चलती - औसत - मॉडल - sas

Autoregressive Moving Average Error Processes 13 13 13 13 13 13 ऑटोरेग्रेसिव चलती औसत त्रुटि प्रक्रियाओं (एआरएमए त्रुटियों) और त्रुटि के मामले में शामिल अन्य मॉडलों को एफआईटी स्टेटमेंट और नकली या सॉलवे स्टेटमेंट का प्रयोग करके अनुमान लगाया जा सकता है। त्रुटि प्रक्रिया के लिए एआरएए मॉडल अक्सर ऑटोसोररेटेड अवशेषों वाले मॉडल के लिए उपयोग किए जाते हैं एआर मैक्रो का इस्तेमाल ऑटोरेग्रेसिव त्रुटि प्रक्रियाओं के साथ मॉडल निर्दिष्ट करने के लिए किया जा सकता है। एमए मैक्रो का इस्तेमाल मॉडल के औसत त्रुटि प्रक्रियाओं को चालू करने के लिए किया जा सकता है। ऑटोरेग्रेजिव एरर्स एआर (2) त्रुटि प्रक्रिया के फार्म और उच्च क्रम प्रक्रियाओं के लिए आगे है, जबकि पहली ऑर्डर आटोमैरेसिव त्रुटियों के साथ एक मॉडल, एआर (1), फॉर्म है ध्यान दें कि एस स्वतंत्र और समान रूप से वितरित किए गए हैं और 0 का अनुमानित मूल्य है। एआर (2) घटक के साथ मॉडल का एक उदाहरण है, आप इस मॉडल को निम्न प्रकार से लिखेंगे: या समान रूप से एआर मैक्रो का प्रयोग औसत मॉडल हिलते हुए 13 ए पहला ऑर्डर बढ़ते औसत त्रुटियों के साथ मॉडल, एमए (1), का फार्म है जहां समान रूप से और स्वतंत्र रूप से शून्य के साथ वितरित किया जाता है। एमए (2) त्रुटि प्रक्रिया में उच्च-क्रम प्रक्रियाओं के लिए फार्म और आगे हैं उदाहरण के लिए, एमए (2) एमए (2) चलती औसत त्रुटियों के साथ एक साधारण रेखीय प्रतिगमन मॉडल लिख सकते हैं, जहां MA1 और MA2 बढ़ते औसत पैरामीटर हैं ध्यान दें कि RESID. Y को स्वचालित रूप से PROC मॉडल द्वारा परिभाषित किया गया है कि ध्यान रखें कि RESID. Y है जेडएलएजी फंक्शन का उपयोग एमए मॉडल के लिए किया जाना चाहिए ताकि लैक के पुनरावर्तन को कम किया जा सके। यह सुनिश्चित करता है कि अंतराल-भड़काना चरण में झूठी त्रुटियों की शुरूआत शून्य से शुरू होती है और अंतराल-भड़काना अवधि के चर के दौरान गायब मूल्यों का प्रचार न करें और यह सुनिश्चित करता है कि भविष्य की त्रुटियों को सिमुलेशन या पूर्वानुमान के दौरान गायब होने के बजाय शून्य है। अंतराल कार्यों पर विवरण के लिए, अनुभाग 34 लैग लॉजिक देखें। 34 एएमए मैक्रो का उपयोग कर लिखा गया यह मॉडल एआरएमए मॉडल के लिए सामान्य फ़ॉर्म है। सामान्य एआरएमए (पी, क्यू) की प्रक्रिया में निम्नलिखित फार्म हैं एआरएमए (पी, क्यू) मॉडल हो सकता है इस प्रकार निर्दिष्ट किया गया है कि जहां एआर आई और एमए जम्मू विभिन्न lags के लिए ऑटोरेग्रेसिव और चलती औसत मापदंडों का प्रतिनिधित्व करते हैं आप इन वेरिएबल्स के लिए किसी भी नाम का उपयोग कर सकते हैं, और ऐसे कई समान तरीके हैं, जिन्हें विनिर्देश लिखा जा सकता है। वेक्टर एआरएमए प्रक्रियाओं का अनुमान PROC मॉडल के साथ भी किया जा सकता है। उदाहरण के लिए, दो अंतर्जात चर Y1 और Y2 की त्रुटियों के लिए एक दो-चर एआर (1) प्रक्रिया को निम्नानुसार निर्दिष्ट किया जा सकता है: एआरएमए मॉडल के साथ कन्वर्जेंस समस्याएं ARMA मॉडल का आकलन करना मुश्किल हो सकता है। यदि पैरामीटर अनुमान उचित सीमा के भीतर नहीं हैं, तो एक चलती औसत मॉडल अवशिष्ट नियम तेजी से बढ़ेगा बाद के अवलोकन के लिए गणना वाले अवशेष बहुत अधिक हो सकते हैं या अतिप्रवाह हो सकते हैं। ऐसा इसलिए भी हो सकता है क्योंकि अनुचित प्रारंभिक मूल्यों का उपयोग किया गया था या क्योंकि पुनरावृत्तियों को उचित मूल्यों से दूर स्थानांतरित किया गया था। एआरएमए पैरामीटर के लिए मूल्यों को चुनने में देखभाल का उपयोग किया जाना चाहिए एआरएमए मापदंडों के लिए .001 के प्रारंभिक मूल्य आमतौर पर काम करते हैं यदि मॉडल डेटा को अच्छी तरह फिट बैठता है और समस्या अच्छी तरह से वातानुकूलित है। ध्यान दें कि एक एमए मॉडल को अक्सर एक उच्च ऑर्डर एआर मॉडल से अनुमानित किया जा सकता है, और इसके विपरीत। इससे मिश्रित एआरएमए मॉडल में उच्च समरूपता हो सकती है, जो बदले में पैरामीटर अनुमानों की गणना और अस्थिरता में गंभीर बीमारियों का कारण हो सकता है। यदि आपके एआरएमए त्रुटि प्रक्रियाओं के साथ एक मॉडल का अनुमान लगाने में अभिसरण समस्याएं हैं, तो चरणों में अनुमान लगाने का प्रयास करें सबसे पहले, शून्य (या यदि उपलब्ध उचित अनुमान के अनुसार) पर आयोजित एआरएमए पैरामीटर के साथ केवल संरचनागत पैरामीटर का अनुमान लगाने के लिए एक FIT स्टेटमेंट का उपयोग करें। इसके बाद, पहले चरण से संरचनात्मक पैरामीटर मानों का उपयोग करते हुए, केवल एआरएमए पैरामीटर का अनुमान लगाने के लिए एक और फिट स्टेटमेंट का उपयोग करें चूंकि संरचनात्मक पैरामीटर के मूल्य उनके अंतिम अनुमानों के करीब होने की संभावना है, इसलिए ARMA पैरामीटर अनुमान अब एकत्र हो सकते हैं अंत में, सभी मापदंडों के साथ-साथ अनुमान लगाने के लिए एक और फिट स्टेटमेंट का उपयोग करें चूंकि पैरामीटर के शुरुआती मूल्य अब उनके अंतिम संयुक्त अनुमानों के काफी करीब होने की संभावना है, इसलिए मॉडल को डेटा के लिए उपयुक्त होने पर अनुमानों को त्वरित रूप से एकत्र करना चाहिए। एआर प्रारंभिक स्थितियां 13 13 13 13 13 13 13 13 13 13 एआर (पी) मॉडल की त्रुटि शर्तों की शुरुआती झूठ अलग अलग तरीकों से किया जा सकता है। एसएएसटीएस प्रक्रियाओं द्वारा समर्थित आटोमैरेजिव त्रुटि स्टार्टअप विधियों निम्न हैं: सीएलएस सशर्त कम से कम वर्ग (एआरआईएमए और मॉडल प्रक्रियाएं) यूएलएस बिना शर्त कम से कम वर्ग (एयूटीओएआरएजीई, एआरआईएएए और एमओडीएल प्रक्रियाएं) एमएल अधिकतम संभावना (एयूटीओआरएजी, एआरआईएएए और मॉडल प्रक्रिया) वाईडब्ल्यू यूले - वाल्कर (केवल AUTOREG प्रक्रिया) एचएल हिल्ड्रेथ-लू, जो पहले पी की टिप्पणियों को हटा देता है (मॉडल प्रक्रिया केवल) देखें अध्याय 8. विभिन्न एआर (पी) स्टार्टअप विधियों के गुणों की व्याख्या और चर्चा के लिए। सीएलएस, यूएलएस, एमएल, और एचएल इनिशियलाइजेशन प्रोसी मॉडेल द्वारा किया जा सकता है। एआर (1) त्रुटियों के लिए, इन इनिशियलाइजेशन