الانتقال المتوسط الموسمية - الاختلاف

المتوسطات المتحركة إذا تم رسم هذه المعلومات على رسم بياني، يبدو ذلك كما يلي: وهذا يدل على أن هناك تباينا واسعا 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. ونحن نفعل ذلك من خلال إيجاد متوسط ​​عدد الزوار في أربعة أرباع عام 2005: ثم نجد متوسط ​​عدد الزوار في الأرباع الثلاثة الأخيرة من عام 2005 والربع الأول من عام 2006: ثم الربعين الأخيرين من عام 2005 والربعين الأولين من عام 2006: لاحظ أن آخر متوسط ​​يمكننا العثور عليه هو في الربعين الأخيرين من عام 2006 والربعين الأولين من عام 2007. ونحن رسم المتوسطات المتحركة على الرسم البياني، والتأكد من أن كل متوسط ​​يتم رسمها في وسط أرباع الأربعة ويغطي: يمكننا أن نرى الآن أن هناك اتجاها نزوليا طفيفا جدا في الزوار. كيف يمكنني حساب التباين الموسمي من متوسط ​​متحرك من 4 نقاط إذا كان لدي قائمة من المبيعات في كل ربع سنة لمدة سنتين. من هذه البيانات يمكنني حساب المتوسطات المتحركة 4 نقاط عادة، المبيعات - المتوسط ​​المتحرك (الاتجاه). عرض المزيد إذا كان لدي قائمة من المبيعات لكل ربع سنة لمدة سنتين، مثلا. من هذه البيانات يمكنني حساب المتوسطات المتحركة 4 نقاط عادة، والمبيعات - المتوسط ​​المتحرك (الاتجاه) الاختلاف الموسمي وهذا كان من السهل إذا كنت قد فعلت 3 أو 5 نقطة المتوسطات المتحركة (أي عدد فردي) المبيعات. الاتجاه. التباين الموسمية x. ا. د. ب. e z. ج. f المبيعات. الاتجاه. التباين الموسمية x. a. b z هل أنا فقط أخذ متوسط ​​2 نقطة المتحرك للاتجاه للحصول على الأرقام في محاذاة آسف، أرجو أن تفهم سؤالي it039s من الصعب بعض الشيء لشرح. كما أدركتم، مع المتوسط ​​المتحرك ثلاث نقاط أو خمس نقاط، يتم محاذاة نقاط البيانات الخاصة بك مع البيانات الأصلية الخاصة بك. حسنا، فإن المتوسط ​​المتحرك لأربع نقاط سيعطيك خط اتجاه مع نقاط بيانات محاذاة في منتصف الطريق بين نقاط منتصف بياناتك الأصلية، لذا أعتقد أنه يجب عليك الاستكمال بين نقاط البيانات المتوسطة المتحركة. وبما أن نقاط البيانات المتوسطة المتحركة متباعدة بشكل متساو على جانبي بياناتك الأصلية، فإن الاستكمال الداخلي ينطوي على حساب متوسط ​​النقاط المتعاقبة، لذلك أتفق مع اقتراحك بأن يأخذ متوسطا متحركا إضافيا كوسيلة لحساب الاتجاه. ومع ذلك، أود أن أشير إليه على أنه استيفاء بدلا من أن يكون متوسطا متحركا آخر. جون ميدوت قبل 7 سنوات ميدوت جاست نو أرسل إلى صديق أبلغ عن إساءة التعليقات التعليقات تم إضافة التعليق لتستطيع إضافة تعليق الرجاء تسجيل الدخول أو تسجيل حساب جديد كن أول من يضيف تعليقا هل تبحث عن موظف؟ كسب المزيد من النقاط أو العودة غدا أن نسأل أكثر من ذلك. يسأل التكاليف 5 نقاط، ومن ثم اختيار أفضل إجابة يكسب لك 3 نقاط يجب أن تتبع الأسئلة فشل إرشادات وسائل الإعلام تحميل المجتمع. يمكنك محاولة إضافة الوسائط مرة أخرى أو المضي قدما ونشر الرد فشل تحميل الوسائط. يمكنك محاولة إضافة الوسائط مرة أخرى أو المضي قدما ونشر السؤال الصورة التي تم تحميلها أقل من الحد الأدنى المطلوب 320 × 240 بكسل الحجم. عذرا، تنسيق الملف غير متوافق. يمكنك فقط تحميل صور بحجم يقل عن 5 ميغابايت. يمكنك تحميل مقاطع فيديو بحجم يقل عن 60 ميغابايت فقط. توليد المعاينة المضي قدما ونشر الرد الخاص بك. سيتم تحميل الفيديو الذي تم تحميله مباشرة بعد المعالجة. المضي قدما ونشر سؤالك. سيتم تحميل الفيديو الذي