เฉลี่ยเคลื่อนที่ เรียบ stata

การพยากรณ์โดย Smoothing Techniques เว็บไซต์นี้เป็นส่วนหนึ่งของ JavaScript E-labs สำหรับการเรียนรู้ในการตัดสินใจ JavaScript อื่น ๆ ในชุดนี้มีการแบ่งประเภทภายใต้พื้นที่ที่แตกต่างของการใช้งานในส่วนของเมนูบนหน้านี้ ชุดเวลาเป็นลำดับของการสังเกตที่มีการสั่งซื้อในช่วงเวลาที่ โดยธรรมชาติในการเก็บรวบรวมข้อมูลดำเนินการในช่วงเวลาที่เป็นรูปแบบของการเปลี่ยนแปลงบางอย่างสุ่ม มีวิธีการลดการยกเลิกผลกระทบเนื่องจากรูปแบบสุ่ม ใช้เทคนิคที่ใช้กันอย่างแพร่หลาย เทคนิคเหล่านี้เมื่อนำมาประยุกต์ใช้อย่างถูกต้องจะแสดงให้เห็นถึงแนวโน้มที่ชัดเจนขึ้นอย่างชัดเจน ป้อนลำดับเวลาชุดข้อมูลเป็นแถวตามลำดับจากมุมซ้ายบนและพารามิเตอร์จากนั้นคลิกปุ่มคำนวณเพื่อขอรับการคาดการณ์ล่วงหน้าหนึ่งรอบ ช่องว่างเปล่าไม่รวมอยู่ในการคำนวณ แต่มีศูนย์อยู่ ในการป้อนข้อมูลของคุณเพื่อย้ายจากเซลล์ไปยังเซลล์ในข้อมูลเมทริกซ์ใช้แป้น Tab ไม่ใช่ลูกศรหรือป้อนคีย์ คุณลักษณะของชุดเวลาซึ่งอาจถูกเปิดเผยโดยการตรวจสอบกราฟ กับค่าคาดการณ์และพฤติกรรมที่เหลือรูปแบบการพยากรณ์สภาพ ค่าเฉลี่ยเคลื่อนที่: การย้ายอันดับเฉลี่ยเป็นหนึ่งในเทคนิคที่ได้รับความนิยมมากที่สุดสำหรับการประมวลผลล่วงหน้าของชุดข้อมูลเวลา ใช้เพื่อกรองสัญญาณรบกวนสีขาวแบบสุ่มจากข้อมูลเพื่อให้ชุดข้อมูลเวลาทำงานราบรื่นขึ้นหรือแม้แต่เพื่อเน้นองค์ประกอบข้อมูลที่มีอยู่ในชุดข้อมูลเวลา Exponential Smoothing: นี่เป็นรูปแบบที่ได้รับความนิยมมากในการผลิต Time Series เรียบ ในขณะที่ Moving Average การสังเกตการณ์ในอดีตมีการถ่วงน้ำหนักเท่ากัน Exponential Smoothing จะกำหนดค่าน้ำหนักที่ลดลงอย่างมากเมื่อการสังเกตมีอายุมากขึ้น กล่าวอีกนัยหนึ่งการสังเกตล่าสุดมีน้ำหนักมากขึ้นในการคาดการณ์มากกว่าการสังเกตที่เก่ากว่า Double Exponential Smoothing ดีกว่าในการจัดการกับแนวโน้ม Triple Exponential Smoothing ดีกว่าในการจัดการแนวโน้มพาราโบลา ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก exponenentially กับราบเรียบคง a. หมายถึงประมาณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยของความยาว (ระยะเวลา) n โดยที่ a และ n มีความสัมพันธ์กันโดย: a 2 (n1) หรือ n (2 - a) a. ดังนั้นตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักที่อธิบายด้วยค่าความยาวคลื่นและค่าคงที่การให้ราบเรียบเท่ากับ 0.1 จะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่ 19 วัน และค่าเฉลี่ยเคลื่อนที่เฉลี่ย 40 วันจะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบทวีคูณและมีค่าคงที่ที่ราบเรียบเท่ากับ 0.04878 การจัดแจงแบบเสียดสีเชิงเส้นของ Holts: สมมติว่าซีรี่ส์เวลาไม่ใช่ตามฤดูกาล แต่ไม่แสดงแนวโน้ม วิธีการของ Holts ประเมินทั้งระดับปัจจุบันและแนวโน้มในปัจจุบัน สังเกตว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นกรณีพิเศษของการทำให้เรียบโดยการตั้งค่าระยะเวลาของค่าเฉลี่ยเคลื่อนที่ไปเป็นส่วนจำนวนเต็มของอัลฟ่า (2 อัลฟ่า) สำหรับข้อมูลธุรกิจส่วนใหญ่พารามิเตอร์อัลฟาที่มีขนาดเล็กกว่า 0.40 มักมีประสิทธิภาพ อย่างไรก็ตามหนึ่งอาจดำเนินการค้นหาตารางพื้นที่พารามิเตอร์ด้วย 0.1 ถึง 0.9 โดยเพิ่มขึ้นเป็น 0.1 จากนั้นอัลฟาที่ดีที่สุดมีค่า Mean Absolute Error (MA Error) น้อยที่สุด วิธีการเปรียบเทียบวิธีการเรียบ: แม้ว่าจะมีตัวบ่งชี้ตัวเลขสำหรับการประเมินความถูกต้องของเทคนิคการคาดการณ์วิธีที่กว้างที่สุดคือการใช้การเปรียบเทียบภาพการคาดการณ์หลายอย่างเพื่อประเมินความถูกต้องและเลือกวิธีการคาดการณ์ต่างๆ ในวิธีนี้ผู้ใช้จะต้องพล็อต (ใช้เช่น Excel) บนกราฟเดียวกันค่าเดิมของตัวแปรชุดเวลาและค่าที่คาดการณ์ไว้จากวิธีการพยากรณ์อากาศต่างๆซึ่งจะช่วยให้สามารถเปรียบเทียบภาพได้ คุณอาจต้องการใช้การคาดการณ์ในอดีตโดยใช้เทคนิคการทำให้เรียบ JavaScript เพื่อรับค่าคาดการณ์ที่ผ่านมาโดยใช้เทคนิคการปรับให้เรียบโดยใช้พารามิเตอร์เพียงอย่างเดียว