الانتقال من المتوسط - طريقة من التنبؤ

المتوسط ​​المتحرك ونماذج التجانس الأسي كخطوة أولى في التحرك خارج النماذج المتوسطة، ونماذج المشي العشوائي، ونماذج الاتجاه الخطي، يمكن استقراء الأنماط والاتجاهات غير التقليدية باستخدام نموذج متحرك أو متوسط. الافتراض الأساسي وراء المتوسطات ونماذج التمهيد هو أن السلاسل الزمنية ثابتة محليا بمتوسط ​​متغير ببطء. وبالتالي، فإننا نأخذ متوسطا متحركا (محلي) لتقدير القيمة الحالية للمتوسط ​​ومن ثم استخدامه كمؤشر للمستقبل القريب. ويمكن اعتبار ذلك بمثابة حل توفيقي بين النموذج المتوسط ​​ونموذج المشي العشوائي بدون الانجراف. ويمكن استخدام نفس الاستراتيجية لتقدير الاتجاه المحلي واستقراءه. وعادة ما يطلق على المتوسط ​​المتحرك نسخة كوتسموثيدكوت من السلسلة الأصلية لأن المتوسط ​​على المدى القصير له تأثير على إزالة المطبات في السلسلة الأصلية. من خلال تعديل درجة التمهيد (عرض المتوسط ​​المتحرك)، يمكننا أن نأمل في ضرب نوع من التوازن الأمثل بين أداء المتوسط ​​و نماذج المشي العشوائي. أبسط نوع من نموذج المتوسط ​​هو. المتوسط ​​المتحرك البسيط (بالتساوي المرجح): تقدر قيمة قيمة Y في الوقت t1 التي يتم إجراؤها في الوقت t بالمتوسط ​​البسيط لآخر ملاحظات m: (هنا وفي مكان آخر سأستخدم الرمز 8220Y-hat8221 للوقوف للتنبؤ بالسلسلة الزمنية Y التي أجريت في أقرب موعد ممكن من قبل نموذج معين.) ويتركز هذا المتوسط ​​في الفترة t - (m1) 2، مما يعني أن تقدير المتوسط ​​المحلي سوف تميل إلى التخلف عن صحيح قيمة المتوسط ​​المحلي بنحو (m1) فترتين. وبالتالي، نقول أن متوسط ​​عمر البيانات في المتوسط ​​المتحرك البسيط هو (m1) 2 بالنسبة إلى الفترة التي يتم فيها احتساب التوقعات: هذا هو مقدار الوقت الذي تميل التنبؤات إلى التخلف عن نقاط التحول في البيانات . على سبيل المثال، إذا كنت تقوم بحساب متوسط ​​القيم الخمس الأخيرة، فإن التوقعات ستكون حوالي 3 فترات متأخرة في الاستجابة لنقاط التحول. ويلاحظ أنه في حالة M1، فإن نموذج المتوسط ​​المتحرك البسيط (سما) يساوي نموذج المشي العشوائي (بدون نمو). وإذا كانت m كبيرة جدا (مماثلة لطول فترة التقدير)، فإن نموذج سما يعادل النموذج المتوسط. وكما هو الحال مع أي معلمة لنموذج التنبؤ، من العرفي أن تعدل قيمة k من أجل الحصول على أفضل قيمة ممكنة للبيانات، أي أصغر أخطاء التنبؤ في المتوسط. وفيما يلي مثال لسلسلة يبدو أنها تظهر تقلبات عشوائية حول متوسط ​​متغير ببطء. أولا، يتيح محاولة لتناسب ذلك مع نموذج المشي العشوائي، وهو ما يعادل متوسط ​​متحرك بسيط من 1 مصطلح: نموذج المشي العشوائي يستجيب بسرعة كبيرة للتغيرات في سلسلة، ولكن في ذلك يفعل ذلك يختار الكثير من كوتنويسكوت في البيانات (التقلبات العشوائية) وكذلك كوتسيغنالكوت (المتوسط ​​المحلي). إذا حاولنا بدلا من ذلك متوسط ​​متحرك بسيط من 5 مصطلحات، نحصل على مجموعة أكثر سلاسة من التوقعات: المتوسط ​​المتحرك البسيط لمدة 5 سنوات ينتج أخطاء أقل بكثير من نموذج المشي العشوائي في هذه الحالة. متوسط ​​عمر البيانات في هذه التوقعات هو 3 ((51) 2)، بحيث تميل إلى التخلف عن نقاط التحول بنحو ثلاث فترات. (على سبيل المثال، يبدو أن الانكماش قد حدث في الفترة 21، ولكن التوقعات لا تتحول حتى عدة فترات في وقت لاحق). لاحظ أن التوقعات على المدى الطويل من نموذج سما هي خط مستقيم أفقي، تماما كما في المشي العشوائي نموذج. وبالتالي، يفترض نموذج سما أنه لا يوجد اتجاه في البيانات. ومع ذلك، في حين أن التنبؤات من نموذج المشي العشوائي هي ببساطة مساوية للقيمة الملاحظة الأخيرة، والتنبؤات من نموذج سما يساوي المتوسط ​​المرجح للقيم الأخيرة. إن حدود الثقة المحسوبة من قبل ستاتغرافيكس للتنبؤات طويلة الأجل للمتوسط ​​المتحرك البسيط لا تتسع مع زيادة أفق التنبؤ. ومن الواضح أن هذا غير صحيح لسوء الحظ، لا توجد