को तालिका 14.2 में दिखाए अनुसार उत्पादित किया जा सकता है। ये पद्धति बड़े नमूनों के बराबर हैं। तालिका 14.2: एआर (1) त्रुटि एमआरए प्रारंभिक शर्तें 13 13 13 13 13 13 एमए (क्यू) मॉडल की त्रुटि शर्तों की शुरुआती झुकाव अलग-अलग तरीकों से भी किया जा सकता है। निम्नलिखित चलती औसत त्रुटि स्टार्टअप पैराडाइम्स को एआरआईएमए और मॉडल प्रक्रियाओं द्वारा समर्थित किया गया है: यूएलएस बिना शर्त कम से कम वर्गों सीएलएस सशर्त कम से कम वर्ग एमएल अधिकतम संभावना चलती औसत त्रुटि शब्दों के आकलन के सशर्त कम-स्क्वायर विधि इष्टतम नहीं हैं क्योंकि यह स्टार्टअप समस्या की उपेक्षा करता है इससे अनुमानों की दक्षता कम हो जाती है, हालांकि वे निष्पक्ष रहते हैं। शुरुआती अंतराल वाले अवशेष, डेटा की शुरुआत से पहले का विस्तार करते हैं, उन्हें 0 माना जाता है, उनके बिना शर्त उम्मीद की गई मूल्य। यह इन अवशिष्टों और सामान्यीकृत कम-स्क्वायर अवशिष्टों में चलती औसत सहकारिता के लिए एक अंतर का परिचय देता है, जो आटोमैरेसिव मॉडल के विपरीत डेटा सेट के माध्यम से बनी रहती है। आम तौर पर यह अंतर 0 से जल्दी हो जाता है, लेकिन लगभग गैर-चलती चलती औसत प्रक्रियाओं के लिए अभिसरण काफी धीमा है। इस समस्या को कम करने के लिए, आपके पास बहुत सारे डेटा होना चाहिए, और चलती औसत पैरामीटर अनुमान उल्टेखित सीमा के भीतर ठीक होने चाहिए। इस समस्या को और अधिक जटिल कार्यक्रम लिखने की कीमत पर ठीक किया जा सकता है। एमसीए (1) प्रक्रिया के लिए बिना शर्त कम-स्क्वायर का अनुमान है कि मॉडल को निम्नानुसार निर्दिष्ट किया जा सकता है: चलते-औसत त्रुटियों का आकलन करना मुश्किल हो सकता है चलती औसत प्रक्रिया में आपको एआर (पी) सन्निकटन का उपयोग करने पर विचार करना चाहिए। अगर चलने वाली औसत प्रक्रिया आम तौर पर एक आटोरेग्रेसिव प्रक्रिया से अच्छी तरह से अनुमानित होती है, तो डेटा चिकना नहीं हो पाया है या अलग-अलग नहीं हो सकता है। एआर मेक्रो एसएएस मैक्रो एआर प्रोटेक्शन मॉडल के लिए प्रोटेक मॉडेल्स को ऑटरेडियस मॉडल के लिए तैयार करता है। एआर मैक्रो SASETS सॉफ्टवेयर का हिस्सा है और मैक्रो का उपयोग करने के लिए कोई विशेष विकल्प सेट नहीं करना पड़ता है। आटोमैरेसिव प्रक्रिया संरचनात्मक समीकरण त्रुटियों या अंतर्जात श्रृंखलाओं के लिए खुद को लागू की जा सकती है। एआर मैक्रो का इस्तेमाल अनारिएटेट ऑटरेग्रेशन के लिए किया जा सकता है, अप्रतिबंधित वेक्टर ऑटोरियेशन, प्रतिबंधित वेक्टर ऑटोरेग्रेशन। Univariate Autoregression 13 एक समीकरण के त्रुटि शब्द को एक autoregressive प्रक्रिया के रूप में, समीकरण के बाद निम्नलिखित कथन का उपयोग करें: उदाहरण के लिए, मान लें कि वाई X1 और X2 का रैखिक फ़ंक्शन और एआर (2) त्रुटि है आप इस मॉडल को निम्न प्रकार से लिखेंगे: एआर के लिए कॉल सभी समीकरणों के बाद आने चाहिए जो कि प्रक्रिया को लागू होती है। प्रक्रिया मैक्रो आमंत्रण, एआर (वाई, 2), चित्रा 14.4 9 में लिस्ट आउटपुट में दिखाए गए ब्योरे पैदा करता है। चित्रा 14.50: सूची 1, 12, और 13 में लांग के साथ एआर मॉडल के लिए ऑप्शन आउटपुट श्रृंखला की शुरुआत में टिप्पणियों को 34 एवार्म्स अप 34 एआर प्रक्रिया के लिए उपयोग किया जाता है या नहीं, इस आधार पर, सशर्त कम-स्क्वायर विधि पर भिन्नताएं हैं। डिफ़ॉल्ट रूप से, एआर सशर्त कम से कम-स्क्वायर विधि सभी अवलोकनों का उपयोग करती है और आटोमैरेसिव शब्दों के शुरुआती झंडे के लिए शून्य मानती है। एम विकल्प का उपयोग करके, आप अनुरोध कर सकते हैं कि एआर बिना शर्त कम से कम वर्गों (यूएलएस) या अधिकतम-संभावना (एमएल) पद्धति का उपयोग करें। उदाहरण के लिए: इन विधियों की चर्चाएं इस धारा 34 के प्रारंभिक शर्तों 34 में प्रदान की गई हैं। एमसीएलएस एन विकल्प का उपयोग करके, आप यह अनुरोध कर सकते हैं कि शुरुआती ऑटरेग्रेसिग लैग के अनुमानों की गणना करने के लिए पहले एन अवलोकन का उपयोग किया जाए। इस मामले में, विश्लेषण अवलोकन एन 1 के साथ शुरू होता है। उदाहरण के लिए: आप एआर मैक्रो का इस्तेमाल एडी मैक्रो का उपयोग एन्टरोजेनेस वैरिएबल को लागू करने के लिए कर सकते हैं, त्रुटि शब्द के बजाय, TYPEV विकल्प का उपयोग कर। उदाहरण के लिए, यदि आप पिछली उदाहरण में समीकरण के लिए वाई के पाँच पिछली गलतियों को जोड़ना चाहते हैं, तो आप पैरामीटर उत्पन्न करने के लिए एआर का प्रयोग कर सकते हैं और निम्नलिखित कथन का इस्तेमाल कर सकते हैं: पूर्ववर्ती कथन चित्रा 14.51 में दिखाए गए उत्पादन को उत्पन्न करते हैं। संकलित कार्यक्रम संहिता की मॉडल विधि की सूची में पार्स किए गए PRED. yab x1 c x2 RESID. y PRED. y - ACTUAL. y ERROR. y PRED. y - y OLDPRED. y PRED. y yl1 ZLAG1 (y) yl2 ZLAG2 (y ) yl3 ZLAG3 (y) yl4 ZLAG4 (y) yl5 ZLAG5 (y) RESID. y PRED. y - ACTUAL. y ERROR. y PRED. y - y चित्रा 14.51: वाई वाई के एआर मॉडल के लिए सूची विकल्प आउटपुट यह मॉडल भविष्यवाणी करता है Y एक्स 1, एक्स 2, एक इंटरसेप्ट के एक रैखिक संयोजन के रूप में, और हाल के पांच समयों में वाई के मूल्य। अप्रतिबंधित वेक्टर आतिथ्य 13 एक वेक्टर आटोरेजेश्विक प्रक्रिया के रूप में समीकरणों के सेट की त्रुटि शर्तों को मॉडल बनाने के लिए, समीकरणों के बाद एआर मैक्रो के निम्न रूप का उपयोग करें: प्रोसेसमनाम वैल्यू कोई ऐसा नाम है जिसे आप एआर के लिए नामों को बनाने में उपयोग करने के लिए आपूर्ति करते हैं आटोमैटिव पैरामीटर आप प्रत्येक सेट के लिए अलग-अलग प्रक्रिया नामों का उपयोग करके समीकरणों के विभिन्न सेटों के लिए कई भिन्न एआर प्रक्रियाओं को मॉडल करने के लिए एआर मैक्रो का उपयोग कर सकते हैं। प्रक्रिया नाम यह सुनिश्चित करता है कि उपयोग किए गए चर नाम अद्वितीय हैं। प्रक्रिया के लिए लघु प्रक्रिया नाम मान का प्रयोग करें यदि पैरामीटर अनुमानों को आउटपुट डेटा सेट में लिखा जाना है। एआर मेक्रो ने आठ वर्णों से कम या बराबर पैरामीटर नामों का