Pengantar ARIMA: model nonseasonal Persamaan peramalan ARIMA (p, d, q): Model ARIMA adalah, secara teori, kelas model paling umum untuk meramalkan deret waktu yang dapat dibuat menjadi 8220stationary8221 dengan membedakan (jika perlu), mungkin Dalam hubungannya dengan transformasi nonlinier seperti logging atau deflating (jika perlu). Variabel acak yang merupakan deret waktu bersifat stasioner jika sifat statistiknya konstan sepanjang waktu. Seri stasioner tidak memiliki tren, variasinya berkisar rata-rata memiliki amplitudo konstan, dan bergoyang secara konsisten. Yaitu pola waktu acak jangka pendeknya selalu terlihat sama dalam arti statistik. Kondisi terakhir ini berarti autokorelasinya (korelasi dengan penyimpangannya sendiri dari mean) tetap konstan dari waktu ke waktu, atau ekuivalen, bahwa spektrum kekuatannya tetap konstan seiring berjalannya waktu. Variabel acak dari bentuk ini dapat dilihat (seperti biasa) sebagai kombinasi antara sinyal dan noise, dan sinyal (jika ada) dapat menjadi pola pengembalian cepat atau lambat, atau osilasi sinusoidal, atau alternasi cepat pada tanda , Dan itu juga bisa memiliki komponen musiman. Model ARIMA dapat dilihat sebagai model 8220filter8221 yang mencoba memisahkan sinyal dari noise, dan sinyal tersebut kemudian diekstrapolasikan ke masa depan untuk mendapatkan perkiraan. Persamaan peramalan ARIMA untuk rangkaian waktu stasioner adalah persamaan linier (yaitu regresi-tipe) dimana prediktor terdiri dari kelambatan variabel dependen dan atau lag dari kesalahan perkiraan. Yaitu: Prediksi nilai Y adalah konstanta dan atau jumlah tertimbang dari satu atau lebih nilai Y dan satu angka tertimbang dari satu atau lebih nilai kesalahan terkini. Jika prediktor hanya terdiri dari nilai Y yang tertinggal, itu adalah model autoregresif murni (8220 self-regressed8221), yang hanyalah kasus khusus dari model regresi dan yang dapat dilengkapi dengan perangkat lunak regresi standar. Sebagai contoh, model autoregresif orde pertama (8220AR (1) 8221) untuk Y adalah model regresi sederhana dimana variabel independennya hanya Y yang tertinggal satu periode (LAG (Y, 1) dalam Statgrafik atau YLAG1 dalam RegresIt). Jika beberapa prediktor tertinggal dari kesalahan, model ARIMA TIDAK merupakan model regresi linier, karena tidak ada cara untuk menentukan error8221 8220last periodier178 sebagai variabel independen: kesalahan harus dihitung berdasarkan periode-ke-periode Saat model dipasang pada data. Dari sudut pandang teknis, masalah dengan menggunakan kesalahan tertinggal sebagai prediktor adalah bahwa prediksi model8217 bukanlah fungsi linear dari koefisien. Meskipun mereka adalah fungsi linier dari data masa lalu. Jadi, koefisien pada model ARIMA yang mencakup kesalahan tertinggal harus diestimasi dengan metode optimasi nonlinier (8220 climb-climbing8221) daripada hanya dengan memecahkan sistem persamaan. Akronim ARIMA adalah singkatan Auto-Regressive Integrated Moving Average. Lags dari rangkaian stasioner dalam persamaan peramalan disebut istilah quotautoregressivequot, kelambatan kesalahan perkiraan disebut istilah kuotasi rata-rata quotmoving average, dan deret waktu yang perlu dibedakan untuk dijadikan stasioner disebut versi seri integimental dari seri stasioner. Model random-walk dan random-trend, model autoregresif, dan model pemulusan eksponensial adalah kasus khusus model ARIMA. Model ARIMA nonseasonal diklasifikasikan sebagai model quotARIMA (p, d, q) quot, di mana: p adalah jumlah istilah autoregresif, d adalah jumlah perbedaan nonseasonal yang diperlukan untuk stasioneritas, dan q adalah jumlah kesalahan perkiraan yang tertinggal dalam Persamaan prediksi Persamaan peramalan dibangun sebagai berikut. Pertama, izinkan y menunjukkan perbedaan D dari Y. yang berarti: Perhatikan bahwa perbedaan kedua Y (kasus d2) bukanlah selisih 2 periode yang lalu. Sebaliknya, ini adalah perbedaan pertama-perbedaan-dari-pertama. Yang merupakan analog diskrit turunan kedua, yaitu akselerasi lokal dari seri daripada tren lokalnya. Dalam hal y. Persamaan peramalan umum adalah: Disini parameter rata-rata bergerak (9528217s) didefinisikan sehingga tanda-tanda mereka negatif dalam persamaan, mengikuti konvensi yang diperkenalkan oleh Box dan Jenkins. Beberapa penulis dan perangkat lunak (termasuk bahasa pemrograman R) mendefinisikannya sehingga mereka memiliki tanda plus. Bila nomor aktual dicolokkan ke dalam persamaan, tidak ada ambiguitas, tapi penting untuk mengetahui konvensi mana yang digunakan perangkat lunak Anda saat Anda membaca hasilnya. Seringkali parameter dilambangkan dengan AR (1), AR (2), 8230, dan MA (1), MA (2), 8230 dll. Untuk mengidentifikasi model ARIMA yang sesuai untuk Y. Anda memulai dengan menentukan urutan differencing (D) perlu membuat stasioner seri dan menghilangkan fitur musiman musiman, mungkin bersamaan dengan transformasi yang menstabilkan varians seperti penebangan atau pengapuran. Jika Anda berhenti pada titik ini dan meramalkan bahwa rangkaian yang berbeda adalah konstan, Anda hanya memiliki model acak berjalan atau acak acak. Namun, rangkaian stationarized masih memiliki kesalahan autokorelasi, menunjukkan bahwa beberapa jumlah istilah AR (p 8805 1) dan beberapa istilah MA (q 8805 1) juga diperlukan dalam persamaan peramalan. Proses penentuan nilai p, d, dan q yang terbaik untuk rangkaian waktu tertentu akan dibahas di bagian catatan selanjutnya (yang tautannya berada di bagian atas halaman ini), namun pratinjau beberapa jenis Model ARIMA nonseasonal yang biasa dijumpai diberikan di bawah ini. ARIMA (1,0,0) model autoregresif orde pertama: jika seri stasioner dan autokorelasi, mungkin dapat diprediksi sebagai kelipatan dari nilai sebelumnya, ditambah konstanta. Persamaan peramalan dalam kasus ini adalah 8230 yang Y regresi pada dirinya sendiri tertinggal oleh satu periode. Ini adalah model konstanta 8220ARIMA (1,0,0) constant8221. Jika mean Y adalah nol, maka istilah konstan tidak akan disertakan. Jika koefisien kemiringan 981 1 positif dan kurang dari 1 besarnya (harus kurang dari 1 dalam besaran jika Y adalah stasioner), model tersebut menggambarkan perilaku rata-rata pada nilai periodisasi berikutnya yang diperkirakan akan menjadi 981 1 kali sebagai Jauh dari mean sebagai nilai periode ini. Jika 981 1 negatif, ia memprediksi perilaku rata-rata dengan alternasi tanda, yaitu juga memprediksi bahwa Y akan berada di bawah rata-rata periode berikutnya jika berada di atas rata-rata periode ini. Dalam model autoregresif orde