نظرية إحصائية أساسية تخبرنا كيف يجب أن تتسع فترات الثقة لهذا النموذج. ومع ذلك، ليس من الصعب جدا حساب التقديرات التجريبية لحدود الثقة للتنبؤات الأطول أجلا. على سبيل المثال، يمكنك إعداد جدول بيانات سيتم فيه استخدام نموذج سما للتنبؤ بخطوتين إلى الأمام، و 3 خطوات إلى الأمام، وما إلى ذلك ضمن عينة البيانات التاريخية. يمكنك بعد ذلك حساب الانحرافات المعيارية للعينة في كل أفق للتنبؤ، ومن ثم بناء فترات ثقة للتنبؤات الأطول أجلا عن طريق جمع وطرح مضاعفات الانحراف المعياري المناسب. إذا حاولنا متوسط ​​متحرك بسيط لمدة 9 سنوات، نحصل على توقعات أكثر سلاسة وأكثر من تأثير متخلف: متوسط ​​العمر هو الآن 5 فترات ((91) 2). إذا أخذنا متوسط ​​متحرك لمدة 19 عاما، فإن متوسط ​​العمر يزيد إلى 10: لاحظ أن التوقعات تتخلف الآن عن نقاط التحول بنحو 10 فترات. أي كمية من التجانس هو الأفضل لهذه السلسلة هنا جدول يقارن إحصاءات الخطأ، بما في ذلك أيضا متوسط ​​3 المدى: نموذج C، المتوسط ​​المتحرك لمدة 5 سنوات، ينتج أقل قيمة رمز بهامش صغير على 3 المتوسطات و 9-المدى، وإحصاءاتهم الأخرى متطابقة تقريبا. لذلك، من بين نماذج مع إحصاءات الخطأ مشابهة جدا، يمكننا أن نختار ما إذا كنا نفضل استجابة أكثر قليلا أو أكثر قليلا نعومة في التوقعات. (العودة إلى أعلى الصفحة.) براونز بسيط الأسي تمهيد (المتوسط ​​المتحرك المرجح أضعافا) نموذج المتوسط ​​المتحرك البسيط المذكورة أعلاه لديه الخاصية غير المرغوب فيها أنه يعامل الملاحظات k الماضية بالتساوي تماما ويتجاهل جميع الملاحظات السابقة. بشكل حدسي، يجب أن يتم خصم البيانات السابقة بطريقة أكثر تدرجية - على سبيل المثال، يجب أن تحصل على الملاحظة الأخيرة أكثر قليلا من الوزن الثاني من أحدث، و 2 أحدث يجب الحصول على وزن أكثر قليلا من 3 أحدث، و هكذا. نموذج التمهيد الأسي بسيط (سيس) يحقق هذا. اسمحوا 945 تدل على كونتسموثينغ كونستانتكوت (عدد بين 0 و 1). طريقة واحدة لكتابة النموذج هو تعريف سلسلة L التي تمثل المستوى الحالي (أي القيمة المتوسطة المحلية) من السلسلة كما يقدر من البيانات حتى الوقت الحاضر. يتم حساب قيمة L في الوقت t بشكل متكرر من قيمته السابقة مثل هذا: وهكذا، فإن القيمة الملساء الحالية هي الاستكمال الداخلي بين القيمة الملساء السابقة والمراقبة الحالية، حيث 945 تسيطر على التقارب من قيمة محرف إلى الأحدث الملاحظة. التوقعات للفترة القادمة هي ببساطة القيمة الملساء الحالية: على نحو مماثل، يمكننا التعبير عن التوقعات القادمة مباشرة من حيث التوقعات السابقة والملاحظات السابقة، في أي من الإصدارات المكافئة التالية. في النسخة الأولى، والتنبؤ هو الاستيفاء بين التوقعات السابقة والملاحظة السابقة: في النسخة الثانية، ويتم الحصول على التوقعات القادمة عن طريق ضبط التوقعات السابقة في اتجاه الخطأ السابق من قبل كمية كسور 945. هو الخطأ المحرز في الوقت t. أما في النسخة الثالثة، فإن التنبؤ هو المتوسط ​​المتحرك المرجح ألسعاره (أي مخفضة) مع عامل الخصم 1- 945: إصدار الاستكمال الداخلي لصيغة التنبؤ هو أبسط الاستخدام إذا كنت تنفذ النموذج على جدول بيانات: خلية واحدة ويحتوي على مراجع الخلية مشيرا إلى التوقعات السابقة، الملاحظة السابقة، والخلية حيث يتم تخزين قيمة 945. لاحظ أنه إذا كان 945 1، فإن نموذج سيس يساوي نموذج المشي العشوائي (بدون نمو). وإذا كان 945 0، فإن نموذج سيس يعادل النموذج المتوسط، على افتراض أن القيمة الملساء الأولى موضوعة تساوي المتوسط. (العودة إلى أعلى الصفحة). يبلغ متوسط ​​عمر البيانات في توقعات التمهيد الأسي البسيط 945 1 بالنسبة للفترة التي يتم فيها حساب التوقعات. (وهذا ليس من المفترض أن يكون واضحا، ولكن يمكن بسهولة أن تظهر من خلال تقييم سلسلة لانهائية). وبالتالي، فإن متوسط ​​المتوسط ​​المتحرك بسيط يميل إلى التخلف عن نقاط التحول بنحو 1 