निर्माण करने का प्रयास किया है, लेकिन यह नाम की लंबाई के द्वारा सीमित है। जो एआर पैरामीटर नामों के लिए एक उपसर्ग के रूप में उपयोग किया जाता है। चर सूची मान समीकरणों के लिए अंतर्जात चर की सूची है। उदाहरण के लिए, मान लीजिए कि समीकरणों के लिए त्रुटियों Y1, Y2, और Y3 एक दूसरे क्रम वेक्टर आटोमैरेसीव प्रक्रिया द्वारा उत्पन्न होती हैं। आप निम्न कथन का उपयोग कर सकते हैं: जो Y1 के लिए निम्नलिखित बनाता है और Y2 और Y3 के लिए समान कोड: केवल सशर्त कम से कम-वर्ग (एमसीएलएस या एमसीएलएस एन) पद्धति सदिश प्रक्रियाओं के लिए इस्तेमाल की जा सकती है। आप उसी फॉर्म का उपयोग उन प्रतिबंधों के साथ भी कर सकते हैं जो गुणांक मैट्रिक्स चयनित लगी में 0 हो। उदाहरण के लिए, बयान, तीसरे क्रम वाले वेक्टर प्रक्रिया को समीकरण त्रुटियों को लागू करते हैं, जो सभी गुणांक के साथ 2 अंतराल पर सीमित होते हैं और सहगुणकों के साथ 1 और 3 अप्रतिबंधित झुकाव पर। आप तीन सीरीज Y1-Y3 को वेक्टर ऑटरेसेरेसिव प्रोसेस के रूप में टाइप कर सकते हैं बजाय TYPEV विकल्प का उपयोग करके त्रुटियों में। यदि आप Y1-Y3 को Y1-Y3 के पुराने मानों और कुछ एक्सगोएंस चर या स्थिरांक के एक फ़ंक्शन के रूप में मॉडल करना चाहते हैं, तो आप एआर के उपयोग के लिए विलंब शर्तों के बयान उत्पन्न कर सकते हैं। मॉडल के गैर-उद्घोषणा अंग के लिए प्रत्येक चर के लिए एक समीकरण लिखें, और फिर एआर को TYPEV विकल्प के साथ कॉल करें। उदाहरण के लिए, मॉडल का गैर-निष्कर्ष वाला भाग बहिष्कार चर का फ़ंक्शन हो सकता है, या यह इंटरसेप्ट पैरामीटर हो सकता है। यदि वेक्टर ऑटोरेग्रेसन मॉडल में कोई बहिष्कार घटकों नहीं हैं, जिसमें कोई भी अंतरात्मा नहीं है, तो प्रत्येक चर को शून्य प्रदान करें। एआर से पहले प्रत्येक चर को असाइनमेंट होना चाहिए। इस उदाहरण में वेक्टर वाई (Y1 Y2 Y3) को पिछले दो दिनों में केवल एक वैल्यू के रूप में रैखिक फ़ंक्शन के रूप में और एक सफेद शोर त्रुटि वेक्टर दिखाया गया है। मॉडल में 18 (3 बार 3 3 बार 3) पैरामीटर हैं एआर मेक्रो का सिंटेक्स एआर मेक्रो के सिंटैक्स के दो मामले हैं सबसे पहले सामान्य फॉर्म का नाम एआर के एआर प्रक्रिया को परिभाषित करने के लिए आवश्यक चर के नामों के निर्माण में उपयोग के लिए एक उपसर्ग निर्दिष्ट करता है। यदि एंडोलिस्ट निर्दिष्ट नहीं है, तो अंतर्जात सूची नाम के लिए डिफ़ॉल्ट है। जो समीकरण का नाम होना चाहिए, जिसके लिए एआर त्रुटि प्रक्रिया लागू होती है। नाम का मान आठ अक्षर से अधिक नहीं हो सकता है। nlag एआर प्रक्रिया का आदेश है। एंडोलाइस्ट उन समीकरणों की सूची निर्दिष्ट करता है जिन पर एआर प्रक्रिया लागू होती है। यदि एक से अधिक नाम दिए गए हैं, तो एक अनियंत्रित वेक्टर प्रक्रिया सभी समीकरणों के संरचनात्मक अवशेषों के साथ बनाई जाती है, जिसमें प्रत्येक समीकरणों में रेग्रेसर के रूप में शामिल होता है। यदि निर्दिष्ट नहीं है, नाम के लिए एन्डोलिस्ट डिफ़ॉल्ट। लैगलिस्ट उन गलतियों की सूची निर्दिष्ट करती है जिन पर एआर शब्दों को जोड़ा जाना है। लिग्स पर लिखे गए शब्दों के गुणांकों को 0 पर सेट नहीं किया जाता है। सूचीबद्ध लगी सभी nlag के बराबर या उससे कम होने चाहिए। और कोई डुप्लिकेट नहीं होना चाहिए यदि निर्दिष्ट नहीं किया गया है, तो सभी के लिए लैगलिस्ट डिफॉल्ट 1 से nlag के द्वारा लगी है। एम विधि लागू करने के लिए आकलन विधि निर्दिष्ट करती है एम के वैध मूल्य सीएलएस हैं (सशर्त न्यूनतम-स्क्वायर अनुमान), यूएलएस (बिना शर्त कम-स्क्वायर अनुमान), और एमएल (अधिकतम-संभावना अनुमान) एमसीएलएस डिफ़ॉल्ट है जब एक से अधिक समीकरण निर्दिष्ट किया जाता है तो केवल एमसीएलएस की अनुमति दी जाती है। एएल द्वारा वेक्टर एआर मॉडल के लिए उलएस और एमएल विधियां समर्थित नहीं हैं TYPEV निर्दिष्ट करता है कि समीकरणों के संरचनात्मक अवशेषों के बजाय एआर प्रक्रिया को अंतर्जात चर पर लागू किया जाता है प्रतिबंधित वेक्टर आटोरेग्रेशन 13 13 13 13 आप उस पैरामीटर को नियंत्रित कर सकते हैं, जो उन पैरामीटरों को सीमित कर रहे हैं, जो कि 0 में शामिल नहीं हैं। पहले, चर सूची घोषित करने और प्रक्रिया के आयाम को परिभाषित करने के लिए DEFER विकल्प के साथ एआर का उपयोग करें। उसके बाद, चयनित एड्स के चयनित चुने हुए वेलों के साथ चयनित समीकरणों के लिए शर्तों को बनाने के लिए अतिरिक्त एआर कॉल्स का उपयोग करें। उदाहरण के लिए, त्रुटि समीकरण तैयार किए गए हैं ये मॉडल बताता है कि Y1 के लिए त्रुटियाँ दोनों 1 और 2 के बीच दोनों Y1 और Y2 (लेकिन Y3 नहीं) की त्रुटियों पर निर्भर करती हैं, और ये कि पिछली त्रुटियों पर निर्भर Y2 और Y3 के लिए त्रुटियां सभी तीन चर के लिए, लेकिन केवल अंतराल पर 1. एआर मैक्रो सिंटैक्स के लिए प्रतिबंधित वेक्टर एआर का एक वैकल्पिक उपयोग एआर के विभिन्न उपयोगों को अलग एआर शब्दों को निर्दिष्ट करने के लिए कई बार एआर पर कॉल करके और विभिन्न समीकरणों के लिए लंबित एक वेक्टर एआर प्रक्रिया पर प्रतिबंध लागू करने की अनुमति है। पहली कॉल में सामान्य रूप का नाम एआर को वेक्टर एआर प्रक्रिया को परिभाषित करने के लिए आवश्यक चर के नामों के निर्माण के लिए एक उपसर्ग निर्दिष्ट करता है। एलाग एआर प्रक्रिया के आदेश निर्दिष्ट करता है। एंडोलाइस्ट उन समीकरणों की सूची निर्दिष्ट करता है जिन पर एआर प्रक्रिया लागू होती है। DEFER निर्दिष्ट करता है कि एआर एआर प्रक्रिया उत्पन्न करने के लिए नहीं है, लेकिन बाद में एआर कॉल में निर्दिष्ट अधिक जानकारी के लिए इंतजार करना है उसी नाम मान के लिए। बाद के कॉल में सामान्य फ़ॉर्म का नाम पहले कॉल के समान होता है। eqlist समीकरणों की सूची निर्दिष्ट करता है जिसके लिए इस एआर कॉल के विनिर्देशों को लागू किया जाना है। केवल नाम मूल्य के लिए पहली कॉल के अंतोलिस्ट मान में निर्दिष्ट नाम eqlist में समीकरणों की सूची में दिखाई दे सकते हैं। varlist समीकरणों की सूची निर्दिष्ट