تم تحميله مباشرة بعد المعالجة. طلب إرسال. قد يستغرق هذا دقيقة أو دقيقتين التحميل. تنفيذ جدول البيانات من التعديل الموسمي والتجانس الأسي فمن السهل إجراء تعديل موسمي وتناسب نماذج التمهيد الأسي باستخدام إكسيل. يتم أخذ صور الشاشة والرسوم البيانية أدناه من جدول بيانات تم إعداده لتوضيح التعديل الموسمي الموسمي والتجانس الأسي الخطي على بيانات المبيعات الفصلية التالية من أوتبوارد مارين: للحصول على نسخة من ملف جدول البيانات نفسه، انقر هنا. نسخة من التجانس الأسي الخطي التي سيتم استخدامها هنا لأغراض مظاهرة هو Brown8217s الإصدار، لمجرد أنه يمكن تنفيذها مع عمود واحد من الصيغ وهناك واحد فقط ثابت تمهيد لتحسين. عادة فمن الأفضل استخدام الإصدار Holt8217s التي لديها ثوابت تمهيد منفصلة للمستوى والاتجاه. وتنتقل عملية التنبؤ على النحو التالي: '1' أولا تعدل البيانات موسميا '2'، ثم تنشأ التنبؤات للبيانات المعدلة موسميا عن طريق التمهيد الأسي الخطي؛ '3' وأخيرا، فإن التنبؤات المعدلة موسميا هي عبارة عن تنبؤات متوقعة موسميا للحصول على تنبؤات للمسلسل الأصلي . يتم إجراء عملية التعديل الموسمية في الأعمدة من D إلى G. الخطوة الأولى في التعديل الموسمية هي حساب المتوسط ​​المتحرك المركزة (يتم القيام به هنا في العمود D). ويمكن القيام بذلك عن طريق الأخذ بمتوسط ​​متوسطين على مدى سنة واحدة تقابلهما فترة واحدة بالنسبة لبعضهما البعض. (وهناك حاجة إلى مزيج من متوسطين للمقاصة بدلا من متوسط ​​واحد للأغراض المركزية عندما يكون عدد المواسم). والخطوة التالية هي حساب النسبة إلى المتوسط ​​المتحرك - أي. البيانات الأصلية مقسومة على المتوسط ​​المتحرك في كل فترة - والتي يتم تنفيذها هنا في العمود هاء (ويسمى هذا أيضا مكون كوتريند-سيكليكوت للنمط، بقدر ما يمكن اعتبار التأثيرات ودورات الأعمال على أنها كلها لا يزال بعد متوسطه على مدى سنوات كاملة من البيانات، وبطبيعة الحال، من شهر إلى آخر التغييرات التي لا تعود إلى الموسمية يمكن تحديدها من قبل العديد من العوامل الأخرى، ولكن متوسط ​​12 شهرا ينعم عليهم إلى حد كبير.) ذي يتم حساب المؤشر الموسمية المقدر لكل موسم من خلال متوسط ​​متوسط ​​جميع النسب لهذا الموسم المحدد، والذي يتم في الخلايا G3-G6 باستخدام صيغة أفيراجيف. ثم يتم تعديل النسب المتوسطة بحيث تصل إلى 100 مرة بالضبط عدد الفترات في الموسم، أو 400 في هذه الحالة، والذي يتم في الخلايا H3-H6. أسفل العمود F، يتم استخدام صيغ فلوكوب لإدراج قيمة الفهرس الموسمية المناسبة في كل صف من جداول البيانات، وفقا لربع السنة الذي يمثله. وينتهي المتوسط ​​المتحرك المركب والبيانات المعدلة موسميا على النحو التالي: لاحظ أن المتوسط ​​المتحرك يشبه عادة نسخة أكثر سلاسة من السلسلة المعدلة موسميا، وهو أقصر على كلا الطرفين. وتظهر ورقة عمل أخرى في نفس ملف إكسيل تطبيق نموذج تمهيد الأسي الخطي على البيانات المعدلة موسميا، بدءا من العمود G. وتدخل قيمة ثابت التمهيد (ألفا) فوق عمود التنبؤ (هنا في الخلية H9) و من أجل الراحة يتم تعيين اسم النطاق كوتAlpha. quot (يتم تعيين الاسم باستخدام الأمر كوتينسنامكراتيكوت). يتم تهيئة نموذج ليس عن طريق تعيين أول اثنين من التوقعات مساوية للقيمة الفعلية الأولى للسلسلة المعدلة موسميا. الصيغة المستخدمة هنا لتوقعات ليس هي النموذج المعادلة وحيد المعادلة من طراز Brown8217s: يتم إدخال هذه الصيغة في الخلية المقابلة للفترة