स्थानांतरण - औसत - eviews

जब चलने की औसत चलती औसत की गणना होती है, तो औसत समय में औसत डालकर समझ में आता है। पिछले उदाहरण में हमने पहली बार तीन बार समयावधि की गणना की और इसे 3 अवधि के बगल में रखा था। हम औसत के बीच में तीन अवधियों का समय अंतराल, जो कि अवधि 2 के बगल में है, यह अजीब समय अवधि के साथ अच्छी तरह से काम करता है, लेकिन समय की अवधि के लिए इतना अच्छा नहीं है इसलिए हम पहली चलती औसत जब एम 4 जगह लेंगे। तकनीकी, चलती औसत गिर जाएगा टी 2 5, 3 5। इस समस्या से बचने के लिए हम एमए को एम 2 का इस्तेमाल करते हुए चिकनी करते हैं इसलिए हम चिकनी मूल्यों को चिकना करते हैं। यदि हम एक भी संख्या में औसतन पदों की औसतता रखते हैं, तो हमें सुचारू मूल्यों को सुचारू बनाने की आवश्यकता है। एम 4. अरिमा गैर-आधुनिक मॉडलों के लिए परिचय। आरआइएमए पी, डी, क्यू भविष्यवाणी समीकरण एआरआईएए मॉडल, सिद्धांत में, एक समय श्रृंखला की भविष्यवाणी के लिए मॉडल का सबसे सामान्य वर्ग है, जो संभवत: संयोजन के जरिए स्थिर होने के लिए बनाया जा सकता है, शायद संयोजन के रूप में बिना अक्षीय रूपांतरण के साथ अगर जरूरत पड़ने पर लॉगिंग या डिफ्लेटिंग जैसे आंदोलन समय-सीमा में एक यादृच्छिक चरम स्थिति स्थिर होती है, यदि इसकी सांख्यिकीय गुण समय के साथ स्थिर होते हैं एक स्थिर श्रृंखला में कोई प्रवृत्ति नहीं होती है, इसके माध्य के आसपास इसके भिन्नताएं एक निरंतर आयाम होती हैं, और यह एक सुसंगत फैशन अर्थात् इसका अल्पकालिक यादृच्छिक समय पैटर्न हमेशा एक सांख्यिकीय अर्थ में एक ही दिखता है। बाद की अवस्था का मतलब है कि इसके स्वयं के संबंधों से संबंधों के पूर्व विचलन के साथ ही समय के साथ स्थिर रहता है, या समतुल्य है कि इसकी शक्ति स्पेक्ट्रम समय के साथ स्थिर रहता है। इस फॉर्म के यादृच्छिक चर को सामान्य रूप से सिग्नल और शोर के संयोजन के रूप में देखा जा सकता है, और यदि कोई संकेत स्पष्ट है तो यह तेज या धीमा मतलब रिवर्सन, या साइनसॉइडल दोलन, या संकेत में तेजी से प्रत्यावर्तन का हो सकता है, और यह भी हो सकता है एक मौसमी घटक है एक एआरआईएएमए मॉडल को फिल्टर के रूप में देखा जा सकता है जो शोर से संकेत को अलग करने की कोशिश करता है, और तब संकेत भविष्य में एक्सट्रपलेशन होता है पूर्वानुमान प्राप्त करने के लिए। ARIMA एक स्थिर समय श्रृंखला के लिए समीकरण का अनुमान लगा रहा है एक रेखीय या प्रतिगमन-प्रकार का समीकरण होता है जिसमें भविष्यवाणियों में निर्भर चर का पूर्वानुमान होता है या यानी पूर्वानुमान की त्रुटियों का अनुमान है। वाई का अनुमानित मान एक स्थिर और या वाई के एक या अधिक हाल के मूल्यों की एक भारित राशि या या त्रुटियों के एक या अधिक हाल के मूल्यों का भारित योग। यदि भविष्यवाणियों में वाई के केवल अंतराल मूल्य शामिल होते हैं तो यह एक शुद्ध आटोरेग्रेसिव स्व-रेग्रेडेड मॉडल है, जो सिर्फ एक है प्रतिगमन मॉडल के विशेष मामले