8.4 Moving gemiddelde modelle Eerder as om te gebruik afgelope waardes van die voorspelling veranderlike in 'n regressie, 'n bewegende gemiddelde model gebruik afgelope voorspelling foute in 'n regressie-agtige model. y c et theta e theta e kolle theta e, waar et is wit geraas. Ons noem dit 'n MA (Q) model. Natuurlik, ons het nie die waardes van et waarneem, so dit is nie regtig regressie in die gewone sin. Let daarop dat elke waarde van yt gesien kan word as 'n geweegde bewegende gemiddelde van die afgelope paar voorspel foute. Maar bewegende gemiddelde modelle moet nie verwar word met bewegende gemiddelde smoothing ons in Hoofstuk 6. 'n bewegende gemiddelde model bespreek word gebruik vir die voorspelling van toekomstige waardes, terwyl bewegende gemiddelde smoothing word gebruik vir die bepaling van die tendens-siklus van verlede waardes wees. Figuur 8.6: Twee voorbeelde van data uit bewegende gemiddelde modelle met verskillende parameters. Links: MA (1) met y t 20e t 0.8e t-1. Regs: MA (2) met y t e t-e t-1 0.8e t-2. In beide gevalle, is e t normaalverdeelde wit geraas met gemiddelde nul en variansie een. Figuur 8.6 toon 'n mate van data uit 'n MA (1) model en 'n MA (2) model. Die verandering van die parameters theta1, kolle, thetaq resultate in verskillende tyd reeks patrone. Soos met outoregressiemodelle, sal die afwyking van die term fout et net verander die skaal van die reeks, nie die patrone. Dit is moontlik om 'n stilstaande AR (p) model as 'n MA (infty) model skryf. Byvoorbeeld, met behulp van herhaalde vervanging, kan ons hierdie bewys vir 'n AR (1) model: begin yt amp phi1y et amp phi1 (phi1y e) et amp phi12y phi1 e et amp phi13y phi12e phi1 e et amptext einde verstande -1 Dit phi1 Dit 1, sal die waarde van phi1k kleiner te kry as k groter word. So uiteindelik kry ons yt et phi1 e phi12 e phi13 e cdots, 'n MA (infty) proses. Die omgekeerde gevolg het as ons 'n paar beperkinge op te lê op die MA parameters. Toe die MA-model is omkeerbaar genoem. Dit wil sê, dat ons 'n omkeerbare MA (Q) proses as 'n AR (infty) proses kan skryf. Omkeerbare modelle is nie net om ons in staat stel om van MA modelle om modelle AR. Hulle het ook 'n paar wiskundige eienskappe wat maak dit makliker om te gebruik in die praktyk. Die inverteerbaarheid beperkings is soortgelyk aan die stasionariteit beperkings. Vir 'n MA (1) model: -1lttheta1lt1. Vir 'n MA (2) model: -1lttheta2lt1, theta2theta1 GT-1, theta1 - theta2 Dit 1. Meer ingewikkelde voorwaardes hou vir qge3. Weereens, sal R sorg van hierdie beperkings wanneer die beraming van die models. Moving gemiddeldes - Eenvoudige en Eksponensiële Bewegende Gemiddeldes - Eenvoudige en Eksponensiële Inleiding bewegende gemiddeldes glad die prys data om 'n tendens volgende aanwyser vorm. Hulle het nie die prys rigting voorspel nie, maar eerder die huidige rigting met 'n lag te definieer. Bewegende gemiddeldes lag omdat hulle op grond van vorige pryse. Ten spyte hiervan lag, bewegende gemiddeldes te help gladde prys aksie en filter die geraas. Hulle vorm ook die boustene vir baie ander tegniese aanwysers en overlays, soos Bollinger Bands. MACD en die McClellan Ossillator. Die twee mees populêre vorme van bewegende gemiddeldes is die Eenvoudige bewegende gemiddelde (SMA) en die eksponensiële bewegende gemiddelde (EMA). Hierdie bewegende gemiddeldes gebruik kan word om die rigting van die tendens te identifiseer of definieer potensiaal ondersteuning en weerstand vlakke. Here039s n grafiek met beide 'n SMA en 'n EMO daarop: Eenvoudige bewegende gemiddelde Berekening 'n Eenvoudige bewegende gemiddelde is wat gevorm word deur die berekening van die gemiddelde prys van 'n sekuriteit oor 'n spesifieke aantal periodes. Die meeste bewegende gemiddeldes is gebaseer op sluitingstyd pryse. 'N 5-dag eenvoudig bewegende gemiddelde is die vyf dag som van die sluiting pryse gedeel deur vyf. Soos die naam aandui, 'n bewegende gemiddelde is 'n gemiddelde wat beweeg. Ou data laat val as nuwe data kom beskikbaar. Dit veroorsaak dat die gemiddelde om te beweeg langs die tydskaal. Hieronder is 'n voorbeeld van 'n 5-daagse bewegende gemiddelde ontwikkel met verloop van drie dae. Die eerste dag van die bewegende gemiddelde dek net die laaste vyf dae. Die tweede dag van die bewegende gemiddelde daal die eerste data punt (11) en voeg die nuwe data punt (16). Die derde dag van die bewegende gemiddelde voort deur die val van die eerste data punt (12) en die toevoeging van die nuwe data punt (17). In die voorbeeld hierbo, pryse geleidelik verhoog 11-17 oor 'n totaal van sewe dae. Let daarop dat die bewegende gemiddelde styg ook 13-15 oor 'n driedaagse berekening tydperk. Let ook op dat elke bewegende gemiddelde waarde is net onder die laaste prys. Byvoorbeeld, die bewegende gemiddelde vir die eerste dag is gelyk aan 13 en die laaste prys is 15. Pryse die vorige vier dae laer was en dit veroorsaak dat die bewegende gemiddelde te lag. Eksponensiële bewegende gemiddelde Berekening eksponensiële bewegende gemiddeldes te verminder die lag deur die toepassing van meer gewig aan onlangse pryse. Die gewig van toepassing op die mees onlangse prys hang af van die aantal periodes in die bewegende gemiddelde. Daar is drie stappe om die berekening van 'n eksponensiële bewegende gemiddelde. Eerstens, bereken die eenvoudige bewegende gemiddelde. 'N eksponensiële bewegende gemiddelde (EMA) moet iewers begin so 'n eenvoudige bewegende gemiddelde word gebruik as die vorige period039s EMO in die eerste berekening. Tweede, bereken die gewig vermenigvuldiger. Derde, bereken die eksponensiële bewegende gemiddelde. Die onderstaande formule is vir 'n 10-dag EMO. 'N 10-tydperk eksponensiële bewegende gemiddelde van toepassing 'n 18,18 gewig na die mees onlangse prys. 'N 10-tydperk EMO kan ook 'n 18,18 EMO genoem. A 20-tydperk EMO geld 'n 9,52 weeg om die mees onlangse prys (2 / (201) 0,0952). Let daarop dat die gewig vir die korter tydperk is meer as die gewig vir die langer tydperk. Trouens, die gewig daal met die helfte elke keer as die bewegende gemiddelde tydperk verdubbel. As jy wil ons 'n spesifieke persentasie vir 'n EMO, kan jy hierdie formule gebruik om dit te omskep in tydperke en gee dan daardie waarde as die parameter EMA039s: Hier is 'n spreadsheet voorbeeld van 'n 10-dag eenvoudig bewegende gemiddelde en 'n 10- dag eksponensiële bewegende gemiddelde vir Intel. Eenvoudige bewegende gemiddeldes is reguit vorentoe en verg min verduideliking. Die 10-dag gemiddeld net beweeg as nuwe pryse beskikbaar raak en ou pryse af te laai. Die eksponensiële bewegende gemiddelde begin met die eenvoudige bewegende gemiddelde waarde (22,22) in die eerste berekening. Na die eerste berekening, die normale formule oorneem. Omdat 'n EMO begin met 'n eenvoudige bewegende gemiddelde, sal sy werklike waarde nie besef tot 20 of so tydperke later. Met ander woorde, kan die waarde van die Excel spreadsheet verskil van die term waarde as gevolg van die kort tydperk kyk terug. Hierdie sigblad gaan net terug 30 periodes, wat beteken dat die invloed van die eenvoudige bewegende gemiddelde het 20 periodes om te ontbind het. StockCharts gaan terug ten minste 250-tydperke (tipies veel verder) vir sy berekeninge sodat die gevolge van die eenvoudige bewegende gemiddelde in die eerste berekening volledig verkwis. Die sloerfaktor Hoe langer die bewegende gemiddelde, hoe meer die lag. 