الانتقال المتوسط مع الاتجاه للتكيف

موفينغ أفيراج. هذا المثال يعلمك كيفية حساب المتوسط ​​المتحرك لسلسلة زمنية في إكسيل يتم استخدام المتوسط ​​المتحرك للتخلص من المخالفات القمم والوديان بسهولة التعرف على الاتجاهات. أولا، دعونا نلقي نظرة على سلسلة زمنية لدينا. من علامة التبويب بيانات، انقر فوق تحليل البيانات. ملاحظة يمكن العثور على زر تحليل البيانات انقر هنا لتحميل الأداة المساعدة تولباك تولباك. 3 حدد المتوسط ​​المتحرك وانقر فوق موافق .4 انقر في المربع نطاق الإدخال وحدد النطاق B2 M2. 5 انقر في المربع الفاصل الزمني واكتب 6.6 انقر في المربع نطاق الإخراج وحدد الخلية B3.8 رسم رسم بياني لهذه القيم. الاستهداف لأننا تعيين الفاصل الزمني إلى 6، المتوسط ​​المتحرك هو متوسط ​​نقاط البيانات 5 السابقة و نقطة البيانات الحالية ونتيجة لذلك، يتم تمهيد قمم والوديان خارج يظهر الرسم البياني اتجاها متزايدا لا يمكن إكسيل حساب المتوسط ​​المتحرك لأول 5 نقاط البيانات بسبب عدم وجود ما يكفي من نقاط البيانات السابقة 9. كرر الخطوات من 2 إلى 8 للفترة 2 والفاصل الزمني 4. الاستنتاج ذي لا رجر الفاصل الزمني، كلما تم تمهيد القمم والوديان خارج أصغر الفاصل الزمني، كلما اقتربت المتوسطات المتحركة هي نقاط البيانات الفعلية. المتوسط ​​المتحرك. المتوسط ​​المتحرك هو وسيلة لتمهيد السلاسل الزمنية عن طريق المتوسط ​​مع أو بدون الأوزان a عدد ثابت من فترات متتالية التحركات المتوسط ​​مع مرور الوقت، من حيث أن كل نقطة بيانات من سلسلة يتم تضمينها بالتسلسل في المتوسط، في حين تتم إزالة أقدم نقطة البيانات في فترة المتوسط ​​بشكل عام، ويعد طول المتوسط، فإن السلاسة هي السلسلة الناتجة يتم استخدام المتوسطات المتحركة لتسهيل التقلبات في السلاسل الزمنية أو لتحديد مكونات السلاسل الزمنية مثل الاتجاه والدورة والموسمية وغيرها. يستبدل المتوسط ​​المتحرك كل قيمة من السلاسل الزمنية بمتوسط ​​مرجح قدره p القيم السابقة والقيمة المعطاة و f القيم التالية لسلسلة إذا كان متوسط ​​المتوسط ​​المتحرك يقال أنه متوسط ​​متحرك يقال أنه متماثل إذا كان مركزه وإذا كان لكل k 1 و 2، يف وزن القيمة السابقة k تساوي وزن k - ث التالية واحد لم يتم تحديد المتوسط ​​المتحرك لقيم p الأولى وقيم السلسلة الزمنية الأخيرة f من أجل حساب المتوسط ​​المتحرك لتلك القيم، يجب أن تكون السلسلة وبسكل عام، قد تعتمد املالحظة احلالية على جميع املالحظات السابقة من املستحيل تقدير هذا النموذج اخلارجي لالستقالل الذاتي، كما أنه يحتوي على معلمات كثيرة جدا ومع ذلك، إذا شت كدالة خطية من جميع الفترات الماضية، يمكن أن يظهر أن نموذج الانحدار الذاتي يعادل شت كدالة خطية من عدد قليل فقط من الصدمات الماضية في نموذج المتوسط ​​المتحرك القيمة الحالية من شت يوصف بأنه وظيفة خطية من خطأ الصدمة المتزامنة وأخطاء الصدمات الماضية. وتعتبر نتائج التكيف المنطقي مستقرة إذا كانت مقاومة نسبيا لإزالة أو إضافة نقاط البيانات في إما نهاية السلسلة