Saya mengerti model AR (p): inputnya adalah deret waktu yang dimodelkan. Saya benar-benar terjebak ketika membaca tentang model MA (q): inputnya adalah inovasi atau kejutan acak seperti yang sering dirumuskan.
Masalahnya adalah saya tidak bisa membayangkan bagaimana mendapatkan komponen inovasi yang tidak memiliki model seri waktu (sempurna) yang sudah ada (yaitu saya pikir , dan itu mungkin salah ). Selain itu, jika kita bisa mendapatkan komponen inovasi ini dalam sampel, bagaimana kita bisa mendapatkannya ketika melakukan perkiraan jangka panjang (istilah kesalahan model sebagai komponen deret waktu tambahan tambahan)?
sumber
Ketika mencoba untuk mendapatkan gambaran MA atau AR dunia nyata yang intuitif (atau ARMA atau ARIMA jika Anda memperluasnya) Saya sering merasa berguna untuk memikirkan efek carry over, yaitu sesuatu yang terjadi dalam satu periode mengarah ke yang berikutnya.
Berikut ini sebuah contoh: katakanlah Anda memodelkan penjualan koran. Kebisingan (kesalahan acak) dalam model seperti itu secara masuk akal dapat memasukkan efek yang relatif singkat dari berita utama surat kabar sementara sisanya dari model berurusan dengan hal-hal yang lebih stabil seperti tren dan musiman (sekarang saya mengasumsikan model ARIMA tetapi jika Anda menginginkan model MA murni bayangkan tidak ada tren atau musiman untuk kertas). Meskipun efek headline surat kabar dimodelkan sebagai kesalahan, kita mungkin memutuskan bahwa efek ini memang terbawa hingga beberapa hari ke depan (cerita yang bagus membawa pembaca yang kemudian menghilang lagi). Ini akan mengundang dimasukkannya istilah MA dalam model - sisa efek dari istilah kesalahan sebelumnya ke dalam periode waktu saat ini.
Anda dapat berpikir dengan cara yang sama tentang istilah AR hanya apa yang dibawa ke sini adalah bagian dari efek dari seluruh penjualan hari sebelumnya.
Semoga itu bisa membantu
sumber