الانتقال المتوسط الموسمية - الاختلاف
تتحرك المتوسطات. إذا تم رسم هذه المعلومات على الرسم البياني، يبدو هذا this. This يدل على أن هناك تباين واسع في عدد الزوار اعتمادا على الموسم هناك أقل بكثير في الخريف والشتاء من الربيع والصيف. ومع ذلك، إذا أردنا أن نرى اتجاها في عدد الزوار، يمكننا حساب متوسط متحرك من 4 نقاط. نفعل ذلك من خلال إيجاد متوسط عدد الزوار في أرباع عام 2005. ثم نجد متوسط عدد الزوار في خلال الربعين الأخيرين من عام 2005 والربع الأول من عام 2006. وفي الربعين الأخيرين من عام 2005 والربعين الأولين من عام 2006. لاحظ أن آخر متوسط يمكننا العثور عليه هو الربعين الأخيرين من عام 2006 والفصلين الأولين من عام 2007. نحن مؤامرة المتوسطات المتحركة على الرسم البياني، والتأكد من أن يتم رسم كل متوسط في وسط أرباع الأربعة التي تغطيها. يمكننا أن نرى الآن أن هناك اتجاه نزولي طفيف جدا في الزوار. تنفيذ جدول البيانات من التعديل الموسمي والتجانس الأسي. هو مستقيم أووارد لإجراء الموسمية التكيف وتناسب نماذج التمهيد الأسي باستخدام إكسيل يتم أخذ الصور الشاشة والرسوم البيانية أدناه من جدول البيانات التي تم إعدادها لتوضيح التكيف الموسمي الضرب والتلطيخ الأسي الخطية على بيانات المبيعات ربع السنوية التالية من أوتبوارد مارين. للحصول على نسخة من ملف جدول البيانات نفسه، انقر هنا إصدار التجانس الأسي الخطي الذي سيتم استخدامه هنا لأغراض العرض التوضيحي هو الإصدار براون s، لمجرد أنه يمكن تنفيذه مع عمود واحد من الصيغ وهناك ثابت واحد فقط للتمهيد لتحسين وعادة ما يكون من الأفضل استخدام النسخة هولت التي لديها ثوابت تمهيد منفصلة للمستوى و direction. The عملية الترجيع العائدات على النحو التالي الأول أولا البيانات المعدلة موسميا 2 ثم يتم إنشاء التوقعات للبيانات المعدلة موسميا عن طريق تمهيد أسي الخطي، وأخيرا في يتم إعادة تصنيف التنبؤات المعدلة موسميا للحصول على توقعات للمنشأ نال سيريز تتم عملية التعديل الموسمية في الأعمدة من D إلى G. الخطوة الأولى في التعديل الموسمي هي حساب المتوسط المتحرك المرتكز الذي يتم تنفيذه هنا في العمود D ويمكن القيام بذلك عن طريق أخذ متوسط متوسطين على مدار العام، تقابلها فترة واحدة بالنسبة لبعضها البعض وهناك حاجة إلى مزيج من متوسطين للمقاصة بدلا من متوسط واحد لأغراض التمركز عندما يكون عدد المواسم حتى الخطوة التالية هي حساب النسبة إلى المتوسط المتحرك - من خلال المتوسط المتحرك في كل فترة - والذي يتم تنفيذه هنا في العمود E ويسمى هذا أيضا بمكون دورة الاتجاه للنمط، بقدر ما يمكن اعتبار التأثيرات ودورات دورة الأعمال على أنها كل ما تبقى بعد حساب المتوسط على كامل من الممكن أن تتغير التغيرات من شهر لآخر والتي لا تنجم عن الموسمية من قبل عوامل أخرى كثيرة، ولكن متوسط 12 شهرا يسلط الضوء عليها إلى حد كبير. x لكل موسم يتم حسابه من خلال حساب متوسط جميع النسب لهذا الموسم بالذات، والذي يتم في الخلايا G3-G6 باستخدام صيغة أفيراجيف ثم يتم إعادة توزيع النسب المتوسطة بحيث تصل إلى 100 مرة بالضبط عدد الفترات في الموسم ، أو 400 في هذه الحالة، ويتم ذلك في الخلايا H3-H6 