'N 10-dag eksponensiële bewegende gemiddelde pryse sal baie nou omhels en draai kort ná pryse draai. Kort bewegende gemiddeldes is soos spoed bote - ratse en vinnige te verander. In teenstelling hiermee het 'n 100-daagse bewegende gemiddelde bevat baie afgelope data wat dit stadiger. Meer bewegende gemiddeldes is soos see tenkwaens - traag en stadig om te verander. Dit neem 'n groter en meer prysbewegings vir 'n 100-daagse bewegende gemiddelde kursus te verander. bo die grafiek toon die SampP 500 ETF met 'n 10-dag EMO nou na aanleiding van pryse en 'n 100-dag SMA maal hoër. Selfs met die Januarie-Februarie afname, die 100-dag SMA gehou deur die loop en nie draai. Die 50-dag SMA pas iewers tussen die 10 en 100 dae bewegende gemiddeldes wanneer dit kom by die lag faktor. Eenvoudige vs Eksponensiële Bewegende Gemiddeldes Hoewel daar duidelike verskille tussen eenvoudige bewegende gemiddeldes en eksponensiële bewegende gemiddeldes, een is nie noodwendig beter as die ander. Eksponensiële bewegende gemiddeldes minder lag en is dus meer sensitief vir onlangse pryse - en onlangse prysveranderings. Eksponensiële bewegende gemiddeldes sal draai voor eenvoudige bewegende gemiddeldes. Eenvoudige bewegende gemiddeldes, aan die ander kant, verteenwoordig 'n ware gemiddelde van die pryse vir die hele tydperk. As sodanig, kan eenvoudig bewegende gemiddeldes beter geskik wees om ondersteuning of weerstand vlakke te identifiseer. Bewegende gemiddelde voorkeur hang af van doelwitte, analitiese styl en tydhorison. Rasionele agente moet eksperimenteer met beide tipes bewegende gemiddeldes, asook verskillende tydsraamwerke om die beste passing te vind. Die onderstaande grafiek toon IBM met die 50-dag SMA in rooi en die 50-dag EMO in groen. Beide 'n hoogtepunt bereik in die einde van Januarie, maar die daling in die EMO was skerper as die afname in die SMA. Die EMO opgedaag het in die middel van Februarie, maar die SMA voortgegaan laer tot aan die einde van Maart. Let daarop dat die SMA opgedaag het meer as 'n maand nadat die EMO. Lengtes en tydsraamwerke Die lengte van die bewegende gemiddelde is afhanklik van die analitiese doelwitte. Kort bewegende gemiddeldes (20/05 periodes) is die beste geskik vir tendense en handel kort termyn. Rasionele agente belangstel in medium termyn tendense sou kies vir langer bewegende gemiddeldes wat 20-60 periodes kan verleng. Langtermyn-beleggers sal verkies bewegende gemiddeldes met 100 of meer periodes. Sommige bewegende gemiddelde lengtes is meer gewild as ander. Die 200-daagse bewegende gemiddelde is miskien die mees populêre. As gevolg van sy lengte, dit is duidelik 'n langtermyn-bewegende gemiddelde. Volgende, die 50-dae - bewegende gemiddelde is baie gewild vir die medium termyn tendens. Baie rasionele agente gebruik die 50-dag en 200-dae - bewegende gemiddeldes saam. Korttermyn, 'n 10-dae bewegende gemiddelde was baie gewild in die verlede, want dit was maklik om te bereken. Een van die nommers bygevoeg eenvoudig en verskuif die desimale punt. Tendens Identifikasie Dieselfde seine gegenereer kan word met behulp van eenvoudige of eksponensiële bewegende gemiddeldes. Soos hierbo aangedui, die voorkeur hang af van elke individu. Hierdie voorbeelde sal onder beide eenvoudige en eksponensiële bewegende gemiddeldes gebruik. Die term bewegende gemiddelde is van toepassing op beide eenvoudige en eksponensiële bewegende gemiddeldes. Die rigting van die bewegende gemiddelde dra belangrike inligting oor pryse. 'N stygende bewegende gemiddelde wys dat pryse oor die algemeen is aan die toeneem. A val bewegende gemiddelde dui daarop dat pryse gemiddeld val. 'N stygende langtermyn bewegende gemiddelde weerspieël 'n langtermyn - uptrend. A val langtermyn bewegende gemiddelde weerspieël 'n langtermyn - verslechtering neiging. bo die grafiek toon 3M (MMM) met 'n 150-dag eksponensiële bewegende gemiddelde. Hierdie voorbeeld toon hoe goed bewegende gemiddeldes werk wanneer die neiging is sterk. Die 150-dag EMO van die hand gewys in November 2007 en weer in Januarie 2008. Let daarop dat dit 'n 15 weier om die rigting van hierdie bewegende gemiddelde om te keer. Hierdie nalopend aanwysers identifiseer tendens terugskrywings as hulle voorkom (op sy beste) of nadat hulle (in die ergste geval) voorkom. MMM voortgegaan laer in Maart 2009 en daarna gestyg 40-50. Let daarop dat die 150-dag EMO nie opgedaag het nie eers na hierdie oplewing. Sodra dit gedoen het, maar MMM voortgegaan hoër die volgende 12 maande. Bewegende gemiddeldes werk briljant in sterk tendense. Double CROSSOVER twee bewegende gemiddeldes kan saam gebruik word om crossover seine op te wek. In tegniese ontleding van die finansiële markte. John Murphy noem dit die dubbele crossover metode. Double CROSSOVER behels een relatief kort bewegende gemiddelde en een relatiewe lang bewegende gemiddelde. Soos met al die bewegende gemiddeldes, die algemene lengte van die bewegende gemiddelde definieer die tydraamwerk vir die stelsel. 'N Stelsel met behulp van 'n 5-dag EMO en 35-dag EMO sal geag kort termyn. 'N Stelsel met behulp van 'n 50-dag SMA en 200-dag SMA sal geag medium termyn, miskien selfs 'n lang termyn. N bullish crossover vind plaas wanneer die korter bewegende gemiddelde kruise bo die meer bewegende gemiddelde. Dit is ook bekend as 'n goue kruis. N lomp crossover vind plaas wanneer die korter bewegende gemiddelde kruise onder die meer bewegende gemiddelde. Dit staan bekend as 'n dooie kruis. Bewegende gemiddelde CROSSOVER produseer relatief laat seine. Na alles, die stelsel werk twee sloerende aanwysers. Hoe langer die bewegende gemiddelde periodes, hoe groter is die lag in die seine. Hierdie seine werk groot wanneer 'n goeie tendens vat. Dit sal egter 'n bewegende gemiddelde crossover stelsel baie whipsaws produseer in die afwesigheid van 'n sterk tendens. Daar is ook 'n driedubbele crossover metode wat drie bewegende gemiddeldes behels. Weereens, is 'n sein gegenereer wanneer die kortste bewegende gemiddelde kruisies die twee langer bewegende gemiddeldes. 