और जो मानक प्रतिगमन सॉफ़्टवेयर के साथ लगाया जा सकता है उदाहरण के लिए, वाई के लिए एक प्रथम-ऑर्डर ऑटरेहेडिव एआर 1 मॉडल एक सरल प्रतिगमन मॉडल है जिसमें स्वतंत्र चर सिर्फ एक अवधि लैग वाई द्वारा 1 y द्वारा लैग किया गया है RegressIt में statgraphics या YLAG1 यदि कुछ भविष्यवाणियों त्रुटियों की गड़बड़ी कर रहे हैं, तो एक ARIMA मॉडल यह एक रैखिक प्रतिगमन मॉडल नहीं है, क्योंकि एक स्वतंत्र चर के रूप में पिछली अवधि की त्रुटि को निर्दिष्ट करने का कोई तरीका नहीं है एक अवधि से समय के आधार पर गणना की जाती है जब मॉडल को डेटा में लगाया जाता है एक तकनीकी दृष्टिकोण से, भविष्यवाणियों के रूप में लगी हुई त्रुटियों का उपयोग करने में समस्या यह है कि मॉडल की भविष्यवाणियां गुणांक के रैखिक कार्य नहीं हैं, भले ही वे रैखिक फ़ंक्शन हैं अतीत के आंकड़े इसलिए, एआरआईएए मॉडल में गुणांक, जिनमें गड़बड़ी त्रुटियों को शामिल किया गया है, गैर-रैखिक अनुकूलन विधियों द्वारा समीकरणों की एक प्रणाली को सुलझाने की बजाय पहाड़ी-चढ़ाई के द्वारा अनुमानित किया जाना चाहिए। संक्षिप्त नाम एआरआईएमए में स्थिर श्रेणी के ऑटो-रिग्रेसिव इंटीग्रेटेड मूविंग औसत लेंस भविष्यवाणी के समीकरण को आटोमैरेसिव शब्द कहा जाता है, पूर्वानुमान त्रुटियों की गलतियों को औसत शर्तों को चलते कहा जाता है, और एक समय श्रृंखला जिसे स्थिर बनाने के लिए अलग-अलग होना चाहिए, कहा जाता है कि एक स्थिर श्रृंखला का एक एकीकृत संस्करण यादृच्छिक-चलना और यादृच्छिक-प्रवृत्ति मॉडल, आटोमैडिव मॉडल, और घातीय चौरसाई मॉडल, एआरआईएए मॉडल के सभी विशेष मामलों हैं। एक गैर-हंगामी ARIMA मॉडल को ARIMA के रूप में वर्गीकृत किया जाता है पी, डी, क्यू मॉडल, जहां पी है। autoregressive terms. d की संख्या है, अनावश्यक अंतर के लिए आवश्यक अंतर की संख्या है, और. q भविष्यवाणी समीकरण में अनुमानित पूर्वानुमान की कमी की संख्या है। पूर्वानुमान समीकरण निम्नानुसार बनाया गया है सबसे पहले, y का मतलब y का अंतर है जो y का अर्थ है। नोट करें कि वाई 2 का दूसरा अंतर 2 अवधि से अंतर नहीं है, बल्कि यह पहला अंतर है, जो पहला अंतर है दूसरे व्युत्पन्न के असतत एनालॉग, अर्थात स्थानीय प्रवृत्तियों की बजाय श्रृंखला का स्थानीय त्वरण। वाई के संदर्भ में सामान्य पूर्वानुमान समीकरण है। यहां चलने वाले औसत मापदंडों को परिभाषित किया जाता है ताकि उनका चिन्ह समीकरण में नकारात्मक हो, निम्नलिखित बॉक्स और जेनकिंस द्वारा प्रस्तुत सम्मेलन कुछ प्रोग्रामर और सॉफ्टवेयर प्रोग्रामिंग भाषा सहित सॉफ़्टवेयर उन्हें परिभाषित करते हैं ताकि उनके पास प्लस लक्षण हो सकते हैं जब वास्तविक संख्या को समीकरण में जोड़ा जाता है, तो कोई अस्पष्टता नहीं है, लेकिन यह जानना महत्वपूर्ण है कि जब आप आउटपुट पढ़ रहे हैं, तो आपके सॉफ़्टवेयर का इस्तेमाल होता है आप अक्सर पैरामीटर एआर 1, एआर 2, और एमए 1, एमए 2 आदि से चिह्नित हैं। आप