Neste tópico
Encaixe um modelo ARIMA não sazonal
Complete as etapas a seguir para especificar a coluna de dados que deseja analisar com um modelo ARIMA não sazonal. Quando você encaixa modelos com um termo constante, os modelos candidatos têm p + q ≤ 9. Quando você encaixa modelos sem um termo constante, os modelos candidatos têm p + q ≤ 10. Os modelos candidatos com d = 2 são adequados sem um termo constante.
Pré-requisitos
Normalmente, você avalia a necessidade de uma transformação e determina a ordem de diferenciamento antes de começar esta análise.
- Transformação
- Use um gráfico de série temporal para determinar se a variância de uma série temporal está parada. Se a série temporais tem um padrão na disseminação dos pontos, então a variância não está estacionária. Use uma transformação Box-Cox de uma série temporal para tentar tornar a variância da série estacionária. Para avaliar uma transformação Box-Cox para uma série temporais, escolha . Para obter informações sobre o uso de uma transformação Box-Cox em Previsão com o melhor modelo ARIMA, vá para Selecione as opções de análise para Previsão com o melhor modelo ARIMA.
- Diferencial
- Examine um gráfico da função de autocorrelação (ACF) para uma série para determinar a ordem de diferenciação. Para realizar uma análise de autocorrelação, escolha .
- Em , insira uma coluna de dados numéricos que foram coletados a intervalos regulares e registrados em ordem temporal.
- Em , insira o número de períodos consecutivos para o qual deseja previsões.
- Escolha Previsão a partir do final da série ou Previsão do K-ésimo valor na série. Se você inserir um valor, o Minitab utiliza apenas os dados até aquele número de linha para as previsões. Os valores de previsão são diferentes dos ajustes porque o Minitab usa todos os dados para calcular os ajustes. Por exemplo, um analista tem 5 anos de dados mensais de janeiro a dezembro. Ele quer gerar uma previsão para o próximo mês, mas no último mês de dados de dezembro está incompleto. O a análise usa os dados durante os primeiros 59 meses para gerar previsões para dezembro e janeiro.
Para obter mais informações, acesse Interprete os principais resultados para Previsão com o melhor modelo ARIMA.
Pré-requisitos
Normalmente, você avalia a necessidade de uma transformação e determina a ordem de diferenciamento antes de começar esta análise.
- Transformação
- Um padrão sazonal que se repete a cada ko período indica que você deve usar a ka diferença para remover uma parte do padrão. Para realizar uma análise de autocorrelação, escolha .
- Em , insira uma coluna de dados numéricos que foram coletados a intervalos regulares e registrados em ordem temporal.
- Por exemplo, se você coletar dados mensais, e os dados têm um padrão anual, insira 12.
- 1 é suficiente para a maioria dos padrões sazonais.
- Em , insira o número de períodos consecutivos para o qual deseja previsões.
- Escolha Previsão a partir do final da série ou Previsão do K-ésimo valor na série. Se você inserir um valor, o Minitab utiliza apenas os dados até aquele número de linha para as previsões. Os valores de previsão são diferentes dos ajustes porque o Minitab usa todos os dados para calcular os ajustes. Por exemplo, um analista tem 5 anos de dados mensais de janeiro a dezembro. Ele quer gerar uma previsão para o próximo mês, mas no último mês de dados de dezembro está incompleto. O a análise usa os dados durante os primeiros 59 meses para gerar previsões para dezembro e janeiro.
Para obter mais informações, acesse Interprete os principais resultados para Previsão com o melhor modelo ARIMA.
