5. ResultsThe autocorrelation asses

5. Results
The autocorrelation assessment results revealed that all the fall
indicator time series were autocorrelated. After ARIMA modeling,
non-autocorrelated fitted residuals were obtained for all the fall
indicator time series.Fig. 3illustrated the results of one of the fall
indicators from the autocorrelation assessment and ARIMA modeling for one participant. In particular, Fig. 3a showed the original
time series.Fig. 3b showed that the ACF plot did not cutoff at Lag
10 indicating that this fall indicator time series were autocorrelated. Differenced time series were then determined (e.g.Fig. 3c). It
was found that the ACF plot (Fig. 3d) and PACF plot (Fig. 3e) for
the first order differenced time series had ‘‘tail off’’ pattern and
cut off pattern after Lag 2, respectively. This indicated that an ARIMA (2, 1, 0) should be appropriate. A residual time series (Fig. 3f)
was then obtained. The diagnosis check revealed that the residual
time series were not autocorrelated, since the autocorrelation coefficient decay rapidly to the value that was not significantly larger
than zero at Lag 10 (Fig. 3g)

ผลลัพธ์ (ไทย) 1:

5. ผลลัพธ์ผลประเมิน autocorrelation เปิดเผยที่อยู่ทั้งหมดตัวบ่งชี้เวลาชุด autocorrelated หลังจากสร้างโมเดลอาไม่ใช่-autocorrelated ติดตั้งค่าคงเหลือได้รับมาสำหรับฤดูใบไม้ร่วงตัวบ่งชี้เวลา series.Fig. 3illustrated ผลของฤดูใบไม้ร่วงตัวบ่งชี้ประเมิน autocorrelation และโมเดลอาสำหรับผู้เข้าร่วม โดยเฉพาะอย่างยิ่ง Fig. 3a พบต้นฉบับเวลา series.Fig. 3b แสดงให้เห็นว่า สโมสรฟุตบอลพล็อตไม่ได้ตัดไม่ที่ความล่าช้า10 ที่ระบุว่า ขณะนี้ตัวบ่งชี้ตกชุด autocorrelated เวลา differenced ชุดแล้วกำหนด (e.g.Fig. 3c) มันพบว่า สโมสรฟุตบอลพล็อต (Fig. 3d) และ PACF พล็อต (Fig. 3e) สำหรับชุดแรกสั่ง differenced เวลามีรูปแบบ ''หางปิดนิ้ว และตัดลวดลายหลังจากความล่าช้า 2 ตามลำดับ ระบุว่า เป็นอา (2, 1, 0) ควรเหมาะสม ชุดเวลาเหลือ (Fig. 3f)ถูกแล้วได้รับการ การตรวจสอบวินิจฉัยการเปิดเผยที่ส่วนที่เหลือจากการชุดเวลาไม่ autocorrelated ตั้งแต่ผุสัมประสิทธิ์ autocorrelation อย่างรวดเร็วให้ค่าที่ไม่ใหญ่มากกว่าศูนย์ที่ช่วงห่าง 10 กิน 3g)

ผลลัพธ์ (ไทย) 2:

5. ผล
ผลการประเมินอัตเปิดเผยว่าทุกฤดูใบไม้ร่วง
อนุกรมเวลาตัวบ่งชี้ที่ถูกอัตสหสัมพันธ์ หลังจาก ARIMA การสร้างแบบจำลอง
ที่ไม่ใช่อัตสหสัมพันธ์เหลือติดตั้งที่ได้รับสำหรับทุกฤดูใบไม้ร่วง
แสดงเวลา series.Fig 3illustrated ผลของหนึ่งในฤดูใบไม้ร่วง
จากตัวชี้วัดการประเมินอัตและการสร้างแบบจำลอง ARIMA หนึ่งเข้าร่วม โดยเฉพาะอย่างยิ่งรูป 3a แสดงให้เห็นว่าเดิม
เวลา series.Fig 3b แสดงให้เห็นว่าพล็อต ACF ไม่ได้ตัด Lag ที่
10 แสดงให้เห็นว่าตัวบ่งชี้อนุกรมเวลาฤดูใบไม้ร่วงนี้ถูกอัตสหสัมพันธ์ อนุกรมเวลา differenced ได้รับการพิจารณาแล้ว (egFig. 3c) มัน
ก็พบว่าพล็อต ACF (รูป. 3d) และพล็อ PACF (รูป. 3e) สำหรับ
การสั่งซื้อครั้งแรกอนุกรมเวลา differenced มี '' ปิดท้าย '' รูปแบบและ
ตัดรูปแบบหลังจากที่ล่าช้า 2 ตามลำดับ แสดงให้เห็นว่า ARIMA (2, 1, 0) ควรมีความเหมาะสม อนุกรมเวลาที่เหลือ (รูป. 3f)
ที่ได้รับแล้ว การตรวจสอบการวินิจฉัยพบว่าเหลือ
เวลาแบบอัตสหสัมพันธ์ไม่ได้เนื่องจากการสลายตัวของค่าสัมประสิทธิ์อัตอย่างรวดเร็วเพื่อให้มีค่าที่ไม่ได้มีขนาดใหญ่
กว่าศูนย์ Lag ที่ 10 (รูป. 3G)

ผลลัพธ์ (ไทย) 3:

5 . ผลการประเมิน พบว่า สหสัมพันธ์

ตัวบ่งชี้ทั้งหมดตกอนุกรมเวลาคือ 365 . หลังจากกำหนดตัวแบบไม่ติดตั้งค่า
94 ได้รับทั้งหมดตก
ตัวบ่งชี้เวลา series.fig . 3illustrated ผลหนึ่งของฤดูใบไม้ร่วง
ตัวชี้วัดจากข้อมูลการประเมินและการตลาดแบบหนึ่งที่ผู้เข้าร่วม โดยเฉพาะฟิคแสดง series.fig 3A 3B
เวลาเดิม พบว่าแปลงที่ไม่ได้ตัดที่ ACF ล้าหลัง
10 ระบุว่า ตกลงนี้เป็นตัวบ่งชี้เวลาชุด 52 . อนุกรมเวลาคือ ( differenced แล้วพิจารณา e.g.fig . 3C ) มัน
พบว่าพล็อต ACF ( รูปที่ 3 ) และแปลง ( รูป pacf 3E )
differenced คำสั่งแรกของอนุกรมเวลามี 'tail ' ปิด ' ' รูปแบบและ
ตัดลายหลังก 2ตามลำดับ นี้ชี้ให้เห็นว่าเป็น ARIMA ( 2 , 1 , 0 ) น่าจะเหมาะสม ชุดเวลาเหลือ ( รูปที่ขา )
ก็ได้ การตรวจสอบพบว่าชุดเวลาที่เหลือ
ไม่ได้ 52 เนื่องจากสัมประสิทธิ์อัตสลายตัวอย่างรวดเร็วค่าที่อยู่ในระดับขนาดใหญ่กว่าศูนย์ที่ล้าหลัง 10
( รูปที่ 3 )