945 فترات. على سبيل المثال، عندما يكون 945 0.5 الفارق الزمني هو فترتين عندما يكون 945 0.2 الفارق الزمني هو 5 فترات عندما يكون 945 0.1 الفارق الزمني هو 10 فترات، وهكذا. وبالنسبة إلى متوسط ​​عمر معين (أي مقدار التأخير)، فإن توقعات التمهيد الأسي البسيط تفوق إلى حد ما توقعات المتوسط ​​المتحرك البسيط (سما) لأنها تضع وزنا أكبر نسبيا على الملاحظة الأخيرة - أي. هو أكثر قليلا كوريبرسونسيفكوت إلى التغييرات التي تحدث في الماضي القريب. على سبيل المثال، نموذج سما مع 9 شروط ونموذج سيس مع 945 0.2 على حد سواء لديها متوسط ​​عمر 5 للبيانات في توقعاتها، ولكن نموذج سيس يضع وزنا أكبر على القيم 3 الماضية مما يفعل نموذج سما وفي في الوقت نفسه فإنه don8217t تماما 8220forget8221 حول القيم أكثر من 9 فترات القديمة، كما هو مبين في هذا المخطط: ميزة أخرى هامة من نموذج سيس على نموذج سما هو أن نموذج سيس يستخدم معلمة تمهيد التي هي متغيرة باستمرار، لذلك يمكن بسهولة الأمثل باستخدام خوارزمية كوتسولفيركوت لتقليل متوسط ​​الخطأ التربيعي. وتبين القيمة المثلى ل 945 في نموذج سيس لهذه السلسلة 0.2961، كما هو مبين هنا: متوسط ​​عمر البيانات في هذا التنبؤ هو 10.2961 3.4 فترات، وهو ما يشبه متوسط ​​المتوسط ​​المتحرك البسيط لمدة 6. والتنبؤات الطويلة الأجل من نموذج الخدمة الاقتصادية والاجتماعية هي خط مستقيم أفقي. كما هو الحال في نموذج سما ونموذج المشي العشوائي دون نمو. ومع ذلك، لاحظ أن فترات الثقة التي يحسبها ستاتغرافيكس الآن تتباعد بطريقة معقولة المظهر، وأنها هي أضيق بكثير من فترات الثقة لنموذج المشي العشوائي. ويفترض نموذج سيس أن المسلسل إلى حد ما يمكن التنبؤ به أكثر من ذلك لا نموذج المشي العشوائي. نموذج سيس هو في الواقع حالة خاصة من نموذج أريما. وبالتالي فإن النظرية الإحصائية لنماذج أريما توفر أساسا سليما لحساب فترات الثقة لنموذج سيس. على وجه الخصوص، نموذج سيس هو نموذج أريما مع اختلاف واحد غير منطقي، وهو ما (1) المدى، وليس هناك مصطلح ثابت. والمعروف باسم كوتاريما (0،1،1) نموذج دون كونستانتكوت. معامل ما (1) في نموذج أريما يتوافق مع الكمية 1- 945 في نموذج سيس. على سبيل المثال، إذا كنت تناسب نموذج أريما (0،1،1) دون ثابت لسلسلة تحليلها هنا، فإن ما المقدرة (1) معامل تبين أن يكون 0.7029، وهو تقريبا تقريبا واحد ناقص 0.2961. ومن الممكن إضافة افتراض اتجاه خطي ثابت غير صفري إلى نموذج سيس. للقيام بذلك، مجرد تحديد نموذج أريما مع اختلاف واحد نونسونالونال و ما (1) المدى مع ثابت، أي أريما (0،1،1) نموذج مع ثابت. وعندئذ سيكون للتنبؤات الطويلة الأجل اتجاه يساوي متوسط ​​الاتجاه الذي لوحظ خلال فترة التقدير بأكملها. لا يمكنك القيام بذلك بالتزامن مع التعديل الموسمية، لأن خيارات التعديل الموسمية يتم تعطيل عند تعيين نوع النموذج إلى أريما. ومع ذلك، يمكنك إضافة اتجاه أسي ثابت على المدى الطويل إلى نموذج بسيط الأسي تمهيد (مع أو بدون تعديل موسمي) باستخدام خيار تعديل التضخم في إجراء التنبؤ. ويمكن تقدير معدل كوتينفلاتيونكوت المناسب (نسبة النمو) لكل فترة على أنها معامل الانحدار في نموذج الاتجاه الخطي المجهز بالبيانات بالتزامن مع تحول لوغاريتم طبيعي، أو يمكن أن يستند إلى معلومات مستقلة أخرى تتعلق باحتمالات النمو على المدى الطويل . (العودة إلى أعلى الصفحة). البني الخطي (أي مزدوج) تجانس الأسي نماذج سما ونماذج سيس تفترض أنه لا يوجد أي اتجاه من أي نوع في البيانات (التي عادة ما تكون موافق أو على الأقل ليست سيئة جدا لمدة 1- والتنبؤ بالمتابعة عندما تكون البيانات صاخبة نسبيا)، ويمكن تعديلها لإدراج اتجاه خطي ثابت كما هو مبين أعلاه. ماذا عن الاتجاهات على المدى القصير إذا كانت سلسلة يعرض معدل نمو متفاوت أو نمط دوري الذي يبرز بوضوح ضد الضوضاء، وإذا كان هناك حاجة للتنبؤ أكثر من 1 فترة المقبلة، ثم