kedua (ARIMA (2,0,0)), akan ada istilah Y t-2 di sebelah kanan juga, dan seterusnya. Bergantung pada tanda dan besaran koefisien, model ARIMA (2,0,0) bisa menggambarkan sistem yang pembalikan rata-rata terjadi dengan mode sinusoidal oscillating, seperti gerak massa pada pegas yang mengalami guncangan acak. . ARIMA (0,1,0) berjalan acak: Jika seri Y tidak stasioner, model yang paling sederhana untuk model ini adalah model jalan acak, yang dapat dianggap sebagai kasus pembatas model AR (1) dimana autoregresif Koefisien sama dengan 1, yaitu deret dengan reversi mean yang jauh lebih lambat. Persamaan prediksi untuk model ini dapat ditulis sebagai: di mana istilah konstan adalah perubahan periode-ke-periode rata-rata (yaitu drift jangka panjang) di Y. Model ini dapat dipasang sebagai model regresi yang tidak mencegat dimana Perbedaan pertama Y adalah variabel dependen. Karena hanya mencakup perbedaan nonseasonal dan istilah konstan, model ini diklasifikasikan sebagai model quotARIMA (0,1,0) dengan konstan. Model random-walk-without - drift akan menjadi ARIMA (0,1, 0) model tanpa ARIMA konstan (1,1,0) model autoregresif orde satu yang terdesentralisasi: Jika kesalahan model jalan acak diobot dengan autokorelasi, mungkin masalahnya dapat diperbaiki dengan menambahkan satu lag variabel dependen ke persamaan prediksi - - yaitu Dengan mengundurkan diri dari perbedaan pertama Y pada dirinya sendiri yang tertinggal satu periode. Ini akan menghasilkan persamaan prediksi berikut: yang dapat diatur ulang menjadi Ini adalah model autoregresif orde pertama dengan satu urutan perbedaan nonseasonal dan istilah konstan - yaitu. Model ARIMA (1,1,0). ARIMA (0,1,1) tanpa perataan eksponensial sederhana: Strategi lain untuk memperbaiki kesalahan autokorelasi dalam model jalan acak disarankan oleh model pemulusan eksponensial sederhana. Ingatlah bahwa untuk beberapa seri waktu nonstasioner (misalnya yang menunjukkan fluktuasi yang bising di sekitar rata-rata yang bervariasi secara perlahan), model jalan acak tidak berjalan sebaik rata-rata pergerakan nilai masa lalu. Dengan kata lain, daripada mengambil pengamatan terbaru sebagai perkiraan pengamatan berikutnya, lebih baik menggunakan rata-rata beberapa pengamatan terakhir untuk menyaring kebisingan dan memperkirakan secara lebih akurat mean lokal. Model pemulusan eksponensial sederhana menggunakan rata-rata pergerakan rata-rata tertimbang eksponensial untuk mencapai efek ini. Persamaan prediksi untuk model smoothing eksponensial sederhana dapat ditulis dalam sejumlah bentuk ekuivalen matematis. Salah satunya adalah bentuk koreksi yang disebut 8220error correction8221, dimana ramalan sebelumnya disesuaikan dengan kesalahan yang dibuatnya: Karena e t-1 Y t-1 - 374 t-1 menurut definisinya, ini dapat ditulis ulang sebagai : Yang merupakan persamaan peramalan ARIMA (0,1,1) - tanpa perkiraan konstan dengan 952 1 1 - 945. Ini berarti bahwa Anda dapat menyesuaikan smoothing eksponensial sederhana dengan menentukannya sebagai model ARIMA (0,1,1) tanpa Konstan, dan perkiraan koefisien MA (1) sesuai dengan 1-minus-alpha dalam formula SES. Ingatlah bahwa dalam model SES, rata-rata usia data dalam prakiraan 1 periode adalah 1 945. yang berarti bahwa mereka cenderung tertinggal dari tren atau titik balik sekitar 1 945 periode. Dengan demikian, rata-rata usia data dalam prakiraan 1-periode-depan model ARIMA (0,1,1) - tanpa konstan adalah 1 (1 - 952 1). Jadi, misalnya, jika 952 1 0,8, usia rata-rata adalah 5. Karena 952 1 mendekati 1, model ARIMA (0,1,1) - tanpa model konstan menjadi rata-rata bergerak jangka-panjang, dan sebagai 952 1 Pendekatan 0 menjadi model random-walk-without-drift. Apa cara terbaik untuk memperbaiki autokorelasi: menambahkan istilah AR atau menambahkan istilah MA Dalam dua model sebelumnya yang dibahas di atas, masalah kesalahan autokorelasi dalam model jalan acak diperbaiki dengan dua cara yang berbeda: dengan menambahkan nilai lag dari seri yang berbeda Ke persamaan atau menambahkan nilai tertinggal dari kesalahan perkiraan. Pendekatan mana yang terbaik Aturan praktis untuk situasi ini, yang akan dibahas lebih rinci nanti, adalah bahwa autokorelasi positif biasanya paling baik ditangani dengan menambahkan istilah AR ke model dan autokorelasi negatif biasanya paling baik ditangani dengan menambahkan MA istilah. Dalam deret waktu bisnis dan ekonomi, autokorelasi negatif sering muncul sebagai artefak differencing. (Secara umum, differencing mengurangi autokorelasi positif dan bahkan dapat menyebabkan perubahan dari autokorelasi positif ke negatif.) Jadi, model ARIMA (0,1,1), di mana perbedaannya disertai dengan istilah MA, lebih sering digunakan daripada Model ARIMA (1,1,0). ARIMA (0,1,1) dengan perataan eksponensial sederhana konstan dengan pertumbuhan: Dengan menerapkan model SES sebagai model ARIMA, Anda benar-benar mendapatkan fleksibilitas. Pertama, perkiraan koefisien MA (1) dibiarkan negatif. Ini sesuai dengan faktor pemulusan yang lebih besar dari 1 dalam model SES, yang biasanya tidak diizinkan oleh prosedur pemasangan model SES. Kedua, Anda memiliki pilihan untuk memasukkan istilah konstan dalam model ARIMA jika Anda mau, untuk memperkirakan tren nol rata-rata. Model ARIMA (0,1,1) dengan konstanta memiliki persamaan prediksi: Prakiraan satu periode dari model ini secara kualitatif serupa dengan model SES, kecuali bahwa lintasan perkiraan jangka panjang biasanya adalah Garis miring (kemiringannya sama dengan mu) bukan garis horizontal. ARIMA (0,2,1) atau (0,2,2) tanpa pemulusan eksponensial linier konstan: Model pemulusan eksponensial linier adalah model ARIMA yang menggunakan dua perbedaan nonseason dalam hubungannya dengan persyaratan MA. Perbedaan kedua dari seri Y bukan hanya perbedaan antara Y dan dirinya tertinggal dua periode, namun ini adalah perbedaan pertama dari perbedaan pertama - i. Perubahan perubahan Y pada periode t. Jadi, perbedaan kedua Y pada periode t sama dengan (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Perbedaan kedua dari fungsi diskrit sama dengan turunan kedua dari fungsi kontinyu: ia mengukur kuotasi kuadrat atau quotcurvaturequot dalam fungsi pada suatu titik waktu tertentu. Model ARIMA (0,2,2) tanpa konstan memprediksi bahwa perbedaan kedua dari rangkaian sama dengan fungsi linier dari dua kesalahan perkiraan terakhir: yang dapat disusun ulang sebagai: di mana 952 1 dan 952 2 adalah MA (1) dan MA (2) koefisien. Ini adalah model pemulusan eksponensial linear umum. Dasarnya sama