करती है जिनकी संरचनात्मक अवशेषों को eqlist में समीकरणों में रेग्रेसर के रूप में शामिल किया जाना है। केवल नाम मूल्य के लिए पहली कॉल के अंतोलिस्ट में नाम varlist में दिखाई दे सकते हैं। यदि निर्दिष्ट नहीं है, तो एंडॉलीस्ट के लिए वैरलिस्ट डिफॉल्ट लैगलिस्ट उन गलतियों की सूची निर्दिष्ट करती है जिन पर एआर शब्दों को जोड़ा जाना है। लिग्स पर लिखे गए शब्दों के गुणांकों को 0 पर सेट नहीं किया जाता है। सूचीबद्ध सभी सूचीबद्धता nlag के मूल्य से कम या उससे कम होने चाहिए। और कोई डुप्लिकेट नहीं होना चाहिए यदि निर्दिष्ट नहीं किया गया है, तो सभी के लिए लैगलिस्ट डिफ़ॉल्ट 1 से nlag के बीच लगी है। एमए मैक्रो 13 एसएएस मैक्रो एमए ने औसत मॉडलों को स्थानांतरित करने के लिए प्रोक मॉडल के लिए प्रोग्रामिंग स्टेटमेंट्स उत्पन्न किए हैं। एमए मैक्रो SASETS सॉफ्टवेयर का हिस्सा है और मैक्रो का उपयोग करने के लिए कोई विशेष विकल्प की आवश्यकता नहीं है। चलती औसत त्रुटि प्रक्रिया को संरचनात्मक समीकरण त्रुटियों पर लागू किया जा सकता है। एमए मैक्रो का सिंटैक्स एआर मैक्रो के समान है, जिसमें कोई TYPE तर्क नहीं है। 13 जब आप एमए और एआर मैक्रोज़ का उपयोग कर रहे हैं, एमए मैक्रो को एआर मैक्रो का पालन करना चाहिए। निम्नलिखित SASIML बयान ARMA (1, (1 3)) त्रुटि प्रक्रिया का उत्पादन करते हैं और इसे डेटा सेट MADAT2 में सहेजते हैं। निम्न प्रोसी मॉडल विवरणों का उपयोग अधिकतम संभावना त्रुटि संरचना का उपयोग करके इस मॉडल के मापदंडों का अनुमान लगाने के लिए किया जाता है: इस रन द्वारा उत्पादित मापदंडों का अनुमान चित्रा 14.52 में दिखाया गया है। अधिकतम संभावना अरमा (1, (1 3)) चित्रा 14.52: एआरएमए (1, (1 3)) के अनुमान एमए मैक्रो की प्रक्रिया सिंटैक्स एमए मैक्रो के लिए वाक्यविन्यास के दो मामले हैं। सबसे पहले सामान्य फॉर्म का नाम एमए प्रक्रिया के लिए आवश्यक चर के नाम के निर्माण में उपयोग करने के लिए एमए के लिए एक उपसर्ग निर्दिष्ट करता है और यह डिफ़ॉल्ट एंडोलिस्ट है। nlag एमए प्रक्रिया का आदेश है एंडोलिस्ट उन समीकरणों को निर्दिष्ट करता है जिसमें एमए प्रक्रिया को लागू किया जाता है। यदि एक से अधिक नाम दिए गए हैं, तो सीलएस आकलन का उपयोग वेक्टर प्रक्रिया के लिए किया जाता है। लैगलिस्ट उस लेट को निर्दिष्ट करती है जिस पर एमए पदों को जोड़ा जाना है। सूचीबद्ध लैग कम से कम या एनएलएगल के बराबर होना चाहिए। और कोई डुप्लिकेट नहीं होना चाहिए यदि निर्दिष्ट नहीं किया गया है, तो सभी के लिए लैगलिस्ट डिफॉल्ट 1 से nlag के द्वारा लगी है। एम विधि लागू करने के लिए आकलन विधि निर्दिष्ट करती है एम के वैध मूल्य सीएलएस हैं (सशर्त न्यूनतम-स्क्वायर अनुमान), यूएलएस (बिना शर्त कम-स्क्वायर अनुमान), और एमएल (अधिकतम-संभावना अनुमान) एमसीएलएस डिफ़ॉल्ट है एंडोलालिस्ट पर एक से अधिक समीकरण निर्दिष्ट किए जाने पर केवल एमसीएलएस की अनुमति दी जाती है। प्रतिबंधित वेक्टर मूविंग औसत के लिए एमए मैक्रो सिंटैक्स 13 एमए का एक वैकल्पिक उपयोग विभिन्न एमए पदों को निर्दिष्ट करने के लिए एमए द्वारा कई बार कॉल करके वेक्टर एमए प्रक्रिया पर प्रतिबंध लगाने और विभिन्न समीकरणों के लिए लंबित करने के लिए अनुमति देता है। पहली कॉल में सामान्य रूप का नाम एमए के लिए एक उपसर्ग को वेक्टर एमए प्रक्रिया को परिभाषित करने के लिए आवश्यक चर के नामों के निर्माण में उपयोग करने के लिए निर्दिष्ट करता है। nlag एमए प्रक्रिया के आदेश निर्दिष्ट करता है। एंडोलिस्ट समीकरणों की सूची निर्दिष्ट करता है जिसमें एमए प्रक्रिया को लागू किया जाता है। DEFER निर्दिष्ट करता है कि एमए एमए प्रक्रिया उत्पन्न नहीं कर रहा है, लेकिन बाद में एमए में निर्दिष्ट अधिक जानकारी के लिए इंतजार करना उसी नाम मान के लिए कॉल करता है बाद के कॉल में सामान्य फ़ॉर्म का नाम पहले कॉल के समान होता है। eqlist समीकरणों की सूची निर्दिष्ट करता है जिसके लिए इस एमए कॉल के विनिर्देशों को लागू किया जाना है। varlist समीकरणों की सूची निर्दिष्ट करती है जिनकी संरचनात्मक अवशेषों को eqlist में समीकरणों में रेग्रेसर के रूप में शामिल किया जाना है। लैगलिस्ट उन लेटों की सूची को निर्दिष्ट करती है जिन पर एमए पदों को जोड़ा जाना है। विश्वास अंतराल पॉपअप सूची आपको पूर्वानुमान विश्वास बैंड के लिए आत्मविश्वास स्तर सेट करने की अनुमति देता है मौसमी चौरसाई मॉडल के संवाद में एक सीजन में अवधि की संख्या निर्धारित करने के लिए प्रति सीज़न बॉक्स का समय शामिल है। बाधाएं पॉपअप सूची आपको फिट के दौरान चौरसाई वजन पर किस प्रकार की बाधा को लागू करना चाहते हैं, यह निर्दिष्ट करने की सुविधा देता है बाधाएं हैं: संवाद को विस्तारित करने के लिए आपको अलग-अलग चौरसाई वजन पर बाधाओं को सेट करने की अनुमति देने के लिए। प्रत्येक चौरसाई वजन चक्कर हो सकता है फिक्स्ड। या वज़न के नाम के बगल में पॉपअप मेनू की स्थापना के द्वारा निर्धारित के रूप में अनिश्चित। जब निश्चित या बाध्य वजन के लिए मूल्यों में प्रवेश करते हैं, तो मान सकारात्मक या नकारात्मक वास्तविक संख्या हो सकते हैं। यहां दिखाए गए उदाहरण में 0.3 के मान पर लेवल भार () तय किया गया है और ट्रेंड वेट () 0.1 और 0.8 से घिरा हुआ है। इस मामले में, प्रवृत्ति वजन का मान सीमा 0.1 से 0.8 के भीतर स्थानांतरित होने की अनुमति है, जबकि स्तर भार 0.3 पर होता है। ध्यान दें कि आप इन कस्टम बाधाओं का उपयोग करके पहले से सभी चौरसाई वजन निर्दिष्ट कर सकते हैं। उस मामले में, आंकड़ों से कोई भी वजन अनुमानित नहीं होगा, हालांकि अनुमान और अवशिष्ट अभी भी गणना की जाएगी। जब आप अनुमान लगाएं क्लिक करें फिट के परिणाम संवाद के स्थान पर दिखाई देते हैं चौरसाई समीकरण, एल टी वाई टी (1) एल टी -1 एक चिकनाई वजन के संदर्भ में परिभाषित किया गया है यह मॉडल एक एआरआईएमए (0, 1, 1) मॉडल के समतुल्य है जहां से बाहर निकलने वाली औसत त्रुटि