قد يكون تقدير الاتجاه المحلي أيضا قضية. ويمكن تعميم نموذج التمهيد الأسي البسيط للحصول على نموذج تمهيد أسي خطي (ليس) يحسب التقديرات المحلية لكل من المستوى والاتجاه. أبسط نموذج الاتجاه المتغير بمرور الوقت هو نموذج تمهيد الأسي الخطي براون، والذي يستخدم سلسلتين مختلفتين تمهيدهما تتمركزان في نقاط مختلفة من الزمن. وتستند صيغة التنبؤ إلى استقراء خط من خلال المركزين. (ويمكن مناقشة الشكل الأكثر تطورا من هذا النموذج، هولت 8217s أدناه). ويمكن التعبير عن شكل جبري من نموذج التجانس الأسي الخطي البني 8217s، مثل نموذج التجانس الأسي البسيط، في عدد من الأشكال المختلفة ولكن المكافئة. وعادة ما يعبر عن الشكل المعياري للنموذج من هذا النموذج على النحو التالي: اسمحوا S تدل على سلسة سلسة السلسلة التي تم الحصول عليها عن طريق تطبيق تمهيد الأسي بسيط لسلسلة Y. وهذا هو، يتم إعطاء قيمة S في الفترة t من قبل: (أذكر أنه تحت بسيطة الأسفل، وهذا سيكون التنبؤ ل Y في الفترة t1.) ثم اسمحوا سكوت تدل على سلسلة مضاعفة مضاعفة التي تم الحصول عليها من خلال تطبيق التمهيد الأسي بسيطة (باستخدام نفس 945) لسلسلة S: وأخيرا، والتوقعات ل تك تك. عن أي kgt1، تعطى بواسطة: هذه الغلة e 1 0 (أي الغش قليلا، والسماح للتوقعات الأولى تساوي الملاحظة الأولى الفعلية)، و e 2 Y 2 8211 Y 1. وبعد ذلك يتم توليد التنبؤات باستخدام المعادلة أعلاه. وهذا يعطي نفس القيم المجهزة كالصيغة المستندة إلى S و S إذا كانت الأخيرة قد بدأت باستخدام S 1 S 1 Y 1. يستخدم هذا الإصدار من النموذج في الصفحة التالية التي توضح مجموعة من التجانس الأسي مع التعديل الموسمية. هولت 8217s الخطي الأسي تمهيد البني 8217s نموذج ليس يحسب التقديرات المحلية من المستوى والاتجاه من خلال تمهيد البيانات الأخيرة، ولكن حقيقة أنه يفعل ذلك مع معلمة تمهيد واحد يضع قيدا على أنماط البيانات التي هي قادرة على تناسب: المستوى والاتجاه لا يسمح لها أن تختلف بمعدلات مستقلة. ويعالج نموذج هولت 8217s ليس هذه المسألة عن طريق تضمين اثنين من الثوابت تمهيد، واحدة للمستوى واحد للاتجاه. في أي وقت t، كما هو الحال في نموذج Brown8217s، هناك تقدير ل t من المستوى المحلي وتقدير t ر للاتجاه المحلي. وهنا يتم حسابها بشكل متكرر من قيمة Y الملاحظة في الوقت t والتقديرات السابقة للمستوى والاتجاه من خلال معادلتين تنطبقان على تمهيد أسي لها بشكل منفصل. وإذا كان المستوى المقدر والاتجاه في الوقت t-1 هما L t82091 و T t-1. على التوالي، فإن التنبؤ ب Y تشي الذي كان سيجري في الوقت t-1 يساوي L t-1 T t-1. وعند ملاحظة القيمة الفعلية، يحسب التقدير المحدث للمستوى بصورة متكررة بالاستكمال الداخلي بين Y تشي وتوقعاته L t-1 T t-1 باستعمال أوزان 945 و1-945. والتغير في المستوى المقدر، وهي L t 8209 L t82091. يمكن تفسيرها على أنها قياس صاخبة للاتجاه في الوقت t. ثم يتم حساب التقدير المحدث للاتجاه بشكل متكرر عن طريق الاستكمال الداخلي بين L t 8209 L t82091 والتقدير السابق للاتجاه T t-1. وذلك باستخدام أوزان 946 و 1-946: تفسير ثابت ثابت تمهيد 946 مماثل لتلك التي من ثابت مستوى تمهيد 945. نماذج ذات قيم صغيرة من 946 نفترض أن الاتجاه يتغير ببطء شديد مع مرور الوقت، في حين أن النماذج مع أكبر 946 تفترض أنها تتغير بسرعة أكبر. ويعتقد نموذج مع كبير 946 أن المستقبل البعيد غير مؤكد جدا، لأن الأخطاء في تقدير الاتجاه تصبح مهمة جدا عند التنبؤ أكثر من فترة واحدة المقبلة. (العودة إلى أعلى الصفحة). ويمكن تقدير ثوابت التنعيم 945 و 946 بالطريقة المعتادة من خلال تقليل الخطأ المتوسط ​​التربيعي للتنبؤات ذات الخطوة الأولى. عندما يتم ذلك في ستاترافيكس، وتظهر التقديرات إلى أن 945 0.3048 و 946 0.008. القيمة الصغيرة جدا 946 تعني أن النموذج يفترض تغير طفيف جدا في الاتجاه من فترة إلى أخرى، وذلك