dengan model Holt8217s, dan model Brown8217s adalah kasus khusus. Ini menggunakan rata-rata pergerakan tertimbang eksponensial untuk memperkirakan tingkat lokal dan tren lokal dalam rangkaian. Perkiraan jangka panjang dari model ini menyatu dengan garis lurus yang kemiringannya bergantung pada tren rata-rata yang diamati menjelang akhir rangkaian. ARIMA (1,1,2) tanpa perataan eksponensial eksponensial yang terfragmentasi. Model ini diilustrasikan pada slide yang menyertainya pada model ARIMA. Ini mengekstrapolasikan tren lokal di akhir seri namun meratakannya pada cakrawala perkiraan yang lebih panjang untuk memperkenalkan catatan konservatisme, sebuah praktik yang memiliki dukungan empiris. Lihat artikel di quotWhy the Damped Trend karyaquot oleh Gardner dan McKenzie dan artikel quotGolden Rulequot oleh Armstrong dkk. Untuk rinciannya. Umumnya disarankan untuk tetap berpegang pada model di mana setidaknya satu dari p dan q tidak lebih besar dari 1, yaitu jangan mencoba menyesuaikan model seperti ARIMA (2,1,2), karena hal ini cenderung menyebabkan overfitting. Dan isu-isu kuotom-faktorquot yang dibahas secara lebih rinci dalam catatan tentang struktur matematis model ARIMA. Implementasi Spreadsheet: Model ARIMA seperti yang dijelaskan di atas mudah diterapkan pada spreadsheet. Persamaan prediksi adalah persamaan linier yang mengacu pada nilai-nilai masa lalu dari rangkaian waktu asli dan nilai kesalahan masa lalu. Dengan demikian, Anda dapat membuat spreadsheet peramalan ARIMA dengan menyimpan data di kolom A, rumus peramalan pada kolom B, dan kesalahan (data minus prakiraan) di kolom C. Rumus peramalan pada sel biasa di kolom B hanya akan menjadi Sebuah ekspresi linier yang mengacu pada nilai-nilai pada baris-kolom sebelumnya dari kolom A dan C, dikalikan dengan koefisien AR atau MA yang sesuai yang tersimpan dalam sel di tempat lain pada spreadsheet. Tampilan 8 Daftar Fitur EViews 8 menawarkan beragam fitur canggih untuk penanganan data, statistik dan Analisis ekonometri, peramalan dan simulasi, penyajian data, dan pemrograman. Meskipun kami tidak dapat mencantumkan semuanya, daftar berikut ini menawarkan sekilas fitur EView yang penting: Penanganan Data Dasar Label angka numerik, alfanumerik (string), dan label tanggal. Ekstensif perpustakaan operator dan statistik, matematika, tanggal dan fungsi string. Bahasa yang kuat untuk penanganan ekspresi dan transformasi data yang ada menggunakan operator dan fungsi. Sampel dan objek sampel memudahkan pemrosesan pada himpunan bagian data. Dukungan untuk struktur data yang kompleks termasuk data tanggal reguler, data tanggal tidak teratur, data cross-section dengan pengenal observasi, tanggal, dan panel data yang tidak bertanggal. Multi-halaman workfiles. EViews asli, berbasis disk database menyediakan fitur query yang kuat dan integrasi dengan EViews workfiles. Mengkonversi data antara EViews dan berbagai format spreadsheet, statistik, dan database, termasuk (namun tidak terbatas pada): File Microsoft Access dan Excel (termasuk. XSLX dan. XLSM), file Dataset Gauss, file SAS Transport, file asli dan portabel SPSS, File stata, teks ASCII yang diformat mentah atau file biner, HTML, atau database dan kueri ODBC (dukungan ODBC disediakan hanya di Edisi Enterprise). Dukungan OLE untuk menghubungkan keluaran EViews, termasuk tabel dan grafik, ke paket lain, termasuk Microsoft Excel, Word dan Powerpoint. Dukungan OLEDB untuk membaca workfiles dan database EViews menggunakan klien atau program kustom OLEDB. Dukungan untuk database FRED (Data Data Federal Reserve). Edisi Enterprise mendukung basis data Global Insight DRIPro dan DRIBase, Haver Analytics DLX, FAME, EcoWin, Datastream, FactSet, dan Moodys. EViews Microsoft Excel Add-in memungkinkan Anda untuk menghubungkan atau mengimpor data dari workfiles dan database EViews dari dalam Excel. Dukungan drag and drop untuk membaca data cukup menjatuhkan file ke EViews untuk konversi data asing secara otomatis ke format workfile EViews. Alat yang ampuh untuk membuat halaman kerja baru dari nilai dan tanggal dalam rangkaian yang ada. Cocokkan penggabung, gabung, tambahkan, subset, ubah ukuran, urut, dan buat ulang (tumpukan dan hapuskan) file kerja. Konversi frekuensi otomatis yang mudah digunakan saat menyalin atau menghubungkan data antar halaman dengan frekuensi yang berbeda. Konversi frekuensi dan penggabungan kecocokan mendukung pemutakhiran dinamis kapan pun perubahan data menjadi mendasar. Auto-update seri formula yang secara otomatis menghitung ulang setiap kali perubahan data mendasar. Konversi frekuensi yang mudah digunakan, cukup salin atau tautkan data antar halaman dengan frekuensi yang berbeda. Alat untuk resampling dan generasi bilangan acak untuk simulasi. Pembangkitan bilangan acak untuk 18 fungsi distribusi berbeda menggunakan tiga generator bilangan acak yang berbeda. Penanganan Data Seri Waktu Dukungan terpadu untuk menangani tanggal dan data deret waktu (reguler dan tidak teratur). Dukungan untuk data frekuensi reguler reguler (Tahunan, Semi-tahunan, Triwulanan, Bulanan, Dua Belas, Minggu, Sepuluh hari, mingguan, harian - 5 hari seminggu, harian - 7 hari seminggu). Dukungan untuk data frekuensi tinggi (intraday), memungkinkan frekuensi berjam-jam, menit, dan detik. Selain itu, ada sejumlah frekuensi reguler yang jarang dijumpai, termasuk Multi-year, Bimonthly, Fortnight, Ten-Day, dan Daily dengan rentang waktu yang sewenang-wenang dalam sehari. Fungsi dan operator seri waktu khusus: tertinggal, perbedaan, perbedaan log, moving averages, dll. Konversi frekuensi: beragam tinggi ke rendah dan rendah ke tinggi. Perataan eksponensial: single, double, Holt-Winters, dan ETS smoothing. Alat built-in untuk memutihkan regresi. Penyaringan Hodrick-Prescott. Filter band-pass (frekuensi): Baxter-King, Christiano-Fitzgerald tetap panjang dan filter asimetris sampel penuh. Penyesuaian musiman: Sensus X-13, X-12-ARIMA, TramoSeats, moving average. Interpolasi untuk mengisi nilai yang hilang dalam rangkaian: Linear, Log-Linear, Catmull-Rom Spline, Cardinal Spline. Statistik Ringkasan data dasar oleh-kelompok ringkasan. Pengujian kesetaraan: uji-t, ANOVA (seimbang dan tidak seimbang, dengan atau tanpa varian heteroskedastis), Wilcoxon, Mann-Whitney, Median Chi-square, Kruskal-Wallis, van der Waerden, uji-F, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe. Tabulasi tabulasi satu arah dengan ukuran asosiasi (Koefisien Phi, Cramers V, Koefisien Kontingensi) dan uji kemandirian (Pearson Chi-Square, Likelihood Ratio G2). Kovarian dan analisis korelasi termasuk Pearson, rank rank Spearman, Kendalls tau-a dan tau-b dan analisis parsial. Analisis komponen utama meliputi plot scree, biplots dan plot pemuatan, dan perhitungan nilai komponen tertimbang. Analisis faktor yang memungkinkan perhitungan ukuran asosiasi (termasuk kovariansi dan korelasi), taksiran keunikan, estimasi pemuatan faktor dan nilai faktor, serta melakukan estimasi diagnostik dan rotasi faktor dengan menggunakan satu dari lebih 30 metode ortogonal dan miring yang berbeda. Fungsi Distribusi Empiris (EDF) Pengujian untuk distribusi Normal, Eksponensial, Ekstrim, Logistik, Chi-kuadrat, Weibull, atau Gamma (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson). Histogram, Frekuensi Poligon, Poligon Frekuensi Tepi, Histogram Bergeser Rata-rata, CDF-survivor-quantile, Quantile-Quantile, kepadatan kernel, distribusi teoretis yang sesuai, kotak petir. Scatterplots dengan garis regresi parametrik dan non-parametrik (LOWESS, polynomial lokal), regresi kernel (Nadaraya-Watson, lokal linier, polinomial lokal). Atau elips kepercayaan. Autokorelasi Seri Waktu, autokorelasi parsial, korelasi silang, statistik-Q. Uji kausalitas Granger, termasuk kausalitas kausal Granger. Uji akar unit: Augmented Dickey-Fuller, GLS mengubah Dickey-Fuller, Phillips-Perron, KPSS, Optimal Eliot-Richardson-Point Optimal, Ng-Perron. Tes kointegrasi: Johansen, Engle-Granger, Phillips-Ouliaris, Park menambahkan variabel, dan stabilitas Hansen. Tes kemandirian: Tes rasio Ragam Brock, Dechert, Scheinkman dan LeBaron: Lo dan MacKinlay, bootstrap Kim liar, peringkat Wrights, skor rangking dan tanda tangan. Wald dan beberapa rasio varians rasio perbandingan (Richardson dan Smith, Chow dan Denning). Perhitungan varians dan kovarians jangka panjang: kovarian jangka panjang simetris atau atau satu sisi menggunakan kernel nonparametrik (Newey-West 1987, Andrews 1991), parametrik VARHAC (Den Haan dan Levin 1997), dan kernel yang diprakarsai (Andrews dan Monahan 1992) Metode. Selain itu, EViews mendukung metode pemilihan bandwidth otomatis Marshall (1991) dan Newey-West (1994) untuk estimator kernel, dan kriteria informasi berdasarkan metode pemilihan panjang lag untuk perkiraan VARHAC dan prewhitening. Statistik berdasarkan panel dan kolam renang dan berdasarkan statistik. Tes akar unit: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri. Tes kointegrasi: Pedroni, Kao, Maddala dan Wu. Panel dalam kovarian seri dan komponen utama. Dumitrescu-Hurlin (2012) uji kausalitas panel. Estimasi Regresi Linear dan nonlinear ordinary least squares (multiple regression). Regresi linier dengan PDL pada sejumlah variabel independen. Regresi kuat Turunan analitik untuk estimasi nonlinier. Kotak terkecil tertimbang Kesalahan standar putih dan Newey-West kuat. Kesalahan standar HAC dapat dihitung dengan menggunakan kernel nonparametrik, parametrik VARHAC, dan metode kernel yang telah digunakan sebelumnya, dan memungkinkan metode seleksi bandwidth Andrews dan Newey-West untuk penduga kernel, dan kriteria berdasarkan metode pemilihan panjang jeda untuk estimasi VARHAC dan prewhitening. Regresi kuantum linier dan penyimpangan absolut (LAD), termasuk perhitungan kortikosterase Hubers Sandwich dan bootstrap. Regresi bertahap dengan 7 macam prosedur seleksi. ARMA dan ARMAX Model linier dengan moving average autoregresif, autoregresif musiman, dan kesalahan rata-rata pergerakan musiman. Model nonlinier dengan spesifikasi AR dan SAR. Estimasi menggunakan metode backcasting Box dan Jenkins, atau dengan metode kuadrat bersyarat. Variabel Instrumental dan GMM Linear dan nonlinear two-stage least squaresinstrumental variables (2SLSIV) dan generalised method of Moments (GMM) estimasi. Estimasi linear dan nonlinear 2SLSIV dengan kesalahan AR dan SAR. Informasi Terbatas Maximum Likelihood (LIML) dan estimasi K-class. Berbagai spesifikasi matriks bobot GMM (White, HAC, User-provided) dengan kontrol terhadap iterasi matriks bobot. Pilihan estimasi GMM termasuk terus memperbarui estimasi (CUE), dan sejumlah opsi kesalahan standar baru, termasuk kesalahan standar Windmeijer. Diagnostik khusus IVGMM meliputi Uji Orthogonal Instrumen, Uji Endogeneitas Regresor, Uji Instrumen Lemah, dan uji breakpoint spesifik GMM ARCHGARCH GARCH (p, q), GANDA, TARCH, Komponen GARCH, Power ARCH, GARCH Terintegrasi. Persamaan mean linier atau nonlinier dapat mencakup istilah ARCH dan ARMA, baik persamaan mean dan varians yang memungkinkan variabel eksogen. Normal, Student t, dan Generalized Error Distributions. Bollerslev-Wooldridge kesalahan standar yang kuat. In-dan out-of sample prakiraan varians bersyarat dan mean, dan komponen permanen. Model Variabel Ketergantungan Terbatas Binary Logit, Probit, dan Gompit (Nilai Ekstrim). Memerintahkan Logit, Probit, dan Gompit (Nilai Ekstrim). Model disensor dan terpotong dengan kesalahan nilai normal, logistik, dan ekstrim (Tobit, dll.). Hitunglah model dengan spesifikasi Poisson, negative binomial, dan quasi-maximum likelihood (QML). Model Seleksi Heckman. Kesalahan standar kuat HuberWhite. Model hitungan mendukung model linier umum atau kesalahan standar QML. Hosmer-Lemeshow dan Andrews Goodness-of-Fit untuk pengujian model biner. Mudah menyimpan hasil (termasuk residu dan gradien umum) ke objek EView baru untuk analisis lebih lanjut. Mesin estimasi GLM umum dapat digunakan untuk memperkirakan beberapa model ini, dengan opsi untuk memasukkan kovariansi yang kuat. Panel DataPooled Time Series, Cross-Sectional Data Linear dan estimasi nonlinier dengan penampang melintang dan efek tetap atau acak. Pilihan estimator kuadratik yang tidak bias (QUEs) untuk varians komponen dalam model efek acak: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn. Estimasi 2SLSIV dengan penampang melintang dan efek tetap atau acak. Estimasi dengan kesalahan AR menggunakan kuadrat terkecil nonlinear pada spesifikasi yang ditransformasikan. Kuadrat terkecil yang umum, estimasi 2SLSIV umum, estimasi GMM yang memungkinkan spesifikasi cross-section atau period heteroskedastic dan berkorelasi. Penaksiran data panel dinamis dengan menggunakan perbedaan pertama atau penyimpangan ortogonal dengan instrumen spesifik periode tertentu (Arellano-Bond). Tes korelasi serial panel (Arellano-Bond). Perhitungan kesalahan standar yang kuat mencakup tujuh jenis kesalahan standar White and Panel-corrected standard (PCSE) yang kuat. Pengujian batasan koefisien, variabel