أدناه في العمود F، يتم استخدام صيغ فلوكوب لإدراج قيمة الفهرس الموسمية المناسبة في كل صف من جداول البيانات، وفقا لربع السنة الذي يمثله تتمحور حول المتوسط المتحرك والبيانات المعدلة موسميا في نهاية المطاف تبدو مثل هذا. لاحظ أن المتوسط المتحرك يبدو عادة نسخة أكثر سلاسة من سلسلة المعدلة موسميا، وأقصر على كلا الطرفين. ورقة عمل أخرى في نفس ملف إكسيل يظهر تطبيق يتم إدخال نموذج تمهيد أسي خطي للبيانات المعدلة موسميا، بدءا من العمود قيمة غا ل ألفا ثابت التجانس فوق العمود توقعات هنا، في الخلية H9 ولراحة يتم تعيينه ركض غي الاسم ألفا يتم تعيين الاسم باستخدام الأمر إنزيرت نيم كريت يتم تهيئة نموذج ليس بتعيين أول تنبؤين يساويان القيمة الفعلية الأولى للسلسلة المعدلة موسميا الصيغة المستخدمة هنا للتنبؤ ليس هي النموذج المعادلي وحيد المعادلة من نموذج براون s. ويتم إدخال هذه الصيغة في الخلية المقابلة للفترة الثالثة هنا، H15 الخلية ونسخ من هناك لاحظ أن توقعات ليس للفترة الحالية تشير إلى الملاحظات السابقة واثنين من أخطاء التنبؤ السابقة، وكذلك بالنسبة لقيمة ألفا وهكذا، فإن صيغة التنبؤ في الصف 15 تشير فقط إلى البيانات التي كانت متوفرة في الصف 14 والإصدارات السابقة وبطبيعة الحال، إذا كنا نرغب في استخدام تمهيد أسي بسيط بدلا من خطي أسي، يمكننا استبدال صيغة سيس هنا بدلا من ذلك يمكن أيضا استخدام هولت s بدلا من براون s ليس نموذج، الأمر الذي يتطلب اثنين من الأعمدة أكثر من الصيغ لحساب المستوى والاتجاه التي يتم استخدامها في التنبؤ. يتم حساب الأخطاء في العمود التالي هنا، العمود J عن طريق طرح التوقعات من القيم الفعلية يتم حساب خطأ متوسط الجذر التربيعي باعتباره الجذر التربيعي للتباين في الأخطاء بالإضافة إلى مربع المتوسط يتبع ذلك من الهوية الرياضية أخطاء مس فاريانس أخطاء أفيراج 2 عند حساب متوسط وتفاوت الأخطاء في هذه الصيغة، يتم استبعاد الفترتين الأوليتين لأن النموذج لا يبدأ بالفعل التنبؤ حتى الصف الثالث عشر الصف 15 على جدول البيانات ويمكن العثور على القيمة المثلى ألفا إما عن طريق تغيير ألفا يدويا حتى يتم العثور على الحد الأدنى رمز، وإلا يمكنك استخدام حلالا لأداء التقليل الدقيق قيمة ألفا أن سولفر وجدت هو موضح هنا ألفا 0 471.It عادة ما تكون فكرة جيدة لرسم أخطاء النموذج في الوحدات المحولة وأيضا لحساب ورسم أوتوكوريلاتيونس بهم في تأخر تصل إلى موسم واحد هنا هو مؤامرة سلسلة زمنية من الأخطاء المعدلة موسميا. يتم حساب الخطأ أوتوكوريلاتيونس باستخدام وظيفة كوريل لحساب الارتباطات من الأخطاء مع أنفسهم تخلفت بفترة واحدة أو أكثر - وترد التفاصيل في نموذج جدول البيانات هنا هو مؤامرة من أوتوكوريلاتيونس من الأخطاء في الفترات الخمسة الأولى. الترابطات التلقائية في الفترات من 1 إلى 3 هي قريبة جدا من الصفر، ولكن ارتفاع في تأخر 4 الذي هو قيمة 0 35 هو مزعجة قليلا - فإنه يشير إلى أن عملية التعديل الموسمية لم تكن ناجحة تماما ومع ذلك، فإنه في الواقع فقط هامشية هام جدا 95 العصابات لاختبار ما إذا كانت أوتوكوريلاتيونس بشكل ملحوظ تختلف عن الصفر تقريبا ناقص أو ناقص 2 سرت نك حيث n هو حجم العينة و k