أساسا هذا النموذج هو محاولة لتقدير الاتجاه على المدى الطويل. وبالمقارنة مع فكرة متوسط ​​عمر البيانات المستخدمة في تقدير المستوى المحلي للسلسلة، فإن متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي يتناسب مع 1 946، وإن لم يكن يساويها بالضبط . في هذه الحالة تبين أن تكون 10.006 125. هذا هو 8217t عدد دقيق جدا بقدر دقة تقدير 946 isn8217t حقا 3 المنازل العشرية، ولكن من نفس الترتيب العام من حيث حجم العينة من 100، لذلك هذا النموذج هو المتوسط ​​على مدى الكثير جدا من التاريخ في تقدير هذا الاتجاه. ويبين مخطط التنبؤ الوارد أدناه أن نموذج ليس يقدر اتجاه محلي أكبر قليلا في نهاية السلسلة من الاتجاه الثابت المقدر في نموذج سيترند. كما أن القيمة المقدرة ل 945 تكاد تكون مطابقة لتلك التي تم الحصول عليها من خلال تركيب نموذج سيس مع أو بدون اتجاه، لذلك هذا هو تقريبا نفس النموذج. الآن، هل هذه تبدو وكأنها توقعات معقولة لنموذج من المفترض أن يكون تقدير الاتجاه المحلي إذا كنت 8220eyeball8221 هذه المؤامرة، يبدو كما لو أن الاتجاه المحلي قد تحولت إلى أسفل في نهاية السلسلة ما حدث المعلمات من هذا النموذج قد تم تقديرها من خلال تقليل الخطأ المربعة للتنبؤات 1-خطوة إلى الأمام، وليس التنبؤات على المدى الطويل، في هذه الحالة لا يوجد 8217t الاتجاه الكثير من الفرق. إذا كان كل ما كنت تبحث في 1-خطوة قبل الأخطاء، كنت لا ترى الصورة الأكبر للاتجاهات أكثر (مثلا) 10 أو 20 فترات. من أجل الحصول على هذا النموذج أكثر في تناغم مع استقراء العين مقلة العين من البيانات، يمكننا ضبط ثابت الاتجاه تجانس يدويا بحيث يستخدم خط الأساس أقصر لتقدير الاتجاه. على سبيل المثال، إذا اخترنا تعيين 946 0.1، ثم متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي هو 10 فترات، وهو ما يعني أننا متوسط ​​متوسط ​​الاتجاه على مدى تلك الفترات 20 الماضية أو نحو ذلك. Here8217s ما مؤامرة توقعات يبدو وكأننا وضعنا 946 0.1 مع الحفاظ على 945 0.3. هذا يبدو معقولا بشكل حدسي لهذه السلسلة، على الرغم من أنه من المحتمل أن يستقضي هذا الاتجاه أي أكثر من 10 فترات في المستقبل. ماذا عن إحصائيات الخطأ هنا هو مقارنة نموذج للنموذجين المبينين أعلاه وكذلك ثلاثة نماذج سيس. القيمة المثلى 945. لنموذج سيس هو تقريبا 0.3، ولكن يتم الحصول على نتائج مماثلة (مع استجابة أكثر قليلا أو أقل، على التوالي) مع 0.5 و 0.2. (A) هولتس الخطي إكس. تمهيد مع ألفا 0.3048 وبيتا 0.008 (B) هولتس الخطية إكس. تمهيد مع ألفا 0.3 و بيتا 0.1 (C) تمهيد الأسي بسيط مع ألفا 0.5 (D) تمهيد الأسي بسيطة مع ألفا 0.3 (E) بسيطة الأسي تمهيد مع ألفا 0.2 احصائياتهم متطابقة تقريبا، لذلك نحن حقا يمكن 8217t جعل الاختيار على أساس من 1-خطوة قبل توقعات الأخطاء داخل عينة البيانات. وعلينا أن نعود إلى الاعتبارات الأخرى. إذا كنا نعتقد اعتقادا قويا أنه من المنطقي أن يستند تقدير الاتجاه الحالي على ما حدث على مدى السنوات ال 20 الماضية أو نحو ذلك، يمكننا أن نجعل من حالة لنموذج ليس مع 945 0.3 و 946 0.1. إذا أردنا أن نكون ملحدين حول ما إذا كان هناك اتجاه محلي، فإن أحد نماذج سيس قد يكون من الأسهل تفسيره، كما سيوفر المزيد من توقعات منتصف الطريق للفترات الخمس أو العشر القادمة. (العودة إلى أعلى الصفحة). أي نوع من الاستقراء هو الأفضل: أدلة أفقية أو خطية تشير إلى أنه إذا تم تعديل البيانات (إذا لزم الأمر) للتضخم، فقد يكون من غير الحكمة استقراء الخطي القصير الأجل الاتجاهات بعيدة جدا في المستقبل. إن الاتجاهات الواضحة اليوم قد تتراجع في المستقبل بسبب أسباب متنوعة مثل تقادم المنتج، وزيادة المنافسة، والانكماش الدوري أو التحولات في صناعة ما. لهذا السبب، تجانس الأسي بسيط غالبا ما يؤدي أفضل من خارج العينة مما قد يكون من المتوقع خلاف ذلك، على الرغم من كوتنيفيكوت