के लिए उपयुक्त एआरआईएमए मॉडल को पहचानने के लिए वाई के लिए आपको डिस्ट्रंसिंग के ऑर्डर का निर्धारण सी श्रृंखला को स्थिर बनाने और सीज़न की सकल फीचर को हटाने की ज़रूरत है, संभवतः लॉगिंग या डिफ्लेटिंग जैसे विचरण-स्थिर रूपांतरण के संयोजन के साथ यदि आप इस बिंदु पर रुकते हैं और अनुमान लगाते हैं कि अलग-अलग सीरीज स्थिर है, तो आप केवल एक यादृच्छिक पैदल या यादृच्छिक प्रवृत्ति मॉडल हालांकि, स्थिर श्रृंखला में अभी भी त्रुटियों को स्वत: संबंधित कर सकते हैं, सुझाव दे रहे हैं कि एआर शब्द पी 1 और या कुछ संख्या एमए शर्तों q 1 भी भविष्यवाणी समीकरण में आवश्यक हैं। पी के मूल्यों का निर्धारण करने की प्रक्रिया , और क्यू जो किसी समय के लिए सर्वश्रेष्ठ हैं, उन नोटों के बाद के खंडों में चर्चा की जाएगी जिनके लिंक इस पृष्ठ के शीर्ष पर हैं, लेकिन कुछ गैर-हंगामी एआरआईएए मॉडल के पूर्वावलोकन जिनमें आम तौर पर सामना करना पड़ता है। आरआईएमएए 1,0,0 प्रथम श्रेणी के ऑटरेहेडिव मॉडल, यदि श्रृंखला स्थिर और स्वचुनावित होती है, शायद यह अपने स्वयं के पिछला मूल्य के एक बहुमत के रूप में भविष्यवाणी की जा सकती है, साथ ही इस मामले में पूर्वानुमान समीकरण. यह एक बार से ही पीछे हट गया है यह एक अरिमा 1,0,0 निरंतर मॉडल है यदि Y का मतलब शून्य है, तो निरंतर अवधि शामिल नहीं होगी। अगर ढलान गुणांक 1 सकारात्मक और 1 से कम है अगर यह स्थिर है, तो परिमाण में यह 1 से भी कम होना चाहिए, यदि मॉडल स्थिर है, तो मॉडल का मतलब है, इसका मतलब-पूर्ववर्ती व्यवहार जिसमें अगली पीरियड का मान 1 बार होना चाहिए, जब तक कि इस अवधि के मूल्य से 1 गुना होना चाहिए अगर 1 नकारात्मक है , यह संकेतों के प्रत्यावर्तन के साथ मतलब-पूर्ववर्ती व्यवहार का भविष्यवाणी करता है, अर्थात् यह भी भविष्यवाणी करता है कि अगर यह अवधि इस अवधि से ऊपर है तो Y अगली अवधि के नीचे होगी। एक दूसरे क्रम के आटोमैरेसिव मॉडल ARIMA 2.00 में, सही पर एक y t-2 शब्द भी हो, और इसलिए निर्भर करें गुणांकों के संकेतों और परिमाणों के बारे में बताते हुए, एक एआरआईएएएमए 2.00 मॉडल एक ऐसी प्रणाली का वर्णन कर सकता है जिसका मतलब है कि एक पलटाव से घूमने वाले फैशन में होता है, जैसे कि वसंत में द्रव्यमान की गति जैसे यादृच्छिक झटके का सामना करना पड़ता है। 0,1,0 यादृच्छिक चलती यदि श्रृंखला वाई स्थिर नहीं है, तो इसके लिए सबसे आसान संभव मॉडल एक यादृच्छिक चलने वाला मॉडल है, जिसे एआर 1 मॉडल के सीमित मामले के रूप में माना जा सकता है जिसमें आटोमैरेसिव गुणांक 1 के बराबर है, असीम धीमी मतलब रिवर्सशन के साथ यानी सीरिज इस मॉडल के लिए भविष्यवाणी समीकरण के रूप में लिखा जा सकता है। जहां निरंतर अवधि औसत अवधि-टू-अवधि में परिवर्तन होती है, यानी वाई में दीर्घावधि के बहाव यह मॉडल एक न-अवरोधन प्रतिगमन के रूप में लगाया जा सकता है मॉडल जिसमें वाई का पहला अंतर निर्भर चर है क्योंकि इसमें केवल