الثالثة (هنا، الخلية H15) ونسخها من هناك. لاحظ أن توقعات ليس للفترة الحالية تشير إلى الملاحظات السابقة واثنين من أخطاء التنبؤ السابقة، فضلا عن قيمة ألفا. وهكذا، فإن صيغة التنبؤ الواردة في الصف 15 تشير فقط إلى البيانات التي كانت متاحة في الصف 14 وما قبله. (بطبيعة الحال، إذا أردنا استخدام تمهيد أسي بسيط بدلا من خطي أسي، يمكننا استبدال صيغة سيس هنا بدلا من ذلك، ويمكننا أيضا استخدام نموذج هولت 8217s بدلا من براون 8217s ليس، والذي يتطلب عمودين إضافيين من الصيغ لحساب المستوى والاتجاه التي تستخدم في التنبؤ.) وتحسب الأخطاء في العمود التالي (هنا، العمود J) بطرح التوقعات من القيم الفعلية. ويحسب خطأ متوسط ​​الجذر التربيعي باعتباره الجذر التربيعي للتباين في الأخطاء بالإضافة إلى مربع الوسط. (ويأتي ذلك من الهوية الرياضية: مس فاريانس (أخطاء) (أفيراج (أخطاء))). في حساب متوسط ​​وتفاوت الأخطاء في هذه الصيغة، يتم استبعاد الفترتين الأوليين لأن النموذج لا يبدأ فعلا التنبؤ حتى الفترة الثالثة (الصف 15 في جدول البيانات). يمكن العثور على القيمة المثلى ألفا إما عن طريق تغيير ألفا يدويا حتى يتم العثور على الحد الأدنى رمز، وإلا يمكنك استخدام كوتسولفيركوت لإجراء التقليل الدقيق. قيمة ألفا التي وجدت سولفر وجدت هنا (alpha0.471). وعادة ما تكون فكرة جيدة هي رسم أخطاء النموذج (في الوحدات المحولة)، وكذلك حساب ورسم مؤثراتهم الذاتية عند فترات تأخر تصل إلى موسم واحد. هنا هو مؤامرة سلسلة زمنية من الأخطاء (المعدلة موسميا): يتم حساب أوتوكوريلاتيونس خطأ باستخدام الدالة كوريل () لحساب الارتباطات من الأخطاء مع أنفسهم تأخرت بفترة واحدة أو أكثر - يتم عرض التفاصيل في نموذج جدول البيانات . هنا هو مؤامرة من أوتوكوريلاتيونس من الأخطاء في الفترات الخمسة الأولى: و أوتوكوريلاتيونس في الفترات من 1 إلى 3 قريبة جدا من الصفر، ولكن الارتفاع في تأخر 4 (الذي هو 0.35) هو مزعجة قليلا - فإنه يشير إلى أن عملية التعديل الموسمية لم تكن ناجحة تماما. ومع ذلك، فإنه في الواقع هامشية فقط. 95 لفحص ما إذا كانت أوتوكوريلاتيونس تختلف اختلافا كبيرا عن الصفر تقريبا زائدا أو ناقص 2SQRT (n-k)، حيث n هو حجم العينة و k هو الفارق الزمني. هنا n هو 38 و k يختلف من 1 إلى 5، وبالتالي فإن مربع الجذر من-ن-ناقص-ك حوالي 6 للجميع، وبالتالي حدود لاختبار أهمية إحصائية الانحرافات من الصفر هي تقريبا زائد - أو ناقص 26، 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 سيتم توضيحها أدناه. في الجزء السفلي من جدول البيانات، يتم إعداد صيغة التنبؤات في المستقبل عن طريق استبدال التنبؤات بالقيم الفعلية عند النقطة التي تنفد فيها البيانات الفعلية - أي. حيث تبدأ كوتوركوتلكوت. (وبعبارة 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 أسفل: لاحظ أن الأخطاء للتنبؤات من يتم حساب كل المستقبل ليكون صفر. وهذا لا يعني أن الأخطاء الفعلية ستكون صفرا، بل إنها تعكس مجرد حقيقة أنه لأغراض التنبؤ، نفترض أن البيانات المستقبلية ستساوي التوقعات في المتوسط. وتظهر توقعات ليس على البيانات المعدلة موسميا على النحو التالي: مع هذه القيمة الخاصة ألفا، وهو الأمثل للتنبؤات قبل فترة واحدة، فإن الاتجاه المتوقع هو أعلى قليلا، مما يعكس الاتجاه المحلي الذي لوحظ على مدى العامين الماضيين أو هكذا. وبالنسبة لقيم ألفا الأخرى، يمكن الحصول على إسقاط اتجاه مختلف جدا. وعادة ما تكون فكرة