هو التأخر هنا n هو 38 و k يختلف من 1 إلى 5، وبالتالي فإن مربع الجذر من-ن-ناقص-ك حوالي 6 لكل منهم، وبالتالي فإن حدود اختبار الدلالة الإحصائية للانحرافات عن الصفر هي تقريبا زائد أو ناقص 2 6، أو 0 33 إذا كنت تختلف قيمة ألفا باليد في هذا النموذج إكسيل، يمكنك ومراقبة التأثير على السلاسل الزمنية ومخططات الارتباط الذاتي للأخطاء، وكذلك على الخطأ الجذر المتوسط التربيعي، الذي سيتم توضيحه أدناه. في الجزء السفلي من جدول البيانات، يتم وضع صيغة التنبؤ في المستقبل عن طريق مجرد استبدال التوقعات للقيم الفعلية عند النقطة حيث تبدأ البيانات الفعلية - أي حيث يبدأ المستقبل بعبارة أخرى، في كل خلية حيث تحدث قيمة بيانات مستقبلية، يتم إدراج مرجع الخلية الذي يشير إلى التوقعات التي تم إجراؤها لتلك الفترة يتم نسخ جميع الصيغ الأخرى ببساطة من أعلاه. لاحظ أن أخطاء التنبؤات المستقبلية كلها محسوبة لتكون صفر هذا لا يعني أن الأخطاء الفعلية ستكون صفرا، بل بالأحرى أنها تعكس حقيقة أنه لأغراض التنبؤ نحن نفترض أن البيانات المستقبلية سوف تساوي التنبؤات في المتوسط تنبؤات ليس الناتجة عن البيانات المعدلة موسميا تبدو من هذا القبيل. مع هذه القيمة الخاصة من ألفا، وهو الأمثل للتوقعات قبل فترة واحدة، فإن الاتجاه المتوقع هو سلي تيلي صعودا، مما يعكس الاتجاه المحلي الذي لوحظ على مدى العامين الماضيين أو نحو ذلك وبالنسبة لقيم ألفا الأخرى، يمكن الحصول على إسقاط اتجاه مختلف جدا عادة ما تكون فكرة جيدة لمعرفة ما يحدث لإسقاط الاتجاه على المدى الطويل عندما ألفا ، لأن القيمة الأفضل للتنبؤ قصير الأجل لن تكون بالضرورة أفضل قيمة للتنبؤ بالمستقبل البعيد. على سبيل المثال، هنا هي النتيجة التي يتم الحصول عليها إذا تم تعيين قيمة ألفا يدويا إلى 0 25.The فإن الاتجاه المتوقع على المدى الطويل أصبح الآن سلبيا وليس إيجابيا مع قيمة أصغر من ألفا، فإن النموذج يضع وزنا أكبر على البيانات القديمة في تقديره للمستوى الحالي والاتجاه الحالي، وتنبؤاته على المدى الطويل تعكس الاتجاه التنازلي الذي لوحظ على مدى آخر 5 سنوات بدلا من الاتجاه التصاعدي الأحدث هذا الرسم البياني يوضح أيضا بوضوح كيف النموذج مع قيمة أصغر من ألفا أبطأ للرد على نقاط تحول في البيانات وبالتالي تميل إلى جعل خطأ من نفس s يتجاهل لفترات عديدة على التوالي أخطاء التنبؤ من خطوة واحدة أكبر بكثير من تلك التي تم الحصول عليها قبل رمز من 34 4 بدلا من 27 4 وترتبط ارتباطا إيجابيا قويا الارتباط الذاتي لاغ-1 من 0 56 يتجاوز كثيرا قيمة 0 33 محسوبة أعلاه لانحراف ذي دلالة إحصائية عن الصفر كبديل لتخفيض قيمة ألفا من أجل إدخال مزيد من التحفظ في التنبؤات طويلة الأجل، يضاف أحيانا عامل تضاؤل الاتجاه إلى النموذج من أجل جعل الاتجاه المسقود يتسطح بعد بضع فترات. الخطوة الأخيرة في بناء نموذج التنبؤ هي إعادة النظر في توقعات ليس عن طريق ضربها بالمؤشرات الموسمية المناسبة وهكذا، فإن التنبؤات المعاد تنظيمها في العمود الأول هي ببساطة نتاج المؤشرات الموسمية في العمود واو المعدل موسميا توقعات ليس في العمود H. فمن السهل نسبيا لحساب فترات الثقة للتنبؤات خطوة واحدة إلى الأمام التي قام