प्रक्रियाएं (एआरएमए त्रुटियां) और अन्य मॉडलों में त्रुटि नियमों की गड़गड़ाहट शामिल है, फिक्ट स्टेटमेंट्स का उपयोग करके और सॉलिव स्टेटमेंट्स का इस्तेमाल करके अनुमान लगाया जा सकता है। त्रुटि प्रक्रिया के लिए एआरएए मॉडल अक्सर ऑटोसोररेटेड अवशेषों वाले मॉडल के लिए उपयोग किए जाते हैं एआर मैक्रो का इस्तेमाल ऑटोरेग्रेसिव त्रुटि प्रक्रियाओं के साथ मॉडल निर्दिष्ट करने के लिए किया जा सकता है। एमए मैक्रो का इस्तेमाल चल-औसत त्रुटि प्रक्रियाओं के साथ मॉडल निर्दिष्ट करने के लिए किया जा सकता है। ऑटोरेग्रेजिव एरर्स एआर (2) त्रुटि प्रक्रिया के फार्म और उच्च क्रम प्रक्रियाओं के लिए आगे है, जबकि पहली ऑर्डर आटोमैरेसिव त्रुटियों के साथ एक मॉडल, एआर (1), फॉर्म है ध्यान दें कि एस स्वतंत्र हैं और समान रूप से वितरित किए गए हैं और 0 का अनुमानित मूल्य है। एआर (2) घटक वाला मॉडल का एक उदाहरण है और उच्च क्रम प्रक्रियाओं के लिए आगे है। उदाहरण के लिए, आप एमए (2) हिल-औसत त्रुटियों के साथ एक साधारण रेखीय प्रतिगमन मॉडल लिख सकते हैं जहां MA1 और MA2 चलती-औसत पैरामीटर हैं ध्यान दें कि RESID. Y को स्वचालित रूप से PROC मॉडल द्वारा परिभाषित किया गया है क्योंकि ज़ैज फंक्शन एमए मॉडल के लिए इस्तेमाल किया जाना चाहिए ताकि लैक के पुनरावर्तन को कम किया जा सके। यह सुनिश्चित करता है कि अंतराल-भड़काना चरण में झूठी त्रुटियों की शुरूआत शून्य से शुरू होती है और अंतराल-प्राइमिंग अवधि के चर के दौरान लापता मूल्यों का प्रचार न करें और यह सुनिश्चित करता है कि भविष्य की त्रुटियां सिमुलेशन या पूर्वानुमान के दौरान गायब होने के बजाय शून्य हैं। अंतराल कार्यों के बारे में विवरणों के लिए, अनुभाग लैग लॉजिक देखें। एमए मैक्रो का उपयोग कर लिखा गया यह मॉडल निम्नानुसार है: एआरएमए मॉडल के लिए सामान्य प्रपत्र सामान्य एआरएमए (पी, क्यू) प्रक्रिया में निम्न प्रकार हैं: एआरएमए (पी, क्यू) मॉडल निम्नानुसार निर्दिष्ट किया जा सकता है: जहां ए. आर. आई और एमए ज प्रतिनिधित्व करते हैं विभिन्न कमीनों के लिए ऑटोरेग्रेसिव और चल-औसत पैरामीटर आप इन वेरिएबल्स के लिए किसी भी नाम का उपयोग कर सकते हैं, और ऐसे कई समान तरीके हैं, जिन्हें विनिर्देश लिखा जा सकता है। वेक्टर एआरएमए प्रक्रियाओं का अनुमान PROC मॉडल के साथ भी किया जा सकता है। उदाहरण के लिए, दो अंतर्जात वेरिएबल्स Y1 और Y2 की त्रुटियों के लिए एक दो-चर एआर (1) प्रक्रिया निम्नानुसार निर्दिष्ट की जा सकती है: एआरएमए मॉडल के साथ अभिसरण समस्याएं ARMA मॉडल अनुमान लगाने में मुश्किल हो सकती हैं। अगर पैरामीटर अनुमान उचित सीमा के भीतर नहीं हैं, तो चलती-औसत मॉडल शेष अवयव तेजी से बढ़ते हैं। बाद के अवलोकन के लिए गणना वाले अवशेष बहुत अधिक हो सकते हैं या अतिप्रवाह हो सकते हैं। ऐसा इसलिए भी हो सकता है क्योंकि अनुचित प्रारंभिक मूल्यों का उपयोग किया गया था या क्योंकि पुनरावृत्तियों को उचित मूल्यों से दूर स्थानांतरित किया गया था। एआरएमए पैरामीटर के लिए मूल्यों को चुनने में देखभाल का उपयोग किया जाना चाहिए एआरएमए मापदंडों के लिए 0.001 के प्रारंभिक मूल्य आमतौर पर काम करते हैं यदि मॉडल डेटा को अच्छी तरह फिट बैठता है और समस्या अच्छी तरह से वातानुकूलित है ध्यान दें कि एक एमए मॉडल को अक्सर उच्च क्रम वाले एआर मॉडल से अनुमानित किया जा सकता है, और इसके विपरीत। इससे मिश्रित ARMA मॉडलों में उच्च समरूपता हो सकती है, जिसके परिणामस्वरूप पैरामीटर अनुमानों की गणना और अस्थिरता में गंभीर बीमारियों का कारण हो सकता है। यदि आपके एआरएमए त्रुटि प्रक्रियाओं के साथ एक मॉडल का अनुमान लगाने में अभिसरण समस्याएं हैं, तो चरणों में अनुमान लगाने का प्रयास करें सबसे पहले, शून्य (या यदि उपलब्ध उचित अनुमान के अनुसार) पर आयोजित एआरएमए पैरामीटर के साथ केवल संरचनागत पैरामीटर का अनुमान लगाने के लिए एक FIT स्टेटमेंट का उपयोग करें। इसके बाद, पहले चरण से संरचनात्मक पैरामीटर मानों का उपयोग करते हुए, केवल एआरएमए पैरामीटर का अनुमान लगाने के लिए एक और फिट स्टेटमेंट का उपयोग करें चूंकि संरचनात्मक पैरामीटर के मूल्य उनके अंतिम अनुमानों के करीब होने की संभावना है, इसलिए ARMA पैरामीटर अनुमान अब एकत्र हो सकते हैं। अंत में, सभी मापदंडों के साथ-साथ अनुमान लगाने के लिए एक और फिट स्टेटमेंट का उपयोग करें चूंकि पैरामीटर के शुरुआती मूल्य अब उनके अंतिम संयुक्त अनुमानों के काफी करीब होने की संभावना है, इसलिए मॉडल को डेटा के लिए उपयुक्त होने पर अनुमानों को त्वरित रूप से एकत्र करना चाहिए। एआर प्रारंभिक स्थितियां एआर (पी) मॉडल की त्रुटि शर्तों की शुरुआती झूठ अलग-अलग तरीकों से तैयार की जा सकती हैं। एसएएसटीएस प्रक्रियाओं द्वारा समर्थित आटोमैरेजिव त्रुटि स्टार्टअप विधियों निम्न हैं: सशर्त कम से कम वर्ग (एआरआईएएमए और मॉडल प्रक्रियाएं) बिना शर्त कम से कम वर्गों (एयूटीओएआरएजीई, एआरआईएएए और मॉडल प्रक्रियाएं) अधिकतम संभावना (ऑटोरगे, एआरआईएएए और मॉडल प्रक्रियाएं) यूल-वॉकर प्रक्रिया केवल) हिल्ड्रेथ-लू, जो पहले पी टिप्पणियों को हटा देता है (केवल मॉडल प्रक्रिया) विभिन्न एआर (पी) स्टार्टअप विधियों के गुणों की व्याख्या और चर्चा के लिए अध्याय 8, ऑटोरजी प्रक्रिया देखें। सीएलएस, यूएलएस, एमएल, और एचएल इनिशियलाइजेशन प्रोसी मॉडेल द्वारा किया जा सकता है। एआर (1) त्रुटियों के लिए, इन इनिशियलाइजेशन को तालिका 18.2 में दिखाए अनुसार उत्पादित किया जा सकता है। ये पद्धति बड़े नमूनों के बराबर हैं। तालिका 18.2 प्रोसी मॉडल द्वारा प्रारम्भिकताएं: एआर (1) त्रुटियाँ एमए (क्यू) मॉडल की त्रुटि शर्तों की शुरुआती झलक अलग-अलग तरीकों से भी तैयार की जा सकती है। निम्न चल-औसत त्रुटि प्रारंभिक पैरामाइम्स को एआरआईएमए और मॉडल प्रक्रियाओं द्वारा समर्थित किया गया है: बिना शर्त कम से कम वर्गों सशर्त कम से कम वर्गें चलती-औसत त्रुटि शर्तों के आकलन