A Demonstração é definida de tal forma que a mesma série aleatória de pontos é usada independentemente de como as constantes e são variadas. No entanto, quando o botão de randomização é pressionado, uma nova série aleatória será gerada e usada Mantendo a Random série idêntica permite ao usuário ver exatamente os efeitos sobre a série ARMA de mudanças nas duas constantes A constante é limitada a -1,1 porque a divergência da série ARMA resultados when. The Demonstração é para um processo de primeira ordem apenas Os termos AR permitirão que séries mais complexas sejam geradas, enquanto que os termos MA adicionais aumentarão a suavização. Para uma descrição detalhada dos processos ARMA, ver, por exemplo, G Box, GM Jenkins e G Reinsel, Time Series Analysis Forecasting and Control 3rd Os modelos de séries temporais conhecidos como modelos ARIMA podem incluir termos auto-regressivos e ou termos de média móvel Na Semana 1, aprendemos um termo autorregressivo em um modelo de série de tempo para a variável xt é um valor retardado de xt Por exemplo, um termo autorregressivo de atraso 1 é x t-1 multiplicado por um coeficiente Esta lição define termos de média móvel. O termo médio em um modelo de série de tempo é um erro passado multiplicado por um coeficiente. Vamos sobrepor N 0, sigma 2w, significando que os wt são distribuídos de forma idêntica, independentemente, cada um com uma distribuição normal com média 0 e a mesma variância. Ordem média móvel, designada por MA 1 é. Xt mu wt theta1w. O modelo de média móvel de ordem 2, denotado por MA 2 é. Xt mu wt theta1w theta2w. O modelo de média móvel de ordem q, denotado por MA q é. Muitos textos e programas de software definem o modelo com sinais negativos antes dos termos Isto não muda as propriedades teóricas gerais do modelo, embora ele inverta os sinais algébricos de valores de coeficientes estimados e os termos não-quadrados em Fórmulas para ACFs e variâncias Você precisa verificar seu software para verificar se sinais negativos ou positivos foram usados para escrever corretamente o modelo estimado R usa sinais positivos em seu modelo subjacente, como fazemos aqui. Propriedades Teóricas de uma Série de Tempo com Um MA 1 Model. Note que o único valor diferente de zero no ACF teórico é para atraso 1 Todas as outras autocorrelações são 0 Assim, uma amostra ACF com uma autocorrelação significativa apenas no intervalo 1 é um indicador de um possível modelo MA 1. Para os estudantes interessados, Provas dessas propriedades são um apêndice a este handout. Exemplo 1 Suponha que um modelo MA 1 é xt 10 wt 7 w t-1 onde wt overset N 0,1 Assim, o coeficiente 1 0 7 Th E o ACF teórico é dado por. Uma parcela deste ACF segue. O gráfico apenas mostrado é o ACF teórico para um MA 1 com 1 0 7 Na prática, uma amostra won t normalmente fornecer um tal padrão claro Usando R, simulamos n 100 Amostras usando o modelo xt 10 wt 7 w t-1 onde w t. iid N 0,1 Para esta simulação, um gráfico de séries temporais dos dados da amostra segue Podemos t dizer muito a partir deste gráfico. A amostra ACF para o simulada Os dados a seguir vemos um pico no intervalo 1 seguido por valores geralmente não significativos para atrasos anteriores 1 Observe que a amostra ACF não corresponde ao padrão teórico do MA 1 subjacente, que é que todas as autocorrelações para atrasos passado 1 será 0 A As amostras diferentes teriam uma ACF de amostra ligeiramente diferente mostrada abaixo, mas teriam provavelmente as mesmas características gerais. Propriedades teóricas de uma série de tempo com um modelo MA 2. Para o modelo MA 2, as propriedades teóricas são as seguintes. Note que o único não nulo Valores na ACF teórica são para os retornos 1 e 2 Autocorrelat Ions para desfasamentos maiores são 0 Assim, uma amostra ACF com