ForecastingIn this section, we appl

Forecasting
In this section, we apply both linear and nonlinear forecast methods to the data in order to compare the accuracy of different methods. In this way, we aim to gain some insight into the dynamics of the generating process and to evaluate the forecast methods for this application. We apply several different linear and nonlinear forecasting methods, whose details are given in Additional file 1: Section II.

Table 3 shows the out-of-sample forecast results using linear and nonlinear time series methods. The methods are persistence PST, simple exponential smoothing SES, autoregression AR1 and AR2, Gaussian process regression MAT2, locally constant prediction LCP and local linear prediction LLP. There is little difference in accuracy between the forecasting methods. The range in error between the most and least accurate methods is less than 0.5 of a rating unit. A Deibold-Mariono test ([Diebold and Mariano 2002]) shows that for half the patients, none of the methods, including nonlinear methods, has more predictive accuracy than persistence forecasting. Full details of the test and results are given in Additional file 1: Section III.

ผลลัพธ์ (ไทย) 1:

การคาดการณ์ในส่วนนี้ เราใช้ทั้งเชิงเส้น และไม่เชิงเส้นวิธีการคาดการณ์ข้อมูลเพื่อเปรียบเทียบความถูกต้องของวิธีการต่าง ๆ ในวิธีนี้ เราจุดมุ่งหมาย เพื่อให้เข้าใจการเปลี่ยนแปลงของกระบวนการสร้าง และ การประเมินวิธีการคาดการณ์สำหรับโปรแกรมประยุกต์นี้ เราใช้เชิงเส้น และไม่เชิงเส้นการคาดการณ์การ มีรายละเอียดได้ในไฟล์เพิ่มเติม 1: ส่วนที่สองตารางที่ 3 แสดงออกอย่างคาดการณ์ผลลัพธ์โดยใช้วิธีการลำดับเวลาเชิงเส้น และไม่เชิงเส้น วิธีการจะมีอยู่ใน PST, SES เรียบง่ายเนน autoregression AR1 และ AR2 นที่กระบวนการถดถอย MAT2 คงที่ภายในทำนาย LCP และท้องถิ่นเชิงทำนาย LLP มีความแตกต่างเล็ก ๆ น้อย ๆ ในความถูกต้องระหว่างวิธีการคาดการณ์ ช่วงในข้อผิดพลาดระหว่างวิธีการมากที่สุด และถูกต้องอย่างน้อยคือ น้อยกว่า 0.5 ของหน่วยประเมิน การทดสอบ Deibold-Mariono ([Diebold และมาเรียโน 2002]) แสดงว่า ผู้ป่วยครึ่งหนึ่ง วิธีการ รวมทั้งวิธีการเชิงเส้น ไม่มีมีความแม่นยำทำนายมากขึ้นกว่าการคาดการณ์อยู่ รายละเอียดของการทดสอบและผลลัพธ์ถูกกำหนดในแฟ้มเพิ่มเติม 1: ส่วน III

ผลลัพธ์ (ไทย) 2:

การคาดการณ์
ในส่วนนี้เราใช้ทั้งวิธีการคาดการณ์เชิงเส้นและไม่เชิงเส้นกับข้อมูลในการสั่งซื้อเพื่อเปรียบเทียบความถูกต้องของวิธีการที่แตกต่างกัน ด้วยวิธีนี้เรามุ่งหวังที่จะได้รับความเข้าใจบางอย่างในการเปลี่ยนแปลงของกระบวนการผลิตและวิธีการในการประเมินการคาดการณ์สำหรับโปรแกรมนี้ เราใช้การคาดการณ์เชิงเส้นและไม่เชิงเส้นที่แตกต่างกันหลายวิธีซึ่งรายละเอียดจะได้รับในการเพิ่มไฟล์. 1: ส่วน II

ตารางที่ 3 แสดงให้เห็นออกจากตัวอย่างผลการคาดการณ์โดยใช้วิธีการอนุกรมเวลาเชิงเส้นและไม่เชิงเส้น วิธีการมีความคงทน PST ง่ายชี้แจงเรียบ SES, autoregression AR1 และ AR2 กระบวนการ Gaussian ถดถอย MAT2, LCP ทำนายอย่างต่อเนื่องทั้งในประเทศและท้องถิ่น LLP ทำนายเชิงเส้น มีความแตกต่างเล็ก ๆ น้อย ๆ ในความถูกต้องระหว่างวิธีการพยากรณ์คือ ช่วงความผิดพลาดในระหว่างวิธีการที่ถูกต้องมากที่สุดและน้อยที่สุดคือน้อยกว่า 0.5 ของหน่วยการให้คะแนน การทดสอบ Deibold-Mariono ([Diebold และมาเรียโน 2002]) แสดงให้เห็นว่าครึ่งหนึ่งของผู้ป่วยที่ไม่มีวิธีการรวมทั้งวิธีการเชิงเส้นมีความแม่นยำการคาดการณ์มากขึ้นกว่าการคาดการณ์การติดตา รายละเอียดของการทดสอบและผลจะได้รับในแฟ้มเพิ่มเติม 1: มาตรา III