الاتجاه الأفقي الاستقراء. وكثيرا ما تستخدم أيضا تعديلات الاتجاه المخفف لنموذج تمهيد الأسي الخطي في الممارسة العملية لإدخال ملاحظة المحافظة على توقعات الاتجاه. ويمكن تطبيق نموذج ليس المائل للاتجاه ليس كحالة خاصة لنموذج أريما، ولا سيما نموذج أريما (1،1،2). ومن الممكن حساب فترات الثقة حول التنبؤات طويلة الأجل التي تنتجها نماذج التمهيد الأسي، من خلال اعتبارها حالات خاصة لنماذج أريما. (حذار: لا تحسب جميع البرامج فترات الثقة لهذه النماذج بشكل صحيح). يعتمد عرض فترات الثقة على (1) خطأ رمز في النموذج، (2) نوع التجانس (بسيط أو خطي) (3) القيمة (ق) من ثابت ثابت (ق) و (4) عدد الفترات المقبلة كنت التنبؤ. بشكل عام، انتشرت الفترات بشكل أسرع مع 945 يحصل أكبر في نموذج سيس وانتشرت بشكل أسرع بكثير عندما يتم استخدام خطية بدلا من تجانس بسيط. ويناقش هذا الموضوع بمزيد من التفصيل في قسم نماذج أريما من الملاحظات. (العودة إلى أعلى الصفحة). التسلسل الزمني عبارة عن سلسلة من ملاحظات المتغير العشوائي الدوري. ومن الأمثلة على ذلك الطلب الشهري على المنتج، والتسجيل السنوي للطالب في إحدى أقسام الجامعة والتدفقات اليومية في النهر. تعتبر السلاسل الزمنية مهمة لبحوث العمليات لأنها غالبا ما تكون المحركات لنماذج القرار. ويتطلب نموذج الجرد تقديرات للطلبات المستقبلية، وجدول الدورات التدريبية ونموذج التوظيف لقسم الجامعة يتطلب تقديرات لتدفق الطلاب في المستقبل، ونموذج لتوفير التحذيرات للسكان في حوض النهر يتطلب تقديرات لتدفقات الأنهار في المستقبل القريب. يوفر تحليل السلاسل الزمنية أدوات لاختيار نموذج يصف السلاسل الزمنية واستخدام النموذج للتنبؤ بالأحداث المستقبلية. نمذجة السلاسل الزمنية هي مشكلة إحصائية لأن البيانات الملحوظة تستخدم في الإجراءات الحسابية لتقدير معاملات النموذج المفترض. تفترض النماذج أن الملاحظات تختلف عشوائيا حول القيمة المتوسطة الكامنة التي هي دالة للوقت. في هذه الصفحات نقصر الانتباه إلى استخدام بيانات السلاسل الزمنية التاريخية لتقدير نموذج معتمد على الوقت. والأساليب مناسبة للتنبؤ التلقائي القصير الأجل بالمعلومات التي كثيرا ما تستخدم حيث لا تتغير الأسباب الكامنة وراء تغير الوقت بشكل ملحوظ في الوقت المناسب. ومن الناحية العملية، يعدل المحللون البشريون التنبؤات المستمدة من هذه الأساليب فيما بعد، والتي تتضمن معلومات غير متاحة من البيانات التاريخية. هدفنا الأساسي في هذا القسم هو تقديم معادلات لأساليب التنبؤ الأربعة المستخدمة في إضافة التنبؤ: المتوسط ​​المتحرك، التماسك الأسي، الانحدار والتجانس الأسي المزدوج. وتسمى هذه الطرق تمهيد. وتشمل الطرق التي لم تؤخذ في الاعتبار التنبؤ النوعي، والانحدار المتعدد، وطرق الانحدار الذاتي (أريما). يجب على المهتمين بتغطية أوسع نطاقا زيارة موقع مبادئ التنبؤ أو قراءة أحد الكتب الممتازة العديدة حول هذا الموضوع. استخدمنا كتاب التنبؤ. بواسطة ماكريداكيس، ويلوريت و ماكجي، جون ويلي أمب سونس، 1983. لاستخدام مصنف إكسيل أمثلة، يجب أن يكون لديك وظيفة التنبيه الإضافية المثبتة. اختر الأمر ريلينك لإنشاء الارتباطات إلى الوظيفة الإضافية. تصف هذه الصفحة النماذج المستخدمة للتنبؤ البسيط والتدوين المستخدم للتحليل. وهذه الطريقة الأبسط للتنبؤ هي توقعات المتوسط ​​المتحرك. الطريقة ببساطة المتوسطات من الملاحظات م الماضية. ومن المفيد لسلاسل الوقت مع المتوسط ​​المتغير ببطء. هذه الطريقة تأخذ في الاعتبار الماضي كله في توقعاتها، ولكن يزن التجربة الأخيرة أكثر بكثير من أقل حداثة. الحسابات بسيطة لأنه فقط تقدير الفترة السابقة والبيانات الحالية تحديد التقدير الجديد. طريقة مفيدة لسلسلة زمنية مع المتوسط ​​المتغير ببطء. لا تستجيب طريقة المتوسط ​​المتحرك بشكل جيد لسلسلة زمنية تزيد أو تنخفض بمرور الوقت. نحن هنا تشمل مصطلح الاتجاه الخطي في