One approach to the analysis of tim

One approach to the analysis of time series data involves an attempt to identify thecomponent factors that influence each of the values in a series.This identification procedureis called decomposition. Each component is identified separately. Projections ofeach of the components can then be combined to produce forecasts of future values ofthe time series. Decomposition methods are used for both short-run and long-run forecasting.They are also used to simply display the underlying growth or decline of aseries or to adjust the series by eliminating one or more of the components.Analyzing a time series by decomposing it into its component parts has a longhistory. Recently, however, decomposition methods of forecasting have lost some oftheir luster. Projecting the individual components into the future and recombiningthese projections to form a forecast of the underlying series often does not work verywell in practice.The difficulty lies in getting accurate forecasts of the components.Thedevelopment of more-flexible model-based forecasting procedures has made decompositionprimarily a tool for understanding a time series rather than a forecastingmethod in its own right.To understand decomposition, we start with the four components of a time series.These are the trend component, the cyclical component, the seasonal component, andthe irregular or random component.

Results (Indonesian) 1:

Salah satu pendekatan untuk analisis data time series melibatkan upaya untuk mengidentifikasi
faktor-faktor komponen yang mempengaruhi masing-masing nilai-nilai dalam prosedur identifikasi series.This
disebut dekomposisi. Setiap komponen diidentifikasi secara terpisah. Proyeksi
masing-masing komponen kemudian dapat dikombinasikan untuk menghasilkan perkiraan nilai-nilai masa depan dari
seri waktu. Metode dekomposisi digunakan untuk kedua jangka pendek dan jangka panjang peramalan.
Mereka juga digunakan untuk hanya menampilkan pertumbuhan yang mendasari atau penurunan dari
seri atau untuk menyesuaikan seri dengan menghilangkan satu atau lebih komponen.
Menganalisis serangkaian waktu dengan membusuk itu menjadi bagian-bagian memiliki panjang
sejarah. Baru-baru ini, bagaimanapun, metode dekomposisi peramalan telah kehilangan beberapa
kilau mereka. Memproyeksikan komponen individu ke masa depan dan mengkombinasikan
proyeksi ini untuk membentuk sebuah perkiraan dari seri yang mendasari sering tidak bekerja dengan
baik di practice.The kesulitan kebohongan dalam mendapatkan perkiraan akurat dari components.The
pengembangan prosedur peramalan berbasis model yang lebih fleksibel telah membuat dekomposisi
terutama alat untuk memahami serangkaian waktu daripada peramalan
metode dalam dirinya sendiri.
Untuk memahami dekomposisi, kita mulai dengan empat komponen dari serangkaian waktu.
Ini adalah komponen trend, komponen siklis, komponen musiman, dan
komponen yang tidak teratur atau acak.

Results (Indonesian) 2:

Salah satu pendekatan analisis waktu data seri melibatkan upaya untuk mengidentifikasi
faktor komponen yang mempengaruhi masing-masing nilai dalam seri. Prosedur identifikasi ini
disebut dekomposisi. Setiap komponen diidentifikasi secara terpisah. Proyeksi dari
masing-masing komponen kemudian dapat dikombinasikan untuk menghasilkan perkiraan nilai masa depan
seri waktu. Metode dekomposisi digunakan untuk peramalan jangka pendek dan lari panjang.
Mereka juga digunakan untuk hanya menampilkan pertumbuhan yang mendasari atau penurunan
seri atau untuk menyesuaikan seri dengan menghilangkan satu atau lebih komponen.
Menganalisis waktu seri dengan mendekomposisi ke bagian komponen memiliki panjang
Sejarah. Baru-baru ini, bagaimanapun, metode dekomposisi peramalan telah kehilangan sebagian dari
berkilau. Memproyeksikan komponen individu ke masa depan dan menggabungkan kembali
Proyeksi ini untuk membentuk ramalan dari seri yang mendasari sering tidak bekerja sangat
baik dalam prakteknya. Kesulitan terletak pada mendapatkan perkiraan yang akurat dari komponen. Tje
pengembangan prosedur peramalan berbasis model yang lebih fleksibel telah membuat dekomposisi
terutama alat untuk memahami seri waktu daripada peramalan
dalam cara yang benar.
Untuk memahami dekomposisi, kita mulai dengan empat komponen dari rangkaian waktu.
Ini adalah komponen tren, komponen siklis, komponen musiman, dan
komponen yang tidak teratur atau acak.