'N Eenvoudige trippel crossover stelsel kan 5-dag, 10-dag en 20-dae - bewegende gemiddeldes te betrek. bo die grafiek toon Home Depot (HD) met 'n 10-dag EMO (groen stippellyn) en 50-dag EMO (rooi lyn). Die swart lyn is die daaglikse naby. Met behulp van 'n bewegende gemiddelde crossover gevolg sou gehad het drie whipsaws voor 'n goeie handel vang. Die 10-dag EMO gebreek onder die 50-dag EMO die einde van Oktober (1), maar dit het nie lank as die 10-dag verhuis terug bo in die middel van November (2). Dit kruis duur langer, maar die volgende lomp crossover in Januarie (3) het plaasgevind naby die einde van November prysvlakke, wat lei tot 'n ander geheel verslaan. Dit lomp kruis het nie lank geduur as die 10-dag EMO terug bo die 50-dag 'n paar dae later (4) verskuif. Na drie slegte seine, die vierde sein voorafskaduwing n sterk beweeg as die voorraad oor 20. gevorderde Daar is twee wegneemetes hier. In die eerste plek CROSSOVER is geneig om geheel verslaan. 'N Prys of tyd filter toegepas kan word om te voorkom dat whipsaws. Handelaars kan die crossover vereis om 3 dae duur voordat waarnemende of vereis dat die 10-dag EMO hierbo beweeg / onder die 50-dag EMO deur 'n sekere bedrag voor waarnemende. In die tweede plek kan MACD gebruik word om hierdie CROSSOVER identifiseer en te kwantifiseer. MACD (10,50,1) sal 'n lyn wat die verskil tussen die twee eksponensiële bewegende gemiddeldes te wys. MACD draai positiewe tydens 'n goue kruis en negatiewe tydens 'n dooie kruis. Die persentasie Prys ossillator (PPO) kan op dieselfde manier gebruik word om persentasie verskille te wys. Let daarop dat die MACD en die PPO is gebaseer op eksponensiële bewegende gemiddeldes en sal nie ooreen met eenvoudige bewegende gemiddeldes. Hierdie grafiek toon Oracle (ORCL) met die 50-dag EMO, 200-dag EMO en MACD (50,200,1). Daar was vier bewegende gemiddelde CROSSOVER oor 'n tydperk 2 1/2 jaar. Die eerste drie gelei tot whipsaws of slegte ambagte. A opgedoen tendens begin met die vierde crossover as ORCL gevorder tot die middel van die 20s. Weereens, bewegende gemiddelde CROSSOVER werk groot wanneer die neiging is sterk, maar produseer verliese in die afwesigheid van 'n tendens. Prys CROSSOVER bewegende gemiddeldes kan ook gebruik word om seine met 'n eenvoudige prys CROSSOVER genereer. N bullish sein gegenereer wanneer pryse beweeg bo die bewegende gemiddelde. N lomp sein gegenereer wanneer pryse beweeg onder die bewegende gemiddelde. Prys CROSSOVER kan gekombineer word om handel te dryf in die groter tendens. Hoe langer bewegende gemiddelde gee die toon aan vir die groter tendens en die korter bewegende gemiddelde word gebruik om die seine te genereer. 'N Mens sou kyk vir bullish prys kruise net vir pryse is reeds bo die meer bewegende gemiddelde. Dit sou wees die handel in harmonie met die groter tendens. Byvoorbeeld, as die prys is hoër as die 200-daagse bewegende gemiddelde, rasionele agente sal net fokus op seine wanneer prysbewegings bo die 50-dae - bewegende gemiddelde. Dit is duidelik dat, sou 'n skuif onder die 50-dae - bewegende gemiddelde so 'n sein voorafgaan, maar so lomp kruise sou word geïgnoreer omdat die groter tendens is up. N lomp kruis sou net dui op 'n nadeel binne 'n groter uptrend. 'N kruis terug bo die 50-dae - bewegende gemiddelde sou 'n opswaai in pryse en voortsetting van die groter uptrend sein. Die volgende grafiek toon Emerson Electric (EMR) met die 50-dag EMO en 200-dag EMO. Die voorraad bo verskuif en bo die 200-daagse bewegende gemiddelde gehou in Augustus. Daar was dips onder die 50-dag EMO vroeg in November en weer vroeg in Februarie. Pryse het vinnig terug bo die 50-dag EMO te lomp seine (groen pyle) voorsien in harmonie met die groter uptrend. MACD (1,50,1) word in die aanwyser venster te prys kruise bo of onder die 50-dag EMO bevestig. Die 1-dag EMO is gelyk aan die sluitingsprys. MACD (1,50,1) is positief wanneer die naby is bo die 50-dag EMO en negatiewe wanneer die einde is onder die 50-dag EMO. Ondersteuning en weerstand bewegende gemiddeldes kan ook dien as ondersteuning in 'n uptrend en weerstand in 'n verslechtering neiging. 'N kort termyn uptrend kan ondersteuning naby die 20-dag eenvoudig bewegende gemiddelde, wat ook gebruik word in Bollinger Bands vind. 'N langtermyn-uptrend kan ondersteuning naby die 200-dag eenvoudig bewegende gemiddelde, wat is die mees gewilde langtermyn bewegende gemiddelde vind. As Trouens, die 200-daagse bewegende gemiddelde ondersteuning of weerstand bloot omdat dit so algemeen gebruik word aan te bied. Dit is amper soos 'n self-fulfilling prophecy. bo die grafiek toon die NY Saamgestelde met die 200-dag eenvoudig bewegende gemiddelde van middel 2004 tot aan die einde van 2008. Die 200-dag voorsien ondersteuning talle kere tydens die vooraf. Sodra die tendens omgekeer met 'n dubbele top ondersteuning breek, die 200-daagse bewegende gemiddelde opgetree as weerstand rondom 9500. Moenie verwag presiese ondersteuning en weerstand vlakke van bewegende gemiddeldes, veral langer bewegende gemiddeldes. Markte word gedryf deur emosie, wat hulle vatbaar vir overschrijdingen maak. In plaas van presiese vlakke, kan bewegende gemiddeldes gebruik word om ondersteuning of weerstand sones identifiseer. Gevolgtrekkings Die voordele van die gebruik bewegende gemiddeldes moet opgeweeg word teen die nadele. Bewegende gemiddeldes is tendens volgende, of nalopend, aanwysers wat altyd 'n stap agter sal wees. Dit is nie noodwendig 'n slegte ding al is. Na alles, die neiging is jou vriend en dit is die beste om handel te dryf in die rigting van die tendens. Bewegende gemiddeldes te verseker dat 'n handelaar is in ooreenstemming met die huidige tendens. Selfs al is die tendens is jou vriend, sekuriteite spandeer 'n groot deel van die tyd in die handel reekse, wat bewegende gemiddeldes ondoeltreffend maak. Sodra 'n tendens, sal bewegende gemiddeldes jy hou in nie, maar ook gee laat seine. Don039t verwag om te verkoop aan die bokant en koop aan die onderkant met behulp van bewegende gemiddeldes. Soos met die meeste tegniese ontleding gereedskap, moet bewegende gemiddeldes nie gebruik word op hul eie, maar in samewerking met ander aanvullende gereedskap. Rasionele agente kan gebruik bewegende gemiddeldes tot die algehele tendens definieer en gebruik dan RSI om oorkoop of oorverkoop vlakke te definieer. Toevoeging van bewegende gemiddeldes te StockCharts Charts bewegende gemiddeldes is beskikbaar as 'n prys oortrek funksie op die SharpCharts werkbank. Die gebruik van die Overlays aftrekkieslys, kan gebruikers kies óf 'n eenvoudige bewegende gemiddelde of 'n eksponensiële bewegende gemiddelde. Die eerste parameter word gebruik om die aantal tydperke stel. 'N opsionele parameter kan bygevoeg word om te spesifiseer watter prys veld moet gebruik word in die berekeninge - O vir die Ope, H vir die High, L vir die lae, en C vir die buurt. 'N Komma word gebruik om afsonderlike parameters. Nog 'n opsionele parameter kan bygevoeg word om die bewegende gemiddeldes te skuif na links (verlede) of regs (toekomstige). 