एक नॉनसिजानल फ़र्क और एक निरंतर शब्द शामिल है, इसे एक आरआईएमएए 0,1,0 मॉडल के रूप में वर्गीकृत किया जाता है निरंतर के साथ यादृच्छिक-चलने के बिना - डिफ्ट मॉडल एक होगा एआरआईएमए 0,1,0 मॉडल बिना चुनाव के स्थिर। ARIMA 1,1,0 अलग-अलग प्रथम-ऑर्डर आटोमैरेसिव मॉडल यदि एक यादृच्छिक चलने की मॉडल की त्रुटियों को स्वतः समन्वयित किया जाता है, तो शायद समस्या को परिभाषित समीकरण के लिए निर्भर चर के एक अंतराल जोड़कर तय किया जा सकता है - यानी पहले पुन: अपने आप में वाई का अंतर एक अवधि से पीछे होता है यह निम्नलिखित भविष्यवाणी के समीकरण को जन्म देगा। इसे किस प्रकार पुनर्व्यवस्थित किया जा सकता है। यह एक प्रथम क्रम ऑटरेहेडिव मॉडल है जिसमें नॉनसिजनल डिस्ट्रिक्शंस के एक ऑर्डर और एक निरंतर अवधि है - अर्थात एआरआईएमए 1,1, 0 मॉडल। अमरिका 0,1,1 निरंतर सरल घातीय चौरसाई के बिना एक यादृच्छिक चलने के मॉडल में स्वतः समन्वयित त्रुटियों को सही करने के लिए एक और रणनीति सरल घातीय चिकनाई मॉडल द्वारा सुझाई गई है याद कि कुछ नॉनस्टेशनरी समय श्रृंखला जैसे कि धीरे-धीरे चारों ओर शोर उतार चढ़ाव का प्रदर्शन करते हैं, अलग अर्थ, यादृच्छिक चलने वाला मॉडल पिछले भावों की चलती औसत प्रदर्शन नहीं करता है, दूसरे शब्दों में, अगले अवलोकन के पूर्वानुमान के रूप में हाल के अवलोकन को लेने के बजाय आयन, शोर को फिल्टर करने और स्थानीय अर्थ का अधिक सटीक अनुमान लगाने के लिए पिछले कुछ टिप्पणियों के औसत का उपयोग करना बेहतर है। साधारण घातीय चिकनाई मॉडल इस प्रभाव को प्राप्त करने के लिए पिछले मूल्यों के एक तेज भारित चलती औसत का उपयोग करता है सरल घातीय चिकनाई मॉडल कई गणितीय समरूप रूपों में लिखा जा सकता है, जिनमें से एक तथाकथित त्रुटि सुधार फार्म है, जिसमें पिछले पूर्वानुमान की गई त्रुटि की दिशा में समायोजित किया गया है.क्योंकि ई टी -1 वाई टी 1-टी -1 परिभाषा के अनुसार, इसे फिर से लिखा जा सकता है। जो एक एआरआईएमए 0,1 -1 है- 1 के साथ लगातार भविष्यवाणी समीकरण नहीं है - इसका मतलब यह है कि आप इसे एक एआरआईएमए के रूप में निर्दिष्ट करके एक साधारण घातीय चिकनाई कर सकते हैं। 0,1,1 निरंतर के बिना मॉडल, और अनुमानित एमए 1 गुणांक एसईएस फार्मूले में 1-शून्य से अल्फा से मेल खाती है स्मरण करो कि एसईएस मॉडल में, 1-अवधि-आगे पूर्वानुमान में डेटा की औसत आयु 1 का अर्थ है कि वे अंतराल ख के लिए करते हैं लगभग 1 अवधि के बारे में रुझानों को बदलना या अंक बदलना यह है कि एआरआईएमए -1,1,1 के 1-अवधि-आगे पूर्वानुमान में डेटा की औसत आयु 1-1 -1 के साथ -1 1 है, उदाहरण के लिए, यदि 1 0 8, औसत आयु 5 है 1 के रूप में 1 दृष्टिकोण, एआरआईएमए 0,1 -1- बिना-स्थिर मॉडल एक बहुत-लंबी अवधि की चलती औसत हो जाती है, और 1 दृष्टिकोण के रूप में 0 यह एक यादृच्छिक-चलने-बिना- बहाव मॉडल। एआर शब्दों को जोड़ने या एमए पदों को जोड़ने के लिए ऑटोकोर्सिलिलिंग के लिए सही