الاستقرار هي واحدة من الخصائص الرئيسية لنتائج سا إذا إلحاق أو تأخير بعض الملاحظات تغيير كبير في سلسلة المعدلة موسميا أو دورة الاتجاه المقدرة، فإن تفسير سلسلة المعدلة موسميا تكون غير موثوق بها. ما هي نسب سي . إن نسب سي هي قيم مكون سي الموسمية غير المنتظم، محسوبة كنسبة من السلسلة الأصلية إلى الاتجاه المقدر وبعبارة أخرى، نسب سي هي تقديرات لسلسلة المخططات سي المخططة مفيدة للتحقيق في ما إذا كانت الحركات قصيرة الأجل تسبب من خلال التقلبات الموسمية أو غير النظامية هذا المخطط هو أداة تشخيصية تستخدم لتحليل السلوك الموسمية، والانتقال أنماط العطلات، القيم المتطرفة وتحديد الفواصل الموسمية في السلسلة. برنامج التكيف المنطقي يعرض عادة المعلومات التالية حول نموذج معايير معايير اختيار ريجريما. Model هي مقاييس الخير النسبي لملاءمة نموذج إحصائي في القاعة الموسمية تيمنت المستخدمة في اختيار النظام الأمثل لنموذج ريجارميا بالنسبة لمعيار المعلومات المعطاة، فإن النموذج المفضل هو النموذج ذي القيمة الدنيا لمعيار المعلومات. في التكرار B، الجدول B7، التكرار C الجدول C7 والتكرار D الجدول D7 والجدول D12 يتم استخراج عنصر دورة الاتجاه من تقدير للسلسلة المعدلة موسميا باستخدام المتوسطات المتحركة هندرسون يتم اختيار طول مرشح هندرسون تلقائيا بواسطة X-12-أريما في إجراء من خطوتين. تنفيذ جدول البيانات من التعديل الموسمي والأسي والتجانس. فمن مباشرة لأداء التعديل الموسمية وتناسب نماذج التمهيد الأسي باستخدام إكسيل يتم أخذ الصور الشاشة والرسوم البيانية أدناه من جدول البيانات التي تم إعدادها لتوضيح التكيف الموسمي الضرب والتجانس الأسي الخطي على بيانات المبيعات ربع السنوية التالية من أوتبوارد مارين . للحصول على نسخة من ملف جدول البيانات نفسه، انقر هنا إصدار إكسوننتيا الخطي l تمهيد التي سيتم استخدامها هنا لأغراض مظاهرة هو نسخة براون s، لمجرد لأنه يمكن تنفيذها مع عمود واحد من الصيغ وهناك واحد فقط ثابت تمهيد لتحسين وعادة ما يكون من الأفضل استخدام النسخة هولت التي لديها تجانس منفصل ثوابت لمستوى و تريند. عملية التنبؤ تسير على النحو التالي أولا أولا يتم تعديل البيانات موسميا ثانيا ثم يتم إنشاء التنبؤات للبيانات المعدلة موسميا عن طريق تمهيد أسي الخطي، وأخيرا وأخيرا إعادة تصنيفها التوقعات الموسمية للحصول على توقعات لسلسلة الأصلي و تتم عملية التعديل الموسمية في الأعمدة من D إلى G. والخطوة الأولى في التعديل الموسمي هي حساب المتوسط ​​المتحرك المركز المنفذ هنا في العمود D ويمكن القيام بذلك عن طريق الأخذ بمتوسط ​​متوسطين على مدى سنة واحدة يقابلهما فترة واحدة بالنسبة لبعضها البعض هناك حاجة إلى مزيج من متوسطين إزاحة بدلا من متوسط ​​واحد لأغراض التمركز عندما يكون عدد المواسم حتى الخطوة التالية هي حساب النسبة إلى المتوسط ​​المتحرك - أي البيانات الأصلية مقسومة على المتوسط ​​المتحرك في كل فترة - والتي يتم تنفيذها هنا في العمود E ويسمى هذا أيضا مكون دورة الاتجاه من