'N negatiewe getal (-10) sou die bewegende gemiddelde skuif na links 10 periodes. 'N Positiewe nommer (10) sou die bewegende gemiddelde na regs skuif 10 periodes. Veelvuldige bewegende gemiddeldes kan oorgetrek die prys plot deur eenvoudig 'n ander oortrek lyn aan die werkbank. StockCharts lede kan die kleure en styl verander om te onderskei tussen verskeie bewegende gemiddeldes. Na die kies van 'n aanduiding, oop Advanced Options deur te kliek op die klein groen driehoek. Gevorderde Opsies kan ook gebruik word om 'n bewegende gemiddelde oortrek voeg tot ander tegniese aanwysers soos RSI, CCI, en Deel. Klik hier vir 'n lewendige grafiek met 'n paar verskillende bewegende gemiddeldes. Die gebruik van bewegende gemiddeldes met StockCharts skanderings Hier is 'n paar monster skanderings wat StockCharts lede kan gebruik om te soek na verskeie bewegende gemiddelde situasies: Bul bewegende gemiddelde Kruis: Dit skanderings lyk vir aandele met 'n stygende 150 dae eenvoudige bewegende gemiddelde en 'n lomp kruis van die 5 - Day EMO en 35-dag EMO. Die 150-daagse bewegende gemiddelde is stygende solank dit handel bo sy vlak vyf dae gelede. N bullish kruis vind plaas wanneer die 5-dag EMO bo die 35-dag EMO op bogemiddelde volume beweeg. Lomp bewegende gemiddelde Kruis: Dit skanderings lyk vir aandele met 'n dalende 150 dae eenvoudige bewegende gemiddelde en 'n lomp kruis van die 5-dag EMO en 35-dag EMO. Die 150-daagse bewegende gemiddelde val solank dit handel onder sy vlak vyf dae gelede. N lomp kruis vind plaas wanneer die 5-dag EMO beweeg onder die 35-dag EMO op bogemiddelde volume. Verdere Studie John Murphy039s boek het 'n hoofstuk gewy aan bewegende gemiddeldes en hul onderskeie gebruike. Murphy dek die voor - en nadele van bewegende gemiddeldes. Daarbenewens Murphy wys hoe bewegende gemiddeldes met Bollinger Bands en kanaal gebaseer handel stelsels. Tegniese ontleding van die finansiële markte John Murphyby P. M. T. Broersen - IEEE Trans. Instrum. Meas. 2002. Abstract. Die verhoogde computational spoed en ontwikkelings in die robuustheid van algoritmes het die moontlikheid om 'n goed pas tydreeksmodel vir stogastiese data outomaties identifiseer geskep. Dit is moontlik om meer as 500 modelle bereken en net een, wat beslis is een van t kies. Abstract. Die verhoogde computational spoed en ontwikkelings in die robuustheid van algoritmes het die moontlikheid om 'n goed pas tydreeksmodel vir stogastiese data outomaties identifiseer geskep. Dit is moontlik om meer as 500 modelle bereken en net een, wat beslis is een van die beter modelle indien nie die heel beste te kies. Dit model kenmerkend van die spektrale digtheid van die data. Tydreeksmodelle is uitstekend vir ewekansige data as die model tipe en die model orde is bekend. Vir onbekende data eienskappe, 'n groot aantal kandidaat modelle het om te bereken. Dit sluit noodwendig te laag of te hoog model bestellings en modelle van die verkeerde tipe, dus robuuste skatting metodes vereis. Die rekenaar kies 'n model ten einde vir elk van die drie model tipes. Van dié drie, is die model tipe met die kleinste verwagting van die voorspelling fout gekies. Wat uniek gekies model sluit juis die statisties beduidende besonderhede wat in die data is. 1 optimale asimptotiese straf faktor 3 (Broersen, 2000b Broersen en Wensink, 1996). 6.2 MA skatting Durbins metode vir MA skatting waarborg inverteerbaarheid met al nulle in die eenheidsirkel (-Durbin, 1959--). Teoreties, 'n MA (Q) model is gelykstaande met 'n AR () model, deur die gebruik van B (Z) 1 / A (Z). Durbins metode maak gebruik van die beraamde parameters van 'n lang AR model tot die MA-model benader. Natuurlik, die. deur P. M. T. Broersen - IEEE Trans. op Instrumentasie en meting. 2000. AbstractThis ontleding is beperk tot die spectraalanalyse van stilstaande stogastiese prosesse met onbekende spektrale digtheid. Die belangrikste spektrale skatting metodes is: parametriese met tydreeksmodelle, of parametriese met 'n klein venster periodogram. 'N Enkele tydreeksmodel gekies sal word met 'n st. AbstractThis ontleding is beperk tot die spectraalanalyse van stilstaande stogastiese prosesse met onbekende spektrale digtheid. Die belangrikste spektrale skatting metodes is: parametriese met tydreeksmodelle, of parametriese met 'n klein venster periodogram. 'N Enkele tydreeksmodel gekies sal word met 'n statistiese maatstaf van drie voorheen beraam en geselekteerde modelle: die beste outoregressiewe (AR) model, die beste bewegende gemiddelde (MA) model, en die beste gekombineer ARMA model. Die akkuraatheid van die spektrum, bereken vanaf die enkele geselekteerde tydreeksmodel, is in vergelyking met die akkuraatheid van 'n paar klein venster periodogram skattings. Die tydreeksmodel gee oor die algemeen 'n spektrum wat beter is as die beste moontlike windowed periodogram. Dit is 'n feit dat 'n enkele goeie tydreeksmodel outomaties gekies kan word vir statistiese data met onbekende spektrale digtheid. Dit is fiksie wat objektiewe keuses tussen 'n klein venster periodograms gemaak kan word. Indeks TermsARMA modelle, identifikasie, sodat seleksie, parametriese spektrum, spektrale akkuraatheid, spektrale skatting, tydreekse. I. 'n geformuleer vir spesifieke MA en ARMA algoritmes. Maar ná die ontdekking van die optimale lengte van die lang outoregressiewe intermediêre model 15, 16, voorkeur gegee kan word om Durbins metodes -17--, 18. Hierdie vraestel handel oor stilstaande stogastiese prosesse met onbekende spektra, nie met deterministiese of periodieke seine vir manuskrip ontvang 26 Mei 1998 hersien 10 Maart, 2000. Die owerhede be. deur P. M. T. Broersen - in Signal Proses. VIII, Proc. Eusipco Conf. 1996. Durbinaposs metode vir bewegende gemiddelde (MA) skatting gebruik die beraamde parameters van 'n lang AutoRegressieve (AR) model om die verlangde MA parameters te bereken. 'N Teoretiese einde vir so lank AR model is, maar 'n baie hoë AR bestellings lei tot onakkurate MA modelle in die eindige monster praktyk. 'N Nuwe t. Durbinampaposs metode vir bewegende gemiddelde (MA) skatting gebruik die beraamde parameters van 'n lang AutoRegressieve (AR) model om die verlangde MA parameters te bereken. 'N Teoretiese einde vir so lank AR model is, maar 'n baie hoë AR bestellings lei tot onakkurate MA modelle in die eindige monster praktyk. 'N Nuwe teoretiese argument aangebied om 'n uitdrukking vir die beste eindige lang AR sodat 'n bekende MA proses en 'n gegewe steekproefgrootte lei. Intermediêre AR modelle van presies daardie volgorde produseer die mees akkurate MA modelle. Hierdie nuwe orde verskil van die beste AR om gebruik te word vir voorspelling. 'N Algoritme word dat die gebruik van die teorie vir die beste lang AR volgorde bekend prosesse om data van 'n onbekende proses stel. I. teorie vir die beste lang AR volgorde bekend prosesse om data van 'n onbekende proses. I. sINTRODUCTION In soek na 'n veilige, robuuste en praktiese oplossing vir die MA skatting probleem, Durbin039s metode -1-- is belowend. 