Übersicht über Prognose mit bestem ARIMA-Modell

Die autoregressiven ARIMA-Modelle (Integrated Moving Average) von Box-Jenkin sind leistungsstarke Werkzeuge, um Zeitreihendatensätze anzupassen und zukünftige Werte vorherzusagen. Dennoch ist die Identifizierung adäquater autoregressiver und gleitender Durchschnittsaufträge in einem ARIMA-Modell schwierig und zeitaufwendig.

Wird Prognose mit bestem ARIMA-Modell verwendet, um den Modellidentifikationsprozess erheblich zu beschleunigen, indem automatisch das beste Modell aus einem Kandidatensatz mit einem der drei häufig verwendeten Modellauswahlkriterien ausgewählt wird: Akaikes Informationskriterium (AIC), Akaikes korrigiertes Informationskriterium (AICc) und das Bayessche Informationskriterium (BIC)

Um beispielsweise Ressourcen effizient zu planen, möchten die Administratoren eines Krankenhauses ein ARIMA-Modell verwenden, um die Anzahl der ambulanten Besuche pro Tag zu prognostizieren. Obwohl die Administratoren Muster in den Zeitreihen sehen, die bestimmte Reihenfolge der Begriffe für ein ARIMA-Modell nahelegen, möchten die Administratoren schnell eine große Anzahl von saisonalen und nicht-saisonalen ARIMA-Modellen vergleichen, um ein Modell zu finden, das gut zu den Daten passt. Die Administratoren verwenden Prognose mit bestem ARIMA-Modell es, um eine große Anzahl von Modellen schnell zu bewerten.