The percentage of the observed valu

The percentage of the
observed values that lie below the lower prediction interval is specified in the lower left
corner (1.6%). This same procedure is used for the out- sample data to compare the prediction
results SARIMA-QR and SARIMA-MLR models. The prediction intervals (5% and 95%) are estimated from
the point forecasts of SARIMA-MLR model using Eq. (3) suggested by Chatfield (2000) and Hyndman
and Athana- sopoulos (2013). The prediction intervals estimated from SARIMA-MLR model are plotted against the observed out-sample values of
sales of banana in Fig. 8. As shown in this figure, "' 5.5% of the observed values lie
outside the prediction intervals. Likewise, Fig. 9 shows the prediction intervals from
SARIMA-QR model that are plotted against the observed values of sales of banana for the
out-sample data. In this figure, the percentage of observed values that lie outside the prediction
intervals is around 3%. From this result, it is evident that the prediction intervals of
SARIMA-QR model can capture more than the theoretically defined uncertainty (95%). On the other
hand, the prediction intervals of SARIMA-MLR model covers nearly 94.5% of the out-sample
observations. Unlike the prediction intervals from SARIMA-QR model, it overestimates and
underestimates the upper and lower prediction intervals as shown in Fig. 8. In food retail
industry, the overestimation and underestimation of prediction intervals will definitely lead
to stock-outs and food waste.
The estimators of different quantiles can also be combined to form
a robust point estimator. In literature, it was described how to combine the estimators of
different quantiles using Tukey's trimean, Gastwirth estimator and five-quantile estimator (Koenker
and Bassett,
1978; Taylor, 2007). The robust point estimators are calculated using
the above mentioned methods and the results are shown in Table 6.

ผลลัพธ์ (ไทย) 1:

เปอร์เซ็นต์ของการ สังเกตค่าที่อยู่ด้านล่างช่วงคาดการณ์ต่ำกว่าเป็น specified ในด้านซ้ายล่าง มุม (1.6%) กระบวนการเดียวกันนี้ใช้สำหรับข้อมูลตัวอย่างเช็คเปรียบเทียบการคาดการณ์ ผลรุ่นทิพย QR และทิพย MLR ประมาณจากช่วงเวลาของการคาดเดา (5% และ 95%) คาดการณ์จุดรุ่นทิพย MLR ที่ใช้ Eq. (3) แนะนำ โดย Hyndman และ Chatfield (2000) และ Athana-sopoulos (2013) ช่วงเวลาคาดการณ์ประมาณการจากแบบจำลองสมถวิล MLR มีพล็อตกับค่าสังเกต out-sample ของการขายกล้วยในรูป 8 ดังนี้ figure, "' 5.5% ของค่าสังเกตแนว นอกช่วงเวลาของการคาดเดา ทำนองเดียวกัน 9 รูปแสดงช่วงการคาดเดาจาก รุ่น QR ทิพยที่พล็อตกับค่าสังเกตของการขายกล้วยสำหรับ การ ออกตัวอย่างข้อมูล ใน figure นี้ เปอร์เซ็นต์ของค่าสังเกตที่อยู่นอกการคาดการณ์ ช่วงอยู่ที่ประมาณ 3% จากผลนี้ จะเห็นที่ช่วงเวลาของการคาดเดา รุ่น QR ทิพยสามารถจับมากขึ้นกว่าในทางทฤษฎีกำหนดความไม่แน่นอน (95%) อื่น ๆ มือ เกือบ 94.5% ของ out-sample ครอบคลุมช่วงการคาดเดาของรุ่นทิพย MLR ข้อสังเกต ซึ่งแตกต่างจากช่วงทำนายจากรุ่น QR ทิพย overestimates และ underestimates ช่วงบน และล่างทำนายดังแสดงในรูป 8 ในการขายปลีกอาหาร อุตสาหกรรม overestimation และ underestimation ของช่วงเวลาที่ทำนายจะรอ definitely สต็อกลึกหนาบางและอาหารเสียEstimators ของ quantiles แตกต่างกันสามารถยังสามารถรวมฟอร์มประมาณเป็นจุดแข็ง ในวรรณคดี มันก็อธิบายวิธีการรวม estimators ของ ใช้ของ Tukey trimean ประมาณ Gastwirth และประมาณด้าน quantile (Koenker quantiles แตกต่างกัน และบา สเซตต์1978 เทย์เลอร์ 2007) คำนวณ estimators จุดแข็งโดยใช้วิธีการดังกล่าวข้างต้นและผลแสดงในตารางที่ 6

ผลลัพธ์ (ไทย) 2:

ร้อยละของ
ค่าสังเกตที่อยู่ด้านล่างช่วงการคาดการณ์ที่ลดลงคือเอ็ดระบุไว้ด้านล่างซ้าย
มุม (1.6%) ขั้นตอนเดียวกันนี้จะใช้สำหรับข้อมูลตัวอย่างออกเพื่อเปรียบเทียบการทำนาย
ผล SARIMA QR-และ SARIMA-MLR รุ่น ช่วงเวลาการทำนาย (5% และ 95%) จะประเมินจาก
การคาดการณ์ในจุดของรูปแบบ SARIMA-MLR โดยใช้สมการ (3) การแนะนำโดยภาคสนามแชท (2000) และ Hyndman
และ Athana- sopoulos (2013) ช่วงเวลาประมาณทำนายจากแบบจำลอง SARIMA-MLR กำลังวางแผนกับค่าสังเกตจากตัวอย่างของ
การขายของกล้วยในรูป 8. ดังแสดงใน Gure Fi นี้ " '5.5% ของค่าสังเกตอยู่
นอกช่วงเวลาการทำนาย. ในทำนองเดียวกันรูปที่ 9. แสดงให้เห็นช่วงเวลาที่ทำนายจาก
แบบจำลอง SARIMA QR-ที่มีพล็อตกับค่าสังเกตของยอดขายของกล้วยสำหรับ
ออก ข้อมูล -sample. ใน Gure Fi นี้ร้อยละของค่าสังเกตว่าอยู่นอกการทำนาย
ช่วงเวลาประมาณ 3%. จากผลนี้จะเห็นว่าช่วงเวลาที่การคาดการณ์ของ
รุ่น SARIMA QR-สามารถจับภาพมากขึ้นกว่าในทางทฤษฎีเด Fi ความไม่แน่นอนของเน็ด (95 %). ในอื่น ๆ
มือช่วงคาดการณ์ของรุ่น SARIMA-MLR ครอบคลุมเกือบ 94.5% ของออกจากตัวอย่าง
การสังเกต. ซึ่งแตกต่างจากช่วงเวลาที่ทำนายจากแบบจำลอง SARIMA QR-มัน overestimates และ
ดูถูกช่วงการทำนายบนและล่างดังแสดงใน รูป. 8. ในการค้าปลีกอาหาร
อุตสาหกรรมที่ประเมินค่าสูงและเบาของช่วงเวลาที่ทำนายจะ de Fi นำ nitely
สต็อกลึกหนาบางและเศษอาหาร.
ตัวประมาณของ quantiles ที่แตกต่างกันนอกจากนี้ยังสามารถรวมถึงรูปแบบ
ประมาณการจุดที่แข็งแกร่ง. ในวรรณคดีมันก็เล่าให้ฟังว่า ที่จะรวมตัวประมาณของ
quantiles ที่แตกต่างกันโดยใช้ trimean ของ Tukey, Gastwirth ประมาณการและ vE-Fi quantile ประมาณการ (Koenker
และ Bassett,
1978; เทย์เลอร์, 2007) ตัวประมาณจุดที่แข็งแกร่งจะคำนวณโดยใช้
วิธีการดังกล่าวข้างต้นและผลที่ได้แสดงไว้ในตารางที่ 6