'N nie-lineêre skatting probleem is vervang deur twee stadiums van lineêre estimasie. Eerstens, die parameters van 'n lang outoregressiewe model is na raming van die data. Daarna 'n tweede p. deur Jorge Mari, Anders Dahln, Anders Lindquist - Automatica J. IFAC. 1998. In hierdie vraestel beskou ons 'n drie-stap proses vir die identifisering van tijdreeksen, gebaseer op kovariansie uitbreiding en modelreduction, en ons bied 'n volledige ontleding van die statistiese konvergensie eienskappe. 'N Gedeeltelike kovariansie volgorde Na raming van statistiese data. Dan is 'n hoë-orde Maxim. In hierdie vraestel beskou ons 'n drie-stap proses vir die identifisering van tijdreeksen, gebaseer op kovariansie uitbreiding en modelreduction, en ons bied 'n volledige ontleding van die statistiese konvergensie eienskappe. 'N Gedeeltelike kovariansie volgorde Na raming van statistiese data. Dan is 'n hoë-orde maksimum-entropie model bepaal word, wat uiteindelik benader word deur 'n laer-orde-model deur stochastisch gebalanseerde model vermindering. Sulke prosedures voordat bestudeer, in verskillende kombinasies, maar 'n algehele konvergensie analise bestaande uit al drie stappe is vermis. Gedink die data gegenereer uit 'n ware finitedimensional stelsel wat minimumphase, word aangetoon dat die oordragsfunksie van die beraamde stelsel geneig in H fende ware oordragsfunksie as die lengte data na oneindig streef, indien die kovariansie uitbreiding en die model vermindering gedoen behoorlik. Die voorgestelde identifikasie proses, en 'n paar variasies ofit, geëvalueer deur simulasies. 1. teruggevoer word na die Wold ontbinding 55 waar L 2 - convergence van 'n hoë-orde AR modelle om algemene analitiese modelle is shown. Pioneers in die gebruik van hierdie konsep vir stelsels identifikasie is Durbin -12, 13-- en Whittle 54.The konvergensie eienskappe van sulke benaderings bestudeer deur Berk 2 en later verfyn in 36, 34, 33, 7.The interessante papier 7 bevat mooi bewyse van 'n paar van die bymekaarkom. deur P. M. T. Broersen, S. De Waele - Proc. 2de IEEE Benelux Signal Proc. Symp. SPS-2000. 2000. OPSOMMING: Maksimum waarskynlikheid (ML) skatting maksimeer die waarskynlikheid funksie en is 'n gevierde beginsel in lineêre regressie-analise. Asimptoties, die Cramr-Rao vir die kovariansiematriks van onbevooroordeelde beraamde parameters bereik deur die maksimum waarskynlikheid beramer. Met asymp. OPSOMMING: Maksimum waarskynlikheid (ML) skatting maksimeer die waarskynlikheid funksie en is 'n gevierde beginsel in lineêre regressie-analise. Asimptoties, die Cramr-Rao vir die kovariansiematriks van onbevooroordeelde beraamde parameters bereik deur die maksimum waarskynlikheid beramer. Met asimptotiese argumente, is dit bewys dat hierdie beginsel ook toegepas kan word om motor regressie en om die meer algemene outoregressiewe bewegende gemiddelde (ARMA) modelle in tydreeksanalise. Dit is ten minste voorgestel in handboeke wat 'n digter aanpassing van die presiese waarskynlikheid in die maksimering 'n beter skatting vir tydreeksmodelle sal produseer. In teenstelling hiermee het die eindige monster praktyk toon dikwels anders. Sommige eindig monster feite en die implikasies daarvan skatting bespreek. as eerste presample innovasies en onvoorwaardelike kleinste kwadrate (ULS) met behulp van backforecasting vir pre-monster benaderings 3,20 Die gebruik van 'n lang kovariansie skat 5,18,21 Met behulp van 'n lang AR model -19,23-- as intermediêre. Die waarskynlikheid funksie is simmetriese vir nulle weerspieël ten opsigte van die eenheidsirkel, sodat mirroring nulle verkry met ML het geen besware 24. Kleinste kwadrate oplossing CLS en JOU deur Joseph M. FRANCOS, Benjamin Friedlander. In hierdie artikel word die probleem van die beraming van die parameters van twee-dimensionele bewegende gemiddelde ewekansige velde. Ons spreek eers die probleem van die uitdrukking van die mede-variansie matriks van nie-simmetriese half-vliegtuig, noncausal, en kwart-vliegtuig bewegende gemiddelde ewekansige velde, in terme van die model parameters. In hierdie artikel word die probleem van die beraming van die parameters van twee-dimensionele bewegende gemiddelde ewekansige velde. Ons spreek eers die probleem van die uitdrukking van die mede-variansie matriks van nie-simmetriese half-vliegtuig, noncausal, en kwart-vliegtuig bewegende gemiddelde ewekansige velde, in terme van die model parameters. Die aanvaarding van die ewekansige veld is Gaussiese, ons lei 'n geslote vorm uitdrukking vir die Cramer-Rao op die foutvariansie in gesamentlik die skatte van die model parameters. 'N computationeel doeltreffende algoritme vir die beraming van die parameters van die bewegende gemiddelde model is ont - wikkel. Die algoritme pas aanvanklik 'n twee-dimensionele outoregressiewe model om die waargenome veld, dan gebruik die beraamde parameters om die bewegende gemiddelde model bereken. 'N Maksimum-kans algoritme vir die beraming van die MA-model parameters word ook aangebied. Die prestasie van die voorgestelde algoritmes word geïllustreer deur Monte-Carlo simulasies en is in vergelyking met die Cramer-Rao gebind. deur P. M. T. Broersen - prosesse, Seinverwerking IX, Proc. Eusipco Conf. Rhodes, Griekeland. 1998. Nuwe ontwikkelings in tydreeksanalise gebruik kan word om 'n beter spektrale verteenwoordiging vir onbekende data te bepaal. Enige stilstaande proses kan akkuraat gemodelleer met een van die drie model tipes: AR (outoregressiewe), MA (bewegende gemiddelde) of die gekombineerde ARMA model. Oor die algemeen, die beste soort is un. Nuwe ontwikkelings in tydreeksanalise gebruik kan word om 'n beter spektrale verteenwoordiging vir onbekende data te bepaal. Enige stilstaande proses kan akkuraat gemodelleer met een van die drie model tipes: AR (outoregressiewe), MA (bewegende gemiddelde) of die gekombineerde ARMA model. Oor die algemeen, die beste soort is onbekend. Maar, as die drie modelle is na raming met geskikte metodes, 'n enkele tydreeksmodel kan outomaties gekies in die praktyk. Die akkuraatheid van die spektrum, bereken vanaf die enkele AR-MA tydreeksmodel, is in vergelyking met die akkuraatheid van baie tapse en 'n klein venster periodogram skattings. Die tydreeksmodel gee gewoonlik 'n spektrum wat beter is as die beste van alles periodogram skattings. 