ऑटोरेग्रेसिव इंटीग्रेटेड मूविंग एवरेज (ARIMA)

एक ऑटोरेजिव इंटीग्रेटेड मूविंग एवरेज क्या है?

एक ऑटोरिजेक्टिव इंटीग्रेटेड मूविंग एवरेज, या एआरआईएमए, एक सांख्यिकीय विश्लेषण मॉडल है जो डेटा सेट को समझने या भविष्य के रुझानों की भविष्यवाणी करने के लिए समय श्रृंखला डेटा का उपयोग करता है  । 

आत्मकेंद्रित एकीकृत मूविंग एवरेज (ARIMA) को समझना

एक ऑटोरोग्रेसिव इंटीग्रेटेड मूविंग एवरेज मॉडल रिग्रेशन एनालिसिस का एक रूप है जो अन्य बदलते वेरिएबल्स के सापेक्ष एक आश्रित वेरिएबल की ताकत का अनुमान लगाता है  । मॉडल का लक्ष्य वास्तविक मूल्यों के बजाय श्रृंखला में मूल्यों के बीच के अंतर की जांच करके भविष्य की प्रतिभूतियों या वित्तीय बाजार की चाल की भविष्यवाणी करना है।

ARIMA मॉडल को इसके प्रत्येक घटक को निम्न प्रकार से समझा जा सकता है:

• Autoregression (AR)  एक मॉडल को संदर्भित करता है जो एक बदलते चर को दर्शाता है जो अपने स्वयं के पिछड़े हुए, या पूर्व, मूल्यों पर वापस आता है।
• एकीकृत (I)  समय श्रृंखला को स्थिर होने की अनुमति देने के लिए कच्ची टिप्पणियों के अंतर का प्रतिनिधित्व करता है, अर्थात, डेटा मानों को डेटा मानों और पिछले मूल्यों के बीच अंतर द्वारा प्रतिस्थापित किया जाता है।
• मूविंग एवरेज (MA)  एक अवलोकन के बीच निर्भरता को शामिल करता है और लैग्ड ऑब्जर्वेशन के लिए लागू मूविंग एवरेज मॉडल से अवशिष्ट त्रुटि।

प्रत्येक घटक एक मानक संकेतन के साथ एक पैरामीटर के रूप में कार्य करता है। ARIMA मॉडल के लिए, एक मानक संकेतन ARIMA के साथ p, d, और q होगा, जहां पूर्णांक मान ARIMA मॉडल के प्रकार को इंगित करने के लिए मापदंडों के लिए स्थानापन्न करता है। मापदंडों के रूप में परिभाषित किया जा सकता है:

• पी : मॉडल में अंतराल टिप्पणियों की संख्या; जिसे लैग ऑर्डर के रूप में भी जाना जाता है।
• डी : कच्चे अवलोकनों को विभक्त करने की संख्या; विभिन्नताओं की डिग्री के रूप में भी जाना जाता है।
• क्यू: चलती औसत खिड़की का आकार; मूविंग एवरेज के क्रम के रूप में भी जाना जाता है।

एक रैखिक प्रतिगमन मॉडल में, उदाहरण के लिए, संख्या और प्रकार की शर्तें शामिल हैं। 0 मान, जिसका उपयोग पैरामीटर के रूप में किया जा सकता है, का अर्थ होगा कि मॉडल में विशेष घटक का उपयोग नहीं किया जाना चाहिए। इस प्रकार, ARIMA मॉडल का निर्माण ARMA मॉडल या साधारण AR, I या MA मॉडल के कार्य को करने के लिए किया जा सकता है।

ऑटोरेग्रेसिव इंटीग्रेटेड मूविंग एवरेज एंड स्टेशनैरिटी

एक ऑटोरिजेक्टिव एकीकृत चलती औसत मॉडल में, इसे स्थिर बनाने के लिए डेटा को अलग किया जाता है। एक मॉडल जो स्थिरता दिखाता है वह है जो दिखाता है कि समय के साथ डेटा में स्थिरता है। अधिकांश आर्थिक और बाजार डेटा रुझान दिखाते हैं, इसलिए किसी भी रुझान या मौसमी संरचनाओं को अलग करने का उद्देश्य है। 

सीज़नैलिटी, या जब डेटा नियमित और अनुमानित पैटर्न दिखाते हैं जो एक कैलेंडर वर्ष में दोहराते हैं, तो प्रतिगमन मॉडल को नकारात्मक रूप से प्रभावित कर सकता है। यदि कोई प्रवृत्ति प्रकट होती है और स्थिरता स्पष्ट नहीं होती है, तो पूरी प्रक्रिया में कई संगणनाएँ बड़ी प्रभावोत्पादकता के साथ नहीं की जा सकती हैं।