Time series analysis provides tools

Time series analysis provides tools for selecting a model that can be used to forecast
of future events. Modeling the time series is a statistical problem. Forecasts are used in
computational procedures to estimate the parameters of a model being used to allocated
limited resources or to describe random processes such as those mentioned above. Time
series models assume that observations vary according to some probability distribution
about an underlying function of time.
Time series analysis is not the only way of obtaining forecasts. Expert judgment is
often used to predict long-term changes in the structure of a system. For example,
qualitative methods such as the Delphi technique may be used to forecast major
technological innovations and their effects. Causal regression models try to predict
dependent variables as a function of other correlated observable independent variables.
In this chapter, we only begin to scratch the surface of the field, restricting our
attention to using historical time series data to develop time-dependent models. The
methods are appropriate for automatic, short-term forecasting of frequently used
information where the underlying causes of time variation are not changing markedly. In
practice, forecasts derived by these methods are likely to be modified by the analyst upon
considering information not available from the historical data.
Several methods are described in this chapter, along with their strengths and
weaknesses. Although most are simple in concept, the computations required to estimate
parameters and perform the analysis are tedious enough that computer implementation is
essential. For a more detailed treatment of the field, the reader is referred to the
bibliography.

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ลำดับเวลามีเครื่องมือสำหรับเลือกรูปแบบที่สามารถใช้เพื่อการคาดการณ์ของเหตุการณ์ในอนาคต โมเดลชุดเวลาเป็นปัญหาทางสถิติ ใช้ในการคาดการณ์ขั้นตอนการคำนวณการประมาณพารามิเตอร์ของแบบจำลองที่ใช้ในการปันส่วนจำกัดทรัพยากรหรือ เพื่ออธิบายกระบวนการแบบสุ่มเช่นที่กล่าวถึงข้างต้น เวลาชุดรูปแบบสมมติว่า สังเกตที่แตกต่างกันตามการกระจายความน่าเป็นบางเกี่ยวกับฟังก์ชั่นแบบเวลาเวลาชุดวิเคราะห์ไม่ใช่วิธีเดียวของการได้รับการคาดการณ์ พิพากษาผู้เชี่ยวชาญมักใช้เพื่อทำนายการเปลี่ยนแปลงระยะยาวในโครงสร้างของระบบ ตัวอย่างอาจใช้วิธีการเชิงคุณภาพเช่นเทคนิคเดลฟีเพื่อคาดการณ์หลักนวัตกรรมเทคโนโลยีและผลกระทบ แบบจำลองถดถอยเชิงสาเหตุลองทายตัวแปรขึ้นอยู่กับการเป็นฟังก์ชันของตัวแปรอิสระ observable อื่น ๆ correlatedในบทนี้ เราเท่านั้นจะเริ่มขูดผิวของฟิลด์ จำกัดของเราความสนใจในการใช้ข้อมูลอนุกรมเวลาทางประวัติศาสตร์พัฒนารูปแบบขึ้นอยู่กับเวลา ที่วิธีการที่เหมาะสมสำหรับอัตโนมัติ ระยะสั้นคาดการณ์ใช้บ่อยข้อมูลที่สาเหตุพื้นฐานของการเปลี่ยนแปลงเวลาจะเปลี่ยนแปลงอย่างเด่นชัด ในปฏิบัติ คาดการณ์ที่ได้มา โดยวิธีการเหล่านี้มีแนวโน้มที่จะปรับเปลี่ยน โดยวิเคราะห์ตามพิจารณาข้อมูลที่ไม่มีข้อมูลทางประวัติศาสตร์อธิบายวิธีการต่าง ๆ ในบทนี้ กับจุดแข็งของพวกเขา และจุดอ่อน แม้ว่าส่วนใหญ่จะเชื่อในแนวคิด หนึ่งที่ต้องประเมินพารามิเตอร์ และทำการวิเคราะห์จะใช้งานคอมพิวเตอร์เพียงพอที่จะน่าเบื่อจำเป็น การรักษารายละเอียดเพิ่มเติมของฟิลด์ อ่านว่าบรรณานุกรม