yang dihilangkan dan berlebihan, Hausman menguji efek acak berkorelasi. Unit uji akar unit: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, uji tipe Fisher menggunakan tes ADF dan PP (Maddala-Wu, Choi), Hadri. Perkiraan kointegrasi panel: OLS yang dimodifikasi sepenuhnya (FMOLS, Pedroni 2000) atau Kotak Terkenal Biasa Dinamis (DOLS, Kao dan Chaing 2000, Mark dan Sul 2003). Model Linear Generalized Normal, Poisson, Binomial, Binomial Negatif, Gamma, Inverse Gaussian, Exponential Mena, Mean Power, Keluarga Squate Binomial. Identitas, log, log-complement, logit, probit, log-log, log-log gratis, invers, power, rasio odds daya, Box-Cox, Rasio Box-Cox odds ratio. Perbedaan varians dan frekuensi sebelumnya. Spesifikasi dispersi fixed, Pearson Chi-Sq, penyimpangan, dan spesifikasi dispersi yang ditentukan pengguna. Dukungan untuk estimasi QML dan pengujian. Quadratic Hill Climbing, Newton-Raphson, IRLS - Fisher Scoring, dan algoritma estimasi BHHH. Kovarian koefisien biasa dihitung dengan menggunakan Hessian yang diharapkan atau diamati atau produk luar gradien. Perkiraan kovariansi yang kuat menggunakan metode GLM, HAC, atau HuberWhite. Single Equation Cointegrating Regression Support untuk tiga metode estimasi yang sangat efisien, OLS yang dimodifikasi sepenuhnya (Phillips dan Hansen 1992), Canonical Cointegrating Regression (Park 1992), dan Dynamic OLS (Saikkonen 1992, Stock dan Watson 1993 Engle dan Granger (1987) dan Phillips dan Ouliaris (1990) uji berbasis residual, uji ketidakstabilan Hansens (1992b), dan Parks (1992) menambahkan uji variabel. Spesifikasi fleksibel dari trend dan deterministik regresor dalam persamaan dan spesifikasi regresi kointegrasi. Estimasi fitur lengkap varians jangka panjang untuk FMOLS dan CCR Pemilihan jeda otomatis atau tetap untuk kelambatan DOLS dan lead dan untuk regresi pemutihan varians jangka panjang. Rescaled OLS dan perhitungan error standar yang kuat untuk DOLS. Kemungkinan Maksimum yang Ditentukan Pengguna Gunakan ekspresi seri EViews standar untuk menjelaskan kemungkinan log kontribusi. Contoh untuk logit multinomial dan kondisional, model transformasi Box-Cox, model peralihan disekuilibrium, model probit S dengan kesalahan heteroskedastis, nested logit, pemilihan sampel Heckman, dan model bahaya Weibull. Sistem Persamaan Estimasi linier dan nonlinear. Kuadrat terkecil, 2SLS, estimasi bobot rata-rata, Regresi yang Tidak Terkait, Kuadrat Kuadrat Tiga Tahap dengan matriks pembobotan White dan HAC. Estimasi AR menggunakan kuadrat terkecil nonlinear pada spesifikasi yang ditransformasikan. Informasi Lengkap Kemungkinan Maksimum (FIML). Perkirakan faktor struktural dalam VARs dengan menerapkan pembatasan jangka pendek atau jangka panjang. Bayesian VARs. Fungsi respon impuls dalam berbagai format tabel dan grafik dengan kesalahan standar dihitung secara analitis atau dengan metode Monte Carlo. Guncangan respon impuls dihitung dari faktorisasi Cholesky, residu deviasi satu unit atau satu standar (mengabaikan korelasi), impuls umum, faktorisasi struktural, atau bentuk vectormatrix yang ditentukan pengguna. Menerapkan dan menguji batasan linier pada hubungan kointegrasi dan dan koefisien penyesuaian dalam model VEC. Melihat atau menghasilkan hubungan kointegrasi dari model VEC yang diperkirakan. Diagnostik ekstensif termasuk: uji kausalitas Granger, uji pengecualian lag bersama, evaluasi kriteria jeda lag, uji korelasi, autokorelasi, normalitas dan heteroskedastisitas, uji kointegrasi, diagnostik multivariat lainnya. Korelasi Konstruktif Bersyarat Multivariat (p, q), Diagonal VECH (p, q), diagonal BEKK (p, q), dengan istilah asimetris. Pilihan parameterisasi yang ekstensif untuk matriks koefisien VEKS Diagonal. Variabel eksogen yang diizinkan dalam mean dan varians persamaan nonlinier dan persyaratan AR diperbolehkan dalam persamaan rata-rata. Bollerslev-Wooldridge kesalahan standar yang kuat. Normal atau Student t multivariate error distribution Pilihan derivatif numerik analitik atau (cepat atau lambat). (Analytics derivatif tidak tersedia untuk beberapa model yang kompleks.) Menghasilkan kovarians, varians, atau korelasi dalam berbagai format tabel dan grafik dari model ARCH yang diperkirakan. Algoritma State Space Kalman untuk memperkirakan model struktural single-and multiequation yang ditentukan pengguna. Variabel eksogen dalam persamaan negara dan spesifikasi varians sepenuhnya parameter. Buat satu langkah di depan, filter, atau penghalusan sinyal, keadaan, dan kesalahan. Contohnya meliputi parameter time-varying, ARMA multivariat, dan model volatilitas stokastik quasilikelihood. Testing and Evaluation Actual, pas, residual plots. Uji Wald untuk pembedaan koefisien linier dan nonlinier elastisitas kepercayaan menunjukkan wilayah kepercayaan bersama dari dua fungsi parameter yang diperkirakan. Diagnostik koefisien lainnya: koefisien standar dan elastisitas koefisien, interval kepercayaan, faktor inflasi varian, dekomposisi varians koefisien. Variabel LR terlewati dan berlebihan, korelasi residual residual dan kuadrat dan statistik Q, korelasi serial residual dan uji ARCH LM. Tes heteroskedastisitas White, Breusch-Pagan, Godfrey, Harvey dan Glejser. Diagnostik stabilitas: uji breakpoint dan perkiraan Chow, tes breakpoint Quandt-Andrews yang tidak diketahui, uji breakpoint Bai-Perron, tes RESET Ramsey, estimasi rekursif OLS, statistik pengaruh, plot leverage. Diagnosa persamaan ARMA: grafik atau tabel akar invers dari polinomial AR andor MA, membandingkan pola autokorelasi teoritis (perkiraan) dengan pola korelasi aktual untuk residu struktural, menampilkan respon impuls ARMA terhadap kejutan inovasi dan frekuensi ARMA spektrum. Mudah menyimpan hasil (koefisien, koefisien matriks kovarian, residu, gradien, dll.) Ke objek EView untuk analisis lebih lanjut. Lihat juga Estimasi dan Sistem Persamaan untuk prosedur pengujian khusus tambahan. Peramalan dan Simulasi Peramalan statis atau dinamis di luar perkiraan dari perkiraan objek persamaan dengan perhitungan kesalahan standar ramalan. Grafik perkiraan dan evaluasi perkiraan sampel: RMSE, MAE, MAPE, Koefisien Ketidaksamaan Theil dan proporsi alat bangunan model state-of-the-art untuk peramalan beberapa persamaan dan simulasi multivariat. Model persamaan dapat dimasukkan dalam teks atau sebagai link untuk memperbarui otomatis pada re-estimasi. Tampilkan struktur ketergantungan atau variabel endogen dan eksogen dari persamaan Anda. Gauss-Seidel, pemecah model Broyden dan