การย้าย ค่าเฉลี่ย กระบวนการ ของ การสั่งซื้อ 2

ค่าเฉลี่ยเคลื่อนที่ - MABREAKING DOWN ค่าเฉลี่ยเคลื่อนที่ - MA เป็นตัวอย่าง SMA พิจารณาการรักษาความปลอดภัยโดยมีราคาปิดดังต่อไปนี้เกินกว่า 15 วัน 1 สัปดาห์ 5 วัน 20, 22, 24, 25, 23.Week 2 5 days 26, 28 , 26, 29, 27.Week 3 5 วัน 28, 30, 27, 29, 28. MA - 10 วันเฉลี่ยจะปิดราคาปิดสำหรับ 10 วันแรกเป็นจุดข้อมูลแรกจุดข้อมูลถัดไปจะลดลงเร็วที่สุด ราคาเพิ่มราคาในวันที่ 11 และใช้ค่าเฉลี่ยและอื่น ๆ ตามที่แสดงไว้ด้านล่างตามที่ระบุไว้ก่อนหน้านี้ MAs ล่าช้าในการดำเนินการราคาปัจจุบันเพราะพวกเขาจะขึ้นอยู่กับราคาที่ผ่านมานานระยะเวลาสำหรับ MA ที่มากขึ้นล่าช้าดังนั้น MA 200 วันจะมีระดับความล่าช้ากว่า MAA 20 วันมากเกินไปเนื่องจากมีราคาสำหรับ 200 วันที่ผ่านมาความยาวของ MA ที่จะใช้ขึ้นอยู่กับวัตถุประสงค์การค้าโดยใช้ MA ที่สั้นกว่าสำหรับการซื้อขายระยะสั้น และ MAs ระยะยาวที่เหมาะสมกับนักลงทุนระยะยาวนักลงทุนและผู้ค้าจะได้รับความนิยมจากนักลงทุนและผู้ค้าทั่วไปมากขึ้นโดยมีส่วนแบ่งตลาดสูงกว่าหรือต่ำกว่าค่าเฉลี่ยที่เปลี่ยนแปลงไป dered เป็นสัญญาณการซื้อขายที่สำคัญนอกจากนี้ยังมีสัญญาณการซื้อขายที่สำคัญอีกด้วยหรือเมื่อค่าเฉลี่ยทั้งสองมีค่าเพิ่มขึ้น MA ที่เพิ่มขึ้นแสดงให้เห็นว่าการรักษาความปลอดภัยอยู่ในขาขึ้นขณะที่ MA ที่หดตัวบ่งชี้ว่าอยู่ในขาลงเช่นเดียวกันแรงผลักดันที่เพิ่มขึ้นคือ ยืนยันกับการขึ้นเครื่องหมาย Crossover รั้นซึ่งเกิดขึ้นเมื่อ MA ระยะสั้นทะลุเหนือระดับ MA Downward Moment ระยะยาวจะได้รับการยืนยันจาก Crossover ซึ่งเกิดขึ้นเมื่อ MA ระยะสั้นข้ามระยะยาว MA.2 1 Moving Average Models MA models. Time ชุดรูปแบบที่เรียกว่า ARIMA รุ่นอาจรวมถึงข้อตกลง autoregressive และหรือย้ายค่าเฉลี่ยในสัปดาห์ที่ 1 เราได้เรียนรู้คำ autoregressive ในรูปแบบชุดเวลาสำหรับตัวแปร xt เป็นค่า lagged ของ xt ตัวอย่างเช่นล่าช้า 1 autoregressive ระยะยาวคือ x t-1 คูณด้วยค่าสัมประสิทธิ์บทเรียนนี้กำหนดค่าเฉลี่ยเคลื่อนที่โดยค่าเฉลี่ยเคลื่อนที่ในรูปแบบของชุดข้อมูลเป็นข้อผิดพลาดที่ผ่านมาคูณด้วยค่าสัมประสิทธิ์การให้น้ำหนัก NT 0, sigma 2w ซึ่งหมายความว่า w t จะเหมือนกันกระจายอิสระโดยแต่ละคนมีการแจกแจงแบบปกติมีค่าเฉลี่ย 0 