1. As modelle van hoë bestellings word beskou. Vir MA en ARMA modelle, 'n nuwe ontwikkeling in tydreeksanalise was nodig om betroubare skatting algoritmes wat goed presteer vir alle steekproefgroottes -7,8,9,10-- het. Dit is die ontdekking van die optimale lengte van die lang outoregressiewe intermediêre model vir Durbins metodes 7,8. So lank AR model word gebruik om die MA parameters te bepaal. Met 'n gly venster. deur Piet M. T. Broersen, S. De Waele - IEEE Trans. Instrum. Meas. 2000. AbstractA nuwe metode vir die onttrekking van die funksies van die stilstaande stogastiese prosesse is toegepas op 'n mediese opsporing probleem. Dit illustreer 'n praktiese toepassing van outomatiese tydreeks modelle. Eerstens, die model tipe en die model sodat twee tydreekse prototipe modelle is se. AbstractA nuwe metode vir die onttrekking van die funksies van die stilstaande stogastiese prosesse is toegepas op 'n mediese opsporing probleem. Dit illustreer 'n praktiese toepassing van outomatiese tydreeks modelle. Eerstens, die model tipe en die model sodat twee tydreekse prototipe modelle is gekies. Die prototipes verteenwoordig die long geluide van 'n enkele gesonde onderwerp, voor en na die toepassing van cholien. Die gebruik van die model fout MY as 'n maatstaf vir die verskil tussen tydreeksmodelle, kan nuwe data word verdeel in klasse wat aan die prototipe modelle vir hierdie persoon. Die prototipe modelle word verkry vanaf 'n paar verstryking siklusse onder bekende omstandighede. Dit is voldoende om die teenwoordigheid van cholien in nuwe data van die dieselfde onderwerp op te spoor as hy in staat is om stilstaande voorwaardes in stand te hou deur volgende akkuraat die voorgeskrewe asemhaling patroon. Dit is nie nodig om dieselfde model tipe en dieselfde model sodat die prototipes en vir nuwe data gebruik. Outomaties en individueel gekies modelle vir prototipes en data gee 'n goeie opsporing van cholien. Indeks TermsDetection, model fout, voorspelling fout, prototipe-model, spektrale skatting. I. nt, die Gekombineerde Inligting Criterion CIC is gebaseer op die verwagting en op die variansie van die logaritme van die oorblywende variansie, as 'n funksie van die model orde 11. Die Durbins metode vir MA -12-- en vir ARMA 13 skatting bestaan van die gebruik van die parameters van 'n lang intermediêre outoregressiewe model te MA parameters te bereken. Op hierdie manier, is nie-lineêre skatting benader word deur 'n sequenc. deur Jan S. Erkelens, Arturo Tejada, Arnold J. Den Dekker - IEEE Transactions on Instrumentasie en meting. 2013. Abstract Drie belangrike parametriese modelle vir die beskrywing van die korrelasie funksies en spektra van stilstaande stogastiese prosesse is die outoregressiewe (AR), bewegende gemiddelde (MA), en outoregressiewe bewegende gemiddelde (ARMA) modelle. Heel onlangs het die MATLAB toolbox ARMASA openbaar gemaak. Abstract Drie belangrike parametriese modelle vir die beskrywing van die korrelasie funksies en spektra van stilstaande stogastiese prosesse is die outoregressiewe (AR), bewegende gemiddelde (MA), en outoregressiewe bewegende gemiddelde (ARMA) modelle. Heel onlangs het die MATLAB toolbox ARMASA is publiek sigbaar gemaak. Dit toolbox bied state-of-the-art algoritmes om outomatiese identifikasie en seleksie te voer tussen die mod-Els gebaseer op die geskatte voorspelling fout. ARMASA werk op 'n enkele segment van data, terwyl dit in 'n paar programme, die data is beskikbaar as verskeie segmente. Ons kan elke segment onafhanklik te verwerk en gemiddeld die beraamde outokorrelasiefunksies of spektra daarna. Beter prestasie egter verwag kan word wanneer alle segmente gelyktydig verwerk, om twee redes. Aanvanklik het die vooroordeel in die geskatte modelparameters hang af van die aantal waarnemings in 'n segment. Gemiddeld UAL variansie vir alle model bestellings van belang. Die residue is skattings van die innovasies (N) in (1) en kan gevind word deur die vervanging van die beraamde model parameters. Besonderhede kan gevind word in 2, -19-- en 20. Die algoritmes vir AR, MA, en ARMA model identifikasie in die ARMASA toolbox geïmplementeer sal nou uiteengesit. III. Modelidentifisering IN ARMASA A. AR modelidentifisering Die oorblywende. deur Piet Broersen, Stijn De Waele. 'N windowed en tapse periodogram kan bereken word as die Fourier-transform van 'n geskatte kovariansie funksie van tapse data, vermenigvuldig met 'n lag venster. Kovariansies van eindige lengte kan ook gemodelleer as bewegende gemiddelde (MA) tydreeksmodelle. Die direkte ekwivalensie tussen periodograms en MA. 'N windowed en tapse periodogram kan bereken word as die Fourier-transform van 'n geskatte kovariansie funksie van tapse data, vermenigvuldig met 'n lag venster. Kovariansies van eindige lengte kan ook gemodelleer as bewegende gemiddelde (MA) tydreeksmodelle. Die direkte ekwivalensie tussen periodograms en MA modelle word in die metode van momente vir MA skatting. 'N Beter MA verteenwoordiging vir die kovariansie en die spektrale digtheid is gevind met Durbinampaposs verbeter MA metode. Dit maak gebruik van die parameters van 'n lang outoregressiewe (AR) model te MA modelle, gevolg deur 'n outomatiese keuse van die MA orde te kry. 'N Vergelyking is getref tussen die twee MA model tipes. Die beste van baie MA modelle van 'n klein venster periodograms is in vergelyking met die enkele geselekteerde MA model verkry met Durbinampaposs metode. Laasgenoemde het gewoonlik 'n beter gehalte. Sleutelwoorde: spektrale skatting, sodat seleksie, spektrale afstand, spektrale venster, spektrale fout 1. INLEIDING Tydreeksanalise of parametriese spektrale skatting. voorstelling van die kovariansie is nie 'n voldoende beramer vir die MA parameters. 'N robuuste MA algoritme bestaan wat die model direk skat van 'n lang AR model van die data. Durbin039s metode -6-- nooit het probleme met konvergensie. Daar word geskat altyd omkeerbare modelle met behulp van die parameters van 'n lang outoregressiewe model in 'n lineêre MA skatting proses omkeerbaar modelle het al zeros. Parameter Skatting genereer Reference Book: Lêer mag meer wees up-to-date Die term parameter beraming verwys na die proses van gebruik van monster data (in betroubaarheid ingenieurswese, gewoonlik tye tot mislukking of sukses data) om die parameters van die gekose verspreiding skat. Verskeie parameter beraming metodes is beskikbaar. Hierdie afdeling bied 'n oorsig van die beskikbare metodes gebruik in die lewe data-analise. Meer spesifiek, het ons begin met die relatief eenvoudige metode van waarskynlikheid Plot en voort te gaan met die meer gesofistikeerde metodes van posisie Regressie (of Least Squares), maksimum annneemlikheidsberaming en Bayes Beramingsmetodes. Waarskynlikheid Plot Die minste wiskundig intensiewe metode vir parameter beraming is die metode van waarskynlikheid plot. Soos die term impliseer, waarskynlikheid plot behels 'n fisiese plot van die data op spesiaal gebou waarskynlikheid plot papier. Hierdie metode is maklik geïmplementeer met die hand, gegee dat 'n mens die toepaslike waarskynlikheid plot papier kan kry. Die metode van waarskynlikheid plot neem die CDF van die verspreiding en poog om dit logskaal