Purata Pergerakan Bersepadu Autoregresif (ARIMA)

Autoregressive Integrated Moving Average (ARIMA) ialah kaedah statistik yang digunakan untuk menganalisis dan meramal data siri masa. Ia adalah generalisasi model Autoregressive Moving Average (ARMA) yang popular, yang menggabungkan komponen bersepadu untuk menangani masalah data tidak pegun. Model ARIMA sangat sesuai untuk meramal turun naik jangka pendek dan arah aliran jangka panjang dalam data.

Model ARIMA diperoleh daripada metodologi Box-Jenkins, yang merupakan proses dipacu data untuk mencipta model ramalan. Model ARIMA ditentukan berdasarkan tiga komponen: komponen autoregresi (AR), bilangan perbezaan yang diperlukan untuk menjadikan siri pegun (ditandakan dengan "d"), dan komponen purata bergerak (MA).

Komponen Autoregression memodelkan korelasi antara nilai pembolehubah yang sama untuk tempoh masa yang berbeza. Bilangan istilah perbezaan merangkumi mana-mana aliran asas atau bermusim dalam data dan membolehkan data menjadi pegun. Komponen Purata Pergerakan membetulkan turun naik jangka pendek dengan mengambil purata ralat tertinggal dalam ramalan sebelumnya.

Model ARIMA digunakan secara meluas dalam kewangan, ekonomi dan bidang lain untuk meramalkan arah aliran masa hadapan dan meramalkan masa hadapan. Ia juga digunakan untuk analisis ramalan untuk meramalkan hubungan antara pembolehubah dalam set data yang besar.

Model ARIMA memerlukan pengiraan matematik yang kompleks dan memerlukan banyak data untuk menjadi berkesan. Tambahan pula, mereka perlu ditentukur kepada set data tertentu, dan memerlukan pemahaman tentang corak data asas untuk berbuat demikian. Model ARIMA boleh diperluaskan untuk memodelkan jenis data yang lebih kompleks, seperti yang mempunyai pelbagai pembolehubah dan arah aliran.

Secara keseluruhannya, model ARIMA ialah alat yang berguna untuk analisis dan ramalan siri masa. Ia adalah alat yang berkuasa untuk mendedahkan corak kompleks dalam data dan boleh digunakan untuk meramalkan masa hadapan dengan berkesan.