autocorrelações significativas nos retornos 1 e 2, mas autocorrelações não significativas para retardos maiores indica um possível modelo MA 2. Os coeficientes são 1 0 5 e 2 0 3 Como este é um MA 2, o ACF teórico terá valores não nulos apenas nos retornos 1 e 2. Os valores das duas autocorrelações não nulas são. Um gráfico do ACF teórico segue. Como quase sempre é o caso, os dados de amostra não se comportam de forma bastante Tão perfeitamente como a teoria Nós simulamos n 150 valores de amostra para o modelo xt 10 wt 5 w t-1 3 w t-2 onde w t. iid N 0,1 O gráfico de série de tempo dos dados segue Como com o gráfico de séries de tempo para O exemplo é típico para situações em que um modelo de MA 2 pode ser útil Existem dois picos estatisticamente significativos nos retornos 1 e 2, seguidos de não - Valores significativos para outros atrasos Note que devido ao erro de amostragem, a ACF da amostra não correspondeu O padrão teórico exatamente. ACF para General MA q Modelos. A propriedade dos modelos MA q em geral é que existem autocorrelações diferentes de zero para os primeiros q lags e autocorrelações 0 para todos os retornos q. Não-unicidade da conexão entre os valores de 1 e rho1 No modelo MA 1. No modelo MA 1, para qualquer valor de 1, o recíproco 1 1 dá o mesmo valor para. Por exemplo, use 0 5 para 1 e depois use 1 0 5 2 para 1 Você obterá rho1 0 4 Em ambos os casos. Para satisfazer uma restrição teórica chamada invertibilidade, restringimos os modelos MA 1 para ter valores com valor absoluto menor que 1 No exemplo dado, 1 0 5 será um valor de parâmetro permitido, enquanto que 1 1 0 5 2 não. Invertibilidade de modelos de MA. Um modelo de MA é dito ser invertible se for algébricamente equivalente a um modelo de ordem AR convergente infinito Ao convergir, queremos dizer que os coeficientes de AR diminuem para 0 à medida que nos movemos de volta no tempo. A inviabilidade é uma restrição programada em Software de séries temporais usado para estimar o De modelos com termos MA Não é algo que verificamos na análise de dados Informações adicionais sobre a restrição de invertibilidade para modelos MA 1 são dadas no apêndice. Teoria Avançada Nota Para um modelo MA q com um ACF especificado, só existe Um modelo invertible A condição necessária para a invertibilidade é que os coeficientes têm valores tais que a equação 1- 1 y - - qyq 0 tem soluções para y que caem fora do círculo unitário. Código R para os Exemplos. No Exemplo 1, Teórica ACF do modelo xt 10 wt 7w t-1 e, em seguida, simulados n 150 valores a partir deste modelo e traçou a série de tempo de amostra e da amostra ACF para os dados simulados Os comandos R utilizados para traçar o ACF teórico foram. acfma1 ARMAacf ma c 0 7, 10 lags de ACF para MA 1 com theta1 0 7 lags 0 10 cria uma variável chamada atraso que varia de 0 a 10 atrasos de trama, acfma1, xlim c 1,10, ylab r, tipo h, ACF principal para MA 1 Com theta1 0 7 abline h 0 adiciona um eixo horizontal ao plot. Th E o primeiro comando determina o ACF e o armazena em um objeto chamado acfma1 nossa escolha de nome. O comando de plotagem do 3º comando traça os retornos em relação aos valores ACF para os retornos 1 a 10 O parâmetro ylab rotula o eixo y eo parâmetro principal coloca um Título na trama. Para ver os valores numéricos do ACF simplesmente usar o comando acfma1.The simulação e parcelas foram feitas com os seguintes comandos. Lista ma c 0 7 Simula n 150 valores de MA 1 x xc 10 adiciona 10 para fazer média 10 Padrões de simulação para 0 gráfico x, tipo b, principal MA1 dados simulados acf x, xlim c 1,10, ACF principal para simulação Exemplo 2, traçamos o ACF teórico do modelo xt 10 wt 5 w t-1 3 w t-2 e depois simulamos n 150 valores a partir deste modelo e traçamos a série de tempo de amostra e a amostra ACF