هذا النمط، بقدر ما يمكن اعتبار التأثيرات ودورات دورة الأعمال على أنها كل ما تبقى بعد حساب المتوسط ​​على مدى سنة كاملة من قيمة البيانات وبطبيعة الحال، يمكن تحديد التغيرات من شهر لآخر التي لا تكون نتيجة للموسمية من قبل العديد من عوامل أخرى، ولكن متوسط ​​12 شهرا ينعم عليها إلى حد كبير ويحسب مؤشر الموسمية المقدر لكل موسم عن طريق المتوسط ​​الأول لجميع النسب لهذا الموسم معين، والذي يتم في الخلايا G3-G6 باستخدام صيغة أفيراجيف المتوسط ثم يتم إعادة توزيع النسب بحيث تصل إلى 100 مرة بالضبط عدد الفترات في الموسم، أو 400 في هذه الحالة، والذي يتم في الخلايا H3-H6 أدناه في العمود F، يتم استخدام صيغ فلوكوب لإدراج قيمة الفهرس الموسمية المناسبة في إيك h من جدول البيانات، وفقا لربع العام الذي يمثله المتوسط ​​المتحرك المركز والبيانات المعدلة موسميا في نهاية المطاف تبدو مثل هذا. لاحظ أن المتوسط ​​المتحرك عادة ما يبدو نسخة أكثر سلاسة من سلسلة المعدلة موسميا، وأنه هو أقصر على كلا الطرفين. ورقة عمل أخرى في نفس ملف إكسيل يظهر تطبيق نموذج التجانس الأسي الخطي للبيانات المعدلة موسميا، بدءا من العمود قيمة غا ل ألفا ثابت التجانس يتم إدخال فوق العمود توقعات هنا، في الخلية H9 و من أجل الراحة يتم تعيين اسم النطاق ألفا يتم تعيين الاسم باستخدام الأمر إنزيرت نيم كريت يتم تهيئة نموذج ليس عن طريق تعيين أول تنبؤين يساويان القيمة الفعلية الأولى للسلسلة المعدلة موسميا الصيغة المستخدمة هنا لتوقعات ليس هي المعادلة أحادية المعادلة شكل من نموذج براون s. ويتم إدخال هذه الصيغة في الخلية المقابلة للفترة الثالثة هنا، H15 خلية ونسخ أسفل من هناك لاحظ أن توقعات المحطة ليس للفترة الحالية تشير إلى الملاحظات السابقة واثنين من أخطاء التنبؤ السابقة، فضلا عن قيمة ألفا وهكذا، فإن صيغة التنبؤ في الصف 15 تشير فقط إلى البيانات التي كانت متوفرة في الصف 14 و في وقت سابق وبطبيعة الحال، إذا أردنا استخدام تمهيد الأسي بسيطة بدلا من الخطي الأسي، يمكننا استبدال صيغة سيس هنا بدلا من ذلك يمكننا أيضا استخدام هولت ق بدلا من نموذج براون s ليس، الأمر الذي يتطلب اثنين من الأعمدة أكثر من الصيغ لحساب المستوى و الاتجاه الذي يتم استخدامه في التوقعات. يتم حساب الأخطاء في العمود التالي هنا، العمود J بطرح التوقعات من القيم الفعلية يتم حساب الخطأ الجذر التربيعي المتوسط ​​كجذر التربيعي للأخطاء بالإضافة إلى مربع يعني هذا يتبع من الهوية الرياضية أخطاء مس فاريانس أخطاء أفيراج 2 في حساب متوسط ​​وتفاوت الأخطاء في هذه الصيغة، يتم استبعاد الفترتين الأوليين لأن النموذج d أوس لا تبدأ في الواقع التنبؤ حتى الصف الثالث عشر الصف 15 على جدول البيانات يمكن العثور على القيمة المثلى ألفا إما عن طريق تغيير ألفا يدويا حتى يتم العثور على الحد الأدنى رمز، أو يمكنك استخدام سولفر لأداء التقليل الدقيق قيمة ألفا أن سولفر وجدت هو موضح هنا ألفا 0 471.It هو عادة فكرة جيدة لرسم أخطاء النموذج في وحدات المحولة