के सशर्त कम से कम वर्गों का तरीका अनुकूल नहीं है क्योंकि यह स्टार्ट-अप समस्या की उपेक्षा करता है इससे अनुमानों की दक्षता कम हो जाती है, हालांकि वे निष्पक्ष रहते हैं। शुरुआती अंतराल वाले अवशेष, डेटा की शुरुआत से पहले का विस्तार करते हैं, उन्हें 0 माना जाता है, उनके बिना शर्त उम्मीद की गई मूल्य। यह इन अवशिष्टों और सामान्यीकृत कम से कम वर्गों के चलते-औसत सहकारिता के लिए अवशेषों के बीच अंतर पेश करता है, जो आटोमैरेसिव मॉडल के विपरीत डेटा सेट के माध्यम से बनी रहती है। आम तौर पर यह अंतर 0 से जल्दी हो जाता है, लेकिन लगभग गैर-चलती चलती-औसत प्रक्रियाओं के लिए अभिसरण काफी धीमा है। इस समस्या को कम करने के लिए, आपके पास बहुत सारे डेटा होना चाहिए, और चल-औसत पैरामीटर अनुमान उल्टेखित श्रेणी के भीतर ठीक होना चाहिए। इस समस्या को और अधिक जटिल कार्यक्रम लिखने की कीमत पर ठीक किया जा सकता है। एमसीए (1) प्रक्रिया के लिए बिना शर्त कम से कम चौकोर अनुमानों को मॉडल को निम्नानुसार निर्दिष्ट किया जा सकता है: चलते-औसत त्रुटियों का आकलन करना मुश्किल हो सकता है आपको चल-औसत प्रक्रिया में एआर (पी) सन्निकटन का उपयोग करने पर विचार करना चाहिए। यदि चलने-औसत प्रक्रिया आम तौर पर एक आटोरेग्रेसिव प्रक्रिया से अच्छी तरह से अनुमानित होती है, तो डेटा को चिकना नहीं किया गया है या अलग-अलग नहीं किया गया है। एआर मेक्रो एसएएस मैक्रो एआर प्रोटेक्शन मॉडल के लिए प्रोटेक मॉडेल्स को ऑटरेडियस मॉडल के लिए तैयार करता है। एआर मैक्रो SASETS सॉफ्टवेयर का हिस्सा है, और मैक्रो का उपयोग करने के लिए कोई विशेष विकल्पों की आवश्यकता नहीं है। आटोमैरेसिव प्रक्रिया संरचनात्मक समीकरण त्रुटियों या अंतर्जात श्रृंखलाओं के लिए खुद को लागू की जा सकती है। एआर मैक्रो का इस्तेमाल निम्न प्रकार के ऑटोरियेशन के लिए किया जा सकता है: अप्रतिबंधित वेक्टर ऑट्रेगेक्शन प्रतिबंधित वेक्टर ऑटरेगेंस यूनिवेटेट ऑटोरियेशन एक समीकरण का त्रुटि शब्द को एक आटोमैरेसिव प्रोसेस के रूप में विकसित करने के लिए, समीकरण के बाद निम्नलिखित कथन का उपयोग करें: उदाहरण के लिए, मान लें कि वाई एक है X1, X2, और एआर (2) त्रुटि के रैखिक समारोह आप इस मॉडल को निम्न प्रकार से लिखेंगे: एआर के लिए कॉल सभी समीकरणों के बाद आने चाहिए जो कि प्रक्रिया को लागू होती है। पूर्ववर्ती मैक्रो आवेश, एआर (वाई, 2), चित्रा 18.58 में लिस्ट आउटपुट में दिखाए गए ब्योरे पैदा करता है। चित्रा 18.58 एआर (2) मॉडल के लिए ऑप्शन आउटपुट PRED प्रीफिक्स वेरिएबल्स अस्थायी प्रोग्राम वेरिएबल्स हैं, जो कि इस्तेमाल किया जाता है ताकि शेष अवशेष सही अवशेष हो और इस समीकरण द्वारा परिभाषित लोगों को न हो। ध्यान दें कि यह स्पष्ट रूप से एआरएमए मॉडल के लिए अनुभाग जनरल फॉर्म में लिखा गया बयान के बराबर है। आप चयनित लैगों पर शून्य के लिए ऑटोमैरेसिव मापदंडों को प्रतिबंधित भी कर सकते हैं। उदाहरण के लिए, यदि आप 1, 12, और 13 के स्तर पर स्वैष्टिक पैरामीटर चाहते हैं, तो आप निम्नलिखित कथन का उपयोग कर सकते हैं: ये कथन चित्रा 18.59 में दिखाए गए उत्पादन को उत्पन्न करते हैं। चित्रा 18.59 सूची 1, 12, और 13 में लांग के साथ एक एआर मॉडल के लिए विकल्प आउटपुट संकलित प्रोग्राम कोड की पदोन्नति कार्यक्रम कोड की व्याख्या Parsed PRED. yab x1 c x2 RESID. y PRED. y - ACTUAL. y ERROR. y PRED। y - y OLDPRED. y PRED. y yl1 ZLAG1 (वाई - रेड्डी) yl12 ZLAG12 (वाई - रेड्डी) yl13 ZLAG13 (वाई - रेड्डी) RESID. y PRED. y - ACTUAL. y ERROR. y PRED. y - y हैं सशर्त कम से कम वर्गों के तरीकों पर भिन्नताएं, इस आधार पर, कि श्रृंखला की शुरुआत में टिप्पणियों का उपयोग एआर प्रक्रिया को गर्म करने के लिए किया जाता है। डिफ़ॉल्ट रूप से, एआर सशर्त कम से कम चौकोर विधि सभी अवलोकनों का उपयोग करती है और आटोमैरेसिव शर्तों के शुरुआती झंडे के लिए शून्य मानती है। एम विकल्प का उपयोग करके, आप अनुरोध कर सकते हैं कि एआर बिना शर्त कम से कम वर्गों (यूएलएस) या अधिकतम-संभावना (एमएल) पद्धति का उपयोग करें। उदाहरण के लिए, इन विधियों की चर्चा अनुभाग एआर प्रारंभिक स्थितियों में दी गई है। एमसीएलएस एन विकल्प का उपयोग करके, आप यह अनुरोध कर सकते हैं कि शुरुआती ऑटरेग्रेसिग लैग के अनुमानों की गणना करने के लिए पहले एन अवलोकन का उपयोग किया जाए। इस मामले में, विश्लेषण अवलोकन एन 1 के साथ शुरू होता है। उदाहरण के लिए: आप एआर मैक्रो का इस्तेमाल एडी मैक्रो का उपयोग एन्टरोजेनेस वैरिएबल को लागू करने के लिए कर सकते हैं, त्रुटि शब्द के बजाय, TYPEV विकल्प का उपयोग कर। उदाहरण के लिए, यदि आप पिछली उदाहरण में समीकरण के लिए वाई के पाँच पिछली गलतियों को जोड़ना चाहते हैं, तो आप एआर का इस्तेमाल कर सकते हैं पैरामीटर उत्पन्न करने के लिए और निम्नलिखित बयानों का उपयोग करके लांग: पूर्ववर्ती कथन चित्रा 18.60 में दिखाए गए उत्पादन को उत्पन्न करते हैं। चित्रा 18.60 वाई वाई के एआर मॉडल के लिए एलआईटी ऑप्शन आउटपुट यह मॉडल वाई के एक रैखिक संयोजन के रूप में भविष्यवाणी करता है X1, X2, एक अवरोधन, और हाल के पांच पाँच काल में वाई के मूल्य। अप्रतिबंधित वेक्टर आतिथ्य एक सदिश आटोरेजहेस प्रक्रिया के रूप में समीकरणों के सेट की त्रुटि शर्तों को मॉडल करने के लिए, समीकरणों के बाद एआर मैक्रो के निम्न रूप का उपयोग करें: प्रोसेसमनाम वैल्यू कोई भी नाम है जिसे आप एआर के लिए आपूर्ति कर सकते हैं जिसका उपयोग ऑटोरेग्रेसिव मापदंडों। आप प्रत्येक सेट के लिए अलग-अलग प्रक्रिया नामों का उपयोग करके समीकरणों के विभिन्न सेटों के लिए कई भिन्न एआर प्रक्रियाओं को मॉडल करने के लिए एआर मैक्रो का उपयोग कर सकते हैं। प्रक्रिया नाम यह सुनिश्चित करता है कि उपयोग किए गए चर नाम अद्वितीय हैं। प्रक्रिया के लिए लघु प्रक्रिया नाम मान का प्रयोग करें यदि पैरामीटर अनुमानों को आउटपुट डेटा सेट में लिखा जाना