และค่าความแปรปรวนเดียวกันโมเดลเฉลี่ยเคลื่อนที่ 1 st หมายถึง MA 1 คือ xt mu wt theta1w. แบบจำลองค่าเฉลี่ยเคลื่อนที่อันดับที่ 2 แสดงโดย MA 2 คือ xt mu wt theta1w theta2w. แบบจำลองค่าเฉลี่ยเคลื่อนที่ของ q th ซึ่งแสดงโดย MA q คือ xt mu wt theta1w theta2w dots thetaqw. Note ตำราและโปรแกรมซอฟต์แวร์จำนวนมากกำหนดรูปแบบที่มีสัญญาณเชิงลบก่อนเงื่อนไขไม่ได้เปลี่ยนคุณสมบัติทางทฤษฎีโดยทั่วไปของรูปแบบแม้ว่าจะไม่สามารถพลิกสัญญาณเกี่ยวกับพีชคณิตของค่าสัมประสิทธิ์ที่คำนวณได้และเงื่อนไขที่ไม่เป็นที่ยอมรับใน สูตรสำหรับ ACFs และความแปรปรวนคุณต้องตรวจสอบซอฟต์แวร์ของคุณเพื่อตรวจสอบว่ามีการใช้เครื่องหมายเชิงลบหรือบวกเพื่อเขียนตัวเลขที่ถูกต้องโดยประมาณ R ใช้เครื่องหมายบวกในโมเดลต้นแบบดังที่ได้กล่าวมาแล้วหรือไม่ทฤษฎีคุณสมบัติของไทม์ซีรี่ส์ที่มี แมสซาชูเซตส์ 1 Model. Note ว่าค่าที่ไม่ใช่ศูนย์เดียวในทฤษฎี ACF เป็นสำหรับความล่าช้า 1 All autocorrelations อื่น ๆ เป็น 0 ดังนั้นตัวอย่าง ACF กับ autocorrelation อย่างมีนัยสำคัญเฉพาะที่ล่าช้า 1 เป็นตัวบ่งชี้รูปแบบที่เป็นไปได้ MA 1 สำหรับนักเรียนที่สนใจ, การพิสูจน์คุณสมบัติเหล่านี้เป็นภาคผนวกของเอกสารฉบับนี้ตัวอย่าง 1 สมมุติว่าแบบจำลอง MA 1 คือ xt 10 wt 7 w t-1 ที่น้ำหนักเกินกว่า N 0 ดังนั้นค่าสัมประสิทธิ์ 1 0 7 Th ทฤษฎี ACF ได้รับโดยพล็อตของ ACF นี้ต่อไปนี้พล็อตแสดงให้เห็นเพียงทฤษฎี ACF สำหรับ MA 1 กับ 1 0 7 ในทางปฏิบัติตัวอย่างที่ได้รับรางวัล t มักจะให้รูปแบบที่ชัดเจนเช่นใช้ R เราจำลอง n 100 ค่าตัวอย่างใช้แบบ xt 10 wt 7 w t-1 โดยที่ w t. iid N 0,1 สำหรับการจำลองแบบนี้ข้อมูลพล็อตของตัวอย่างข้อมูลตามเวลาเราสามารถบอกได้มากจากพล็อตนี้ตัวอย่าง ACF สำหรับการจำลอง ข้อมูลดังต่อไปนี้เราจะเห็นการเพิ่มขึ้นของความล่าช้า 1 ตามด้วยค่าที่ไม่สำคัญสำหรับความล่าช้าที่ผ่านมา 1 โปรดทราบว่า ACF ตัวอย่างไม่ตรงกับรูปแบบทางทฤษฎีของ MA 1 ซึ่งเป็นความสัมพันธ์กันที่เกิดขึ้นจากความล่าช้าที่ผ่านมา 1 จะเป็น 0 A ตัวอย่างที่แตกต่างกันจะมีตัวอย่างที่แตกต่างกันเล็กน้อย ACF แสดงด้านล่าง แต่อาจจะมีคุณสมบัติกว้างเดียวกันคุณสมบัติทางทฤษฎีของซีรีส์เวลากับ MA 2 Model. For รุ่น MA 2 คุณสมบัติทางทฤษฎีมีดังต่อไปนี้หมายเหตุว่ามีเพียงศูนย์เท่านั้น ค่าในทฤษฎี ACF