(3) Variability and relationships:

(3) Variability and relationships: Apart from the changes in the company's structure or its atmosphere, the consideration of assumed stable relationships among a model's variable is very important. With the supposition of complete data availability, the MLPNN models are more suitable for explaining the complex non-linear relationships between variables. The SARIMA-MLR model assume linear relationship among variables. But, there is also a possibility that the SARIMA-MLR model would reject an independent variable at mean which may be significant at other quantiles. Unlike the SARIMA-MLR and MLPNN models, the SARIMA-QR model provides more information about relationships between variables at different quantiles. In case of poor knowledge of relationships, the seasonal naïve forecasting model can be chosen

ผลลัพธ์ (ไทย) 1:

(3) ความแปรปรวนและความสัมพันธ์: นอกเหนือจากการเปลี่ยนแปลงในโครงสร้างของบริษัทหรือของบรรยากาศ การพิจารณาความสัมพันธ์มั่นคงโหลดระหว่างตัวแปรแบบจำลองเป็นสิ่งสำคัญมาก ด้วยแสวงของข้อมูลที่สมบูรณ์พร้อมใช้งาน รุ่น MLPNN ได้เหมาะสำหรับอธิบายความสัมพันธ์ที่ไม่ใช่เชิงเส้นระหว่างตัวแปร แบบ MLR ทิพยสมมติความสัมพันธ์เชิงเส้นระหว่างตัวแปร แต่ มีความเป็นไปได้ว่า รุ่นทิพย MLR จะปฏิเสธตัวแปรอิสระที่หมายถึงอะไรซึ่งอาจจะสำคัญที่ quantiles อื่น ๆ ต่างจากทิพย MLR และรุ่น MLPNN รุ่น QR ทิพยให้ข้อมูลเพิ่มเติมเกี่ยวกับความสัมพันธ์ระหว่างตัวแปรที่แตกต่างกัน quantiles ในกรณีที่ มีความรู้ที่ดีของความสัมพันธ์ สามารถเลือกรูปแบบจำลองการคาดการณ์ไร้เดียงสาตามฤดูกาล

ผลลัพธ์ (ไทย) 2:

(3) ความแปรปรวนและความสัมพันธ์: นอกเหนือจากการเปลี่ยนแปลงในโครงสร้างของ บริษัท หรือบรรยากาศของการพิจารณาความสัมพันธ์ที่มั่นคงสันนิษฐานหมู่ตัวแปรแบบจำลองที่มีความสำคัญมาก ด้วยการคาดคะเนของความพร้อมของข้อมูลที่สมบูรณ์รุ่น MLPNN มีความเหมาะสมมากสำหรับการอธิบายความสัมพันธ์ที่ไม่ใช่เชิงเส้นที่ซับซ้อนระหว่างตัวแปร รุ่น SARIMA-MLR ถือว่าสัมพันธ์เชิงเส้นตรงระหว่างตัวแปร แต่ยังมีความเป็นไปได้ว่ารูปแบบ SARIMA-MLR จะปฏิเสธตัวแปรอิสระที่มีค่าเฉลี่ยซึ่งอาจจะมีนัยสำคัญที่ quantiles อื่น ๆ ซึ่งแตกต่างจาก SARIMA-MLR และ MLPNN รุ่นรุ่น SARIMA QR-ให้ข้อมูลเพิ่มเติมเกี่ยวกับความสัมพันธ์ระหว่างตัวแปรที่ quantiles ที่แตกต่างกัน ในกรณีที่มีความรู้ที่ดีของความสัมพันธ์ตามฤดูกาลพยากรณ์ไร้เดียงสาสามารถเลือก

ผลลัพธ์ (ไทย) 3:

( 3 ) ความสัมพันธ์ระหว่าง และ นอกเหนือจากการเปลี่ยนแปลงในโครงสร้างของบริษัท หรือ บรรยากาศของการพิจารณาว่ามีความสัมพันธ์ระหว่างตัวแปรคือรูปแบบเป็นสิ่งสำคัญมาก กับการคาดคะเนของความพร้อมของข้อมูลที่สมบูรณ์ mlpnn รุ่นที่เหมาะกับการอธิบายที่ซับซ้อนไม่เป็นเส้นตรงความสัมพันธ์ระหว่างตัวแปร การ sarima-mlr โมเดลความสัมพันธ์เชิงเส้นระหว่างตัวแปรสมมติ . แต่ก็มีความเป็นไปได้ว่า sarima-mlr โมเดลจะปฏิเสธ และตัวแปรอิสระที่ค่าเฉลี่ย ซึ่งอาจ อย่างมีนัยสำคัญทางสถิติที่ quantiles อื่น ๆ ซึ่งแตกต่างจากรูปแบบและ sarima-mlr mlpnn , sarima-qr แบบให้ข้อมูลเพิ่มเติมเกี่ยวกับความสัมพันธ์ระหว่างตัวแปรที่ quantiles แตกต่างกัน ในกรณีของความรู้ที่ดีของความสัมพันธ์ , seasonal na ไตได้ตัวแบบพยากรณ์ที่สามารถเลือก