है। एआर मेक्रो ने आठ वर्णों से कम या बराबर पैरामीटर नामों का निर्माण करने की कोशिश की है, लेकिन यह processname की लंबाई के द्वारा सीमित है जो एआर पैरामीटर नामों के लिए एक उपसर्ग के रूप में उपयोग किया जाता है। चर सूची मान समीकरणों के लिए अंतर्जात चर की सूची है। उदाहरण के लिए, मान लीजिए कि समीकरणों के लिए त्रुटियों Y1, Y2, और Y3 एक दूसरे क्रम वेक्टर आटोमैरेसीव प्रक्रिया द्वारा उत्पन्न होती हैं। आप निम्नलिखित कथन का उपयोग कर सकते हैं: जो Y1 के लिए निम्नलिखित और Y2 और Y3 के लिए समान कोड उत्पन्न करता है: केवल सशर्त कम से कम वर्ग (एमसीएलएस या एमसीएलएस एन) पद्धति का उपयोग वेक्टर प्रक्रियाओं के लिए किया जा सकता है। आप उसी फॉर्म का उपयोग उन प्रतिबंधों के साथ भी कर सकते हैं जो गुणांक मैट्रिक्स चयनित लगी में 0 हो। उदाहरण के लिए, निम्नलिखित बयान तीसरे क्रम वाले वेक्टर प्रक्रिया को समीकरण त्रुटियों को लागू करते हैं जो सभी गुणांक के साथ 2 अंतराल पर सीमित होते हैं और सहगुणकों के साथ 1 और 3 के अप्रतिबंधित घटकों के साथ: आप तीन श्रृंखला Y1Y3 को एक वेक्टर आटोमैरेसीव प्रक्रिया के रूप में मान सकते हैं TYPEV विकल्प का उपयोग करके त्रुटियों के बजाय चर में। यदि आप Y1Y3 के पिछले मानों और कुछ एक्सगोएंस चर या स्थिरांक के फ़ंक्शन के रूप में Y1Y3 को मॉडल करना चाहते हैं, तो आप एआर का प्रयोग विलंब शर्तों के लिए बयान उत्पन्न करने के लिए कर सकते हैं। मॉडल के गैर-उद्घोषणा अंग के लिए प्रत्येक चर के लिए एक समीकरण लिखें, और फिर एआर को TYPEV विकल्प के साथ कॉल करें। उदाहरण के लिए, मॉडल का गैर-निष्कर्ष वाला हिस्सा बहिष्कार चर का फ़ंक्शन हो सकता है, या इसे इंटरसेप्ट मापदंडों के रूप में किया जा सकता है। यदि वेक्टर ऑटोरेग्रेसन मॉडल में कोई बहिष्कार घटकों नहीं हैं, जिसमें कोई भी अंतरात्मा नहीं है, तो प्रत्येक चर को शून्य प्रदान करें। एआर से पहले प्रत्येक चर को असाइनमेंट होना चाहिए। इस उदाहरण में वेक्टर वाई (Y1 Y2 Y3) को पिछले दो दिनों में केवल एक वैल्यू के रूप में रैखिक फ़ंक्शन के रूप में और एक सफेद शोर त्रुटि वेक्टर दिखाया गया है। मॉडल में 18 (3 3 3) मापदंड हैं एआर मेक्रो का सिंटेक्स एआर मेक्रो के सिंटैक्स के दो मामले हैं जब सदिश एआर प्रक्रिया पर प्रतिबंधों की ज़रूरत नहीं होती है, तो एआर मैक्रो के वाक्यविन्यास में सामान्य रूप एआर के एआर प्रक्रिया को परिभाषित करने के लिए आवश्यक चर के नामों के निर्माण के लिए एक उपसर्ग निर्दिष्ट करता है। यदि एंडोलिस्ट निर्दिष्ट नहीं है, तो अंतर्जात सूची नाम के लिए डिफ़ॉल्ट है। जो समीकरण का नाम होना चाहिए, जिसके लिए एआर त्रुटि प्रक्रिया लागू होती है। नाम का मान 32 वर्णों से अधिक नहीं हो सकता है। एआर प्रक्रिया का क्रम है समीकरणों की सूची को निर्दिष्ट करता है जिसके लिए एआर प्रक्रिया लागू होती है। यदि एक से अधिक नाम दिए गए हैं, तो एक अनियंत्रित वेक्टर प्रक्रिया सभी समीकरणों के संरचनात्मक अवशेषों के साथ बनाई जाती है, जिसमें प्रत्येक समीकरणों में रेग्रेसर के रूप में शामिल होता है। यदि निर्दिष्ट नहीं है, नाम के लिए एन्डोलिस्ट डिफ़ॉल्ट। उन गलतियों की सूची को निर्दिष्ट करता है जिन पर एआर शब्दों को जोड़ा जाना है। लिग्स पर लिखे गए शब्दों के गुणांकों को 0 पर सेट नहीं किया जाता है। सूचीबद्ध लगी सभी nlag के बराबर या उससे कम होने चाहिए। और कोई डुप्लिकेट नहीं होना चाहिए यदि निर्दिष्ट नहीं किया गया है, तो सभी के लिए लैगलिस्ट डिफॉल्ट 1 से nlag के द्वारा लगी है। लागू करने के लिए आकलन विधि निर्दिष्ट करता है एम के वैध मूल्य सीएलएस हैं (सशर्त न्यूनतम वर्ग अनुमान), यूएलएस (बिना शर्त कम वर्ग के अनुमान), और एमएल (अधिकतम संभावना अनुमान)। एमसीएलएस डिफ़ॉल्ट है जब एक से अधिक समीकरण निर्दिष्ट किया जाता है तो केवल एमसीएलएस की अनुमति दी जाती है। एएल द्वारा वेक्टर एआर मॉडल के लिए उलएस और एमएल विधियां समर्थित नहीं हैं यह निर्दिष्ट करता है कि समीकरणों के संरचनात्मक अवशेषों के बजाय एआर प्रक्रिया को अंतर्जात चर पर लागू किया जाता है। प्रतिबंधित वेक्टर ऑट्रेगेक्शन आप इस पैरामीटर को नियंत्रित कर सकते हैं कि कौन से पैरामीटर इस प्रक्रिया में शामिल किए गए हैं, जो उन पैरामीटरों पर सीमित है जिन्हें आप शामिल नहीं करते हैं। सबसे पहले, चर सूची को घोषित करने और प्रक्रिया के आयाम को परिभाषित करने के लिए DEFER विकल्प के साथ एआर का उपयोग करें। उसके बाद, चयनित एड्स के चयनित चुने हुए वेलों के साथ चयनित समीकरणों के लिए शर्तों को बनाने के लिए अतिरिक्त एआर कॉल्स का उपयोग करें। उदाहरण के लिए, निर्मित त्रुटि समीकरण निम्नानुसार हैं: यह मॉडल बताता है कि Y1 के लिए त्रुटियाँ दोनों 1 और 2 के बीच Y1 और Y2 (लेकिन Y3 नहीं) की त्रुटियों पर निर्भर करती हैं, और ये कि Y2 और Y3 के लिए त्रुटियों पर निर्भर होते हैं सभी तीन चर के लिए पिछली त्रुटियां, लेकिन केवल अंतराल पर 1. आरक्षित मैक्रो सिंटैक्स के लिए प्रतिबंधित वेक्टर एआर का एक वैकल्पिक उपयोग एआर के विभिन्न प्रकारों को अलग करने के लिए कई एआर शब्दों को निर्दिष्ट करने के लिए कई बार एआर कॉल करके एक सदिश एआर प्रक्रिया पर प्रतिबंध लागू करने की अनुमति है समीकरण। पहली कॉल में सामान्य प्रपत्र में वेक्टर एआर प्रक्रिया को परिभाषित करने के लिए आवश्यक चर के नामों के निर्माण में एआर का उपयोग करने के लिए एक उपसर्ग निर्दिष्ट किया गया है। एआर प्रक्रिया के आदेश को निर्दिष्ट करता है समीकरणों की सूची को निर्दिष्ट करता है जिसके लिए एआर प्रक्रिया लागू होती है। निर्दिष्ट करता है कि एआर एआर प्रक्रिया उत्पन्न करने के लिए नहीं है, लेकिन बाद में एआर कॉल में निर्दिष्ट अधिक जानकारी के लिए इंतजार करना है उसी नाम मान के लिए। बाद के कॉल में सामान्य रूप का पहला कॉल होता है। समीकरणों की सूची को निर्दिष्ट करता है जिसके लिए इस एआर कॉल के विनिर्देशों