جيدة لمعرفة ما يحدث لإسقاط الاتجاه على المدى الطويل عندما يكون ألفا متنوعا، لأن القيمة الأفضل للتنبؤ على المدى القصير 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: 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 وتقديره للمستوى الحالي واتجاهه الحالي، وتنبؤاته الطويلة الأجل تعكس الاتجاه التنازلي الذي لوحظ خلال السنوات الخمس الماضية بدلا من الاتجاه التصاعدي الأحدث. ويوضح هذا المخطط أيضا بوضوح كيف أن النموذج مع قيمة أصغر من ألفا أبطأ للرد على نقاط كوتورنينغكوت في البيانات وبالتالي يميل إلى جعل خطأ من نفس علامة لعدة فترات متتالية. وأخطاء التنبؤ المتوقعة من خطوة واحدة أكبر في المتوسط ​​من تلك التي تم الحصول عليها من قبل (رمز 34.4 بدلا من 27.4) وترتبط ارتباطا إيجابيا قويا. ويتجاوز الترابط الذاتي المتخلف 1،56 قيمة 0،33 المحسوبة أعلاه لانحراف ذي دلالة إحصائية عن الصفر. وكبديل لتخفيض قيمة ألفا من أجل إدخال مزيد من التحفظ في التنبؤات طويلة الأجل، يضاف أحيانا عامل التخميد المعتدل إلى النموذج من أجل جعل الاتجاه المتوقع يتسطح بعد بضع فترات. وتتمثل الخطوة الأخيرة في بناء نموذج التنبؤات في التنبؤ بالتنبؤات المتوقعة من خلال ضربها بالمؤشرات الموسمية المناسبة. ومن ثم فإن التنبؤات المعاد تشكيلها في العمود الأول هي ببساطة نتاج المؤشرات الموسمية في العمود F وتوقعات ليس الموضوعة موسميا في العمود ح. ومن السهل نسبيا حساب فترات الثقة للتنبؤات من خطوة واحدة إلى الأمام التي يقدمها هذا النموذج: أولا حساب الخطأ المتوسط ​​التربيعي (رمز)، وهو مجرد الجذر التربيعي للمشروعات المتوسطة والصغيرة (مس)، ثم حساب فاصل الثقة للتنبؤ المعدل موسميا عن طريق جمع وطرح مرتين رمس. (عموما فاصل الثقة 95 للتنبؤ بفترة زمنية واحدة يساوي تقريبا نقطة التنبؤ زائد أو ناقص ضعف الانحراف المعياري المقدر لأخطاء التنبؤ، على افتراض أن توزيع الخطأ طبيعي تقريبا وحجم العينة هي كبيرة بما فيه الكفاية، ويقول 20 أو أكثر. هنا، رمز بدلا من العينة الانحراف المعياري للأخطاء هو أفضل تقدير للانحراف المعياري للأخطاء التوقعات المستقبلية لأنه يأخذ التحيز وكذلك عشوائية الاختلافات في الاعتبار.) حدود الثقة من أجل التنبؤ المعدل موسميا ثم ريساوناليزد. إلى جانب التوقعات، بضربها بالمؤشرات الموسمية المناسبة. وفي هذه الحالة، يساوي الرمز رمز 27.4 والتوقعات المعدلة موسميا للفترة المقبلة الأولى (ديسمبر / كانون الأول 93) هي 273.2. بحيث تكون فترة الثقة 95 المعدلة موسميا من 273.2-227.4 218.4 إلى 273.2227.4 328.0. مضاعفة هذه الحدود من قبل ديسمرس مؤشر موسمية من 68.61. نحصل على حدود أدنى وأعلى من الثقة 149.8 و 225.0 حول توقعات ديسمبر 93 نقطة من 187.4. ومن المتوقع أن تتسع حدود الثقة للتنبؤات بأكثر من فترة واحدة مع تزايد الأفق المتوقع بسبب عدم اليقين بشأن المستوى والاتجاه فضلا عن العوامل الموسمية، ولكن من الصعب حسابها عموما بطرق تحليلية. (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، واتخاذ جميع مصادر في الاعتبار، أفضل رهان هو استخدام طرق تجريبية: على سبيل المثال، للحصول على فترة ثقة لتوقعات من خطوتين إلى الأمام، يمكنك إنشاء عمود آخر في جدول البيانات لحساب توقعات خطوة بخطوة لكل فترة ( من خلال بوتسترابينغ توقعات خطوة واحدة إلى الأمام). ثم حساب رمز من أخطاء التنبؤ 2-خطوة إلى الأمام واستخدام هذا كأساس لفترة الثقة 2-خطوة إلى الأمام.