มีความล่าช้า 1 และ 2 Autocorrelat ไอโอนิกสำหรับความล่าช้าที่สูงขึ้นเป็น 0 ดังนั้น ACF ตัวอย่างที่มีความสัมพันธ์กันอย่างมีนัยสำคัญที่ lags 1 และ 2 แต่ autocorrelations ที่ไม่สำคัญสำหรับการล่าช้าที่สูงขึ้นบ่งบอกว่าเป็นไปได้รูปแบบแมสซาชูเซต 2 n. 0,1 ค่าสัมประสิทธิ์คือ 1 0 5 และ 2 0 3 เนื่องจากนี่คือ MA 2 ทฤษฎี ACF จะมีค่าที่ไม่ใช่ศูนย์เฉพาะที่ล่าช้า 1 และ 2. ค่าของสอง autocorrelations ไม่ใช่ศูนย์เป็นพล็อตของทฤษฎี ACF ดังต่อไปนี้เป็นเกือบตลอดเวลาเป็นกรณีตัวอย่างข้อมูลที่ได้รับรางวัล t ทำตัวค่อนข้าง ดังนั้นอย่างสมบูรณ์แบบเป็นทฤษฎีเราจำลอง n 150 ตัวอย่างค่าสำหรับรุ่น xt 10 wt 5 w t-1 3 w t-2 โดยที่ w t. iid N 0.1 ชุดข้อมูลอนุกรมเวลาตามด้วยเช่นเดียวกับพล็อตอนุกรมเวลาสำหรับ MA 1 ข้อมูลตัวอย่างคุณสามารถบอกได้มากจากนั้น ACF ตัวอย่างสำหรับข้อมูลจำลองดังนี้รูปแบบเป็นเรื่องปกติสำหรับสถานการณ์ที่รุ่น MA 2 อาจเป็นประโยชน์มีสอง spikes นัยสำคัญทางสถิติที่ lags 1 และ 2 ตามด้วยไม่ใช่ ค่าที่สำคัญสำหรับความล่าช้าอื่น ๆ โปรดทราบว่าเนื่องจากข้อผิดพลาดในการสุ่มตัวอย่างตัวอย่าง ACF ไม่ตรงกัน รูปแบบทางทฤษฎีว่า ACF สำหรับ MA ทั่วไป q Models. A สมบัติของ MA q models โดยทั่วไปคือมี autocorrelations ที่ไม่ใช่ศูนย์สำหรับ q lags แรกและ autocorrelations 0 สำหรับ lags ทั้งหมด q. Non - เอกลักษณ์ของการเชื่อมต่อระหว่างค่าของ 1 และ rho1 ในรูปแบบ MA 1 ในรูปแบบ MA 1 สำหรับค่าหนึ่งของ 1 ซึ่งกันและกัน 1 1 ให้ค่าเดียวกันตัวอย่างเช่นใช้ 0 5 สำหรับ 1 และใช้ 1 0 5 2 สำหรับ 1 คุณจะได้รับ rho1 0 4 ในทั้งสองกรณีเพื่อตอบสนองข้อ จำกัด ทางทฤษฎีที่เรียกว่า invertibility เรา จำกัด รุ่น MA 1 ให้มีค่าที่มีค่าสัมบูรณ์น้อยกว่า 1 ในตัวอย่างที่ให้ไว้เพียงแค่ 1 0 5 จะเป็นค่าพารามิเตอร์ที่อนุญาตได้ในขณะที่ 1 1 0 5 2 จะไม่ ความสามารถในการพลิกกลับของ MA models. An แบบจำลอง MA กล่าวได้ว่าเป็น invertible ถ้าเป็นพีชคณิตเทียบเท่ากับรูปแบบ AR อนันต์แบบ converging โดย converging เราหมายถึงค่าสัมประสิทธิ์ของ AR ลดลงเป็น 0 เมื่อเราเคลื่อนที่กลับไปในช่วงเวลา Invertibility คือข้อ จำกัด ที่ตั้งโปรแกรมไว้ time series ใช้คำนวณค่าสัมประสิทธิ์ icients ของแบบจำลองที่มีเงื่อนไขของ MA