2. MethodologyIn this study we used

2. Methodology
In this study we used the ARIMA technique to estimate the future primary energy demand of Turkey. For this the method is applied for time series data of each item and total primary energy, including hard coal, lignite, asphal¬tite, petrocoke, wood, animal and plant remains, oil,

natural gas, hydropower, geothermal heat and electricity, and solar.
The ARIMA, which is one of the most popular models for time series forecasting analysis, has been originated from the autoregressive model (AR), the moving average model (MA) and the combination of the AR and MA, the ARMA models (Blanchard and Desrochers, 1984; Brown et al., 1984; Kamal and Jafri, 1997; Ho and Xie, 1998; Saab et al., 2001; Zhang, 2001; Ho et al., 2002). The ARIMA model can be used when the time series is stationary and there is no missing data in the within the time series. In the ARIMA analysis, an identified underlying process is generated based on observations to a time series for generating a good model that shows the process-generating mechanism precisely (Box and Jenkins, 1976). The ARIMA technique includes identification (Abdel-Aal and Al Garni, 1997; Chavez et al., 1999; Zhang, 2001), estimation (Abdel-Aal and Al Garni, 1997), and diagnostic checking (Abdel-Aal and Al Garni, 1997; Zhang, 2001; Brockwell and Davis, 2002). A good summary of the ARIMA method can be found in Ediger et al. (in press).
MINITAB statistical software package is used to establish the ARIMA model. To start applying ARIMA model, first autocorrelation (acf) and partial autocorrela¬tion (pacf) functions should be determined. Moreover, acf and pacf provide a statistical summary at a particular lag. The maximum number of lags is determined simply by dividing the number of observations by 4, for a series with less than 240 based on Box and Jenkins method. Since the number of observations in this study is 55, the lag number is calculated as 14. Autocorrelation and partial autocor¬trelation graphs, which provides information about the AR and MA orders, are then drawn based on the specified lag numbers. Autoregressive (AR) process order is determined from the partial autocorrelation graph and similarly MA process order is determined from the autocorrelation graph.
The ARIMA procedure fits a model with a certain number of parameters and tests for the significance of the parameters. This means that it tests if the parameters are zero (null hypothesis, H0) or different from zero (alter-native hypothesis, Ha). Two statistics to test are conducted to test the significance of the parameters considered in the model which are T-statistics and P-value. The T statistic is not very informative by itself, but is used to determine the P-value. P-value is determined automatically by the software as 0.05 a-level corresponding 95% of confidence interval. If the P-value is less than this value, H0 is rejected.
In the case where seasonal components are included in the ARIMA model, the model is called as the SARIMA. The seasonal components are determined where the autocorrelation functions cut the confidence limits. In this study, different SARIMA models are applied to each item for various seasonal components ranging from order 1–5. The ARIMA forecasting gives results in three different options which are upper limits, lower limits, and forecasted values. Upper and lower limits provide a confidence

interval of 95%, in other words any realization within the confidence limits will be acceptable. In this study we have taken the forecasted values and further calculations are done based on these data.
The accuracy of the fitted model is checked with the mean-square error (MS), which is a measure of accuracy of the fitted model. The MS is not very informative by itself, but it can be used to compare fits of different ARIMA models. For all measures, smaller values generally indicate a better fitting model.

ผลลัพธ์ (ไทย) 1:

2. วิธีในการศึกษานี้ เราใช้เทคนิคอาการประเมินความต้องการพลังงานในอนาคตหลักของตุรกี นี้มีใช้วิธีการสำหรับข้อมูลอนุกรมเวลาของแต่ละรายการและรวมหลักพลังงาน รวมถึงฮาร์ดดิสก์ถ่านหิน ลิกไนต์ asphal¬tite, petrocoke ไม้ ยังคง อยู่ของสัตว์และพืช น้ำมัน ก๊าซธรรมชาติ พลังงานน้ำ ความร้อนใต้พิภพ และ ไฟฟ้า และแสงอาทิตย์อา ซึ่งเป็นหนึ่งในรุ่นยอดนิยมที่สุดสำหรับชุดเวลาคาดการณ์วิเคราะห์ ได้รับต้นแบบ autoregressive (AR), รูปแบบค่าเฉลี่ยเคลื่อนที่ (MA) และชุดของ AR และ MA รุ่นอาร์มา (Blanchard และ Desrochers, 1984 น้ำตาลร้อยเอ็ด al., 1984 Kamal และ Jafri, 1997 โฮ และ เจีย 1998 ซาบและ al., 2001 เตียว 2001 โฮจิมินห์และ al., 2002) สามารถใช้แบบอาชุดเวลาเป็นประจำ และมีข้อมูลไม่ขาดหายไปในภายในชุดเวลา ในการวิเคราะห์อา กระบวนการพื้นฐานที่ระบุจะถูกสร้างขึ้นตามสังเกตการลำดับเวลาสำหรับสร้างแบบจำลองที่ดีที่แสดงกลไกการสร้างกระบวนการได้อย่างแม่นยำ (กล่องและเจงกินส์ 1976) เทคนิคอามีรหัส (Abdel Aal และอัลการ์ 1997 ชาเวซ et al., 1999 เตียว 2001) การประเมิน (Abdel Aal และอัลการ์ 1997), และตรวจสอบการวินิจฉัย (Abdel Aal และอัลการ์ 1997 เตียว 2001 Brockwell ก Davis, 2002) สรุปวิธีอาดีสามารถพบใน Ediger et al. (ในข่าว)MINITAB statistical software package is used to establish the ARIMA model. To start applying ARIMA model, first autocorrelation (acf) and partial autocorrela¬tion (pacf) functions should be determined. Moreover, acf and pacf provide a statistical summary at a particular lag. The maximum number of lags is determined simply by dividing the number of observations by 4, for a series with less than 240 based on Box and Jenkins method. Since the number of observations in this study is 55, the lag number is calculated as 14. Autocorrelation and partial autocor¬trelation graphs, which provides information about the AR and MA orders, are then drawn based on the specified lag numbers. Autoregressive (AR) process order is determined from the partial autocorrelation graph and similarly MA process order is determined from the autocorrelation graph.The ARIMA procedure fits a model with a certain number of parameters and tests for the significance of the parameters. This means that it tests if the parameters are zero (null hypothesis, H0) or different from zero (alter-native hypothesis, Ha). Two statistics to test are conducted to test the significance of the parameters considered in the model which are T-statistics and P-value. The T statistic is not very informative by itself, but is used to determine the P-value. P-value is determined automatically by the software as 0.05 a-level corresponding 95% of confidence interval. If the P-value is less than this value, H0 is rejected.In the case where seasonal components are included in the ARIMA model, the model is called as the SARIMA. The seasonal components are determined where the autocorrelation functions cut the confidence limits. In this study, different SARIMA models are applied to each item for various seasonal components ranging from order 1–5. The ARIMA forecasting gives results in three different options which are upper limits, lower limits, and forecasted values. Upper and lower limits provide a confidence interval of 95%, in other words any realization within the confidence limits will be acceptable. In this study we have taken the forecasted values and further calculations are done based on these data.The accuracy of the fitted model is checked with the mean-square error (MS), which is a measure of accuracy of the fitted model. The MS is not very informative by itself, but it can be used to compare fits of different ARIMA models. For all measures, smaller values generally indicate a better fitting model.

ผลลัพธ์ (ไทย) 2:

2. วิธีการ
ในการศึกษานี้เราใช้เทคนิค ARIMA ในการประมาณการในอนาคตความต้องการพลังงานหลักของประเทศตุรกี สำหรับวิธีการนี้ถูกนำไปใช้ข้อมูลอนุกรมเวลาของแต่ละรายการและพลังงานหลักทั้งหมดรวมถึงถ่านหินอย่างหนักลิกไนต์asphal¬tite, petrocoke ไม้ยังคงเป็นสัตว์และพืชน้ำมันก๊าซธรรมชาติพลังความร้อนใต้พิภพและไฟฟ้าและ พลังงานแสงอาทิตย์. ARIMA ซึ่งเป็นหนึ่งในรุ่นที่นิยมมากที่สุดสำหรับการวิเคราะห์การคาดการณ์ชุดได้รับมาจากรูปแบบอัต (AR), รูปแบบค่าเฉลี่ยเคลื่อนที่ (MA) และการรวมกันของ AR และแมสซาชูเซต, รุ่น ARMA ( Blanchard และ Desrochers 1984. บราวน์, et al, 1984; Kamal และ Jafri, 1997; โฮและ Xie, 1998; Saab et al, 2001;. Zhang 2001. โฮ, et al, 2002) รูปแบบ ARIMA สามารถใช้เมื่อเวลาแบบนิ่งและไม่มีข้อมูลที่ขาดหายไปในเวลาที่อยู่ในชุด ในการวิเคราะห์ ARIMA, ระบุกระบวนการพื้นฐานที่ถูกสร้างขึ้นตามข้อสังเกตที่จะอนุกรมเวลาสำหรับการสร้างแบบอย่างที่ดีที่แสดงให้เห็นกลไกกระบวนการที่ก่อให้เกิดความแม่นยำ (กล่องและเจนกินส์, 1976) เทคนิค ARIMA รวมถึงบัตรประจำตัว (Abdel-Aal และอัลการ์, 1997. ชาเวซ, et al, 1999; Zhang, 2001) ประมาณ (Abdel-Aal และอัลการ์, 1997) และการตรวจสอบการวินิจฉัย (Abdel-Aal และอัลการ์, 1997; Zhang 2001; Brockwell เดวิส, 2002) สรุปที่ดีของวิธีการ ARIMA สามารถพบได้ในเอดิเกอร์, et al (ในข่าว). MINITAB แพคเกจซอฟต์แวร์ทางสถิติที่ใช้ในการสร้างแบบจำลอง ARIMA ในการเริ่มต้นการใช้แบบจำลอง ARIMA, อัตแรก (ACF) และautocorrela¬tionบางส่วน (pacf) ฟังก์ชั่นควรจะพิจารณา นอกจากนี้ ACF และ pacf ให้สรุปทางสถิติที่ล่าช้าโดยเฉพาะอย่างยิ่ง จำนวนสูงสุดของการล่าช้าก็จะถูกกำหนดโดยการหารจำนวนของการสังเกต 4, ชุดที่มีน้อยกว่า 240 กล่องขึ้นอยู่กับวิธีการและเจนกินส์ เนื่องจากจำนวนของการสังเกตในการศึกษาครั้งนี้คือ 55, จำนวนล่าช้าจะถูกคำนวณเป็นอัต 14 และกราฟautocor¬trelationบางส่วนที่ให้ข้อมูลเกี่ยวกับคำสั่ง AR และแมสซาชูเซตจะถูกดึงจากนั้นขึ้นอยู่กับตัวเลขที่ระบุความล่าช้า อัต (AR) เพื่อที่กระบวนการจะพิจารณาจากกราฟอัตบางส่วนและในทำนองเดียวกันเพื่อกระบวนการแมสซาชูเซตจะถูกกำหนดจากกราฟอัต. ขั้นตอน ARIMA เหมาะกับรูปแบบที่มีจำนวนที่แน่นอนของพารามิเตอร์และการทดสอบความสำคัญของพารามิเตอร์ ซึ่งหมายความว่าการทดสอบถ้าพารามิเตอร์ที่เป็นศูนย์ (null สมมติฐาน H0) หรือแตกต่างจากศูนย์ (สมมติฐานเปลี่ยนแปลงพื้นเมืองฮา) สองสถิติในการทดสอบจะดำเนินการในการทดสอบอย่างมีนัยสำคัญของพารามิเตอร์การพิจารณาในรูปแบบที่เป็น T-สถิติและ P-value สถิติ T ไม่ได้ข้อมูลมากด้วยตัวเอง แต่ถูกใช้ในการกำหนด P-value P-value จะถูกกำหนดโดยอัตโนมัติโดยซอฟต์แวร์เป็น 0.05 ในระดับที่สอดคล้องกัน 95% ของช่วงความเชื่อมั่น ถ้า P-value มีค่าน้อยกว่าค่านี้จะถูกปฏิเสธ H0. ในกรณีที่ส่วนประกอบตามฤดูกาลจะรวมอยู่ในรูปแบบ ARIMA รูปแบบเรียกว่าเป็น SARIMA ส่วนประกอบตามฤดูกาลมีความมุ่งมั่นที่ฟังก์ชั่นอัตตัดข้อ จำกัด ความเชื่อมั่น ในการศึกษานี้รุ่น SARIMA แตกต่างกันจะนำไปใช้กับแต่ละรายการสำหรับส่วนประกอบตามฤดูกาลต่าง ๆ มากมายจากการสั่งซื้อ 1-5 การคาดการณ์ ARIMA ให้ผลในสามตัวเลือกที่แตกต่างกันซึ่งเป็นขีด จำกัด บนข้อ จำกัด ที่ลดลงและค่านิยมที่คาดการณ์ ตอนบนและข้อ จำกัด ให้ความเชื่อมั่นที่ลดลงช่วง 95% ในคำอื่น ๆ ใด ๆ ที่ก่อให้เกิดความเชื่อมั่นภายในขอบเขตที่จะเป็นที่ยอมรับ ในการศึกษานี้เราได้นำค่าที่คาดการณ์และการคำนวณต่อไปจะทำบนพื้นฐานของข้อมูลเหล่านี้. ความถูกต้องของรูปแบบการติดตั้งมีการตรวจสอบด้วยข้อผิดพลาดเฉลี่ยตาราง (MS) ซึ่งเป็นตัวชี้วัดของความถูกต้องของรูปแบบการติดตั้ง MS ไม่ได้ข้อมูลมากด้วยตัวเอง แต่ก็สามารถใช้ในการเปรียบเทียบความเหมาะสมของรูปแบบที่แตกต่างกัน ARIMA สำหรับมาตรการทั้งหมดค่าขนาดเล็กโดยทั่วไปแสดงให้เห็นรูปแบบที่เหมาะสมดีกว่า