तरीके का सबसे अच्छा तरीका ऊपर बताए गए पिछले दो मॉडलों में, यादृच्छिक चलने वाले मॉडल में स्वत: संबंधी समस्याओं की समस्या दो अलग-अलग तरीकों से तय की गयी थी समीकरण को अलग सीरिज या पूर्वानुमान त्रुटि का अंतराल मूल्य जोड़ना, जो इस स्थिति के लिए सबसे अच्छा तरीका है, जो इस स्थिति के लिए एक नियम है, जिसे बाद में और विस्तार से समझाया जाएगा, यह है कि सकारात्मक आत्मसंयम आमतौर पर सबसे अच्छा एआर मॉडल के लिए शब्द और नकारात्मक आत्मसंयम आमतौर पर एक एमए ते जोड़कर सबसे अच्छा इलाज किया जाता है आरएम व्यापार और आर्थिक समय श्रृंखला में, नकारात्मक आत्म-संबंध अक्सर अकसर अलग-अलग तरीके से विभेदकों की एक कलाकृति के रूप में उठता है, सामान्यतः विभेदकों ने सकारात्मक आत्मसंरचना को कम कर दिया है और सकारात्मक से नकारात्मक स्वायत्तता में बदलाव भी हो सकता है, इसलिए, ARIMA 0,1,1 मॉडल, जिसमें differencing है एक एमए अवधि के साथ, अक्सर एआरआईएएमए 1,1,0 मॉडल की तुलना में अधिक इस्तेमाल किया जाता है। आरआईएमए 0,1,1 लगातार विकास के साथ सरल घातीय चौरसाई के साथ एसईएस मॉडल को एक एआरआईएए मॉडल के रूप में लागू करके, आप वास्तव में कुछ लचीलेपन प्राप्त करते हैं सभी, अनुमानित एमए 1 गुणांक नकारात्मक होने की अनुमति दी जाती है, यह एसईएस मॉडल में 1 से बड़े स्कूटरिंग कारक से मेल खाती है, जो आमतौर पर एसईएस मॉडल-फिटिंग प्रक्रिया द्वारा स्वीकार्य नहीं है दूसरा, आपके पास एक स्थिर शब्द शामिल करने का विकल्प होता है एआरआईएमए मॉडल यदि आप चाहते हैं, तो एक औसत नॉन-शून्य प्रवृत्ति का अनुमान लगाने के लिए एआरआईएएमए 0,1,1 मॉडेल के साथ लगातार भविष्यवाणी समीकरण होता है। इस मॉडल से एक अवधि के आगे पूर्वानुमान उन लोगों की तरह गुणात्मक हैं एसईएस मॉडल की, सिवाय इसके कि लंबी अवधि के पूर्वानुमान की गति आमतौर पर एक झुकाव वाली रेखा होती है जिसका ढलान क्षैतिज रेखा के बजाय म्यू के बराबर होता है.आरआईएमएएमए 0,1,1 या 0,2,2 बिना निरंतर रेखीय घातीय चौरसाई रेखीय घातीय चिकनाई मॉडल ARIMA मॉडल हैं जो एमए शब्दों के साथ संयोजन के साथ दो नॉनसैसोनल मतभेदों का उपयोग करते हैं एक श्रृंखला वाई का दूसरा अंतर नहीं है, वाई के बीच अंतर ही नहीं है और खुद को दो अवधियों के बीच अंतर है, बल्कि यह पहले अंतर का पहला अंतर है - यानी अवधि में वाई के परिवर्तन-इन-द-परिवर्तन, इस प्रकार, y अवधि में y का दूसरा अंतर वाई टी-वाई टी-1-वाई टी-1-वाई टी -2 वाई टी -2-वाई टी-टी- 1 वाई टी -2 एक असतत फ़ंक्शन का दूसरा अंतर एक निरंतर कार्य के दूसरे व्युत्पन्न के अनुरूप है जो किसी बिंदु पर किसी बिंदु पर फ़ंक्शन में त्वरण या वक्रता को मापता है। ARIMA 0,2,2 मॉडल बिना लगातार भविष्यवाणी करता है कि सीरीज का दूसरा अंतर पिछले दो पूर्वानुमान त्रुटियों के एक रैखिक समारोह के बराबर है। जिसे 1 और 2 के रूप में दोहराया जा सकता है। 