This HTML5 document contains 80 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dbpedia-dehttp://de.dbpedia.org/resource/
dctermshttp://purl.org/dc/terms/
dbohttp://dbpedia.org/ontology/
foafhttp://xmlns.com/foaf/0.1/
dbpedia-kohttp://ko.dbpedia.org/resource/
dbpedia-eshttp://es.dbpedia.org/resource/
n15https://global.dbpedia.org/id/
n13http://www.itl.nist.gov/div898/handbook/pmc/section4/
dbthttp://dbpedia.org/resource/Template:
rdfshttp://www.w3.org/2000/01/rdf-schema#
n21https://web.archive.org/web/20070318000551/http:/statistik.mathematik.uni-wuerzburg.de/timeseries/
n17http://support.sas.com/resources/papers/proceedings13/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
owlhttp://www.w3.org/2002/07/owl#
dbpedia-ithttp://it.dbpedia.org/resource/
wikipedia-enhttp://en.wikipedia.org/wiki/
dbphttp://dbpedia.org/property/
provhttp://www.w3.org/ns/prov#
n16http://robjhyndman.com/papers/
dbchttp://dbpedia.org/resource/Category:
xsdhhttp://www.w3.org/2001/XMLSchema#
wikidatahttp://www.wikidata.org/entity/
dbrhttp://dbpedia.org/resource/
dbpedia-jahttp://ja.dbpedia.org/resource/

Statements

Subject Item
dbr:Box–Jenkins_method
rdf:type
owl:Thing
rdfs:label
Box-Jenkins-Methode 박스-젠킨스 방법 Metodología de Box-Jenkins Box–Jenkins method ボックス・ジェンキンス法 Metodo di Box-Jenkins
rdfs:comment
In time series analysis, the Box–Jenkins method, named after the statisticians George Box and Gwilym Jenkins, applies autoregressive moving average (ARMA) or autoregressive integrated moving average (ARIMA) models to find the best fit of a time-series model to past values of a time series. In statistica, considerato il modello ARIMA(p,q,d) con p, q, d interi non negativi, si definisce una procedura per lo studio del modello denominata metodo di Box e Jenkins che si distingue in quattro fasi: En el análisis de series de tiempo, la metodología de Box-Jenkins, nombrada así en honor a los estadísticos George E. P. Box y ,​ se aplica a los modelos autorregresivos de media móvil ARMA o a los modelos autorregresivos integrados de media móvil (ARIMA) para encontrar el mejor ajuste de una serie temporal de valores, a fin de que los pronósticos sean más acertados.​​ ボックス・ジェンキンス法（ボックス・ジェンキンスほう、Box–Jenkins method）は、統計家のジョージ・ボックスとグウィリム・ジェンキンスにちなんで名付けられたもので、時系列分析に自己回帰移動平均（ARMA）モデルまたは自己回帰和分移動平均（ARIMA）モデルを適用して、過去の時系列データに対する時系列モデルに最も適合するものを求めるものである。 Die Box-Jenkins-Methode oder das Box-Jenkins-Programm geht auf George E. P. Box und Gwilym M. Jenkins und ihr Buch aus dem Jahre 1970 Time Series Analysis - Forecasting and Control zurück. Es markierte eine neue Epoche in der Zeitreihenanalyse. Im Gegensatz zum vorher vorherrschenden Trendmodell, das einen deterministischen Prozess unterstellte, gehen Box und Jenkins von einem stochastischen Prozess (siehe ARMA-Modell) aus, mit dessen Hilfe die Modellierung einer Zeitreihe erfolgt. Eine wichtige Konsequenz dieses Ansatzes ist, dass (zufällige) Schocks eine dauerhafte Wirkung auf spätere Zeitreihenwerte haben können. Dieses ist vor allem für ökonomische Zeitreihen eine realitätsnähere Annahme. 시계열분석에서 박스-젠킨스(Box–Jenkins) 방법은 자동회귀이동평균(ARMA) 또는 자동회귀누적이동평균(ARIMA) 모델을 적용하여 시계열 과거 값에 대한 시계열 모델 최적합을 찾는다. 통계학자 조지 박스와 젠킨스(Gwilym Jenkins)의 이름을 따서 명명되었다.
dcterms:subject
dbc:Time_series_models
dbo:wikiPageID
2399066
dbo:wikiPageRevisionID
1097332080
dbo:wikiPageWikiLink
dbr:Non-linear_least-squares_estimation dbr:ARIMA dbr:Statistical_graphics dbr:Partial_autocorrelation dbr:Run_sequence_plot dbr:Confidence_interval dbr:Autocorrelation_plot dbr:Autoregressive_model dbr:Autoregressive_moving_average dbr:Autoregressive_moving_average_model dbr:Maximum_likelihood_estimation dbr:White_noise dbr:NIST dbr:Ljung–Box_test dbr:Time_series_analysis dbr:John_Wiley_&_Sons dbr:Autocorrelation dbr:Parameter_estimation dbr:Time_series dbr:Stationary_process dbr:George_Box dbr:Seasonal_subseries_plot dbr:Gwilym_Jenkins dbr:Seasonality dbr:Akaike_information_criterion dbr:Journal_of_Forecasting dbr:Model_selection dbr:Autocorrelation_function dbr:Curve_fitting dbr:Random_variable dbr:Statistician dbr:AR(1) dbc:Time_series_models dbr:Model_identification dbr:Moving_average_model dbr:Statistical_model_validation dbr:Scale_(ratio) dbr:Autoregressive_integrated_moving_average dbr:Spectral_plot
dbo:wikiPageExternalLink
n13:pmc445.htm n16:BoxJenkins.pdf n17:454-2013.pdf n21:
owl:sameAs
dbpedia-ja:ボックス・ジェンキンス法 dbpedia-es:Metodología_de_Box-Jenkins dbpedia-ko:박스-젠킨스_방법 wikidata:Q895497 n15:52nZ6 dbpedia-de:Box-Jenkins-Methode dbpedia-it:Metodo_di_Box-Jenkins
dbp:wikiPageUsesTemplate
dbt:NIST-PD dbt:Authority_control dbt:Citation dbt:Reflist dbt:Short_description
dbo:abstract
시계열분석에서 박스-젠킨스(Box–Jenkins) 방법은 자동회귀이동평균(ARMA) 또는 자동회귀누적이동평균(ARIMA) 모델을 적용하여 시계열 과거 값에 대한 시계열 모델 최적합을 찾는다. 통계학자 조지 박스와 젠킨스(Gwilym Jenkins)의 이름을 따서 명명되었다. Die Box-Jenkins-Methode oder das Box-Jenkins-Programm geht auf George E. P. Box und Gwilym M. Jenkins und ihr Buch aus dem Jahre 1970 Time Series Analysis - Forecasting and Control zurück. Es markierte eine neue Epoche in der Zeitreihenanalyse. Im Gegensatz zum vorher vorherrschenden Trendmodell, das einen deterministischen Prozess unterstellte, gehen Box und Jenkins von einem stochastischen Prozess (siehe ARMA-Modell) aus, mit dessen Hilfe die Modellierung einer Zeitreihe erfolgt. Eine wichtige Konsequenz dieses Ansatzes ist, dass (zufällige) Schocks eine dauerhafte Wirkung auf spätere Zeitreihenwerte haben können. Dieses ist vor allem für ökonomische Zeitreihen eine realitätsnähere Annahme. Ein wichtiges Dogma der Box-Jenkins-Methode ist das so genannte Gesetz der Sparsamkeit. Dieses fordert eine sparsame Parametrisierung des Modells im Sinne einer möglichst geringen Zahl von Parametern. ボックス・ジェンキンス法（ボックス・ジェンキンスほう、Box–Jenkins method）は、統計家のジョージ・ボックスとグウィリム・ジェンキンスにちなんで名付けられたもので、時系列分析に自己回帰移動平均（ARMA）モデルまたは自己回帰和分移動平均（ARIMA）モデルを適用して、過去の時系列データに対する時系列モデルに最も適合するものを求めるものである。 In time series analysis, the Box–Jenkins method, named after the statisticians George Box and Gwilym Jenkins, applies autoregressive moving average (ARMA) or autoregressive integrated moving average (ARIMA) models to find the best fit of a time-series model to past values of a time series. In statistica, considerato il modello ARIMA(p,q,d) con p, q, d interi non negativi, si definisce una procedura per lo studio del modello denominata metodo di Box e Jenkins che si distingue in quattro fasi: 1. * Analisi preliminare: verifica della stazionarietà della serie, analisi grafica, identificazione di eventuali valori anomali, ricerca delle trasformazioni più adeguate a renderla stazionaria; 2. * Identificazione del modello: individuazione degli ordine p,d,q del modello, dove il parametro d viene scelto nella fase precedente, mentre p e q si possono identificare mediante l'analisi delle funzioni di autocorrelazione parziale e totale; 3. * Stima dei parametri: stima dei parametri del modello ARIMA con il metodo della massima verosimiglianza o dei minimi quadrati; 4. * Verifica del modello: controllo sui residui del modello stimato per verificare se sono una realizzazione campionaria di un processo rumore bianco a componenti gaussiane. En el análisis de series de tiempo, la metodología de Box-Jenkins, nombrada así en honor a los estadísticos George E. P. Box y ,​ se aplica a los modelos autorregresivos de media móvil ARMA o a los modelos autorregresivos integrados de media móvil (ARIMA) para encontrar el mejor ajuste de una serie temporal de valores, a fin de que los pronósticos sean más acertados.​​
prov:wasDerivedFrom
wikipedia-en:Box–Jenkins_method?oldid=1097332080&ns=0
dbo:wikiPageLength
12621
foaf:isPrimaryTopicOf
wikipedia-en:Box–Jenkins_method