Thus, a moving-average model is con

Thus, a moving-average model is conceptually a linear regression of the current value of the series against current and previous (unobserved) white noise error terms or random shocks. The random shocks at each point are assumed to be mutually independent and to come from the same distribution, typically a normal distribution, with location at zero and constant scale. Fitting the MA estimates is more complicated than with autoregressive models (AR models) because the lagged error terms are not observable. This means that iterative non-linear fitting procedures need to be used in place of linear least squares.

ผลลัพธ์ (ไทย) 1:

ดังนั้นรูปแบบการเคลื่อนไหวค่าเฉลี่ยเป็นแนวคิดถดถอยเชิงเส้นของค่าปัจจุบันของซีรีส์กับปัจจุบันและก่อนหน้า (สังเกต) เงื่อนไขข้อผิดพลาดเสียงสีขาวหรือแรงกระแทกแบบสุ่ม กระแทกสุ่มแต่ละจุดจะถือว่าเป็นอิสระซึ่งกันและกันและที่จะมาจากการกระจายเดียวกันโดยทั่วไปการแจกแจงปกติโดยมีสถานที่ตั้งในระดับศูนย์และคงที่การปรับประมาณการ ma คือซับซ้อนมากขึ้นกว่าที่มีรูปแบบอัตต (รุ่น AR) เพราะ lagged เงื่อนไขข้อผิดพลาดจะไม่ได้สังเกต นี้หมายความว่าทำซ้ำขั้นตอนที่เหมาะสมที่ไม่ใช่เชิงเส้นจะต้องมีการใช้ในสถานที่น้อยสแควร์เชิงเส้น

ผลลัพธ์ (ไทย) 2:

ดัง แบบจำลองเฉลี่ยย้ายเป็นทางแนวคิดถดถอยเชิงเส้นของค่าปัจจุบันของชุดเงื่อนไขข้อผิดพลาดก่อนหน้านี้ และปัจจุบันเสียงสีขาว (unobserved) หรือแรงกระแทกแบบสุ่ม แรงกระแทกแบบสุ่มในแต่ละจุดจะถือว่าเป็นอิสระแก่กันและกัน และมาจากการกระจายเดียวกัน โดยทั่วไปการแจก สถานที่ที่เป็นศูนย์ และขนาดคง เหมาะสมประเมิน MA มีความซับซ้อนมากขึ้นกว่า ด้วย autoregressive แบบจำลอง (แบบจำลอง AR) เนื่องจากไม่มีข้อผิดพลาด lagged observable ซึ่งหมายความ ว่า เหมาะสมไม่ใช่เชิงเส้นซ้ำขั้นตอนจำเป็นต้องใช้เส้นอย่างน้อยสี่เหลี่ยม

ผลลัพธ์ (ไทย) 3:

ดังนั้นการเคลื่อนไหวของรุ่น - โดยเฉลี่ยคือตามแนวสหสัมพันธ์เชิงเส้นแนวนอนที่มีค่าในปัจจุบันของชุดที่ขัดต่อเงื่อนไขข้อผิดพลาดเสียงสีขาวในปัจจุบันและก่อนหน้า(เพราะ)หรือกระแทกแบบสุ่ม ช็อคแบบสุ่มในแต่ละจุดได้ตั้งสมมติฐานไว้ว่าจะเป็นอิสระจากกันเป็นอิสระและเข้ามาจากการจัดจำหน่ายเหมือนเดิมโดยปกติแล้วการจัดจำหน่ายตามปกติที่พร้อมด้วยที่ตั้งที่อยู่ที่ศูนย์และการปรับขยายอย่างต่อเนื่องสวมใส่สบายพอดีกับประเมิน mA ที่มีความซับซ้อนมากกว่าพร้อมด้วยรุ่น autoregressive (รุ่น AR )เนื่องจากเงื่อนไขข้อผิดพลาดล้าหลังประเทศที่ไม่ได้เห็นได้ ซึ่งหมายความว่าตามขั้นตอนแบบ non - linear ฝึกฝนตามเหมาะสมกับความต้องการในการใช้งานในสถานที่ในจตุรัสตามแนวยาวอย่างน้อย