1 और 2 एमए 1 और एमए 2 गुणांक हैं ये एक सामान्य रेखीय घातीय चिकनाई मॉडल है, जो अनिवार्य रूप से होल्ट के मॉडल के समान है और ब्राउन का मॉडल एक विशेष मामला है, यह अनुमान के लिए भारोत्तोलनशील भारोत्तोलन औसत का उपयोग करता है श्रृंखला में स्थानीय स्तर और स्थानीय प्रवृत्ति दोनों, इस मॉडल से दीर्घावधि पूर्वानुमानों को एक सीधी रेखा के रूप में एकत्रित करते हैं जिनकी ढलान श्रृंखला के अंत की ओर देखते हुए औसत प्रवृत्ति पर निर्भर करता है.आरआईएमएएमए 1,1,2 लगातार नखरे हुए रुझान के बिना रेखीय घातीय चौरसाई। इस मॉडल को एआरआईएमए मॉडल पर मौजूद स्लाइडों में सचित्र किया गया है, यह श्रृंखला के अंत में स्थानीय प्रवृत्ति का विस्तार करता है, लेकिन रूढ़िवाद के एक नोट को पेश करने के लिए इसे लंबे समय तक अनुमानित क्षितिज पर फैलाया जाता है, एक अभ्यास जो अनुभवजन्य समर्थन प्राप्त करता है लेख देखें ऑन द डंप ट्रेंड, गार्डनर और मैकेन्ज़ी और आर्मस्ट्रांग एट अल द्वारा विवरण के लिए गोल्डन रूल लेख द्वारा काम करता है। आम तौर पर उन मॉडलों को छूने की सलाह दी जाती है जिसमें कम से कम एक p और q बड़ा नहीं होता 1 से, अर्थात् एआरआईएआई 2,1,2 जैसे किसी मॉडल को फिट करने की कोशिश मत करो, क्योंकि इससे एआरआईएए मॉडल के गणितीय ढांचे के नोट्स में और अधिक विस्तार से चर्चा की जाने वाली अधिक मात्रा में और आम-कारक के मुद्दों पर आगे बढ़ने की संभावना है। स्प्रेडशीट कार्यान्वयन एआरआईएए मॉडल जैसे कि ऊपर वर्णित स्प्रेडशीट पर लागू करना आसान है भविष्यवाणी समीकरण केवल एक रैखिक समीकरण है जो मूल समय श्रृंखला के पिछले मानों और त्रुटियों के पिछले मूल्यों को दर्शाता है इस प्रकार, आप एक एआरआईएएए पूर्वानुमान स्प्रैडशीट सेट कर सकते हैं स्तंभ ए में डेटा, स्तंभ बी में पूर्वानुमान के सूत्र, और कॉलम सी में त्रुटि डेटा घटाव के पूर्वानुमान को संग्रहीत करना स्तंभ B में एक विशिष्ट सेल में पूर्वानुमान का सूत्र केवल एक पंक्तियों की पंक्तियों में उल्लिखित रैखिक अभिव्यक्ति होगी, जो कि कॉलम ए और सी , स्प्रेडशीट पर कहीं और कोशिकाओं में संग्रहीत उचित एआर या एमए गुणक द्वारा गुणा किया जाता है। ईव्यूज सिंहावलोकन डेटा प्रबंधन। भाग 3 परिष्कृत डेटा प्रबंधन। शक्तिशाली विश्लेषणात्मक उपकरण केवल उपयोगी होते हैं यदि आप ईए सिली आपके डेटा के साथ काम करती है EViews, किसी भी अर्थमितीय सॉफ्टवेयर में उपलब्ध डेटा प्रबंधन उपकरण की व्यापक श्रेणी प्रदान करती है, जिसमें गणितीय, सांख्यिकीय, दिनांक, स्ट्रिंग, और समय श्रृंखला संचालकों और कार्यों की विस्तृत लाइब्रेरी से, संख्यात्मक, चरित्र, और डेट डेटा के व्यापक समर्थन , ईवीज आपको डेटा से निपटने वाली सुविधाओं की पेशकश करता है जिन्हें आप आधुनिक सांख्यिकीय सॉफ़्टवेयर से अपेक्षा करते हैं। व्यापक फ़ंक्शन लाइब्रेरी। ईव्यूज़ में डेटा के साथ काम करने के लिए कार्यों की एक विस्तृत पुस्तकालय शामिल हैं मानक गणितीय और त्रिकोणमितीय कार्यों के