Holt และ Winters ใช้พารามิเตอร์สองและสามตามลำดับดังนั้นจึงไม่ใช่เรื่องง่ายที่จะเลือกค่าที่ดีที่สุดหรือใกล้เคียงกับค่าทดลองและข้อผิดพลาดของพารามิเตอร์ การเรียบแบบเอกพจน์เป็นแบบเดี่ยวจะเน้นย้ำมุมมองในระยะสั้นที่กำหนดระดับไว้เป็นข้อสังเกตสุดท้ายและขึ้นอยู่กับเงื่อนไขที่ไม่มีแนวโน้ม การถดถอยเชิงเส้นซึ่งเหมาะกับเส้นสี่เหลี่ยมจัตุรัสน้อยที่สุดต่อข้อมูลทางประวัติศาสตร์ (หรือเปลี่ยนข้อมูลทางประวัติศาสตร์) หมายถึงช่วงยาวซึ่งขึ้นอยู่กับแนวโน้มพื้นฐาน การคำนวณหาค่าความละเอียดเชิงเส้นแบบ Holts จับข้อมูลเกี่ยวกับแนวโน้มล่าสุด พารามิเตอร์ในรูปแบบ Holts คือพารามิเตอร์ระดับซึ่งควรจะลดลงเมื่อจำนวนของการแปรปรวนข้อมูลมีขนาดใหญ่และควรเพิ่มพารามิเตอร์ของเทรนด์หากทิศทางแนวโน้มล่าสุดได้รับการสนับสนุนจากสาเหตุบางประการ การคาดการณ์ในระยะสั้น: โปรดสังเกตว่า JavaScript ทุกหน้าจะให้การคาดการณ์ล่วงหน้าเพียงอย่างเดียว เพื่อให้ได้การคาดการณ์ล่วงหน้าสองขั้นตอน เพียงเพิ่มค่าที่คาดการณ์ไว้ในตอนท้ายของข้อมูลชุดข้อมูลตามเวลาและจากนั้นคลิกที่ปุ่ม Calculate เดียวกัน คุณสามารถทำซ้ำขั้นตอนนี้เป็นเวลาสองสามครั้งเพื่อให้ได้การคาดการณ์ในระยะสั้นที่จำเป็นการปรับตัว: Lowess เราจะทำงานกับข้อมูลจากการสำรวจครัวเรือน WFS ของโคลอมเบียซึ่งดำเนินการในปี พ. ศ. 2518-19 ฉันได้จัดทำตารางการแจกแจงอายุของสมาชิกทุกคนในครอบครัวและบันทึกไว้ในไฟล์ ascci ซึ่งตอนนี้เราได้อ่านและพล็อต: อย่างที่คุณเห็นการกระจายดูเหมือนน้อยกว่าข้อมูลจากฟิลิปปินส์ที่เราศึกษามาก่อนหน้านี้ คุณสามารถคำนวณดัชนี Myers สำหรับการแจกจ่ายนี้การเรียกใช้วิธีการและเส้นวิธีที่ง่ายที่สุดในการทำให้ scatterplot เรียบง่ายคือการใช้ค่าเฉลี่ยเคลื่อนที่ ยังเรียกว่าหมายถึงการทำงาน วิธีที่พบมากที่สุดคือการใช้หน้าต่างของการสังเกต 2k 1, k ไปทางซ้ายและ k ทางด้านขวาของการสังเกตแต่ละครั้ง ค่าของ k คือการค้าระหว่างความราบรื่นของความดีของพอดี ต้องระมัดระวังเป็นพิเศษในช่วงสุดขั้ว Stata สามารถคำนวณหาค่าเฉลี่ยในการวิ่งและ lowight ปัญหาทั่วไปเกี่ยวกับการวิ่งหมายถึงอคติ การแก้ปัญหาคือการใช้น้ำหนักที่ให้ความสำคัญกับเพื่อนบ้านที่อยู่ใกล้ที่สุดและน้อยกว่าผู้ที่อยู่ห่างไกลออกไป ฟังก์ชันน้ำหนักที่เป็นที่นิยมคือ Tubeys tri-cube หมายถึง w (d) (1-d 3) 3 สำหรับ d 1 และ 0 เป็นอย่างอื่นโดยที่ d คือระยะทางไปยังจุดเป้าหมายซึ่งแสดงเป็นส่วนหนึ่งของแบนด์วิดท์ Stata สามารถคำนวณนี้ผ่าน lowess ด้วยตัวเลือกหมายถึงถ้าคุณละเว้นight ทางออกที่ดียิ่งขึ้นก็คือการใช้เส้นวิ่ง เรากำหนดพื้นที่ใกล้เคียงสำหรับแต่ละจุดโดยเฉพาะ k เพื่อนบ้านที่ใกล้ที่สุดในแต่ละด้านให้พอดีกับเส้นการถดถอยไปยังจุดในพื้นที่ใกล้เคียงแล้วใช้เพื่อคาดการณ์ค่าความนุ่มนวลสำหรับการสังเกตดัชนี ดูเหมือนการทำงานเป็นจำนวนมาก แต่การคำนวณสามารถทำได้อย่างมีประสิทธิภาพโดยใช้สูตรการปรับปรุงการถดถอย Stata สามารถคำนวณบรรทัดการทำงานผ่าน Lowess ถ้าคุณละเว้นค่าเฉลี่ย แต่รวม Swedight ยังคงดีกว่าคือการใช้เส้นวิ่งที่ถ่วงน้ำหนัก ให้น้ำหนักมากขึ้นในการสังเกตที่ใกล้เคียงที่สุดซึ่งเป็นสิ่งที่ lowess เรียบเนียนไม่ ตัวแปรดังต่อไปนี้มีการประมาณค่าโดยมีการทำซ้ำไม่กี่ครั้งเพื่อให้ได้สายที่มีประสิทธิภาพมากขึ้น นี่เป็นเทคนิคที่ดีที่สุดในครอบครัว Statess lowess ใช้บรรทัดที่มีการถ่วงน้ำหนักหากคุณละเลยความหมายและwaniaight R ใช้ lowess ที่นุ่มนวลผ่าน lowess ฟังก์ชัน () และ lesser รุ่นใหม่กว่า () ซึ่งใช้อินเตอร์เฟซสูตรกับ predictors หนึ่งตัวหรือมากกว่าและค่าดีฟอลต์ที่แตกต่างกัน ระดับพารามิเตอร์ควบคุมระดับของพหุนามในระบบค่าดีฟอลต์คือ 2 สำหรับรูปสี่ส่วนทางเลือกคือ 1 สำหรับเส้นตรงและ 0 สำหรับวิธีการทำงาน การใช้งานทั้งสองแบบสามารถใช้เครื่องประเมินที่มีประสิทธิภาพโดยมีจำนวนซ้ำที่ควบคุมโดยพารามิเตอร์หรือซ้ำ พิมพ์ less และ lowess ในคอนโซล R เพื่อดูข้อมูลเพิ่มเติม ใน