APPLICATION OF ARIMA MODEL FOR RESEARCH

Authors

  • Jindamas Sutthichaimethee Lecturer Plan and Policy Analyst, Ministry of Science and Technology

Keywords:

Structure Variable, Time Series Data, The Best Model

Abstract

This article is intended to create The Best Model ARIMA Model, which applies to the variable structure called ARIMAX Model. Statistics Model of steps and can take the model used for forecasting the maximum efficiency.

For information on the system economy, most will look a Non Stationary, so researchers need to be updated to look as Stationary and if the data is Co-integration parties is essential to introduce the Error Correction Mechanism assembly in that model and The Best Model to create a model estimating the correct and appropriate for that type of information will result in the forecast errors are low and can be used to accurately follow.

References

จินดามาส สุทธิชัยเมธี. วิเคราะห์ความได้เปรียบโดยเปรียบเทียบและอุปสงค์การนำเข้ายางพาราจากประเทศไทยในตลาดจีน. งานวิจัย, 2549พฤทธ์สรรค์ สุทธิไชยเมธี. สถิติและการวิเคราะห์เชิงปริมาณ. พิมพ์ครั้งที่ 1, กรุงเทพฯ : บริษัทจามจุรี จำกัด, 2553.

พฤทธ์สรรค์ สุทธิไชยเมธี. สถิติและการวิเคราะห์เชิงปริมาณขั้นสูง. พิมพ์ครั้งที่ 1, กรุงเทพฯ: สำนักพิมพ์ดวงแก้ว , 2553.

พฤทธ์สรรค์ สุทธิไชยเมธี. เศรษฐมิติประยุกต์เพื่อการวิจัย. พิมพ์ครั้งที่ 1, กรุงเทพฯ: สำนักพิมพ์ดวงแก้ว , 2553.

พฤทธ์สรรค์ สุทธิไชยเมธี. (2553) วิเคราะห์แนวโน้มการส่งออกยางพาราของประเทศไทยไปตลาดจีน งานวิจัย. ทุนวิจัยวิทยาลัยเทคโนโลยีสยาม.

Anderson, O.D., “Time Series Analysis and Forecasting – The Box – Jenkins Approach,” Butterworths, London, 1975.

Box, George and D. Piece. “Distribution of Autocorrelations in Autoregressive Moving Average Time Series Models.” Journal of the American Statistical Association 65 (1970), 1509-26

Dickey, D. A., “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root”, Econometric (March 1987), 1981, 251-76

Dickey, and W.A. Fuller (1979),”Distribution of the Estimators for Auto–Regressive Time Series with a Unit Root”, journal of American Statistical Association, 74 , pp.427-431.

Drapper, N.R, and Smith, H., “Applied Regression Analysis,” 2nd Edition, John Wiley & Sons, New York,1981.

Granger, Clive and P. Newbold. “Spurious Regressions in Econometrics.” Journal of Econometrics 2 1974, 111-20.

Granger, E.S., JR. and Mckenzie ED. “Forecasting Trends in Time Series.” Management Science Vol 31 . 10 (October 1985) : 1237-46

Johansen, S. and K. Juselius , “Maximum Likelihood Estimation and Inference on Co-integration: With Applications to the Demand for Money.” Oxford Bulletin of Economics and Statistics 52 (February 1990)”, 1990.

Kolb, R.A. and Stekler, H.O., “Are Economic Forecasts Significantly Better Than Naïve Predictions ? An Appropriate Test,” International Journal of Forecasting, Vol.9, 1993, pp. 117 – 120.

Makridakis, S., The accuracy of major extrapolation (time series) method. J. of Forecasting., 1: 1982, 111 – 153.

Montgomery, D.C., Johnson, L.A. and Gardiner, J.S., “Forecasting and Time Series Analysis,” 2nd Edition, McGraw – Hill Inc., New York, 1990.

Nelson, C.R., “Applied Time Series Analysis for Managerial Forecasting” Holden Day, San Francisco, 1973

Newbold, P. and Granger, C.W.J., “Experience with Forecasting Univariate Time Series and the Combination of Forecast,” Journal of Royal Statistical Society A,Vol,137, 1974, pp.131 – 146

Willeam W.S. Wei. Time Series Analysis : Univariate and Multivariate method. New York USA: Addison – Wesley Publishing company, 1990.

Downloads

Published

2020-08-11

How to Cite

Sutthichaimethee, J. (2020). APPLICATION OF ARIMA MODEL FOR RESEARCH. Suthiparithat Journal, 25(76), 101–120. retrieved from https://so05.tci-thaijo.org/index.php/DPUSuthiparithatJournal/article/view/245811

Issue

Section

Research Articles