अलावा, EViews वर्णनात्मक आंकड़े, संचयी और कार्यों के लिए कार्य प्रदान करता है चलती आंकड़े, समूह के आंकड़े, विशेष कार्य, विशेष तिथि और समय श्रृंखला संचालन, कार्यक्षेत्र, मूल्य मानचित्र और वित्तीय गणना। ईव्यूस भी यादृच्छिक संख्या जनरेटर निथ, एल एक्वाययर या मेर्सन-ट्विस्टर, घनत्व कार्य और संचयी वितरण कार्यों को अठारह अलग नई श्रृंखला पैदा करने में इस्तेमाल किया जा सकता है, या स्केल की गणना में एलार्ड और मैट्रिक्स एक्सप्रेस्शन। ईव्यू फ़ंक्शंस की एक विस्तृत लाइब्रेरी प्रदान करते हैं। समन्वित अभिव्यक्ति हैंडलिंग। एवियस स्ट्रेंबल टूल्स एक्सप्रेशन हैंडलिंग का मतलब है कि आप एक्सप्रेशंस का इस्तेमाल कर सकते हैं, कहीं भी आप एक सीरीज़ का इस्तेमाल करेंगे, आपको लेटरएरिथम के साथ काम करने के लिए नए व्हेरिएबल्स बनाने की ज़रूरत नहीं है। वाई, चलती औसत डब्ल्यू, या एक्स से वाई का अनुपात या कोई अन्य वैध अभिव्यक्ति इसके बजाय, आप समीकरण या मॉडल विनिर्देश के हिस्से के रूप में, ग्राफ के निर्माण के रूप में, या ग्राफ़ के निर्माण के रूप में वर्णनात्मक आंकड़ों को कंप्यूटिंग में अभिव्यक्ति का उपयोग कर सकते हैं। निर्भर चर के लिए एक अभिव्यक्ति के साथ एक समीकरण, यदि संभव हो तो आप अंतर्निहित निर्भर चर का पूर्वानुमान करने के लिए अनुमति दें और इसके अनुसार अनुमानित विश्वास अंतराल समायोजित कर सकते हैं उदाहरण के लिए, यदि निर्भर चर को LOG G के रूप में निर्दिष्ट किया गया है, तो आप लॉग या जी का स्तर, और उचित, संभवतः असममित, आत्मविश्वास अंतराल की गणना करने के लिए। एस। लिंक्स, फ़ार्मुला और मान मैप्स। लिंक ऑब्जेक्ट्स आप श्रृंखला बनाने की अनुमति देते हैं जो कि अन्य वर्कफ़ाइल या वर्कफ़ाइल पेजों में निहित डेटा से लिंक होती है लिंक आपको अलग-अलग आवृत्तियों पर डेटा को गठबंधन करने की अनुमति देते हैं, या सारांश पृष्ठ से एक व्यक्तिगत पेज जैसे कि डेटा को गतिशील रूप से अद्यतन किया जाता है जब भी अंतर्निहित डेटा बदलता है, इसी तरह, एक कार्यफाइल के भीतर, सूत्रों को डेटा श्रृंखला में सौंपा जा सकता है ताकि डेटा श्रृंखला को स्वचालित रूप से पुनः पुनरीक्षण किया जा सके जब भी अंतर्निहित डेटा संशोधित हो। मूल्य लेबल जैसे उच्च, मेड, निम्न, इसी संख्यात्मक या अल्फा श्रृंखला के लिए 2, 1, 0 को लागू किया जा सकता है ताकि स्पष्ट डेटा को सार्थक लेबल के साथ प्रदर्शित किया जा सके। अंतर्निहित फ़ंक्शंस आपको गणना करते समय अंतर्निहित या मैप किए गए मानकों के साथ काम करने की अनुमति देते हैं। लिंक्स डायनेमिक आवृत्ति रूपांतरण या मैच मर्जिंग. डेटा संरचनाएं और प्रकार। ईव्यूज जटिल डेटा संरचनाओं को नियंत्रित कर सकते हैं, जिसमें नियमित और अनियमित दिनांकित डेटा शामिल हैं, पर्यवेक्षक के साथ क्रॉस-सेक्शन डेटा vation पहचानकर्ता, और दिनांकित और डेटाटेड पैनल डेटा। संख्यात्मक डेटा के अतिरिक्त, एक EViews workfile में अल्फ़ान्यूमेरिक वर्ण स्ट्रिंग डेटा भी हो सकते हैं, और श्रृंखला युक्त तारीखें, जिनमें से सभी फ़ंक्शन की एक विस्तृत लाइब्रेरी का उपयोग करके छेड़छाड़ की जा सकती हैं। ईव्यूस भी विस्तृत डेटासेट के कार्यक्षेत्रों के साथ काम करने के लिए टूल की श्रेणी, जटिल डेटा मर्ज मानदंड की श्रृंखला और workfile प्रक्रियाओं को अपने डेटा में शामिल होने, एपेंड, सबसेट, आकार बदलना, सॉर्ट करने और स्टैक और अनस्टैक को बदलने के लिए गठबंधन करने की क्षमता सहित डेटा शामिल हैं। ईव्यूस वर्कफ़ाइल अत्यधिक संरचित होना चाहिए। ओडीबीसी, फेम टीएम डीआरआईबेस, और हैवर एनालिटिक्स डाटाबेस के लिए एंटरप्राइज़ संस्करण का समर्थन। EViews एंटरप्राइज संस्करण के भाग के रूप में ईवीज मानक संस्करण पर एक अतिरिक्त लागत विकल्प है, ओडीबीसी चालकों के माध्यम से रिलेशनल डेटाबेस में मौजूद डेटा तक पहुंच के लिए सहायता प्रदान की जाती है। व्यावसायिक डेटा और डेटाबेस विक्रेताओं द्वारा उपयोग किए जाने वाले विभिन्न प्रकार के स्वामित्व स्वरूपों में डेटाबेस को ओपन डाटाबेस कनेक्टिविटी ओडीबीसी एक मानक सु ओरेकल, माइक्रोसॉफ्ट एसक्यूएल सर्वर और आईबीएम डीबी 2 ईवीव्स सहित कई रिलेशनल डेटाबेस सिस्टमों द्वारा पेश किया गया, आपको ओडीबीसी डेटाबेस से पूरे टेबल को पढ़ना या लिखना, या एसक्यूएल क्वेरी के परिणामों से एक नया वर्कफ़ाइल बनाने की अनुमति देता है। ईव्यूज़ एंटरप्राइज संस्करण भी FAME टीएम फॉर्मेट डाटाबेस दोनों स्थानीय और सर्वर आधारित ग्लोबल इनसाइट्स डीआरआईपीआरओ और डीआरआईबीबेस डाटाबेस, हैवर एनालिटिक्स डीएलएक्स डाटाबेस, डैटस्ट्रीम, फैक्टसेट और मूडी एस परिचित, आसान उपयोग वाली ईवीज डेटाबेस इंटरफेस इन डाटा प्रारूपों में बढ़ा दिए गए हैं ताकि आप विदेशी डेटाबेस के रूप में आसानी से मूल EViews डेटाबेस के रूप में काम करते हैं। फ्रीक्वेंसी रूपांतरण। जब आप किसी डेटाबेस से डेटा आयात करते हैं या किसी अन्य workfile या workfile पृष्ठ से, यह स्वचालित रूप से आपके वर्तमान प्रोजेक्ट की आवृत्ति में परिवर्तित हो जाता है। EVV फ़्रीक्वेंसी रूपांतरण के लिए कई विकल्प प्रदान करता है, और दैनिक, साप्ताहिक, या अनियमित आवृत्ति डेटा के रूपांतरण के लिए समर्थन शामिल है सीरीज़ को एक पसंदीदा रूपांतरण पद्धति सौंपा जा सकता है, जिससे आपको अलग विभिन्न तरीकों के लिए अलग-अलग तरीकों के बिना रूपांतरण पद्धति को हर बार एक श्रृंखला तक पहुंचने के लिए निर्दिष्ट किए बिना। आप लिंक भी बना सकते हैं ताकि आवृत्ति परिवर्तित डेटा श्रृंखला स्वतः ही जब भी अंतर्निहित डेटा को संशोधित किया जाता है, तब पुन: गणना हो। किसी श्रृंखला-विशिष्ट स्वत: रूपांतरण को निर्दिष्ट करें या चयन करें एक विशिष्ट पद्धति। बिक्री की जानकारी के लिए कृपया ईमेल करें। तकनीकी सहायता के लिए कृपया ईमेल करें। कृपया सभी ईमेल पत्राचार के साथ अपना सीरियल नंबर शामिल करें। अतिरिक्त संपर्क जानकारी के लिए, हमारा पृष्ठ देखें।