Newton untuk simulasi stokastik dan stochastic. Solusi forward non-stokastik memecahkan harapan model yang konsisten. Simulasi Stochasitc dapat menggunakan residu bootstrap. Selesaikan masalah kontrol sehingga variabel endogen mencapai target yang ditentukan pengguna. Normalisasi persamaan yang canggih, menambahkan faktor dan mengesampingkan dukungan. Mengelola dan membandingkan beberapa skenario solusi yang melibatkan berbagai rangkaian asumsi. Tampilan dan tampilan model built-in menampilkan hasil simulasi dalam bentuk grafis atau tabular. Grafik dan Tabel Garis, titik petak, area, bar, spike, musiman, pie, xy-line, scatterplots, boxplots, error bar, high-low-open-close, dan area band. Grafik kategoris dan ringkasan yang kuat dan mudah digunakan. Memperbarui otomatis grafik yang memperbarui sebagai perubahan data mendasar. Pengamatan info dan tampilan nilai saat Anda mengarahkan kursor ke titik pada grafik. Histogram, sejarah bergeser rata-rata, poligon frekuensi, poligon frekuensi tepi, kotak petak, kerapatan kernel, distribusi teoretis yang sesuai, kotak peti, CDF, survivor, quantile, quantile-quantile. Scatterplots dengan kombinasi parametrik dan nonparametrik kernel (Nadaraya-Watson, lokal linier, polinomial lokal) dan tetangga terdekat (LOWESS) garis regresi, atau elips kepercayaan. Customization point-and-click atau command-based. Ekstensif penyesuaian latar belakang grafik, bingkai, legenda, sumbu, penskalaan, garis, simbol, teks, bayangan, pudar, dengan fitur grafik grafik yang disempurnakan. Tabel kustomisasi dengan kontrol atas sel font wajah, ukuran, dan warna, warna latar belakang sel dan perbatasan, penggabungan, dan anotasi. Salin dan tempel grafik ke aplikasi Windows lainnya, atau simpan grafik sebagai metafiles biasa atau metafile Windows, encapsulated file PostScript, bitmap, GIF, PNGs atau JPGs. Salin dan tempel tabel ke aplikasi lain atau simpan ke file RTF, HTML, atau teks. Mengelola grafik dan tabel bersama dalam objek spul yang memungkinkan Anda menampilkan banyak hasil dan analisis dalam satu objek Perintah dan Pemrograman Bahasa perintah berorientasi objek menyediakan akses ke item menu Batch eksekusi perintah dalam file program. Looping dan kondisi percabangan, subrutin, dan pengolahan makro. Objek vektor string dan string untuk pemrosesan string. Ekstensif perpustakaan string dan daftar string fungsi. Dukungan matriks yang luas: manipulasi matriks, perkalian, inversi, produk Kronecker, solusi eigenvalue, dan dekomposisi nilai singular. Antarmuka Eksternal dan Add-Ins EViews Dukungan server otomasi COM sehingga program eksternal atau skrip dapat meluncurkan atau mengendalikan EViews, mentransfer data, dan menjalankan perintah EViews. EViews menawarkan aplikasi dukungan klien COM Automation untuk server MATLAB dan R sehingga EViews dapat digunakan untuk meluncurkan atau mengendalikan aplikasi, mentransfer data, atau menjalankan perintah. EViews Microsoft Excel Add-in menawarkan antarmuka sederhana untuk mengambil dan menghubungkan dari dalam Microsoft Excel (2000 dan yang lebih baru) ke objek seri dan matriks yang tersimpan dalam workfiles dan database EViews. Infrastruktur Add-in EViews menawarkan akses tanpa batas ke program yang ditentukan pengguna menggunakan perintah, menu EViews standar, dan antarmuka objek. Download dan instal add-in standar dari situs web EViews. Untuk informasi penjualan silahkan email saleseviews Untuk dukungan teknis silahkan email supporteviews Mohon sertakan nomor seri anda dengan semua korespondensi email. Untuk informasi kontak tambahan, lihat halaman Tentang kami. Perluasan Layanan Konsultasi dan Pertambangan Data Apakah Anda menghadapi tantangan ini Kebutuhan untuk membuat makro Excel untuk melakukan tugas utama Pekerjaan berulang di Excel yang memerlukan waktu berjam-jam atau hari untuk dilakukan secara manual. Diminta untuk membuat makro Excel untuk memecahkan kebutuhan utama Kebutuhan untuk mengubah data mentah menjadi format Excel yang berguna Kebutuhan untuk membuat makro Excel untuk digunakan oleh banyak orang di perusahaan Anda Batas waktu yang ketat Layanan kami mencakup namun tidak terbatas pada: Database Pemrograman Laporan Otomasi Pelaporan Manipulasi Data dan Konversi Database Pemasaran Data Audit Excel Pemrograman VBA Data Pembersihan Data Pertambangan dan Peramalan Integrasi Data Pemodelan Keuangan Kalkulator Kueri dan Alat Fungsi Excel yang Disesuaikan Spreadsheet dan Perancangan Basis Data Jika Anda, kami dapat membantu Anda Kami dapat: Lakukan dengan kualitas Tugas mulai dari yang sederhana sampai yang sulit. Sarankan perbaikan dan penyempurnaan. Lakukan untuk pekerjaan kecil dan besar. Lakukan dengan biaya yang masuk akal. Kirimkan makro dengan cepat dan tepat waktu. Read More Ambil langkah selanjutnya dan hubungi kami. Hanya perlu beberapa menit: Gunakan formulir kontak kami untuk menghubungi kami mengenai layanan konsultasi dan data Excel kami. Beri kami penjelasan singkat tentang kebutuhan Anda. Hubungi Anda dalam beberapa jam dalam banyak kasus. Testimonial Solusi Bisnis Excel memberikan dukungan yang andal dan profesional dalam hal pengembangan alat untuk manajer proyek di perusahaan kami. Fakta bahwa Anthony dan timnya berhasil memberikan solusi untuk tugas kompleks membuatnya menjadi pakar TI yang tak ternilai harganya. Saya sangat merekomendasikan Solusi Bisnis Excel - Batoor Khan, ATB Austria - Solusi Bisnis Excel telah meningkat dari semua tantangan yang saya hadapi, menyesuaikan solusi dengan kebutuhan unik kami sehingga EXCEL lebih fungsional bagi analis kami. - Dr Stephen St. George-Smith, PICR, Inggris - Anthony dan timnya mampu menciptakan tabel pivot yang sangat kuat namun mudah digunakan yang telah membantu dalam mengembangkan analisis bisnis kami. - Joe C. Stone Oak Penjamin emisi, LLC. AMERIKA SERIKAT. - Solusi Bisnis Excel menyelamatkan saya WAKTU, uang dan frustrasi. Orang pintar mengelilingi diri mereka dengan orang-orang yang kompeten. - Jim H. Whitman County Penilai Kantor. AS - Terima kasih kepada Anthony atas keahlian Excel ahli dan waktu penyelesaian yang menakjubkan. Ive datang untuk memanggilnya IT Genius saya dan telah memberinya beberapa proyek yang secara konsisten menghasilkan hasil yang luar biasa. Menemukannya melalui pencarian di Internet adalah seperti menemukan emas di tumpukan jerami. Terima kasih lagi. - Lee. Hukum Altschuler. USA - Salah satu dari 100 nasabah berteknologi tinggi Fortune memberikan laporan yang sangat rumit dan meminta kami untuk