liniariseer deur die gebruik van 'n spesiaal gebou papier. Die volgende afdelings illustreer die stappe in hierdie metode gebruik te maak van die 2-parameter Weibullverdeling as 'n voorbeeld. Dit sluit in: Lineariseer die onbetroubaarheid funksie Konstrueer die waarskynlikheid plot papier Bepaal die X en Y posisie van die plot punte en dan met behulp van die komplot om 'n bepaalde tyd of betroubaarheid / onbetroubaarheid waarde van belangstelling gelees. Linearizing die Onbetrouwbaarheid Function Hierdie funksie kan dan geliniariseerde (dws sit in die algemene vorm van formaat) soos volg: Dan deur die oprigting van: die vergelyking kan dan herskryf word as: wat is nou 'n lineêre vergelyking met 'n helling van: en 'n onderskepdrie van : Konstruksie van die papier die volgende taak is om die Weibull waarskynlikheid plot papier bou met die toepaslike y en x asse. Die x-as transformasie is eenvoudig logaritmiese. Die y-as is 'n bietjie meer kompleks, wat 'n dubbele log wedersydse transformasie, of: Sulke referate is geskep deur verskillende verskaffers en geroep waarskynlikheid plot vraestelle. ReliaSofts betroubaarheid ingenieurswese hulpbron webwerf by www. weibull het verskillende plot vraestelle beskikbaar vir aflaai. Om te illustreer, kyk na die volgende waarskynlikheid plot op 'n effens ander tipe Weibull waarskynlikheid papier. Hierdie vraestel is opgebou grond van die genoemde y en x transformasies, waar die y-as verteenwoordig onbetroubaarheid en die x-as verteenwoordig tyd. Beide van hierdie waardes moet bekend vir elke tyd tot mislukking punt wil ons plot. Dan, gegewe die en waarde vir elke punt, die punte kan maklik op die plot sit. Sodra die punte op die plot geplaas word, word die beste moontlike reguit streep deur hierdie punte. Sodra die lyn is getrek, kan die helling van die lyn word verkry ( 'n paar waarskynlikheid vraestelle sluit in 'n helling aanwyser om hierdie berekening te vereenvoudig). Dit is die parameter wat die waarde van die helling. Om die skaal parameter bepaal (ook bekend as die kenmerkende lewe), 'n mens lees die tyd van die x-as ooreenstem met. Die bepaling van die X en Y posisie van die plotpunte Die punte op die plot verteenwoordig ons data of, meer spesifiek, ons tyd-tot-mislukking data. As, byvoorbeeld, ons vier eenhede wat versuim het om 10, 20, 30 en 40 uur getoets, dan sal ons hierdie keer as ons x waardes of tyd waardes. Die bepaling van die toepaslike y plot posisies, of die onbetroubaarheid waardes, is 'n bietjie meer ingewikkeld. Om die y plot posisies te bepaal, moet ons eers 'n waarde wat die ooreenstemmende onbetroubaarheid vir daardie mislukking bepaal. Met ander woorde, ons moet die kumulatiewe persent versuim om elke keer tot mislukking te verkry. Byvoorbeeld, kan die kumulatiewe persent misluk met 10 uur wees 25, met 20 ure 50, en so meer. Dit is 'n eenvoudige metode te illustreer die idee. Die probleem met hierdie eenvoudige metode is die feit dat die 100 punt nie gedefinieer op die meeste waarskynlikheid plotte dus 'n alternatiewe en meer robuuste benadering moet gebruik word. Die mees gebruikte metode vir die bepaling van hierdie waarde is die metode van die verkryging van die mediaan rang vir elke mislukking, as volgende bespreek. Mediaan Graden Die mediaan Range metode word gebruik om 'n skatting van die onbetroubaarheid vir elke mislukking te verkry. Die mediaan rang is die waarde wat die ware waarskynlikheid van mislukking, moet by die mislukking het uit 'n monster van eenhede aan die 50 vertrouensvlak. Die rang kan gevind word vir enige persentasiepunt,, groter as nul en minder as een, deur die oplossing van die kumulatiewe binomiaal vergelyking vir. Dit verteenwoordig die rang, of onbetroubaarheid skatting, vir die mislukking in die volgende vergelyking vir die kumulatiewe binomiaal: Beta en F Uitkerings Nader 'n meer eenvoudige en makliker metode van beraming mediaan geledere is deur die toepassing van twee transformasies om die kumulatiewe binomiaal vergelyking, eers na die beta verspreiding en dan na die F verspreiding, wat lei tot 12, 13. Benards benadering vir mediaan Graden Nog 'n vinnige en minder akkuraat, die aanpassing van die mediaan geledere word ook gegee word deur: Dit aanpassing van die mediaan geledere is ook bekend as Benards benadering. Kaplan-Meier Die Kaplan-Meier beramer (ook bekend as die produk limiet beramer) word gebruik as 'n alternatief vir die mediaan geledere metode vir die berekening van die skattings van die onbetroubaarheid van waarskynlikheid plot doeleindes. Die vergelyking van die beramer word gegee deur: Waarskynlikheid Plot Voorbeeld Dieselfde metode kan aangewend word om ander uitkerings met CDF vergelykings wat gebruik kan word geliniariseerde. Verskillende waarskynlikheid vraestelle bestaan vir elke verspreiding, omdat verskillende verspreidings het verskillende CDF vergelykings. ReliaSofts sagteware gereedskap outomaties hierdie erwe te skep vir jou. Spesiale skale op hierdie erwe toelaat dat jy die parameter ramings direk afgelei van die erwe, soortgelyk aan die manier en is verkry uit die Weibull waarskynlikheid plot. Die volgende voorbeeld demonstreer die metode weer, hierdie keer met behulp van die 1-parameter eksponensiële verspreiding. Kom ons neem aan ses identiese eenhede is betroubaarheid getoets op dieselfde toepassing en werking stresvlakke. Al hierdie eenhede misluk tydens die toets buite maatskappy vir die volgende keer (in ure): 96, 257, 498, 763, 1051 en 1744. Die stappe vir die gebruik van die waarskynlikheid plot metode om die parameters van die eksponensiële pdf verteenwoordig die data te bepaal is soos volg: Rangskik die tye tot mislukking in stygende volgorde as volgende getoon. Verkry hul mediaan rang plot posisies. Mediaan rang posisie gebruik word in plaas van ander posisie metodes omdat mediaan geledere is op 'n spesifieke vlak van vertroue (50). Die tye tot mislukking, met hul ooreenstemmende mediaan geledere, word getoon volgende: Op 'n eksponensiële waarskynlikheid papier, plot die tye op die x-as en hul ooreenstemmende rang waarde op die y-as. Die volgende figuur toon 'n voorbeeld van 'n eksponensiële waarskynlikheid papier. Die papier is bloot 'n log-lineêre papier. Nou enige betroubaarheid waarde vir enige doel tyd verkry kan word. Byvoorbeeld, kan die betroubaarheid vir 'n sending van 15 uur, of enige ander tyd, nou verkry word of by die plot of analities. Om die waarde van die plot te kry, 'n vertikale lyn van die Abscissa, by ure om die ingeboude lyn. Trek 'n horisontale lyn van hierdie kruising aan die koördineer en te lees. In hierdie geval, . Dit kan ook analities verkry vanaf die eksponensiële betroubaarheid funksie. Kommentaar op die waarskynlikheid Plot Metode Behalwe die mees voor die hand liggende nadeel om waarskynlikheid plot, wat is die hoeveelheid moeite wat nodig