para o modelo simulado Dados Os comandos R utilizados foram. acfma2 ARMAacf ma c 0 5,0 3, acfma2 atrasos 0 10 retornos de trama, acfma2, xlim c 1,10, ylab r, tipo h, ACF principal para MA 2 com theta1 0 5, theta2 0 3 abline h 0 lista ma c 0 5, 0 3 x xc 10 trama x, tipo b, principal simulado MA 2 série acf x, xlim c 1,10, ACF principal para simulado MA 2 Dados. Apêndice Prova de Propriedades de MA 1.Para os estudantes interessados, aqui estão as provas para as propriedades teóricas do modelo MA 1.Texto de variância xt texto mu wt theta1 w 0 texto wt texto theta1w sigma 2w theta 21 sigma 2w 1 teta 21 sigma 2w. When h 1, a expressão anterior 1 W 2 Para qualquer h 2 , A expressão anterior 0 A razão é que, por definição de independência do wt E wkwj 0 para qualquer kj Além disso, porque o wt tem média 0, E wjwj E wj 2 w 2.Para uma série de tempo. Apply este resultado para obter O ACF dado acima. Um inversível MA modelo é aquele que pode ser escrito como uma ordem infinita AR modelo que converge para que os coeficientes AR convergem para 0 como nos movemos infinitamente de volta no tempo Vamos demonstrar invertibilidade para o modelo MA 1.Nós então Substituição 2 para wt-1 na equação 1. 3 zt wt theta1 z - theta1w wt theta1z - theta 2w. At time t-2 a equação 2 torna-se. Nós então substituimos a relação 4 por w t-2 na equação 3. zt wt Theta1 z - teta 21w wt theta1z - theta 21 z - theta1w wt theta1z - theta1 2z theta 31w. Se continuássemos infinitamente, obteríamos o modelo de ordem infinita AR. No entanto, se 1 1, os coeficientes multiplicando os desfasamentos de z aumentarão infinitamente em tamanho à medida que retrocedermos no tempo Para evitar isso, precisamos de 1 1 Isto é A condição para um modelo MA invertible. Modelo de MA de Ordem Intrínseca. Na semana 3, veremos que um modelo AR 1 pode ser convertido em um modelo de MA de ordem infinita. Esta somatória de termos de ruído branco passado é conhecida como a representação causal de um AR 1. Em outras palavras, xt é um tipo especial de MA com um número infinito de termos Voltando no tempo Isto é chamado uma ordem infinita MA ou MA Uma ordem finita MA é uma ordem infinita AR e qualquer ordem finita AR é uma ordem infinita MA. Recall na Semana 1, notamos que um requisito para um AR 1 estacionário é que 1 1 Vamos calcular o Var xt usando a representação causal. Esta última etapa usa um fato básico sobre as séries geométricas que requer phi1 1 caso contrário, a série diverge. Diagrama de controle de overline de amostragem de dupla para um modelo de processo de média móvel autoregressive de primeira ordem. Neste artigo, consideramos a dupla amostragem DS gráfico de controle de linha para os processos de monitoramento em que as observações podem ser representadas (por exemplo, o artigo como Costa, AFB Claro, FAE Int J Adv Manuf Technol 2008 39 521 doi 10 1007 s00170-007-1230-6. Como um aut Modelo de ARMA 1, 1, com média móvel decrescente As propriedades do gráfico de controle de sobrecarga do DS com os intervalos de amostragem conduzidos pelo conceito de subgrupo racional são estudadas e comparadas com o gráfico de Shewhart eo gráfico VSS do tamanho variável da amostra, Correlação Os resultados numéricos mostram que a correlação dentro de subgrupos tem um impacto significativo nas propriedades dos gráficos Para processos com níveis de correlação de baixo a moderado, o gráfico de sobreposição de DS é substancialmente mais eficiente na detecção de mudanças médias do processo. Processo de média móvel auto-regressiva de primeira ordem Controle de processo estatístico. Montgomery DC 2001 Introdução ao controle de qualidade estatístico, 4th ed Wiley, Nova York Google Scholar. Tagaras G 1998 Um levantamento de desenvolvimentos recentes na concepção de gráficos de controle adaptativo