membuatnya lebih mudah digunakan. Solusi Bisnis Excel memberikan solusi yang elegan untuk sebuah tugas yang sangat menantang. Mereka melampaui harapan kami dan klien kami terpesona - Sparky Witte, Kolar Advertising Marketing. USA - Bagaimana pemrograman Excel bekerja untuk Anda Sejak tahun 1993, Excel telah menyertakan Visual Basic for Applications (VBA), bahasa pemrograman berbasis Visual Basic yang menambahkan kemampuan untuk mengotomatisasi tugas di Excel dan untuk menyediakan fungsi yang ditetapkan pengguna (UDF) untuk digunakan Di lembar kerja. VBA adalah tambahan yang kuat untuk Excel. Makro Excel adalah program yang menyimpan serangkaian perintah yang dapat memutar ulang tindakan. Mereka dapat mengurangi jumlah langkah yang diperlukan untuk menyelesaikan tugas dan mengurangi waktu yang dihabiskan pengguna untuk membuat, memformat, memodifikasi, dan mencetak spreadsheet mereka secara signifikan. Makro dapat sesederhana mereplikasi beberapa tugas pemformatan atau serumit query informasi dari berbagai sumber data melalui pemrograman basis data. Contoh: Seorang analis keuangan mendownload tabel keuangan dari Internet setiap hari untuk analisis dan pembuatan laporan. Dia mencakup 30 saham untuk industri komputer. Setiap hari, dia mengambil nomor dari tabel, melakukan beberapa analisis rasio keuangan, dan memasukkan rasionya ke dalam berbagai laporan. Dia harus melakukan tugas berulang ini untuk masing-masing dari 30 perusahaan yang dia cover. Tugas ini menghabiskan sebagian besar waktunya di kantor. Dengan bantuan sebuah layanan konsultasi, dia sekarang bisa menyelesaikan semua laporan dalam hitungan menit, memberinya lebih banyak waktu untuk menulis laporannya dan untuk bersantai. Kualitas data mengacu pada kualitas data. Data berkualitas tinggi jika sesuai untuk penggunaan yang dimaksudkan dalam operasi, pengambilan keputusan dan perencanaan (J. M. Juran). Sebagai alternatif, data dianggap berkualitas tinggi jika mereka benar-benar mewakili konstruksi dunia nyata yang mereka rujuk. Satu studi industri memperkirakan total biaya ekonomi AS untuk masalah kualitas data di atas US600 miliar per tahun (Eckerson, 2002). Sebenarnya, masalahnya adalah kekhawatiran bahwa perusahaan mulai membentuk tim tata kelola data yang peran utamanya di perusahaan bertanggung jawab atas kualitas data. Meskipun kebanyakan perusahaan cenderung memfokuskan upaya kualitas mereka pada nama dan informasi alamat, kualitas data diakui sebagai properti penting dari semua jenis data. Proses kualitas data dapat mencakup beberapa atau semua hal berikut: Pengambilan data data - awalnya menilai data untuk memahami tantangan kualitasnya. Standardisasi data - aturan bisnis mesin yang memastikan bahwa data sesuai dengan peraturan mutu. Pencocokan atau Menghubungkan - cara untuk membandingkan data sehingga catatan serupa namun sedikit berbeda dapat disesuaikan. Pencocokan dapat menggunakan logika fuzzy untuk menemukan duplikat dalam data. Sering kali diketahui bahwa Bob, Bobby, Rob dan Robert mungkin orang yang sama. Pemantauan - menjaga kualitas data dari waktu ke waktu dan melaporkan variasi kualitas data. Data mining mengungkap pola dalam data menggunakan teknik prediktif. Pola ini memainkan peran penting dalam pengambilan keputusan. Dengan menggunakan data mining, perusahaan dan organisasi dapat meningkatkan profitabilitas bisnis mereka dengan mengungkap peluang dan mendeteksi potensi risiko. Peramalan adalah komponen data mining. Ini adalah proses estimasi dalam situasi yang tidak diketahui. Prediksi adalah istilah yang serupa namun lebih umum, dan biasanya mengacu pada estimasi deret waktu, data cross-sectional atau longitudinal. Peramalan ini biasa digunakan dalam pembahasan data time-series. Contoh: Satu rantai bahan makanan Midwest menggunakan metode data mining untuk menganalisis pola pembelian lokal. Mereka menemukan bahwa ketika pria membeli popok pada hari Kamis dan Sabtu, mereka juga cenderung membeli bir. Analisis lebih lanjut menunjukkan bahwa pembelanja ini biasanya melakukan belanja bahan makanan mingguan mereka pada hari Sabtu. Pada hari Kamis, bagaimanapun, mereka hanya membeli beberapa barang. Peritel menyimpulkan bahwa mereka membeli bir untuk menyediakannya untuk akhir pekan mendatang. Rantai makanan bisa menggunakan informasi yang baru ditemukan ini dengan berbagai cara untuk meningkatkan pendapatan. Misalnya, mereka bisa memindahkan tampilan bir lebih dekat ke tampilan popok. Dan, mereka bisa memastikan bahwa bir dan popok dijual dengan harga penuh pada hari Kamis. Pemasaran basis data menekankan penggunaan teknik statistik dan analisis data untuk mengembangkan model perilaku pelanggan, yang kemudian digunakan untuk memilih pelanggan untuk komunikasi. Manfaat pemasaran database adalah kemampuan untuk menargetkan usaha pemasaran Anda. Perusahaan dapat memusatkan upaya pemasaran mereka pada pelanggan yang kemungkinan besar akan membeli. Contoh: Perusahaan pemasaran internet mensponsori pameran dagang di Houston. Alih-alih mengirim undangan ke ribuan pelanggan mereka di seluruh Amerika Serikat, perusahaan tersebut menjalankan kueri dalam database pemasarannya dan mengekstrak daftar pelanggan yang berada di area metro Houston. Perusahaan kemudian mengirimkan paket invesasinya ke daftar yang ditargetkan ini. Microsoft Excel dan VBA Excel adalah spreadsheet yang hebat memungkinkan Anda menyimpan, memanipulasi, menganalisis, dan memvisualisasikan data. Ini memiliki antarmuka intuitif dan alat penghitung dan grafik yang mampu, yang membuat Excel menjadi salah satu aplikasi mikro yang paling populer sampai saat ini. Ini adalah aplikasi spreadsheet yang paling dominan yang tersedia untuk platform ini dan telah ada sejak versi 5 pada tahun 1993 dan bundlingnya sebagai bagian dari Microsoft Office. Excel telah menyertakan Visual Basic for Applications (VBA), bahasa pemrograman berbasis Visual Basic yang menambahkan kemampuan untuk mengotomatisasi tugas di Excel dan untuk menyediakan fungsi yang ditetapkan pengguna (UDF) untuk digunakan dalam lembar kerja. VBA adalah tambahan yang hebat untuk aplikasi yang, di versi yang lebih baru, mencakup lingkungan pengembangan terintegrasi berfitur lengkap (IDE). Perekaman makro dapat menghasilkan kode VBA yang mereplikasi tindakan pengguna, sehingga memungkinkan otomatisasi tugas reguler sederhana. VBA memungkinkan pembuatan formulir dan kontrol di-worksheet untuk berkomunikasi dengan pengguna. Bahasa mendukung penggunaan (tapi bukan penciptaan) versi