มันไม่ใช่สิ่งที่เราตรวจสอบในการวิเคราะห์ข้อมูลข้อมูลเพิ่มเติมเกี่ยวกับข้อ จำกัด ของ invertibility สำหรับ MA 1 models มีอยู่ในภาคผนวกทฤษฎี The Enhanced หมายเหตุสำหรับรุ่น MA q กับ ACF ที่ระบุมีเพียง หนึ่งรูปแบบ invertible เงื่อนไขที่จำเป็นสำหรับ invertibility คือค่าสัมประสิทธิ์มีค่าเช่นว่าสมการ 1- 1 y - - qyq 0 มีโซลูชั่นสำหรับ y ที่ตกนอกวงกลมหน่วยรหัส R สำหรับตัวอย่างในตัวอย่างที่ 1 เราวางแผน ทฤษฎี ACF ของแบบจำลอง xt 10 wt 7w t-1 และจำลองค่า n 150 จากแบบจำลองนี้และวางแผนตัวอย่างชุดเวลาและตัวอย่าง ACF สำหรับข้อมูลจำลองคำสั่ง R ที่ใช้ในการวางแผน ACF ทางทฤษฎีคือ ACMAacf ma c 0 7, 10 lags ของ ACF สำหรับ MA 1 กับ theta1 0 7 lags 0 10 สร้างชื่อตัวแปรล่าช้าที่มีตั้งแต่ 0 ถึง 10 ล็อตล็อต acfma1, xlim c 1,10, ylab r, h, ACF หลักสำหรับ MA 1 กับ theta1 0 7 abline h 0 เพิ่มแกนนอนลงในพล็อต e คำสั่งแรกกำหนด ACF และเก็บไว้ในวัตถุชื่อ acfma1 ทางเลือกของเรา name. The พล็อตคำสั่งคำสั่งแปลงที่สาม lags กับค่า ACF สำหรับ lags 1 ถึง 10 พารามิเตอร์ ylab ป้ายแกน y และพารามิเตอร์หลักทำให้ ชื่อในพล็อตหากต้องการดูค่าตัวเลขของ ACF เพียงแค่ใช้คำสั่ง acfma1 การจำลองและแปลงทำด้วยคำสั่งต่อไปนี้ รายการ ma c 0 7 เลียนแบบ n 150 ค่าจาก MA 1 x xc 10 เพิ่ม 10 เพื่อให้มีค่าเฉลี่ย 10 ค่าเริ่มต้นของการจำลองแบบหมายถึง 0 พล็อต x, ชนิดข, ข้อมูลหลักที่จำลอง MA 1 acf x, xlim c 1,10, ACF หลักสำหรับการจำลอง ข้อมูลตัวอย่างในตัวอย่างที่ 2 เราได้วางแผนทฤษฎี ACF แบบจำลองของแบบจำลอง xt 10 wt 5 w t-1 3 w t-2 และจำลองค่า n 150 จากแบบจำลองนี้และวางแผนตัวอย่างชุดเวลาและตัวอย่าง ACF สำหรับการจำลอง ข้อมูลคำสั่ง R ที่ใช้คือ. acfma2 ARMAacf ma c 0 5,0 3, acfma2 ล่าช้า 0 10 พล็อตล็อต, acfma2, xlim c 1,10, ylab r, ประเภท h, ACF หลักสำหรับ MA 2 กับ theta1 0 5, theta2 0 3 abline h 0 รายการ ma c 0 5, 0 3 x xc 10 พล็อต x, ประเภทข, หลักจำลองแมสซาชูเซตส์ 2 ซีรี่ย์ acf x, xlim c 1,10, ACF หลักสำหรับการจำลอง MA 2 ข้อมูลภาคผนวกหลักฐานแสดงคุณสมบัติของ MA 1 สำหรับนักเรียนที่สนใจนี่เป็นหลักฐานสำหรับคุณสมบัติทางทฤษฎีของ MA 1 model. Variance text xt text mu wt theta1 น้ำหนัก w w ข้อความ 0 wt ข้อความ theta1w