J Qual Technol 30 212 231 Google Scholar. Reynolds MR Jr., Amin RW, Arnold JC, Nachlas JA 1988 overl Com intervalos de amostragem variáveis Technometrics 30 181 192 CrossRef MathSciNet Google Scholar. Reynolds MR Jr 1989 Gráficos de controle de intervalos de amostragem de variável ótima Seq Anal 8 361 379 MATH CrossRef MathSciNet Google Scholar. Reynolds MR Jr 1996 Shewhart e EWMA gráficos de controle de intervalo de amostragem variável com amostragem Em horários fixos J Qual Technol 28 199 212 Google Scholar. Reynolds MR Jr 1996 Gráficos de controle de intervalo de amostragem variável com amostragem em horários fixos IIE Trans 28 497 510 CrossRef Google Scholar. Runger GC, Pignatiello Jr JJ 1991 Amostragem adaptativa para controle de processo J Qual Technol 23 135 155 Google Scholar. Amin RW, Miller RW 1993 Um estudo de robustez de gráficos overline com intervalos variáveis de amostragem J Qual Technol 25 36 44 Google Scholar. Runger GC, Montgomery DC 1993 Melhorias de amostragem adaptativa para gráficos de controle Shewhart IIE Trans 25 41 51 CrossRef Google Scholar. Prabhu SS, Gráfico de Runger GC, Keats JB 1993 gráfico de sobrecarga com tamanhos de amostra adaptáveis Int J Prod Res 31 2895 2 909 CrossRef Google Scholar. Costa AFB 1994 gráficos de sobrecarga com tamanho de amostra variável J Qual Technol 26 155 163 Google Scholar. Stoumbos ZG, Reynolds MR Jr 1996 Gráficos de controle aplicando um teste seqüencial geral em cada ponto de amostragem Seq Anal 15 159 183 MATH CrossRef MathSciNet Google Scholar. Stoumbos ZG, Reynolds MR Jr 1997 Gráficos de controle que aplicam um teste seqüencial em intervalos de amostragem fixos J Qual Technol 29 21 40 Google Acadêmico. Costa AFB, Rahim MA 2004 Relatórios de sobrecarga e R combinados com amostragens em duas etapas Qual Reliab Eng Int 20 699 708 CrossRef Google Scholar. Prabhu SS, Montgomery DC, Runger GC 1994 Um esquema combinado de tamanho de amostra adaptável e intervalo de amostragem esquema de esquema de controle de sobrecarga J Qual Technol 26 164 176 Google Scholar. Costa AFB 1997 mapas de sobrecarga com tamanho de amostra variável e intervalos de amostragem J Qual Technol 29 197 204 Google Scholar. Costa AFB 1998 VSSI gráficos overline com amostragem em horários fixos Teoria da Estatística Comunal Métodos 27 2853 2869 MATH CrossRef Google Scholar. Costa AFB 19 99 Relatórios conjuntos e R com tamanhos de amostra variáveis e intervalos de amostragem J Qual Technol 31 387 397 Google Scholar. Costa AFB 1998 Gráficos de sobrecarga e R combinados com parâmetros variáveis IIE Trans 30 505 514 Google Scholar. Costa AFB 1999 gráficos overline com parâmetros variáveis J Qual Technol 31 408 416 Google Scholar. Costa AFB 1999 AATS para o gráfico sobrecarga com parâmetros variáveis J Qual Technol 31 455 458 Google Scholar. Carot V, Jabaloyes JM, Carot T 2002 40 2175 2186 MATH CrossRef Google Scholar. De Magalhes MS, Epprecht EK, Costa AFB 2001 Projeto econômico de um gráfico de Vp sobrecarga Int J Prod Econ 74 191 200 CrossRef Google Scholar. De Magalhes MS, Epprecht EK, Costa AFB 2002 O desenho de um gráfico adaptativo de sobrecarga Int J Prod Res 40 3199 3218 MATH CrossRef Google Scholar. Croasdale P 1974 Gráficos de controle para um esquema de dupla amostragem baseado na produção média Comprimento Int J Prod Res 12 585 592 CrossRef Google Scholar. Daudin JJ 1992 dupla amostragem sobrecarga gráficos J Qual Technol 24 78 87 Google Scholar. Irianto D, Shinozaki N 1998 Um óptimo duplo amostragem overline controle gráfico Int J Ind Eng 5 226 234 Google Acadêmico D, Grigoryan A 2006 Projeto estatístico conjunto de dupla amostragem overline e s cartas Eur J Oper Res 168 122 142 MATH CrossRef MathSciNet Google Scholar. He D, Grigoryan A 2005 Gráficos de amostragem múltipla