Türkçe 
English 
Русский 
简体中文 
Português do Brasil 
Français 
Español 
Polski 
Tiếng Việt 
한국어 
Nederlands 
Italiano 
日本語 
Eesti 
Čeština 
മലയാളം 
Bahasa Melayu 
हिन्दी 
اردو 
Bahasa Indonesia 
Güvenli İnternetOtoregresif Bütünleşik Hareketli Ortalama (ARIMA), zaman serisi verilerini analiz etmek ve tahmin etmek için kullanılan istatistiksel bir yöntemdir. Durağan olmayan veri sorununu ele almak için entegre bir bileşen içeren popüler Otoregresif Hareketli Ortalama (ARMA) modelinin bir genellemesidir. ARIMA modelleri, verilerdeki kısa vadeli dalgalanmaları ve uzun vadeli eğilimleri tahmin etmek için çok uygundur.
ARIMA modelleri, tahmin modelleri oluşturmak için veri odaklı bir süreç olan Box-Jenkins metodolojisinden türetilmiştir. ARIMA modelleri üç bileşene dayalı olarak belirlenir: otoregresyon (AR) bileşeni, seriyi durağan hale getirmek için gereken fark sayısı ("d" ile gösterilir) ve hareketli ortalama (MA) bileşeni.
Otoregresyon bileşeni, aynı değişkenin farklı zaman dilimlerindeki değerleri arasındaki korelasyonu modeller. Fark sayısı terimi, verilerdeki herhangi bir temel eğilimi veya mevsimselliği hesaba katar ve verilerin durağan hale gelmesini sağlar. Hareketli Ortalama bileşeni, önceki tahminlerdeki gecikmeli hataların ortalamasını alarak kısa vadeli dalgalanmaları düzeltir.
ARIMA modelleri finans, ekonomi ve diğer alanlarda gelecekteki eğilimleri tahmin etmek ve geleceğe yönelik tahminlerde bulunmak için yaygın olarak kullanılmaktadır. Ayrıca, büyük veri setlerindeki değişkenler arasındaki ilişkileri tahmin etmek için tahmine dayalı analitik için de kullanılırlar.
ARIMA modelleri karmaşık matematiksel hesaplamalar gerektirir ve etkili olabilmeleri için çok sayıda veriye ihtiyaç duyarlar. Ayrıca, belirli veri setlerine göre kalibre edilmeleri gerekir ve bunu yapmak için altta yatan veri modellerinin anlaşılmasını gerektirir. ARIMA modelleri, birden fazla değişken ve eğilime sahip olanlar gibi daha karmaşık veri türlerini modellemek için genişletilebilir.
Genel olarak, ARIMA modelleri zaman serisi analizi ve tahmin için kullanışlı bir araçtır. Verilerdeki karmaşık örüntüleri ortaya çıkarmak için güçlü araçlardır ve geleceğe yönelik etkili tahminlerde bulunmak için kullanılabilirler.