ActiveX (COM) DLL kemudian menambahkan dukungan untuk modul kelas yang memungkinkan penggunaan teknik pemrograman berorientasi objek dasar (OOP) Info lebih lanjut Pemasaran Database Pemasaran basis data adalah bentuk pemasaran langsung dengan menggunakan basis data dari Pelanggan atau pelanggan potensial untuk menghasilkan komunikasi pribadi guna mempromosikan produk atau layanan untuk tujuan pemasaran. Metode komunikasi bisa berupa media beralamat, seperti direct marketing. Perbedaan antara pemasaran langsung dan pemasaran terutama berasal dari perhatian yang diberikan pada analisis data. Pemasaran basis data menekankan penggunaan teknik statistik untuk mengembangkan model perilaku pelanggan, yang kemudian digunakan untuk memilih pelanggan untuk komunikasi. Sebagai konsekuensinya, pemasar database juga cenderung menjadi pengguna data gudang yang berat, karena memiliki jumlah data yang lebih banyak mengenai pelanggan akan meningkatkan kemungkinan model yang lebih akurat dapat dibangun. More Info Analisis Peramalan Peramalan adalah proses estimasi dalam situasi yang tidak diketahui. Prediksi adalah istilah yang serupa, namun lebih umum, dan biasanya mengacu pada estimasi deret waktu, data cross-sectional atau longitudinal. Forecasting is commonly used in discussion of time-series data. Time series methods use historical data as the basis for estimating future outcomes. Moving average Exponential smoothing Extrapolation Linear prediction Trend estimation Growth curve Some forecasting methods use the assumption that it is possible to identify the underlying factors that might influence the variable that is being forecasted. For example, sales of umbrellas might be associated with weather conditions. If the causes are understood, projections of the influencing variables can be made and used in the forecast. Regression analysis using linear regression or non-linear regression Autoregressive moving average (ARMA) Autoregressive integrated moving average (ARIMA) e. g. Box-Jenkins Econometrics In statistics, regression analysis is the process used to estimate the parameter values of a function, in which the function predicts the value of a response variable in terms of the values of other variables. There are many methods developed to fit functions and these methods typically depend on the type of function being used. An autoregressive integrated moving average (ARIMA) model is a generalization of an autoregressive moving average or (ARMA) model. These models are fitted to time series data either to better understand the data or to predict future points in the series. The model is generally referred to as an ARIMA(p, d,q) model where p, d, and q are integers greater than or equal to zero and refer to the order of the autoregressive, integrated, and moving average parts of the model respectively. More Info Data Mining Data mining is the process of automatically searching large volumes of data for patterns. It is usually used by businesses and other organizations, but is increasingly used in the sciences to extract information from the enormous data sets generated by modern experimentation. Although data mining is a relatively new term, the technology is not. Companies for a long time have used powerful computers to sift through volumes of data such as supermarket scanner data, and produce market research reports. Continuous innovations in computer processing power, disk storage, and statistical software are dramatically increasing the accuracy and usefulness of analysis. Data mining identifies trends within data that go beyond simple analysis. Through the use of sophisticated algorithms, users have the ability to identify key attributes of business processes and target opportunities. The term data mining is often used to apply to the two separate processes of knowledge discovery and prediction. Knowledge discovery provides explicit information that has a readable form and can be understood by a user. Forecasting, or predictive modeling provides predictions of future events and may be transparent and readable in some approaches (e. g. rule based systems) and opaque in others such as neural networks. Moreover, some data mining systems such as neural networks are inherently geared towards prediction rather than knowledge discovery. More Info Data Cleansing Data mining is the process of automatically searching large volumes of data for patterns. It is usually used by businesses and other organizations, but is increasingly used in the sciences to extract information from the enormous data sets generated by modern experimentation. Although data mining is a relatively new term, the technology is not. Companies for a long time have used powerful computers to sift through volumes of data such as supermarket scanner data, and produce market research reports. Continuous innovations in computer processing power, disk storage, and statistical software are dramatically increasing the accuracy and usefulness of analysis. Data mining identifies trends within data that go beyond simple analysis. Through the use of sophisticated algorithms, users have the ability to identify key attributes of business processes and target opportunities. The term data mining is often used to apply to the two separate processes of knowledge discovery and prediction. Knowledge discovery provides explicit information that has a readable form and can be understood by a user. Forecasting, or predictive modeling provides predictions of future events and may be transparent and readable in some approaches (e. g. rule based systems) and opaque in others such as neural networks. Moreover, some data mining systems such as neural networks are inherently geared towards prediction rather than knowledge discovery. More Info Data Integration Data integration is the process of combining data residing at different sources and providing the user with a unified view of these data. This process emerges in a variety of situations both commercial (when two similar companies need to merge their databases) and scientific (combining research results from different bioinformatics repositories). Data integration appears with increasing frequency as the volume and the need to share existing data explodes. It has been the focus of extensive theoretical work and numerous open problems remain to be solved. In management practice, data integration is frequently called Enterprise Information Integration.
No comments:
Post a Comment