ARIMAのデータを入力する

統計 > 時系列分析 > ARIMA (自己回帰和分移動平均)

データを入力する

分析するデータの列を指定するには、次の手順を実行します。

  1. 系列に、一定の間隔で収集され、時間順に記録された数値データの列を入力します。
  2. (オプション)季節モデルを適合するを選択します。期間に、季節パターンの長さを入力します。たとえば、データを毎月収集し、それらに年間パターンがある場合は、「12」と入力します。

    季節の長さが不明な場合は、統計 > 時系列分析 > 時系列プロットまたは統計 > 時系列分析 > 自己相関を使用して長さを特定できるようにします。

  3. モデルの項を入力します。少なくとも1つの項を入力する必要があります。季節の項は、季節モデルを適合するを選択する場合にのみ有効になります。各項で入力可能な最大値は5です。
    非季別 自己回帰
    非季節性のAR項(p)を入力します。この項は、現在値に影響する前の値(遅れ)の個数です。個数が分からない場合は、次のようにします。
    • 有意に相関する遅れがない場合は、「0」と入力します。
    • 遅れが有意に相関する場合は、「1」または「2」と入力します。

    自己相関を使用して、遅れが有意に相関するかどうかを判定します。

    季別 自己回帰
    季節性のAR項(P)を入力します。この項は、現在の季節と有意に相関する前の季節の遅れの数です。ほとんどの季節パターンの場合に、値は1で十分です。自己相関を使用して、前の季節からの遅れが有意に相関するかどうかを判定します。
    非季別 差分
    階差項(d)を入力します。この値は、現在のデータ値から前のデータ値を除算する回数を示します。回数が分からない場合は、次のようにします。
    • データにトレンドがなく、平均が相対的に一定している場合は、「0」と入力します。
    • トレンドが線形か、または平均が一定していない場合は、「1」と入力します。
    • 一定ではなく、線形のトレンドがある場合は、「2」と入力します。

    トレンドを識別するには、統計 > 時系列分析 > 時系列プロットを使用します。

    季別 差分
    データに季節パターンがある場合は、季節性階差項(D)を入力します。ほとんどの季節パターンの場合に、値は1で十分です。
    非季別 移動平均
    非季節性MA項(q)を入力します。この項は、現在の値に影響する前の誤差項(予測誤差の遅れ)の数です。非季節性MA項を判断するには、偏自己相関関数を見ます。詳細は、「偏自己相関関数」を参照してください。
    季別 移動平均
    データに季節パターンがある場合は、季節性MA項(Q)を入力します。ほとんどの季節パターンの場合に、値は1で十分です。
    ARIMAモデルの当てはめについての詳細は、ARIMAモデルを当てはめるを参照してください。

このワークシートでは、[売上高]に各月に販売されたコンピュータの台数が入力されています。

C1
売上高
195000
213330
208005
249000
237040

モデルに定数項を含める

以下のいずれかが真の場合に定数項を含める場合は、このオプションを選択します。
  • 階差の数が0である。
  • 階差の数が1で、データにトレンドがある。

その他の場合は、通常、定数項を含めません。

係数の開始値

Minitabでデフォルト値を使用する場合は、このオプションを選択しないでください。通常は、まずデフォルト値を試してみることができます。デフォルト値によって解を求めることができない場合は、係数に対する開始値に代わりの開始値を含む列を入力します。代わりの開始値は次の値にすることができます。
  • 前のARIMA分析で保存した値。
  • 定数を先頭に、モデルに表示される順序でパラメータごとに入力する値。
本サイトを使用すると、分析およびコンテンツのカスタマイズのためにクッキーが使用されることに同意したことになります。  当社のプライバシーポリシーをご確認ください