3 Penyemakan Diagnostik
Satu cara terbaik untuk memeriksa kecukupan keseluruhan model Box-Jenkins dengan
menganalisa residual yang didapati daripada model. Kita juga boleh mengira fungsi sampel
autokorelasi dan fungsi separa autokorelasi untuk residual residual. RSAC mewakili fungsi
sampel autokorelasi dan RSPAC mewakili fungsi sampel separa autokorelasi bagi residual
residual tersebut. Satu cara untuk menguji kecukupan bagi keseluruhan model dengan
menguji statistic yang menentukan sama ada sampel autokorelasi K yang pertama bagi
residual, dianggap bersama, dimana ia menunjukkan kecukupan model tersebut.
2 jenis statistic telah dicadangkan iaitu statistik Box Pierce dan statistik Ljung Box.
Statistik Box Pierce ialah
a^
r l ()
2
Q=n '
l=1
Dimana
n' =nd , n ialah bilangan pemerhatian dalam siri masa asalan dan d ialah
perbezaan darjah tidak bermusim yang digunakan untuk menukar nilai siri masa asalan
kepada nilai siri masa pegun.
RSAC
ACF of Residuals for y
(with 5% significance limits for the autocorrelations)
1.0
0.8
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
10
10
Lag
Rajah 7
RSPAC
PACF of Residuals for y
(with 5% significance limits for the partial autocorrelations)
1.0
Partial Autocorrelation
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
6
Lag
Rajah 8
Minitab juga mengira Q* statistik Ljung Box dan nilai p berkaitan bagi nilai nilai K yang
bersamaan dengan 12, 24, 36 dan 48.
Diubahsuai
Lag
Chi-Square
DF
P-Value
Box-Pierce
12
18.7
11
0.066
(Ljung-Box) Chi-Square
24
36
24.8
25.2
23
35
0.362
0.888
statistik
48
*
*
*
Setelah nilai Q* = 18.7 < 19.675, kita tidak boleh menolak kecukupan bagi model itu dengan
menetapkan sama dengan 0.05. Nilai p ialah nilai luas dibawah lengkung taburan chi
square dimana ia mempunyai nilai K - nc = 11 dengan darjah kebebasan ke kanan Q* = 18.7.
Setelah nilai p ialah 0.066 > 0.05, kita tidak boleh menolak kecukupan model tersebut
dengan menetapkan = 0.05. Setelah statistik Ljung Box menunjukkan nilai p
mempunyai hubungan dengan Q* bagi K = 12, 24, dan 36 adalah lebih besar daripada 0.05,
dan setelah tiada pancang pancang di dalam RSAC dan RSPAC (kita mengabaikan pancang
pada lag 6 setelah kita mengabaikan ia di dalam SAC dan SPAC), kita merumuskan model
tersebut adalah model kecukupan.
3.4 Peramalan
Keputusan yang diterima dari MINITAB:
Ramalan dari tempoh masa 40
Had 95%
Tempoh Masa
41
42
43
Ramalan
12631.1
13002.2
13373.2
Nilai Bawah
11908.5
11879.7
11873.2
Nilai Atas
13353.7
14124.6
14873.2
Nilai Sebenar
12249.0
12700.0
13026.0
|e 1987|
| y 1987 ^y 1987|
= |1224912631.1|
= 382.1
Nilai sebenar bagi pengeluaran kenderaan bermotor Jepun secara tahunan dalam tahun 1988
= 12700
Nilai ramalan bagi pengeluaran kenderaan bermotor Jepun secara tahunan dalam tahun 1988
(Tempoh Masa 42) = 13002.2
|e 1988|
| y 1988 ^y 1988|
= |1270013002.2|
= 302.2
Nilai sebenar bagi pengeluaran kenderaan bermotor Jepun secara tahunan dalam tahun 1989
= 13026
Nilai ramalan bagi pengeluaran kenderaan bermotor Jepun secara tahunan dalam tahun 1989
(Tempoh Masa 43) = 13373.2
|e 1989|
| y 1989 ^y 1989|
= |1302613373.2|
= 347.2
n
|e t|
t =1
|e1987|+|e 1988|+|e1989|
382.1+302.2+347.2
3
343.8333
n
( et )2
t =1
3
119291.03
n
t =1
|et|
(100)
yt
n
382.1
302.2
347.2
( 100 ) +
( 100 ) +
(100)
12249
12700
13026
3
2.7215
Dari pengiraan di atas, kita mengetahui MAD, MSE dan MAPE bagi pengeluaran kenderaan
bermotor Jepun secara tahunan masing masing ialah 343.8333,119291.03 dan 2.7215
4 langkah dalam kaedah Box - Jenkins telah dibuat bagi meramal pengeluaran kenderaan
bermotor Jepun secara tahunan dalam tahun 1987, 1988 dan 1989.
Dalam tentative pengenalpastian, kita mendapati yang nilai siri masa adalah tidak
pegun, oleh itu perbezaan dicari bagi menukar nilai siri masa kepada nilai siri masa pegun.
Dalam kes kita ini, kita boleh mendapatkan nilai siri masa pegun setelah perbezaan kedua
berlaku. Bagi memastikan ini, plot siri masa bagi perbezaan kedua diplotkan dan kita lihat
graf berubah ubah dengan variasi malar disekitar purata malar. Selepas itu, ACF dan PACF
diplotkan bagi melihat model tersebut. Kita telah perhatikan bahawa kedua dua SAC dan
SPAC dipotong, di mana SAC dipotong selepas lag 1 dan SPAC dipotong selepas lag 2. Oleh
itu, model yang memadani nilai siri masa ialah model purata bergerak 1 (MA(1)). Terakhir
sekali, kita boleh mengenalpasti model secara tentatifnya ialah ARIMA(0,2,1).
Dalam anggaran, kita mesti memastikan bahawa nilai siri masa adalah pegun dan
disongsangkan. Kita tetapkan anggaran titik awalan 1 = 0.1. Pada akhirnya, kita menjumai
yang anggaran titik akhiran yang kita dapatkan ialah 1 = 0. 8115. Kedua dua titik awalan
dan akhiran dipenuhi keadaan songsangannya di mana |1| < 1.
Walaubagaimanapun, dalam penyemakan diagnostic, kita melihat ia tiada pancang
pancang (kecuali pada lag 6) dalam residual SAC dan residual SPAC, kita boleh konklusikan
model itu adalah cukup.
Akhir sekali, dalam peramalan, kita menyedari bahawa MAD, MSE dan MAPE bagi
pengeluaran kenderaan bermotor Jepun secara tahunan masing masing ialah
343.8333,119291.03 dan
peramalan dalam tahun 1987, 1988 dan 1989 dengan menggunakan Double Exponential
Smoothing adalah lebih tepat berbanding kaedah Box-Jenkins kerana nilai MAD, MSE dan
MAPE yang kecil.
http://www.itl.nist.gov/div898/handbook/pmc/section6/pmc622.htm
http://people.duke.edu/~rnau/Slides_on_ARIMA_models--Robert_Nau.pdf