بها هذا النموذج أولا حساب رمز الجذر المتوسط - تربيع الخطأ الذي هو مجرد الجذر التربيعي للمشروعات المتوسطة والصغيرة ومن ثم حساب فاصل الثقة للتوقعات المعدلة موسميا عن طريق جمع وطرح مرتين رمز بشكل عام فاصل الثقة 95 لتوقعات فترة واحدة قبل تساوي تقريبا إلى (2) أو أكثر من ضعف الانحراف المعياري المقدر لأخطاء التنبؤ، بافتراض أن توزيع الأخطاء يكون عاديا تقريبا وحجم العينة كبير بما فيه الكفاية، مثلا، 20 أو أكثر هنا، فإن رمزز بدلا من الانحراف المعياري للعينة فإن الأخطاء هي أفضل تقدير للانحراف المعياري لأخطاء التنبؤ المستقبلية لأنها تأخذ في الاعتبار الاختلافات في التحيز العشوائي وكذلك العشوائي. ثم يتم إعادة حساب حدود الثقة للتوقعات المعدلة موسميا مع التوقعات، بضربها بالمؤشرات الموسمية المناسبة في هذا حالة رمز تساوي 27 4 والتوقعات المعدلة موسميا للفترة المقبلة الأولى ديسمبر 93 هو 273 2 حتى تعديل موسميا 95 كونفيد الفاصل الزمني من 273 2-2 27 4 218 4 إلى 273 2 2 27 4 328 0 ضرب هذه الحدود بحلول شهر ديسمبر الموسمية للمؤشر الموسمي 68 61 نحصل على حدود أدنى وأعلى من الثقة 149 8 و 225 0 حوالي نقطة ديسمبر 93 توقعات 187 .4 سوف تتسع حدود الثقة للتنبؤات بأکثر من فترة مقبلة بشکل عام مع ارتفاع الأفق المتوقع بسبب عدم الیقین بشأن المستوى والاتجاه وکذلك العوامل الموسمیة، ولکن من الصعب حسابھا بشکل عام بطرق تحلیلیة الطريقة المناسبة لحساب حدود الثقة لتوقعات ليس هي باستخدام نظرية أريما، ولكن عدم اليقين في المؤشرات الموسمية هو مسألة أخرى إذا كنت ترغب في فترة ثقة واقعية للتنبؤ أكثر من فترة واحدة المقبلة، مع أخذ جميع مصادر الخطأ في الاعتبار ، أفضل رهان هو استخدام طرق تجريبية على سبيل المثال، للحصول على فترة ثقة لتوقعات 2-خطوة إلى الأمام، يمكنك إنشاء عمود آخر على جدول البيانات لحساب توقعات 2-خطوة قبل كل فترة ب أوثسترابينغ ذي-ستيب-بيوند فوريكاست ثم حساب رمزز للخطأ المتوقع من خطوتين للتنبؤ به واستخدامه كأساس لمتوسط الثقة بين الفاصلتين بخطوتين. متوسط التحلل. متوسط ملاحظات بيانات السلاسل الزمنية متباعدة بالتساوي في الوقت من عدة فترات متتالية يدعى الانتقال لأنه يتم إعادة حسابه باستمرار مع توفر بيانات جديدة، فإنه يتقدم بإسقاط القيمة الأولى وإضافة القيمة الأخيرة على سبيل المثال، يمكن حساب المتوسط المتحرك للمبيعات لمدة ستة أشهر من خلال أخذ متوسط المبيعات من من يناير إلى يونيو، ثم متوسط المبيعات من فبراير إلى يوليو، ثم من مارس إلى أغسطس، وهلم جرا المتوسطات المتحركة 1 تقليل تأثير الاختلافات المؤقتة في البيانات، 2 تحسين ملاءمة البيانات إلى خط عملية تسمى التمهيد لإظهار واتجاه البيانات أكثر وضوحا، و 3 تسليط الضوء على أي قيمة أعلى أو أقل من الاتجاه. إذا كنت حساب شيء مع تباين عالية جدا أفضل قد تكون قادرة على القيام به هو معرفة المتوسط المتحرك. أريد أن أعرف ما كان المتوسط المتحرك للبيانات، لذلك كان لدي فهم أفضل لكيفية عملنا. عندما تحاول معرفة بعض الأرقام التي تتغير في كثير من الأحيان أفضل ما يمكنك القيام به هو حساب المتوسط المتحرك. Box جنكينز B-J النماذج.
Comments
Post a Comment