multivariada IIE Trans 37 509 521 CrossRef Google Scholar. Amin RW, Lee SJ 1999 Os efeitos da autocorrelação e outliers em limites de tolerância de dois lados J Qual Technol 31 286 300 Google Scholar. Vander Wiel SA 1996 Processos de monitoramento que vagueiam usando modelos de média móvel integrada Technometrics 38 139 151 MATH CrossRef Google Scholar. Reynolds MR Jr, Lu CW 1997 Gráficos de controle para processos de monitoramento com dados autocorrelacionados Métodos de Teoria Analítica Não Linear Appl 30 4059 4067 MATH CrossRef MathSciNet Google Scholar. Van Brackle II I LN, Reynolds MR Jr 1997 Gráficos de controle EWMA e CUSUM na presença de correlação Estatística Comunitária Simul Comput 26 979 1008 CrossRef Scholar. Lu CW, Reynolds MR Jr 1999 Gráficos de controle para monitorar a média ea variância de processos autocorrelacionados J Qual Technol 31 259 274 Google Scholar. Alwan LC, Radson D 1992 Investigação de séries temporais de gráficos de médias de sub-amostra IIE Trans 24 66 80 CrossRef Google Scholar. Runger CG, Willemain TR 1995 Controlo baseado em modelos e livre de modelos de processos autocorrelacionados J Qual Technol 27 283 292 Google Scholar. Runger CG, Willemain TR 1996 Batch significa gráficos de controle para dados autocorrelados IIE Trans 28 483 487 CrossRef Google Scholar. Alwan LC 1992 Efeitos da autocorrelação no desempenho do gráfico de controle Métodos de Teoria de Estatística Comuns 21 1025 1049 MATH CrossRef Google Scholar. Vasilopoulos AV, Stamboulis AP 1978 Modificação dos limites do gráfico de controle na presença de correlação de dados J Qual Technol 10 20 30 Google Scholar. Alwan LC, Roberts HV 1988 Para controle de processo estatístico J Bus Economia Estatística 6 87 95 CrossRef Google Scholar. Montgomery DC, Mastrangelo CM 1991 Alguns métodos estatísticos de controle de processos para dados autocorrelacionados J Qual Technol 23 179 193 Google Scholar. Box GEP, Kramer T 1992 Ajuste uma discussão Technometrics 34 251 267 CrossRef MathSciNet Google Scholar. Superville CR, Adams BM 1994 Uma avaliação de sistemas de controle de qualidade baseados em previsão Commun Stat Simul Comput 23 645 661 MATH CrossRef MathSciNet Google Scholar. Zhang NF 1997 Capacidade de detecção do gráfico de controle residual para Dados de processo estacionários J Appl Stat 24 475 492 CrossRef Scholar. Wardell DG, Moscowitz H, Plante RD 1992 Gráficos de controle na presença de correlação de dados Gerenciar Sci 38 1084 1105 MATTH CrossRef Google Scholar. Yashchin E 1993 Desempenho de esquemas de controle CUSUM para serialmente Observações correlacionadas Technometrics 35 37 52 MATH CrossRef MathSciNet Google Scholar. Faltin FW, Mastrangelo CM, ROGER JR, Arnold JC, Baik JW 1996 Gráfico de intervalo de amostragem variável na presença de correlação J Qual Technol 28 12 30 Google Scholar. Wardell DG, Moscowitz H, Plante RD 1994 Distribuições de comprimento de execução de gráficos de controle de causa especial para processos correlacionados Technometrics 36 3 17 MATH CrossRef MathSciNet Google Scholar. Apley DW, Lee HC 2003 Processos autocorrelacionados com incerteza de modelo Técnicas de desenvolvimento de processos de autocorrelação com incertezas de modelo. Método de monitoração de SPC o gráfico de ARMA Technometrics 42 399 410 CrossRef Google Scholar. Box GEP, Jenkins GM, Reinsel GC 1994 Análise de séries de tempo fo Reformulação e controle, 3o edn Prentice Salão, Englewood Cliffs, New Jersey MATH Google Scholar. Copyright informação. Springer-Verlag London Limited 2007.Autoridades e Afiliações. Antonio F B Costa. Email author. Fernando A E Claro.1 Departamento de Produção Departamento de Produção UNESP Universidade Estadual de São Paulo Guaratinguet Brasil. About deste artigo.
No comments:
Post a Comment