sigma 2w theta 21 sigma 2w 1 theta 21 sigma 2w เมื่อ h 1 การแสดงออกก่อนหน้านี้ 1 w 2 สำหรับชั่วโมง 2 , นิพจน์ก่อนหน้า 0 เหตุผลก็คือตามนิยามของความเป็นอิสระของ wt E wkwj 0 สำหรับ kj ใด ๆ เพิ่มเติมเนื่องจาก wt มีค่าเฉลี่ย 0, E wjwj E wj 2 w 2. สำหรับชุดข้อมูลเวลาให้ใช้ผลลัพธ์นี้เพื่อให้ได้ ACF ให้ข้างต้นแบบจำลอง invertible MA เป็นหนึ่งที่สามารถเขียนเป็นรูปแบบ AR อนันต์ที่ converges เพื่อให้ค่าสัมประสิทธิ์ AR บรรจบกันเป็น 0 เมื่อเราย้ายกลับอนันต์ในเวลาเราจะแสดง invertibility สำหรับ MA 1 model. We แล้ว ความสัมพันธ์ทดแทน 2 สำหรับ w t-1 ในสมการ 1 3 zt wt theta1 z - theta1w wt theta1z - theta 2w. At เวลา t-2 สมการ 2 กลายเป็นแล้วเราแทนความสัมพันธ์ 4 สำหรับ w t-2 ในสมการ 3. zt wt theta1 z - theta 21w wt theta1z - theta 21 z - theta1w wt theta1z - theta1 2z theta 31w. ถ้าเราดำเนินการต่ออนันต์เราจะได้รูปแบบ AR อนันต์ zt wt theta1 z - theta 21z theta 31z - theta 41z dots. Note อย่างไรก็ตามถ้า 1 1 ค่าสัมประสิทธิ์การคูณความล่าช้าของ z จะเพิ่มขึ้นอย่างไม่ จำกัด ในขณะที่เราเคลื่อนที่กลับในเวลาเพื่อป้องกันปัญหานี้เราจำเป็นต้องใช้ 1 1 นี่คือ เงื่อนไขสำหรับแบบ invertible MA 1 model. Inlineite order MA model. ในสัปดาห์ที่ 3 เราจะเห็นว่า AR 1 สามารถแปลงเป็นรูปแบบ MA ที่ไม่มีที่สิ้นสุด xt-mu wt phi phi1w phi 21w dots phi k1 ในจุด sum phi j1w ข้อสรุปของคำพูดเสียงสีขาวที่ผ่านมาเป็นที่รู้จักกันว่าเป็นตัวแทนที่เป็นสาเหตุของ AR 1 ในคำอื่น ๆ xt เป็นประเภทพิเศษของ MA ที่มีจำนวนอนันต์ของข้อกำหนด จะกลับมาในเวลานี้เรียกว่าอนันต์สั่ง MA หรือ MA คำสั่ง จำกัด MA เป็นคำสั่งอนันต์ AR และคำสั่งใด ๆ ที่ จำกัด AR เป็นคำสั่งอนันต์ MA. Recall ในสัปดาห์ที่ 1 เราสังเกตเห็นว่าข้อกำหนดสำหรับ AR 1 คงเป็นที่ 1 1 ลองคำนวณค่าของ Var xt โดยใช้การแทนเชิงสาเหตุขั้นตอนสุดท้ายนี้ใช้ความจริงพื้นฐานเกี่ยวกับชุดข้อมูลทางเรขาคณิตที่ต้องใช้ phi1 1 มิฉะนั้นชุดข้อมูลจะแตกต่างกันการตีพิมพ์ทางวิทยาศาสตร์และการศึกษามีความสัมพันธ์กันในช่วง 1 4 จะตัดออกที่สอง Prentice-Hall, Englewood Cliffs, นิวเจอร์ซีย์ 2 th ed Chapmann และ Hall ลอนดอน 3 คุณสมบัติของฟังก์ชัน autocorrelation เป็น 