وأيضا لحساب ورسم أوتوكوريلاتيونس بهم في فترات تأخر تصل إلى موسم واحد هنا هو مؤامرة سلسلة زمنية من أخطاء معدلة موسميا. يتم حساب أخطاء أوتوكوريلاتيونس باستخدام الدالة كوريل لحساب الارتباطات من الأخطاء مع أنفسهم تخلفت بفترة واحدة أو أكثر - يتم عرض التفاصيل في نموذج جدول البيانات هنا هو مؤامرة من أوتوكوريلاتيونس من الأخطاء في أول خمسة تأخرات. أوتوكوريلاتيونس في الفترات من 1 إلى 3 قريبة جدا من الصفر، ولكن الارتفاع في تأخر 4 الذي هو قيمة 0 35 هو مزعجة قليلا - وهو يشير إلى أن عملية التعديل الموسمية لديها لم يكن ناجحا تماما ومع ذلك، فإنه في الواقع هامشية فقط 95 العصابات أهمية لاختبار ما إذا كانت أوتوكوريلاتيونس تختلف اختلافا كبيرا عن الصفر تقريبا زائدة أو ناقص 2 سرت نك، حيث ن هو حجم العينة و k هو تأخر هنا ن هو 38 و k يختلف من 1 إلى 5، وبالتالي فإن مربع الجذر من ن-ناقص-ك حوالي 6 للجميع، وبالتالي حدود لاختبار الأهمية الإحصائية للانحرافات من الصفر هي تقريبا زائد أو ناقص 2 6، أو 0 33 إذا قمت بتغيير قيمة ألفا باليد في هذا النموذج إكسيل، يمكنك مراقبة تأثير على سلسلة زمنية ومؤامرات الارتباط الذاتي من الأخطاء، وكذلك على الخطأ الجذر متوسط ​​التربيع، والتي ستكون كما هو موضح أدناه. في الجزء السفلي من جدول البيانات، يتم وضع صيغة التنبؤ في المستقبل عن طريق مجرد استبدال التوقعات للقيم الفعلية في النقطة التي نفاد البيانات الفعلية - أي حيث يبدأ المستقبل بعبارة أخرى، في كل خلية حيث ستحدث قيمة البيانات المستقبلية، خلية r يتم إدراج الإيحاء الذي يشير إلى التنبؤ المحرز لتلك الفترة يتم نسخ جميع الصيغ الأخرى ببساطة أسفل من أعلاه. لاحظ أن الأخطاء للتنبؤات المستقبلية كلها محسوبة لتكون صفر هذا لا يعني أن الأخطاء الفعلية ستكون صفرا، ولكن بدلا من ذلك يعكس مجرد حقيقة أن لأغراض التنبؤ نحن نفترض أن البيانات المستقبلية سوف يساوي التوقعات في المتوسط ​​وتوقعات ليس الناتجة عن البيانات المعدلة موسميا تبدو مثل هذا. مع هذه القيمة بالذات ألفا، فإن التوقعات المتوقعة في الفترة السابقة تتجه نحو الارتفاع قليلا، مما يعكس الاتجاه المحلي الذي لوحظ خلال السنتين الماضيتين أو نحو ذلك. وبالنسبة لقيم ألفا الأخرى، يمكن الحصول على إسقاط اتجاه مختلف جدا. عادة ما تكون فكرة جيدة لمعرفة ما يحدث إلى إسقاط الاتجاه على المدى الطويل عندما ألفا متنوعة، لأن القيمة التي هي الأفضل للتنبؤ على المدى القصير لن يكون بالضرورة أفضل قيمة للتنبؤ مستقبل أكثر بعدا ل على سبيل المثال، هنا هي النتيجة التي يتم الحصول عليها إذا تم تعيين قيمة ألفا يدويا إلى 0 25. الاتجاه المتوقع على المدى الطويل هو الآن سلبي بدلا من إيجابي مع قيمة أصغر من ألفا، نموذج يضع المزيد من الوزن على البيانات القديمة في وتقديراته للمستوى الحالي واتجاهه وتنبؤاته على المدى الطويل تعكس الاتجاه التنازلي الذي لوحظ خلال السنوات الخمس الماضية بدلا من الاتجاه التصاعدي الأحدث. ويوضح هذا الرسم البياني أيضا بوضوح