ggplot () คุณสามารถซ้อนทับ lowess เรียบโดยการเรียก geomsmooth () รูปด้านล่างแสดงข้อมูลโคลัมเบียและ lowess เรียบเนียนกว่า span หรือ bandwidth เท่ากับ 25 ของข้อมูล คุณอาจต้องการลอง badwidths อื่นเพื่อดูว่าผลลัพธ์แตกต่างกันอย่างไร การปรับการจัดกลุ่มอายุให้เป็นไปในทางที่ดีขึ้นเพื่อประเมินความต้องการหลักมากกว่าการผสมของไมเออร์ ลองคำนวณเลขสุดท้ายของอายุและจัดเรียงข้อมูลในช่วงข้อมูลทั้งหมดโดยใช้ความถี่ที่สังเกตได้และให้ค่าความเรียบต่ำลง ความถี่ดิบแสดงหลักฐานของการตั้งค่าสำหรับวัยที่สิ้นสุดใน 0 และ 5 ซึ่งเป็นเรื่องธรรมดามากและอาจเป็น 2 เช่นกัน ตอนนี้เราใช้น้ำหนักที่ราบเรียบแล้วความถี่ที่ราบเรียบแสดงให้เห็นว่าเราคาดหวังให้มีคนน้อยกว่าตัวเลขที่สูงกว่าแม้ว่าจะมีการแจกแจงแบบราบรื่นและมีผลลัพธ์เป็น 0 มากกว่า 9 ตอนนี้เราพร้อมแล้วที่จะคำนวณดัชนีความชอบหลัก ผลรวมของความแตกต่างระหว่างความแตกต่างระหว่างความถี่ที่สังเกตได้และเรียบ: เราเห็นว่าเราจะต้องปรับการสังเกตการณ์เป็น 5.5 เพื่อขจัดข้อได้เปรียบหลัก คุณอาจต้องการเปรียบเทียบผลลัพธ์นี้กับดัชนี Myers คัดลอก 2017 Germaacuten Rodriacuteguez มหาวิทยาลัยพรินซ์ตันการปรับโมเดลการปรับค่าเฉลี่ยและการอธิบายเป็นขั้นตอนแรกในการย้ายเกินกว่าโมเดลเฉลี่ยโมเดลการเดินแบบสุ่มและแบบจำลองเชิงเส้นแนวโน้มและรูปแบบที่ไม่เป็นทางการสามารถคาดการณ์ได้โดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบ สมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นที่มีค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ ดังนั้นเราจึงใช้ค่าเฉลี่ยเคลื่อนที่ (ท้องถิ่น) เพื่อประมาณค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ ซึ่งถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการเลื่อนลอย กลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่า quotsmoothedquot version ของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิม โดยการปรับระดับการทำให้เรียบ (ความกว้างของค่าเฉลี่ยเคลื่อนที่) เราสามารถคาดหวังให้เกิดความสมดุลระหว่างประสิทธิภาพของโมเดลแบบเฉลี่ยและแบบสุ่ม รูปแบบเฉลี่ยที่ง่ายที่สุดคือ ค่าเฉลี่ยของค่าเฉลี่ยของ Y ที่เวลา t1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่แท้จริงของการสังเกตการณ์ m ล่าสุด: (ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ 8220Y-hat8221 เพื่อยืน สำหรับการคาดการณ์ของชุดข้อมูล Y เวลาที่เร็วที่สุดเท่าที่เป็นไปได้ก่อนวันที่โดยรูปแบบที่กำหนด) ค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - (m1) 2 ซึ่งหมายความว่าค่าประมาณของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าจริง ค่าเฉลี่ยของท้องถิ่นโดยประมาณ (m1) 2 ช่วงเวลา ดังนั้นเราจึงกล่าวว่าอายุโดยเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ (m1) 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ: นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูล . ตัวอย่างเช่นถ้าคุณคิดค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเห โปรดทราบว่าถ้า m1 โมเดลเฉลี่ยเคลื่อนที่โดยเฉลี่ย (SMA) เทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า m มีขนาดใหญ่มาก (เทียบกับความยาวของระยะเวลาประมาณ) รูปแบบ SMA จะเท่ากับรูปแบบเฉลี่ย เช่นเดียวกับพารามิเตอร์ใด ๆ ของรูปแบบการคาดการณ์การปรับค่าของ k จะเป็นเรื่องปกติที่จะได้รับข้อมูลที่ดีที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ย นี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ อันดับแรกให้ลองพอดีกับรูปแบบการเดินแบบสุ่มซึ่งเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอม: รูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จะทำให้ได้คำที่ไม่เหมาะสมใน ข้อมูล (ความผันผวนแบบสุ่ม) รวมทั้ง quotsignalquot (ค่าเฉลี่ยในท้องถิ่น) ถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่ 