9.A ไม่ใช่แบบเชิงเส้นอนุกรมเวลาที่แข่งขันกับกระบวนการเฉลี่ยเคลื่อนที่ใน 1 1 ในแง่ของโครงสร้างหน้าที่ autocorrelation เป็นบริสุทธิ์ เส้นทแยงมุม bilinea r ลำดับเวลาของกระบวนการสั่ง PDB 2 กระบวนการกำหนดโดย 4.where เป็นและเป็นค่าคงที่จริงถ้าแล้วช่วงเวลาแรกและครั้งที่สองของรูปแบบใน 1 5 มีดังนี้ 8. มันค่อนข้างชัดเจนว่า ACFs ใน 1 4 และ หนึ่งใน 1 8 ทั้งหมดตัดออกหลังจากที่ล่าช้าสองนี่เป็นข้อบ่งชี้ข้อเท็จจริงที่ว่ากระบวนการเฉลี่ยเคลื่อนที่ของคำสั่งที่สองและกระบวนการทวิภาคแบบ bilinear แบบทวิภาคแบบสองลำดับมีโครงสร้างความสัมพันธ์ที่คล้ายกันเป็นผลให้มีความเป็นไปได้ในการจัดกลุ่มที่ไม่ถูกต้อง กระบวนการ bilinear แบบทแยงมุมของสองลำดับเป็นกระบวนการเฉลี่ยเคลื่อนที่ของคำสั่งที่สองความสะดวกในการใช้แบบจำลองเชิงเส้นและการปฏิบัติของแบบจำลองเชิงเส้นโดยแบบจำลองเชิงเส้นยังสามารถทำให้เกิดการกำหนดค่าผิดพลาดของกระบวนการเส้นทแยงมุมแบบทวิภาคที่ไม่เป็นเชิงเส้นแบบสองขั้นตอนของคำสั่งที่สองได้จาก ข้างต้นมีความจำเป็นที่จะต้องตรวจสอบความหมายทางสถิติของการจำแนกประเภทดังกล่าวข้างต้นในเรื่องนี้เราจะมุ่งเน้นไปที่ฟังก์ชันการลงโทษที่เกี่ยวข้องกับ misclassification ของ PDB 2 กระบวนการเป็นกระบวนการ 2 แมสซาชูเซต 2 ความสัมพันธ์ระหว่างพารามิเตอร์ของกระบวนการ Bilinear เส้นทแยงมุมของการสั่งซื้อที่สองและการเคลื่อนย้ายกระบวนการเฉลี่ยของการสั่งซื้อสองมีการสังเกตว่ากระบวนการเฉลี่ยเคลื่อนที่ของลำดับสองและกระบวนการ bilinear ทวิภาคเส้นทแยงมุมของลำดับสองมีเหมือนกัน โครงสรางแบบสัมพันธอิสระจะมีความสัมพันธระหวางตัวแปรทั้งสองโมเดลความสัมพันธเหลานี้จะชวยใหเราไดรับขอผิดพลาดในการจำแนกไมเปนรูปแบบเชิงเสน รูปแบบ bilinear ทแยงมุมบริสุทธิ์ไปยังช่วงเวลาที่สอดคล้องกันของกระบวนการเฉลี่ยศูนย์ที่ไม่ใช่ศูนย์ของคำสั่งที่สองจะต้องใช้เพื่อการนี้หมายถึงเรามีความแปรปรวนที่เราได้รับการจำลองเกี่ยวกับ 2 23, 2 24, 2 25, 2 26 และค่าที่สอดคล้องกันของพวกเขาและและ 3 การลงโทษสำหรับการจำแนกประเภทของ PDB 2 กระบวนการเป็น MA 2 Process. Penalty ฟังก์ชั่นขึ้นอยู่กับ การจำแนกประเภทในการวิเคราะห์อนุกรมเวลาถูกกำหนดโดย 6 ในรูปแบบของการเบี่ยงเบนมาตรฐานข้อผิดพลาด Let ให้ค่าความเบี่ยงเบนมาตรฐานของข้อผิดพลาดที่สอดคล้องกับกระบวนการของ MA 2 จากนั้นฟังก์ชันการลงโทษสำหรับการจัดหมวดหมู่ PDB 2 อย่างผิดพลาดเป็น MA 2 จะได้รับตามที่เรา สามารถเขียน 3 1 เป็นใช้ 2 2 เราได้รับการจัดสรร 3 3 เป็น 3 2 นำไปสู่ ใน 3 3 มีความหมายตามที่กำหนดไว้ใน 2 27 และ 2 23 ตามลำดับตารางที่ 1 ประกอบด้วยบทลงโทษ P ที่สอดคล้องกับค่าต่างๆของการพิจารณาตารางที่สมบูรณ์ซึ่งประกอบด้วยชุดค่า 2129 เราจะเห็นได้ว่าฟังก์ชันการลงโทษสำหรับการจัดกลุ่ม PDC 2 ผิดเป็น MA 2 process P ใช้ค่าบวกสำหรับค่าทั้งหมดของค่าบวกของการลงโทษสำหรับการจัดกลุ่ม PDB 2 เป็นกระบวนการ MA 2 แสดงให้เห็นว่าการจัดประเภทที่ไม่ถูกต้องนี้ทำให้ความแปรปรวนของข้อผิดพลาดเพิ่มมากขึ้นข้อค้นพบนี้สอดคล้องกับผลลัพธ์ ได้รับโดย 6 เกี่ยวกับ misclassification ของกระบวนการ PDB 1 เป็นกระบวนการ MA 1 สำหรับวัตถุประสงค์ในการทำนายเราจะต้องพบความสัมพันธ์ระหว่าง P และครั้งแรกที่เราพล็อต P กับแต่ละรูปที่ 1 แสดงพล็อตของ P against. Table 1 บทลงโทษสำหรับค่าต่างๆของพารามิเตอร์ของกระบวนการ MA 2 และ PDB 2 กระบวนการค่า p ของ 0 00 ในตารางที่ 3 แสดงว่าแบบจำลองการถดถอยพอดีเหมาะสำหรับการอธิบายความสัมพันธ์ระหว่าง P และ 4 ข้อสรุปใน th คือการศึกษาเราพิจารณาผลของ misclassifying กระบวนการ diagonal bilinear บริสุทธิ์ของคำสั่งสองเป็นกระบวนการเฉลี่ยเคลื่อนที่ของคำสั่งสองฟังก์ชันการลงโทษที่ถูกกำหนดและถูกใช้เพื่อคำนวณการลงโทษสำหรับ misclassification ของกระบวนการ bilinear diagonal บริสุทธิ์สั่งสองเป็นย้าย ค่าเฉลี่ยของกระบวนการที่สองขึ้นอยู่กับชุดค่าต่างๆของพารามิเตอร์ของทั้งสองกระบวนการค่าปรับที่คำนวณได้สันนิษฐานค่าบวกซึ่งแสดงให้เห็นความแปรปรวนของค่าความผิดพลาดเพิ่มขึ้นเนื่องจาก misclassification ของกระบวนการ bilinear แบบเส้นทแยงมุมที่บริสุทธิ์ของลำดับที่สองเป็นค่าเฉลี่ยเคลื่อนที่ของลำดับสอง รูปแบบสมการถดถอยแบบสมการกำลังสองถูกนำมาใช้ในการคาดการณ์การลงโทษตามพารามิเตอร์ของกระบวนการ Bilinear แบบทแยงมุมแบบบริสุทธิ์ลำดับที่สอง Bessels, S 2006 ขั้นตอนเดียวที่เกินกว่าสมการที่สามารถแก้ได้เว็บไซต์นี้เข้าเยี่ยมชมในเดือนมิถุนายน 2013.Box, GEP Jenkins, GM และ Reinsel, GC 1994 Time Series การคาดการณ์การวิเคราะห์และการควบคุม 3 rd ed Prentice-Hall, Englewood Cliffs, N J.