is, handleiding waarskynlikheid plot is nie altyd konsekwent in die resultate. Twee mense plot van 'n reguit lyn deur 'n stel van punte sal nie altyd trek hierdie lyn op dieselfde manier, en dus sal kom met 'n bietjie verskillende resultate. Hierdie metode is gebruik hoofsaaklik voor die wydverspreide gebruik van rekenaars wat maklik die berekeninge vir meer ingewikkeld parameter beraming metodes, soos die kleinste kwadrate en maksimum aanneemlikheid metodes kan uitvoer. Kleinstekwadrate (Rank Regressie) Die gebruik van die idee van waarskynlikheid plot, regressieanalise pas wiskundig die beste reguit lyn om 'n stel van punte, in 'n poging om die parameters te beraam. In wese is dit 'n wiskundig-gebaseerde weergawe van die waarskynlikheid plot metode voorheen bespreek. Die metode van lineêre kleinste kwadrate gebruik vir alle regressieanalise deur Weibull, behalwe vir die gevalle van die 3-parameter Weibull, gemengde Weibull, gamma en algemene gamma uitkerings, waar 'n nie-lineêre regressie tegniek in diens. Die terme lineêre regressie en kleinste kwadrate is sinoniem in hierdie verwysing. In Weibull, is die term rang regressie gebruik word in plaas van kleinste kwadrate, of lineêre regressie, want die regressie is uitgevoer op die rang waardes, meer spesifiek, die mediaan rang waardes (verteenwoordig op die y-as). Die metode van kleinste kwadrate vereis dat 'n reguit lyn na 'n stel datapunte, sodanig dat die som van die kwadrate van die afstand van die punte na die ingeboude lyn geminimaliseer word toegerus. Dit minimalisering uitgevoer kan word in óf die vertikale of horisontale rigting. As die regressie is op, dan is die lyn is toegerus sodat die horisontale afwyking van die punte om die lyn is tot die minimum beperk. As die regressie is op Y, dan beteken dit dat die afstand van die vertikale afwykings van die punte om die lyn te beperk. Dit word geïllustreer in die volgende figuur. Rang Regressie op Y posisie Regressie op X Aanvaar dat 'n stel data pare. . verkry en geplot, en dat die y-waardes presies bekend is. Dieselfde kleinste kwadrate beginsel toegepas word, maar hierdie keer, die vermindering van die horisontale afstand tussen die datapunte en die reguit lyn wat aan die data. Die beste pas reguit lyn om hierdie data is die reguit lyn soos wat: die ooreenstemmende betrekkinge vir die bepaling van die parameters vir 'n spesifieke verdeling (bv Weibull, eksponensiële, ens), word in die hoofstukke wat daardie uitkering. Korrelasiekoëffisiënt Die korrelasiekoëffisiënt is 'n maatstaf van hoe goed die lineêre regressiemodel pas die data en word gewoonlik aangedui deur. In die geval van die lewe data-analise, dit is 'n maatstaf vir die sterkte van die lineêre verhouding (korrelasie) tussen die mediaan geledere en die data. Hoe nader die waarde is, hoe beter is die lineêre passing: Die bevolking korrelasiekoëffisiënt word soos volg gedefinieer. Let daarop dat 1 dui op 'n perfekte pas (die gepaarde waardes () op 'n reguit lyn) met 'n positiewe helling, terwyl -1 dui op 'n perfekte pas met 'n negatiewe helling. A korrelasiekoëffisiënt waarde van nul dui daarop dat die data lukraak versprei en het geen patroon of korrelasie met betrekking tot die regressielyn model. Kommentaar op die kleinstekwadrate-metode Die kleinste kwadrate beraming metode is baie goed vir funksies wat gebruik kan word geliniariseerde. Vir hierdie verdelings, die berekeninge is relatief eenvoudig en maklik, met geslote-vorm oplossings wat geredelik 'n antwoord kan gee sonder om plek te numeriese tegnieke of tafels. Verder is hierdie tegniek bied 'n goeie maatstaf van die goedheid-van-passing van die gekose verspreiding in die korrelasiekoëffisiënt. Kleinstekwadrate is oor die algemeen die beste gebruik met datastelle met volledige data, dit is, data wat slegs uit enkele kere tot mislukking met geen gesensor of interval data. (Sien Life Data Sistematiek vir inligting oor die verskillende tipes data, insluitend volledige, gelaat gesensor, reg gesensor (of opgeskort) en interval data.) Rank Metodes vir gesensor Data Alle beskikbare data moet in ag geneem word in die ontleding van tye tot mislukking data. Dit sluit in die geval wanneer 'n bepaalde eenheid in 'n monster van die toets voor mislukking verwyder. 'N item, of eenheid, wat uit 'n betroubaarheid toets voor mislukking, of 'n eenheid wat in die veld en is nog steeds in werking ten tye van die betroubaarheid van hierdie eenhede is vasgestel moet word verwyder, word 'n opgeskorte item of regs gesensor genoem waarneming of regs gesensor data punt. Opgeskort items analise sal ook oorweeg word wanneer: Ons moet 'n ontleding van die beskikbare uitslae te maak voordat toets voltooiing. Die mislukking modes wat voorkom is anders as dié wat verwag en sulke eenhede van die toets onttrek. Ons moet 'n enkele modus te ontleed en die werklike data stel bestaan uit verskeie maniere. 'N waarborg analise word gemaak van alle eenhede in die veld (nie-mislukte en mislukte eenhede). Die nie-mislukte eenhede word beskou as beskikbaar opgeskort items (of regs gesensor). Hierdie afdeling beskryf die rang metodes wat gebruik word in beide waarskynlikheid plot en kleinste kwadrate (rang regressie) om gesensor data te hanteer. Dit sluit in: Die rang aanpassing metode vir reg gesensor (skorsing) data. ReliaSofts alternatiewe posisie metode vir gesensor data insluitend links gesensor, reg gesensor, en interval data. Rang Aanpassing Metode vir Right gesensor Data By die gebruik van die waarskynlikheid plot of kleinste kwadrate (rang regressie) metode vir datastelle waar sommige van die eenhede het nie begewe of geskors is, moet ons hul waarskynlikheid van mislukking, of onbetroubaarheid pas. Soos voorheen bespreek, is beramings van die onbetroubaarheid vir volledige inligting verkry deur die mediaan geledere benadering. Die volgende metode illustreer hoe aangepaste gemiddelde geledere word bereken om verantwoording te doen reg gesensor data. Om beter te illustreer die metode, kyk na die volgende voorbeeld in Kececioglu 20 waar vyf items word getoets lei tot drie mislukkings en twee skorsings. Itemnommer (posisie) Versuim (F) of opskorting (S) Lewe item, HR Sodra die mediaan rang waardes is verkry, is die waarskynlikheid plot analise is identies aan dié voor aangebied. As jy dalk opgemerk het, hierdie metode is eerder moeisame. Ander tegnieke en kortpaaie is ontwikkel oor die jare aan hierdie proses meer vaartbelyn te maak. Vir meer besonderhede oor hierdie metode, sien Kececioglu 20. Hier het ons sal een van hierdie metodes in te voer. Hierdie metode bereken Maandag met behulp van 'n inkrement, ek. wat gedefinieer word deur: N die steekproefgrootte, of totale aantal items in die toets pmon vorige gemiddelde order nommer NIBPSS die aantal items buite die huidige geskors stel.
No comments:
Post a Comment