को लागू किया जाना है। केवल नाम मूल्य के लिए पहली कॉल के अंतोलिस्ट मान में निर्दिष्ट नाम eqlist में समीकरणों की सूची में दिखाई दे सकते हैं। समीकरणों की सूची निर्दिष्ट करता है, जिनकी संरचनात्मक अवशेषों को eqlist में समीकरणों में रीग्रेसर के रूप में शामिल किया जाना है। केवल नाम मूल्य के लिए पहली कॉल के अंतोलिस्ट में नाम varlist में दिखाई दे सकते हैं। यदि निर्दिष्ट नहीं है, तो एंडॉलीस्ट के लिए वैरलिस्ट डिफॉल्ट उन गलतियों की सूची को निर्दिष्ट करता है जिन पर एआर शब्दों को जोड़ा जाना है। लिग्स पर लिखे गए शब्दों के गुणांकों को 0 पर सेट नहीं किया जाता है। सूचीबद्ध सभी सूचीबद्धता nlag के मूल्य से कम या उससे कम होने चाहिए। और कोई डुप्लिकेट नहीं होना चाहिए यदि निर्दिष्ट नहीं किया गया है, तो सभी के लिए लैगलिस्ट डिफ़ॉल्ट 1 से nlag के बीच लगी है। एमए मैक्रो एसएएस मैक्रो एमए चलती औसत मॉडल के लिए प्रोक मॉडल के लिए प्रोग्रामिंग स्टेटमेंट उत्पन्न करता है I एमए मैक्रो SASETS सॉफ्टवेयर का हिस्सा है, और मैक्रो का उपयोग करने के लिए कोई विशेष विकल्पों की आवश्यकता नहीं है। चलती औसत त्रुटि प्रक्रिया को संरचनात्मक समीकरण त्रुटियों पर लागू किया जा सकता है। एमए मैक्रो का सिंटैक्स एआर मैक्रो के समान है, जिसमें कोई TYPE तर्क नहीं है। जब आप एमए और एआर मैक्रोज़ का उपयोग कर रहे हैं, एमए मैक्रो को एआर मैक्रो का पालन करना चाहिए। निम्नलिखित SASIML बयान ARMA (1, (1 3)) त्रुटि प्रक्रिया का उत्पादन करते हैं और इसे डेटा सेट MADAT2 में सहेजते हैं। निम्न प्रोसी मॉडल विवरणों का उपयोग अधिकतम संभावना त्रुटि संरचना का उपयोग करके इस मॉडल के मापदंडों का अनुमान लगाने के लिए किया जाता है: इस रन द्वारा उत्पादित मापदंडों का अनुमान चित्र 18.61 में दिखाया गया है। चित्रा 18.61 ARMA (1, (1 3)) प्रक्रिया से अनुमान एमए मैक्रो के लिए वाक्यविन्यास के दो मामले हैं। जब सदिश एमए प्रक्रिया पर प्रतिबंधों की आवश्यकता नहीं होती है, तो एमए मैक्रो की सिंटैक्स में सामान्य रूप एमए प्रक्रिया के लिए आवश्यक चर के नाम के निर्माण में उपयोग करने के लिए एमए के लिए एक उपसर्ग निर्दिष्ट करता है और यह डिफ़ॉल्ट एंडोलिस्ट है एमए प्रक्रिया का क्रम है समीकरणों को निर्दिष्ट करता है जिसमें एमए प्रक्रिया को लागू किया जाना है। यदि एक से अधिक नाम दिए गए हैं, तो सीलएस आकलन का उपयोग वेक्टर प्रक्रिया के लिए किया जाता है। निर्दिष्ट करता है जिस पर एमए पदों को जोड़ा जाना है। सूचीबद्ध लैग कम से कम या एनएलएगल के बराबर होना चाहिए। और कोई डुप्लिकेट नहीं होना चाहिए यदि निर्दिष्ट नहीं किया गया है, तो सभी के लिए लैगलिस्ट डिफॉल्ट 1 से nlag के द्वारा लगी है। लागू करने के लिए आकलन विधि निर्दिष्ट करता है एम के वैध मूल्य सीएलएस हैं (सशर्त न्यूनतम वर्ग अनुमान), यूएलएस (बिना शर्त कम वर्ग के अनुमान), और एमएल (अधिकतम संभावना अनुमान)। एमसीएलएस डिफ़ॉल्ट है एंडोलालिस्ट में एक से अधिक समीकरण निर्दिष्ट किए जाने पर केवल एमसीएलएस की अनुमति दी जाती है। प्रतिबंधित वेक्टर मूविंग-औसत के लिए एमए मैक्रो सिंटैक्स एमए का एक वैकल्पिक उपयोग विभिन्न एमए पदों को निर्दिष्ट करने और विभिन्न समीकरणों के लिए लांग के लिए एमए द्वारा कई बार फोन करके एक वेक्टर एमए प्रक्रिया पर प्रतिबंध लगाने की अनुमति है। पहली कॉल में सामान्य फ़ॉर्म एमए के लिए एक उपसर्ग को वेक्टर एमए प्रक्रिया को परिभाषित करने के लिए आवश्यक चर के नामों के निर्माण में उपयोग करने के लिए निर्दिष्ट करता है। एमए प्रक्रिया के आदेश को निर्दिष्ट करता है। समीकरणों की सूची निर्दिष्ट करता है जिसमें एमए प्रक्रिया लागू की जानी है। यह निर्दिष्ट करता है कि एमए एमए प्रक्रिया उत्पन्न नहीं कर रहा है, लेकिन बाद में एमए कॉल में निर्दिष्ट अधिक जानकारी के लिए प्रतीक्षा करना है, उसी नाम मान के लिए कॉल करता है बाद के कॉल में सामान्य रूप का पहला कॉल होता है। समीकरणों की सूची निर्दिष्ट करता है जिसके लिए इस एमए कॉल के विनिर्देशों को लागू किया जाना है। समीकरणों की सूची निर्दिष्ट करता है, जिनकी संरचनात्मक अवशेषों को eqlist में समीकरणों में रीग्रेसर के रूप में शामिल किया जाना है। मानों की सूची को निर्दिष्ट करता है जिस पर एमए पदों को जोड़ा जाना है। विश्वास अंतराल पॉपअप सूची आपको पूर्वानुमान विश्वास बैंड के लिए आत्मविश्वास स्तर सेट करने की अनुमति देता है। मौसमी चौरसाई मॉडल के संवाद में एक सीजन में अवधि की संख्या निर्धारित करने के लिए प्रति सीज़न बॉक्स का समय शामिल है। बाधाएं पॉपअप सूची आपको फिट के दौरान चौरसाई वजन पर किस प्रकार की बाधा को लागू करना चाहते हैं, यह निर्दिष्ट करने की सुविधा देता है बाधाएं हैं: संवाद को विस्तारित करने के लिए आपको अलग-अलग चौरसाई वजन पर बाधाओं को सेट करने की अनुमति देने के लिए। प्रत्येक चौरसाई वजन चक्कर हो सकता है फिक्स्ड। या वज़न के नाम के बगल में पॉपअप मेनू की स्थापना के द्वारा निर्धारित के रूप में अनिश्चित। जब निश्चित या बाध्य वजन के लिए मूल्यों में प्रवेश करते हैं, तो मान सकारात्मक या नकारात्मक वास्तविक संख्या हो सकते हैं। यहां दिखाए गए उदाहरण में 0.3 के मान पर लेवल भार () तय किया गया है और ट्रेंड वेट () 0.1 और 0.8 से घिरा हुआ है। इस मामले में, प्रवृत्ति वजन का मान सीमा 0.1 से 0.8 के भीतर स्थानांतरित होने की अनुमति है, जबकि स्तर भार 0.3 पर होता है। ध्यान दें कि आप इन कस्टम बाधाओं का उपयोग करके पहले से सभी चौरसाई वजन निर्दिष्ट कर सकते हैं। उस मामले में, आंकड़ों से कोई भी वजन अनुमानित नहीं होगा, हालांकि अनुमान और अवशिष्ट अभी भी गणना की जाएगी। जब आप अनुमान लगाएं क्लिक करें फिट के परिणाम संवाद के स्थान पर दिखाई देते हैं चौरसाई समीकरण, एल टी वाई टी (1) एल टी -1 एक चिकनाई वजन के संदर्भ में परिभाषित किया गया है यह मॉडल ARIMA (0, 1, 1) मॉडल के बराबर है जहां