งแกร่ง
กับความล่าช้าของ 24 เดือน ดังนั้นการย้ายแง่ล่าช้าเฉลี่ยของ 12 และ 24 ได้รับการบันทึกอยู่ในรูปแบบ (ตารางที่ 2,
รุ่น B) ที่เหลือสำหรับรุ่นนี้เป็นรูปแบบ:

ผลลัพธ์ (ไทย) 3:

คือพอดีกับข้อมูลที่ GT มีโครงสร้างและที่ตั้งอาวุธ สตอฟเฟอร์ , 2011 ) พยากรณ์การทำงานใน R
( http://www.r-project.org/ ) สามารถใช้เพื่อให้พอดีกับแบบจำลองการถดถอยของแบบฟอร์ม ( 1 ) รุ่นนี้ใช้มันอย่างถูกต้องสามารถ
เป็นตัวแทนข้อมูลในส่วนที่เหลือ การจึงสามารถให้แทน Stochastic มีเหตุผลของอนุกรมเวลา
เหมาะสำหรับการจำลองรวมทั้งประเมินที่เป็นกลางของสถิติของสัมประสิทธิ์ถดถอยเทียบ
เพื่อที่ได้จากธรรมดาถดถอยกำลังสองน้อยที่สุด ( maddala , 2001 ) .
แบบที่ถูกเลือกตามเกณฑ์ข้อมูลแบบเบส์ ( BIC ) โดยใช้ฟังก์ชั่น auto.arima R (
khandakar ฮินด์เมิ่นและ 2008 ) กับพารามิเตอร์เริ่มต้นและการ จำกัด รุ่นเครื่องเขียนและตลอดเวลาที่ชุดจาก
1882 ในปี 2553 พบว่า เราเริ่มต้นด้วยง่าย ( เครื่องเขียน ) ในกรณีนี้และย้ายไปที่ซับซ้อน ( non-stationary ) ถ้า
ประสิทธิภาพของรูปแบบเรียบง่ายอยู่อยาก แบบมีเงื่อนไขที่ตัวเองสั่งซื้อ 1 และ
ย้ายเฉลี่ยด้านการสั่งซื้อ 1 และ 2 ( ตารางที่ 2 , นางแบบ ) อย่างไรก็ตามแปลงข้อมูลบางส่วนระบุ
อัตแรงความล่าช้าของ 24 เดือน ดังนั้น ค่าเฉลี่ยเคลื่อนที่ด้านล่าช้า 12 และ 24 , มีการเพิ่มรุ่น ( ตารางที่ 2
แบบ B ) ส่วนที่เหลือสำหรับรุ่นนี้เป็นรุ่นของรูปแบบ :