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์อนุกรมเวลามีเครื่องมือสำหรับการเลือกรูปแบบที่สามารถใช้ในการคาดการณ์
เหตุการณ์ในอนาคต การสร้างแบบจำลองอนุกรมเวลาเป็นปัญหาทางสถิติ การคาดการณ์ที่ใช้ใน
ขั้นตอนการคำนวณการประมาณพารามิเตอร์ของแบบจำลองที่ใช้ในการจัดสรร
ทรัพยากรที่มี จำกัด หรือเพื่ออธิบายกระบวนการสุ่มเช่นที่กล่าวข้างต้น เวลา
รุ่นซีรีส์คิดว่าข้อสังเกตแตกต่างกันตามการกระจายความน่าจะเป็นบางอย่างที่
เกี่ยวกับฟังก์ชั่นพื้นฐานของเวลา
การวิเคราะห์อนุกรมเวลาไม่ได้วิธีเดียวที่จะได้รับการคาดการณ์ การตัดสินของผู้เชี่ยวชาญที่
มักจะใช้ในการทำนายการเปลี่ยนแปลงในระยะยาวในโครงสร้างของระบบ ตัวอย่างเช่น
วิธีการเชิงคุณภาพเช่นเทคนิคเดลฟายอาจถูกนำมาใช้ในการคาดการณ์ที่สำคัญ
นวัตกรรมเทคโนโลยีและผลกระทบของพวกเขา แบบจำลองการถดถอยเชิงสาเหตุพยายามที่จะทำนาย
ตัวแปรตามเป็นหน้าที่ของตัวแปรอิสระอื่น ๆ ที่มีความสัมพันธ์ที่สังเกตได้
ในบทนี้เราจะเริ่มต้นพื้นผิวของสนาม จำกัด ของเรา
ให้ความสนใจกับการใช้ข้อมูลอนุกรมเวลาทางประวัติศาสตร์ที่จะพัฒนารูปแบบขึ้นกับเวลา
วิธีการที่เหมาะสมสำหรับอัตโนมัติการคาดการณ์ระยะสั้นที่ใช้บ่อย
ข้อมูลที่สาเหตุของการเปลี่ยนแปลงเวลาจะไม่เปลี่ยนแปลงอย่างเห็นได้ชัด ใน
ทางปฏิบัติคาดการณ์ที่ได้มาโดยวิธีการเหล่านี้มีแนวโน้มที่จะได้รับการแก้ไขโดยนักวิเคราะห์เมื่อ
พิจารณาข้อมูลที่ไม่สามารถหาได้จากข้อมูลทางประวัติศาสตร์
หลายวิธีที่อธิบายไว้ในบทนี้พร้อมกับจุดแข็งของพวกเขาและ
จุดอ่อน ถึงแม้ว่าส่วนใหญ่มีความเรียบง่ายในแนวความคิดการคำนวณที่จำเป็นในการประเมิน
ค่าและการดำเนินการวิเคราะห์ที่น่าเบื่อมากพอที่ดำเนินงานคอมพิวเตอร์ที่เป็น
สิ่งจำเป็น สำหรับการรักษารายละเอียดของข้อมูลที่ผู้อ่านจะเรียก
บรรณานุกรม

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์อนุกรมเวลามีเครื่องมือในการเลือกรุ่นที่สามารถใช้พยากรณ์
ของเหตุการณ์ในอนาคต แบบจำลองอนุกรมเวลา คือ ปัญหาทางสถิติ พยากรณ์ที่ใช้ในการคำนวณค่า
ขั้นตอนพารามิเตอร์ของแบบจำลองที่ใช้ในการจัดสรรทรัพยากรที่ จำกัด หรืออธิบาย
กระบวนการสุ่มเช่นที่กล่าวถึงข้างต้น เวลา
แบบจำลองสมมติว่า สังเกต แตกต่างกันตามการแจกแจงความน่าจะเป็นบาง
เกี่ยวกับต้นแบบฟังก์ชันของเวลา .
การวิเคราะห์อนุกรมเวลาไม่ได้เป็นวิธีเดียวของการได้รับการคาดการณ์ . การตัดสินโดยผู้เชี่ยวชาญ
มักจะทำนายการเปลี่ยนแปลงระยะยาวในโครงสร้างของระบบ ตัวอย่างเช่น
วิธีการเชิงคุณภาพ เช่น เทคนิคเดลฟาย อาจใช้หลัก
พยากรณ์เทคโนโลยีและนวัตกรรมและผลกระทบของพวกเขา แบบจำลองความถดถอยเชิงสาเหตุลองทำนาย
ตัวแปรเป็นฟังก์ชันของตัวแปรอิสระมีความสัมพันธ์อื่น ๆสังเกต
ในบทนี้ เราเริ่มที่จะขูดพื้นผิวของเขต การให้ความสนใจของเรา
ใช้ข้อมูลอนุกรมเวลาทางประวัติศาสตร์ที่จะพัฒนาแบบจำลองเชิงเวลา .
วิธีการที่เหมาะสมโดยอัตโนมัติการพยากรณ์ระยะสั้น ใช้บ่อย
ข้อมูลว่าสาเหตุของการเปลี่ยนแปลงเวลา จะไม่มีการเปลี่ยนแปลงอย่างเห็นได้ชัด ใน
ฝึกการคาดการณ์ได้มาโดยวิธีการเหล่านี้มีแนวโน้มที่จะได้รับการแก้ไข โดยนักวิเคราะห์เมื่อ
พิจารณาข้อมูลไม่สามารถใช้ได้จากข้อมูลทางประวัติศาสตร์
หลายวิธีอธิบายไว้ในบทนี้ พร้อมกับ
จุดแข็ง และจุดอ่อนของตนเองถึงแม้ว่าส่วนใหญ่จะง่ายในแนวคิด วิธีการต้องประมาณการ
พารามิเตอร์และแสดงการวิเคราะห์ น่าเบื่อ พอว่า การใช้งานคอมพิวเตอร์
สรุป สำหรับการรักษารายละเอียดของฟิลด์ , ผู้อ่านจะอ้างถึง
บรรณานุกรม