النموذج. إن طريقة الانحدار تقترب من النموذج من خلال بناء معادلة خطية توفر المربعات الصغرى التي تناسب آخر ملاحظات m. أما الأسلوب الأبسط فيتمثل في أخذ متوسط ​​يناير إلى مارس واستخدام ذلك لتقدير مبيعات أبريل 8217: (129 134 122) 3 128.333 وبالتالي، استنادا إلى المبيعات من يناير حتى مارس، تتوقع أن المبيعات في أبريل سيكون 128،333. مرة واحدة أبريل 8217s المبيعات الفعلية تأتي في، وكنت ثم حساب توقعات لشهر مايو، وهذه المرة باستخدام فبراير حتى أبريل. يجب أن تكون متسقة مع عدد الفترات التي تستخدمها لنقل متوسط ​​التنبؤ. عدد الفترات التي تستخدمها في توقعات المتوسط ​​المتحرك الخاص بك تعسفي قد تستخدم فقط فترتين، أو خمس أو ست فترات ما تريده لتوليد توقعاتك. النهج أعلاه هو متوسط ​​متحرك بسيط. في بعض الأحيان، قد تكون الأشهر الأخيرة 8217 المبيعات المؤثرين أقوى من المبيعات شهر 8217s القادمة، لذلك كنت تريد أن تعطي تلك الأشهر أقرب إلى مزيد من الوزن في نموذج التوقعات الخاصة بك. هذا هو المتوسط ​​المتحرك المرجح. ومثل عدد الفترات، فإن الأوزان التي تعينها تعسفية بحتة. Let8217s يقول كنت تريد أن تعطي المبيعات مارس 8217s 50 الوزن، فبراير 8217s 30 الوزن، و يناير 8217s 20. ثم توقعاتك لشهر أبريل سيكون 127،000 (122.50) (134.30) (129.20) 127. حدود متوسطات الحركة المتحركة تعتبر المتوسطات المتحركة 8220 سمعة 8221 تقنية التنبؤ. لأنك 8217re أخذ المتوسط ​​مع مرور الوقت، كنت تليين (أو تمهيد) آثار حدوثات غير منتظمة داخل البيانات. ونتيجة لذلك، فإن آثار الموسمية، ودورات الأعمال، وغيرها من الأحداث العشوائية يمكن أن تزيد بشكل كبير من الخطأ التنبؤ. ألق نظرة على قيمة بيانات 8217 ثانية كاملة، وقارن متوسط ​​متحرك لمدة 3 أيام ومتوسط ​​متحرك لخمسة فترات: لاحظ أنه في هذه الحالة لم أتمكن من إنشاء توقعات، بل ركزت على المتوسطات المتحركة. المتوسط ​​المتحرك الأول لمدة 3 أشهر هو لشهر فبراير، و 8217 ثانية متوسط ​​يناير وفبراير ومارس. كما فعلت مماثلة لمتوسط ​​5 أشهر. الآن نلقي نظرة على الرسم البياني التالي: ماذا ترى ليس سلسلة المتوسط ​​المتحرك لمدة ثلاثة أشهر أكثر سلاسة بكثير من سلسلة المبيعات الفعلية وكيف حول المتوسط ​​المتحرك لمدة خمسة أشهر IT8217s حتى أكثر سلاسة. وبالتالي، والمزيد من الفترات التي تستخدمها في المتوسط ​​المتحرك الخاص بك، وسلاسة سلسلة الوقت الخاص بك. وبالتالي، للتنبؤ، قد لا يكون المتوسط ​​المتحرك البسيط أكثر الطرق دقة. إن أساليب المتوسط ​​المتحرك تثبت قيمة كبيرة عندما تحاول 8217 محاولة استخراج المكونات الموسمية وغير المنتظمة والدورية من السلاسل الزمنية لطرق التنبؤ المتقدمة مثل الانحدار و أريما، وسيتم استخدام المتوسطات المتحركة في تحليل سلسلة زمنية في وقت لاحق في السلسلة. تحديد دقة نموذج المتوسط ​​المتحرك بشكل عام، تريد طريقة التنبؤ التي تحتوي على أقل خطأ بين النتائج الفعلية والمتوقعة. ومن أكثر المقاييس شيوعا لدقة التنبؤ هو الانحراف المطلق المتوسط ​​(د. م). في هذا النهج، لكل فترة في السلسلة الزمنية التي قمت بإنشاء توقعات، كنت تأخذ القيمة المطلقة للفرق بين تلك الفترة 8217s القيم الفعلية والمتوقعة (الانحراف). ثم يمكنك متوسط ​​هذه الانحرافات المطلقة وتحصل على مقياس من درهم. ماد يمكن أن يكون مفيدا في اتخاذ قرار بشأن عدد الفترات التي متوسط، و أن كمية الوزن الذي تضعه على كل فترة. عموما، يمكنك اختيار واحد أن يؤدي إلى أدنى درهم. هنا 8217s مثال على كيفية حساب ماد: درهم هو ببساطة المتوسط ​​8، 1، 3. المتوسطات المتحركة: خلاصة عند استخدام المتوسطات المتحركة للتنبؤ، تذكر: المتوسطات المتحركة يمكن أن تكون بسيطة أو مرجحة عدد الفترات التي تستخدمها ل متوسط، وأي الأوزان التي تعين لكل منها التعسفي التعسفي المتوسطات المتحركة على نحو سلس خارج أنماط غير منتظمة في البيانات