La spécification de la structure d'un modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). ARIMAModèle statistique de séries temporelles utilisé dans SAS Viya pour l'analyse et la prévision. Il combine processus autorégressifs, moyenne mobile et différenciation pour traiter des données stables. est au cœur de l'action arima et se fait via le sous-paramètre model dans le bloc series. Dans model, vous utilisez le sous-paramètre estimate pour configurer les détails de l'estimation du modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). :
- Ordres auto-régressifs (AR) avec
p: Utilisez le paramètreppour définir les polynômes auto-régressifs. Vous pouvez spécifier des ordres directs ou des facteurs polynomiaux saisonniers. Par exemple, pour un ordre AR(1), vous spécifieriezp=1. Pour un AR saisonnier, vous pouvez utiliser le sous-paramètrefactor. - Ordres intégrés (I) avec
diff: Le paramètrediffpermet de spécifier les ordres de différenciation. Une valeur dediff=1indique une différenciation d'ordre 1 (série I(1)). Vous pouvez spécifier plusieurs ordres de différenciation pour gérer des tendances complexes ou des saisonnalités. - Ordres de moyenne mobile (MA) avec
q: Utilisez le paramètreqpour définir les polynômes de moyenne mobile. Similaire àp, vous pouvez spécifier des ordres directs ou utiliser le sous-paramètrefactorpour les composantes saisonnières.
En combinant ces paramètres, vous pouvez définir une grande variété de modèles ARIMAModèle statistique de séries temporelles utilisé dans SAS Viya pour l'analyse et la prévision. Il combine processus autorégressifs, moyenne mobile et différenciation pour traiter des données stables., par exemple, un ARIMAModèle statistique de séries temporelles utilisé dans SAS Viya pour l'analyse et la prévision. Il combine processus autorégressifs, moyenne mobile et différenciation pour traiter des données stables.(p,d,q)(P,D,Q)s où les lettres minuscules désignent les ordres non saisonniers et les majuscules les ordres saisonniers, avec 's' pour la saisonnalité.
Exemple de structure de spécification :
series={{name="maVariable", model={{estimate={{p={{factor=1}}, diff={1}, q={{factor=1}}}}}}}}
Cette flexibilité permet d'adapter le modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). aux caractéristiques spécifiques de chaque série temporelle.