كيف أن النموذج ذو القيمة الأصغر ألفا أبطأ للرد إلى نقاط تحول في البيانات وبالتالي يميل إلى حدوث خطأ من نفس العلامة لفترات عديدة على التوالي أخطاء التنبؤ خطوة واحدة إلى الأمام هي أكبر في المتوسط ​​من تلك التي تم الحصول عليها قبل رمز 34 34 بدلا من 27 4 وبإيجابية قوية أوتوكورلاتد الترابط الذاتي لاغ-1 من 0 56 يتجاوز كثيرا قيمة 0 33 المحسوبة أعلاه للانحراف ذو دلالة إحصائية عن الصفر كبديل لقلب قيمة ألفا من أجل إدخال المزيد من الحفظ ويضاف في بعض الأحيان عامل ملطف الاتجاه إلى النموذج من أجل جعل الاتجاه المسقودة تتسطح بعد بضع فترات. الخطوة الأخيرة في بناء نموذج التنبؤ هو المنطقي التنبؤات ليس بضرب لهم من قبل والمؤشرات الموسمية المناسبة وبالتالي فإن التنبؤات المعاد تنظيمها في العمود الأول هي ببساطة نتاج المؤشرات الموسمية في العمود F وتوقعات ليس الموضوعة موسميا في العمود H. فمن السهل نسبيا حساب فترات الثقة للتنبؤات خطوة واحدة إلى الأمام التي قدمها هذا نموذج أول حساب الخطأ رمس متوسط ​​متوسط ​​الجذر، الذي هو مجرد الجذر التربيعي للمشاريع المتوسطة والصغيرة ومن ثم حساب فاصل الثقة للتوقعات المعدلة موسميا عن طريق جمع وطرح مرتين رمز بشكل عام فترة الثقة 95 لمرة واحدة، فإن توقعات الفترة الزمنية السابقة تساوي تقريبا نقطة التنبؤ زائد أو ناقص ضعف الانحراف المعياري المقدر لأخطاء التنبؤ، بافتراض أن توزيع الخطأ يبلغ تقريبا من الطبيعي أن حجم العينة كبير بما فيه الكفاية، ويقول 20 أو أكثر هنا، رمز بدلا من العينة الانحراف المعياري للأخطاء هو أفضل تقدير للانحراف المعياري للأخطاء المستقبلية التنبؤ لأنه يأخذ التحيز وكذلك عشوائية الاختلافات في الاعتبار ثم يتم إعادة حساب حدود الثقة للتوقعات المعدلة موسميا جنبا إلى جنب مع التوقعات، بضربها بالمؤشرات الموسمية المناسبة في هذه الحالة يساوي رمز رمز 27 4 والتوقعات المعدلة موسميا للفترة المقبلة الأولى ديسمبر 93 هي 273 2 وبالتالي فإن فترة الثقة 95 المعدلة موسميا هي من 273 2-2 27 4 218 4 إلى 273 2 2 27 4 328 0 ضرب هذه الحدود بحلول كانون الأول / ديسمبر مؤشر موسمية ديسمبر 68 61 نحصل على الحدود الدنيا والعليا الثقة 149 8 و 225 0 حول توقعات نقطة كانون الأول / ديسمبر لعام 187. 4 - تتزايد عموما حدود الثقة للتنبؤات بأكثر من فترة زمنية واحدة مع ازدياد أفق التوقعات بسبب عدم اليقين بشأن المستوى والاتجاه وكذلك ولكن من الصعب حسابها بشكل عام من خلال الطرق التحليلية 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 ل توقعات أكثر من فترة واحدة في المستقبل، مع أخذ جميع مصادر الخطأ في الاعتبار، أفضل رهان الخاص بك هو استخدام أساليب تجريبية على سبيل المثال، للحصول على فترة الثقة لتوقعات 2 خطوة إلى الأمام، يمكنك إنشاء عمود آخر على جدول البيانات لحساب توقعات 2-خطوة إلى الأمام لكل فترة من خلال التمهيد لتوقعات خطوة واحدة قبل ذلك ثم حساب رمز من أخطاء التنبؤ قبل خطوة 2 واستخدام هذا كأساس لفترة الثقة 2-خطوة قدما.