سلسلة زمنية أكبر عدد الفترات المستخدمة لكل نقطة البيانات، وزيادة تأثير تمهيد بسبب تجانس، والتنبؤ الشهر المقبل مبيعات 8217s على أساس فإن معظم المبيعات الأخيرة في الشهر 8217s يمكن أن تؤدي إلى انحرافات كبيرة بسبب الأنماط الموسمية والدورية وغير المنتظمة في البيانات، وقدرات التمهيد لطريقة المتوسط ​​المتحرك يمكن أن تكون مفيدة في تحلل سلسلة زمنية لطرق التنبؤ أكثر تقدما. الأسبوع المقبل: تجانس الأسي في الأسبوع القادم 8217s توقعات الجمعة. سوف نناقش أساليب التمهيد الأسي، وسترى أنها يمكن أن تكون أعلى بكثير من المتوسط ​​المتحرك أساليب التنبؤ. لا يزال دون 8217t تعرف لماذا لدينا توقعات الجمعة المشاركات تظهر يوم الخميس معرفة في: tinyurl26cm6ma مثل هذا: التنقل بوست ترك الرد إلغاء الرد كان لي 2 أسئلة: 1) يمكنك استخدام نهج ما تركزت للتنبؤ أو لمجرد إزالة الموسمية 2) عندما (t-1t-2t-k) k ما للتنبؤ بفترة زمنية واحدة، هل من الممكن التنبؤ بأكثر من 1 فترة قبل أن أعتقد أن توقعاتك ستكون واحدة من النقاط التي تغذيها في المرة القادمة. شكر. أحب المعلومات وتفسيراتك I8217m سعيد تريد بلوق I8217m متأكد من أن العديد من المحللين استخدمت نهج ما تركزت للتنبؤ، ولكن أنا شخصيا لن، لأن هذا النهج يؤدي إلى فقدان الملاحظات في كلا الطرفين. هذا في الواقع ثم العلاقات في السؤال الثاني الخاص بك. عموما، يستخدم ما بسيط للتنبؤ فترة واحدة فقط المقبلة، ولكن العديد من المحللين 8211 وأنا أيضا في بعض الأحيان 8211 سوف تستخدم بلدي فترة واحدة قبل التوقعات باعتبارها واحدة من المدخلات للفترة الثانية المقبلة. It8217s المهم أن نتذكر أن المزيد من المستقبل في محاولة للتنبؤ، وزيادة خطر الخاص بك من الخطأ المتوقع. هذا هو السبب في أنني لا أوصي تركز ما للتنبؤ 8211 فقدان الملاحظات في نهاية المطاف يعني الاضطرار إلى الاعتماد على التنبؤات الملاحظات المفقودة، فضلا عن الفترة (ق) المقبلة، لذلك هناك فرصة أكبر للخطأ التنبؤ. القراء: you8217re دعا إلى وزن في هذا. هل لديك أي أفكار أو اقتراحات حول هذا بريان، شكرا لتعليقكم وتقديراتكم على بلوق مبادرة لطيفة وتفسير جميل. It8217s مفيدة حقا. أتوقع مخصص لوحات الدوائر المطبوعة للعميل الذي لا يعطي أي توقعات. لقد استخدمت المتوسط ​​المتحرك، ومع ذلك فإنه ليس دقيقا جدا حيث يمكن للصناعة صعودا وهبوطا. ونحن نرى نحو منتصف الصيف حتى نهاية العام أن الشحن pcb8217s هو ما يصل. ثم نرى في بداية العام يبطئ الطريق. كيف يمكنني أن أكون أكثر دقة مع بياناتي كاترينا، من ما قلت لي، يبدو لديك المطبوعة مبيعات لوحة الدوائر لديها عنصر موسمي. أتعامل مع الموسمية في بعض المشاركات الأخرى المتوقعة يوم الجمعة. وهناك طريقة أخرى يمكنك استخدامها، وهي سهلة جدا، وهي خوارزمية هولت-وينترز، والتي تأخذ في الاعتبار الموسمية. يمكنك العثور على تفسير جيد من هنا. تأكد من تحديد ما إذا كانت أنماطك الموسمية متعددة أو مضافة، لأن الخوارزمية مختلفة قليلا لكل منها. إذا كنت مؤامرة البيانات الشهرية الخاصة بك من بضع سنوات، ونرى أن التغيرات الموسمية في نفس الأوقات من السنوات ويبدو أن تكون ثابتة سنة بعد سنة، ثم الموسمية هو المضافة إذا كانت التغيرات الموسمية مع مرور الوقت يبدو أن تتزايد، ثم الموسمية هو المضاعف. معظم السلاسل الزمنية الموسمية ستكون مضاعفة. إذا كنت في شك، تفترض مضاعفة. حظا سعيدا مرحبا هناك، بين تلك الطريقة:. ناف التنبؤ. تحديث المتوسط. المتوسط ​​المتحرك للطول k. إما المتوسط ​​المتحرك المرجح لطول k أو التمدد الأسي أي واحد من تلك النماذج المحدثة تنصحني باستخدامها للتنبؤ بالبيانات بالنسبة لي، أفكر في المتوسط ​​المتحرك. ولكن أنا don8217t تعرف كيفية جعلها واضحة ومنظم ذلك حقا يعتمد على كمية ونوعية البيانات لديك وأفق التنبؤ الخاص بك (على المدى الطويل، على المدى المتوسط، أو على المدى القصير)