5 ข้อโดยทั่วไปเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่า: ค่าเฉลี่ยเคลื่อนที่ 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้ อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 3 ((51) 2) ดังนั้นจึงมีแนวโน้มที่จะล่าช้ากว่าจุดหักเหภายในสามช่วงเวลา (ตัวอย่างเช่นการชะลอตัวน่าจะเกิดขึ้นในช่วง 21 แต่การคาดการณ์ไม่ได้ผกผันไปหลายช่วงเวลาภายหลัง) สังเกตว่าการคาดการณ์ระยะยาวจากแบบจำลอง SMA เป็นแนวเส้นตรงเช่นเดียวกับการเดินแบบสุ่ม แบบ ดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูล อย่างไรก็ตามในขณะที่การคาดการณ์จากรูปแบบการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตได้ล่าสุดการคาดการณ์จากรูปแบบ SMA จะเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุด วงเงินความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากระยะขอบพยากรณ์อากาศเพิ่มขึ้น เห็นได้ชัดว่าไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีทฤษฎีทางสถิติพื้นฐานที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไร อย่างไรก็ตามไม่ยากที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ระยะยาวของเส้นขอบฟ้า ตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตที่จะใช้โมเดล SMA เพื่อคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าวเป็นต้นภายในตัวอย่างข้อมูลที่ผ่านมา จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในขอบฟ้าพยากรณ์แต่ละครั้งและสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสม ถ้าเราลองค่าเฉลี่ยเคลื่อนที่ 9 วันเราจะได้รับการคาดการณ์ที่ราบรื่นขึ้นและผลกระทบที่ปกคลุมด้วยวัตถุฉนวน: อายุเฉลี่ยอยู่ที่ 5 ช่วงเวลา ((91) 2) ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ในระยะ 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10: สังเกตว่าแท้จริงแล้วการคาดการณ์ในขณะนี้ล้าหลังจุดหักเหประมาณ 10 รอบ นี่คือตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขาซึ่งรวมถึงค่าเฉลี่ยระยะยาว 3 คำ: Model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลตอบแทนน้อยที่สุดของ RMSE โดยมีขอบเล็กกว่า 3 ค่าเฉลี่ยระยะสั้นและระยะ 9 และสถิติอื่น ๆ ของพวกเขาเกือบจะเท่ากัน ดังนั้นในแบบจำลองที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าจะต้องการการตอบสนองเล็กน้อยหรือมีความเรียบขึ้นเล็กน้อยในการคาดการณ์หรือไม่ (ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักที่ชี้แจง) แบบจำลองค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายที่กล่าวมาข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะถือว่าข้อสังเกตสุดท้ายของ k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตทั้งหมดก่อนหน้านี้ โดยนัยข้อมูลที่ผ่านมาควรจะลดราคาในรูปแบบที่ค่อยๆมากขึ้นตัวอย่างเช่นการสังเกตล่าสุดควรมีน้ำหนักมากกว่า 2 ครั้งล่าสุดและครั้งที่ 2 ล่าสุดควรมีน้ำหนักน้อยกว่า 3 ครั้งล่าสุดและ อื่น ๆ แบบเรียบง่าย (SES) ทำให้สำเร็จได้ ให้ 945 แสดงถึงค่าคงที่ quotsmoothing (ตัวเลขระหว่าง 0 ถึง 1) วิธีหนึ่งในการเขียนแบบจำลองคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบัน (นั่นคือค่าเฉลี่ยในท้องถิ่น) ของชุดข้อมูลดังกล่าวโดยประมาณจากข้อมูลจนถึงปัจจุบัน ค่าของ L ที่เวลา t คำนวณจากค่าก่อนหน้าของตัวเองเช่นนี้ดังนั้นค่าที่เรียบนวลในปัจจุบันเป็นค่า interpolation ระหว่างค่าที่ได้จากการเรียบก่อนหน้าและการสังเกตการณ์ในปัจจุบันซึ่ง 945 จะควบคุมความใกล้ชิดของค่า interpolation กับค่าล่าสุด การสังเกต การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ได้รับการปรับปรุงในปัจจุบัน: เทียบเท่าเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้าในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ ในรุ่นแรกการคาดการณ์คือการแก้ไขระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้: ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าด้วยจำนวนเศษ 945 ข้อผิดพลาดเกิดขึ้นที่ เวลา t ในรุ่นที่สามการคาดการณ์คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกระดับ (เช่นลด) โดยมีปัจจัยการลดราคา 1-945: สูตรการคาดการณ์เวอร์ชันแก้ไขเป็นวิธีที่ง่ายที่สุดในการใช้งานหากคุณใช้โมเดลในสเปรดชีต: เหมาะกับรูปแบบ เซลล์เดี่ยวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้การสังเกตก่อนหน้าและเซลล์ที่เก็บค่า 945 ไว้ โปรดทราบว่าถ้า 945 1 รูปแบบ SES จะเทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า 945 0 รูปแบบ SES จะเท่ากับโมเดลเฉลี่ยโดยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ย (กลับไปด้านบนสุดของหน้า) อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์การเรียบอย่างง่ายและชี้แจงคือ 1 945 เทียบกับระยะเวลาที่คาดการณ์การคำนวณ (นี้ไม่ควรจะเป็นที่เห็นได้ชัด แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์.) ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหประมาณ 1 945 รอบระยะเวลา ตัวอย่างเช่นเมื่อ 945 0.5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 945 0.2 ความล่าช้าเป็น 5 ช่วงเวลาที่ 945 0.1 ความล่าช้าเป็น 10 ช่วงเวลาและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุ (เช่นจำนวนเงินที่ล่าช้า) การคาดการณ์การทำให้การทำให้ลื่นไหลเรียบแบบสมมุติแบบง่าย (SES) ค่อนข้างดีกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) เนื่องจากมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - คือ มีการเปลี่ยนแปลงมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา ตัวอย่างเช่นโมเดล SMA ที่มี 9 คำและแบบ SES ที่มี 945 0.2 มีอายุเฉลี่ยอยู่ที่ 5 สำหรับข้อมูลในการคาดการณ์ แต่แบบจำลอง SES จะให้น้ำหนักมากกว่า 3 ค่าที่มากกว่าแบบจำลอง SMA และที่ ในเวลาเดียวกันมันไม่ได้ 8220forget8221 เกี่ยวกับค่ามากกว่า 9 งวดเก่าดังที่แสดงในแผนภูมินี้ข้อได้เปรียบที่สำคัญอีกประการหนึ่งของโมเดล SES ในรูปแบบ SMA คือรูปแบบ SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่อง โดยใช้อัลกอริธึม quotsolverquot เพื่อลดข้อผิดพลาดกำลังสองเฉลี่ย ค่าที่เหมาะสมที่สุดของ 945 ในแบบจำลอง SES สำหรับชุดข้อมูลนี้จะเท่ากับ 0.2961 ดังแสดงในที่นี้อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 10.2961 3.4 งวดซึ่งใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะสั้น การคาดการณ์ระยะยาวจากแบบจำลอง SES เป็นแนวเส้นตรง เช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโต อย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับรูปแบบการเดินแบบสุ่ม แบบจำลอง SES อนุมานว่าชุดนี้ค่อนข้างจะคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่ม แบบจำลอง SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีสถิติของแบบจำลอง ARIMA จึงเป็นพื้นฐานที่ใช้ในการคำนวณช่วงความเชื่อมั่นสำหรับแบบจำลอง SES โดยเฉพาะอย่างยิ่งแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันหนึ่งคำ MA (1) และไม่มีระยะคงที่ หรือที่เรียกว่าโควต้า (0,1,1) โดยไม่มีค่าคงที่ ค่าสัมประสิทธิ์ MA (1) ในรูปแบบ ARIMA สอดคล้องกับจำนวน 1-945 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณพอดีกับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA (1) โดยประมาณจะเท่ากับ 0.7029 ซึ่งใกล้เคียงกับค่า 0.2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่เป็นศูนย์ให้เป็นรูปแบบ SES ในการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งและเทอม MA (1) ที่มีค่าคงที่นั่นคือ ARIMA (0,1,1) โดยมีค่าคงที่ การคาดการณ์ในระยะยาวจะมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมด คุณไม่สามารถดำเนินการนี้ควบคู่กับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มแนวโน้มการชี้แจงในระยะยาวที่คงที่สำหรับแบบจำลองการทำให้เรียบแบบเลขแจงที่เรียบง่าย (โดยมีหรือไม่มีการปรับฤดูกาล) โดยใช้ตัวเลือกการปรับค่าเงินเฟ้อในขั้นตอนการคาดการณ์ อัตราการเติบโตของอัตราแลกเปลี่ยน (quotation) ในแต่ละช่วงเวลาสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลร่วมกับการแปลงลอการิทึมตามธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาว . (กลับไปด้านบนสุดของหน้า) Browns Linear (เช่น double) Exponential Smoothing โมเดล SMA และ SES สมมุติว่าไม่มีแนวโน้มใด ๆ ในข้อมูล (โดยปกติจะเป็นอย่างน้อยหรืออย่างน้อยก็ไม่เลวสำหรับ 1- การคาดการณ์ล่วงหน้าเมื่อข้อมูลมีเสียงดังมาก) และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นคงที่ดังที่แสดงไว้ข้างต้น สิ่งที่เกี่ยวกับแนวโน้มในระยะสั้นหากซีรี่ส์แสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนเมื่อเทียบกับเสียงรบกวนและหากมีความจำเป็นต้องคาดการณ์ล่วงหน้ามากกว่า 1 รอบการคาดการณ์แนวโน้มในท้องถิ่นอาจเป็นไปได้ ปัญหา แบบจำลองการทำให้เรียบเรียบง่ายสามารถสรุปเพื่อให้ได้รูปแบบการเรียบแบบเสวนาเชิงเส้น (LES) ซึ่งจะคำนวณการประมาณระดับท้องถิ่นและระดับแนวโน้ม รูปแบบแนวโน้มที่แตกต่างกันตามเวลาที่ง่ายที่สุดคือสีน้ำตาลแบบเสแสร้งแบบเสียดสีแบบเรียบซึ่งใช้ทั้งสองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่าง ๆ ในเวลา สูตรพยากรณ์ขึ้นอยู่กับการอนุมานของเส้นผ่านทั้งสองศูนย์ (รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt8217s ถูกกล่าวถึงด้านล่าง) รูปแบบพีชคณิตของ Brown8217s เชิงเส้นแบบเรียบเช่นเดียวกับรูปแบบการเรียบง่ายชี้แจงสามารถแสดงในรูปแบบที่แตกต่างกัน แต่ที่เท่าเทียมกัน รูปแบบมาตรฐานของแบบจำลองนี้มักจะแสดงดังนี้: ให้ S หมายถึงชุดแบบเดี่ยวที่เรียบง่ายได้โดยใช้การเรียบง่ายแบบเลขยกตัวอย่างให้เป็นชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย: (จำได้ว่าภายใต้หลักการง่ายๆ exponential smoothing นี่คือการคาดการณ์ของ Y ในช่วง t1) จากนั้นให้ Squot แสดงชุดที่มีการคูณทวีคูณขึ้นโดยใช้การเรียบแบบเลขแจงธรรมดา (ใช้แบบเดียวกัน 945) กับชุด S: สุดท้ายการคาดการณ์สำหรับ Y tk สำหรับ kgt1 ใด ๆ ให้โดย: ผลตอบแทนนี้ e 1 0 (เช่นโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกจริง) และ e 2 Y 2 8211 Y 1 หลังจากที่คาดการณ์จะถูกสร้างโดยใช้สมการข้างต้น ค่านี้จะให้ค่าพอดีกับสูตรตาม S และ S ถ้าค่าเริ่มต้นใช้ S 1 S 1 Y 1 รุ่นของรุ่นนี้ใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบแบบเสวนากับการปรับฤดูกาลตามฤดูกาล Holt8217s Linear Exponential Smoothing Brown8217s แบบจำลอง LES คำนวณการประมาณระดับท้องถิ่นและแนวโน้มโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์เรียบเพียงอย่างเดียวจะกำหนดข้อ จำกัด ของรูปแบบข้อมูลที่สามารถพอดีกับระดับและแนวโน้มได้ ไม่ได้รับอนุญาตให้เปลี่ยนแปลงในอัตราที่เป็นอิสระ แบบจำลอง LES ของ Holt8217s กล่าวถึงปัญหานี้ด้วยการรวมค่าคงที่ที่ราบเรียบสองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ทุกเวลา t เช่นเดียวกับในรุ่น Brown8217s มีการประมาณการ L t ของระดับท้องถิ่นและประมาณการ T t ของแนวโน้มในท้องถิ่น ที่นี่พวกเขาจะได้รับการคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การอธิบายแบบเอกซ์โพเน็นเชียลให้เรียบขึ้น หากระดับและแนวโน้มโดยประมาณของเวลา t-1 คือ L t82091 และ T t-1 ตามลำดับจากนั้นคาดว่า Y tshy ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณระดับที่ปรับปรุงใหม่จะถูกคำนวณโดยการ interpolating ระหว่าง Y tshy และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของ 945 และ 1-945 การเปลี่ยนแปลงระดับโดยประมาณ, คือ L t 8209 L t82091 สามารถตีความได้ว่าเป็นสัญญาณรบกวนของแนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดยการ interpolating ระหว่าง L t 8209 L t82091 และประมาณการก่อนหน้าของแนวโน้ม T t-1 โดยใช้เครื่องชั่ง 946 และ 1-946 การตีความค่าคงที่การทรงตัวของกระแส 946 มีความคล้ายคลึงกับค่าคงที่ของการปรับให้เรียบระดับ 945 โมเดลที่มีค่าน้อย 946 อนุมานได้ว่าแนวโน้มมีการเปลี่ยนแปลงเพียงอย่างช้าๆเมื่อเวลาผ่านไป ใหญ่กว่า 946 สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็ว แบบจำลองที่มีขนาดใหญ่ 946 เชื่อว่าในอนาคตอันใกล้นี้มีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการคาดการณ์แนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วง (กลับไปด้านบนสุดของหน้า) ค่าคงที่ที่ราบเรียบ 945 และ 946 สามารถประมาณได้ตามปกติโดยลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอน เมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 945 0.3048 และ 946 0.008 ค่าที่น้อยมากของ 946 หมายความว่ารูปแบบสมมติว่ามีการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบหนึ่งดังนั้นโดยทั่วไปโมเดลนี้กำลังพยายามประมาณแนวโน้มในระยะยาว โดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณระดับท้องถิ่นของชุดข้อมูลอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 946 แม้ว่าจะไม่เท่ากันก็ตาม . ในกรณีนี้ที่กลายเป็น 10.006 125 นี่เป็นตัวเลขที่แม่นยำมากที่สุดเท่าที่ความถูกต้องของค่าประมาณ 946 isn8217t จริง ๆ 3 ตำแหน่งทศนิยม แต่มันก็เป็นเรื่องธรรมดาของขนาดตามตัวอย่างขนาด 100 ดังนั้น รุ่นนี้มีค่าเฉลี่ยมากกว่าค่อนข้างมากของประวัติศาสตร์ในการประมาณแนวโน้ม พล็อตการคาดการณ์ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นในวงกว้างขึ้นเล็กน้อยที่ส่วนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่ในแบบจำลอง SEStrend นอกจากนี้ค่าประมาณของ 945 เกือบจะเหมือนกันกับที่ได้จากการปรับรุ่น SES ที่มีหรือไม่มีแนวโน้มดังนั้นเกือบจะเป็นแบบเดียวกัน ตอนนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับโมเดลที่ควรจะประเมินแนวโน้มในระดับท้องถิ่นดูเหมือนว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของชุดข้อมูลสิ่งที่เกิดขึ้นพารามิเตอร์ของรุ่นนี้ ได้รับการประเมินโดยการลดข้อผิดพลาดสี่เหลี่ยมของการคาดการณ์ล่วงหน้า 1 ขั้นตอนไม่ใช่การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนัก หากสิ่งที่คุณกำลังมองหาคือข้อผิดพลาด 1 ขั้นตอนคุณจะไม่เห็นภาพใหญ่ของแนวโน้มในช่วง 10 หรือ 20 ครั้ง เพื่อให้โมเดลนี้สอดคล้องกับการคาดการณ์ข้อมูลลูกตาของเรามากขึ้นเราจึงสามารถปรับค่าคงที่การปรับให้เรียบตามแนวโน้มเพื่อให้ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้ม ตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 946 0.1 แล้วอายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา Here8217s พล็อตการคาดการณ์มีลักษณะอย่างไรถ้าเราตั้งค่า 946 0.1 ขณะเก็บรักษา 945 0.3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะเป็นแนวโน้มที่จะคาดการณ์แนวโน้มดังกล่าวได้ไม่น้อยกว่า 10 งวดในอนาคต สิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือการเปรียบเทียบรูปแบบสำหรับสองรุ่นที่แสดงข้างต้นเช่นเดียวกับสามรุ่น SES ค่าที่เหมาะสมที่สุดคือ 945 สำหรับรุ่น SES มีค่าประมาณ 0.3 แต่ผลการค้นหาที่คล้ายกัน (มีการตอบสนองน้อยหรือน้อยตามลำดับ) จะได้รับค่า 0.5 และ 0.2 (A) Holts linear exp. การให้ความนุ่มนวลด้วย alpha 0.3048 และ beta 0.008 (B) Holts linear exp. การทำให้เรียบด้วยเอ็กซ์พี 0.3 และเบต้า 0.1 (C) การเพิ่มความเรียบง่ายด้วยการอธิบายด้วย alpha 0.5 (D) การทำให้เรียบอย่างง่ายด้วยเอ็กซ์โป 0.3 (E) การเรียบง่ายด้วยเลขแจงอัลฟา 0.2 สถิติของพวกเขาใกล้เคียงกันมากดังนั้นเราจึงสามารถเลือกได้บนพื้นฐาน ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูล เราต้องกลับไปพิจารณาเรื่องอื่น ๆ ถ้าเราเชื่อว่าการคาดการณ์แนวโน้มในปัจจุบันเกี่ยวกับสิ่งที่เกิดขึ้นในระยะเวลา 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 945 0.3 และ 946 0.1 ได้ ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับท้องถิ่นแบบใดแบบหนึ่งของ SES อาจอธิบายได้ง่ายกว่านี้และจะให้การคาดการณ์ระดับกลางของถนนต่อไปอีก 5 หรือ 10 ครั้ง ชนิดของแนวโน้มการอนุมานที่ดีที่สุดคือแนวนอนหรือเส้นตรงหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าหากข้อมูลได้รับการปรับแล้ว (ถ้าจำเป็น) สำหรับอัตราเงินเฟ้อแล้วก็อาจจะไม่ระมัดระวังในการคาดการณ์ระยะสั้นในเชิงเส้น แนวโน้มที่ไกลมากในอนาคต แนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตอันเนื่องมาจากสาเหตุที่แตกต่างกันเช่นความล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและการชะลอตัวของวัฏจักรหรือการปรับตัวในอุตสาหกรรม ด้วยเหตุนี้การเรียบอย่างง่ายจึงมักจะทำให้ได้ตัวอย่างที่ดีกว่าที่ควรจะเป็นอย่างอื่นแม้จะมีการอนุมานแนวโน้มในแนวนอน การปรับเปลี่ยนรูปแบบการลดลงของรูปแบบการเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นมักใช้ในการปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม โมเดล LES ที่มีแนวโน้มลดลงสามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA (1,1,2) เป็นไปได้ในการคำนวณช่วงความเชื่อมั่นรอบการคาดการณ์ในระยะยาวที่ผลิตโดยแบบจำลองการทำให้เรียบโดยพิจารณาเป็นกรณีพิเศษของรูปแบบ ARIMA ความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ (i) ข้อผิดพลาด RMS ของโมเดล (ii) ประเภทของการปรับให้เรียบ (แบบง่ายหรือแบบเส้นตรง) (iii) ค่า (s) ของคงที่ราบเรียบ (s) และ (iv) จำนวนรอบระยะเวลาที่คุณคาดการณ์ โดยทั่วไปช่วงเวลาจะกระจายออกไปได้เร็วกว่าเมื่อ 945 มีขนาดใหญ่ขึ้นในรูปแบบ SES และแพร่กระจายได้เร็วกว่ามากเมื่อใช้เส้นตรงมากกว่าการเรียบแบบเรียบ หัวข้อนี้จะกล่าวถึงต่อไปในส่วนรูปแบบ ARIMA ของบันทึกย่อ (รุ่น MA) รุ่นของซีรีส์เวลาที่รู้จักกันในชื่อ ARIMA อาจรวมถึงข้อกำหนดอัตโนมัติและหรือข้อกำหนดเฉลี่ยที่เคลื่อนที่ได้ ในสัปดาห์ที่ 1 เราได้เรียนรู้คำอัตโนมัติในรูปแบบชุดเวลาสำหรับตัวแปร x t เป็นค่า lag ของ x t ตัวอย่างเช่นคำจำกัดความที่ล่าช้า 1 คือ x t-1 (คูณด้วยสัมประสิทธิ์) บทเรียนนี้กำหนดคำศัพท์เฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่ในรูปแบบของชุดเวลาเป็นข้อผิดพลาดที่ผ่านมา (คูณด้วยสัมประสิทธิ์) อนุญาต (wt overset N (0, sigma2w)) ซึ่งหมายความว่า w w จะเหมือนกันกระจายอย่างอิสระแต่ละอันมีการแจกแจงแบบปกติมีค่าเฉลี่ย 0 และค่าความแปรปรวนเดียวกัน รูปแบบการเคลื่อนที่โดยเฉลี่ยที่ 1 แสดงโดย MA (1) คือ (xt mu wt theta1w) รูปแบบการเคลื่อนที่โดยเฉลี่ยแบบที่ 2 แสดงโดย MA (2) คือ (xt mu wt theta1w theta2w) , แสดงโดย MA (q) คือ (xt หมู่น้ำหนักเบา theta1w theta2w จุด thetaqu) หมายเหตุ ตำราเรียนและโปรแกรมซอฟต์แวร์จำนวนมากกำหนดรูปแบบที่มีสัญญาณเชิงลบก่อนข้อกำหนด นี้ไม่ได้เปลี่ยนคุณสมบัติทางทฤษฎีทั่วไปของรูปแบบแม้ว่าจะไม่พลิกสัญญาณเกี่ยวกับพีชคณิตของค่าสัมประสิทธิ์ประมาณและเงื่อนไข (unsquared) ในสูตรสำหรับ ACFs และความแปรปรวน คุณจำเป็นต้องตรวจสอบซอฟต์แวร์ของคุณเพื่อตรวจสอบว่ามีการใช้เครื่องหมายเชิงลบหรือบวกในการเขียนแบบจำลองที่ถูกต้องหรือไม่ R ใช้เครื่องหมายบวกในโมเดลต้นแบบดังที่เราทำที่นี่ คุณสมบัติเชิงทฤษฎีของซีรี่ส์เวลากับแบบ MA (1) โปรดทราบว่าค่าที่ไม่ใช่ศูนย์เดียวใน ACF ทางทฤษฎีเป็นค่าความล่าช้า 1 autocorrelations อื่น ๆ ทั้งหมดเป็น 0 ดังนั้นตัวอย่าง ACF กับ autocorrelation อย่างมีนัยสำคัญเท่านั้นที่ล่าช้า 1 เป็นตัวบ่งชี้ของรูปแบบที่เป็นไปได้ MA (1) สำหรับนักเรียนที่สนใจการพิสูจน์คุณสมบัติเหล่านี้เป็นส่วนเสริมของเอกสารฉบับนี้ ตัวอย่างที่ 1 สมมติว่าแบบจำลอง MA (1) คือ x t 10 w t .7 w t-1 ที่ไหน (น้ำหนักเกิน N (0,1)) ดังนั้นค่าสัมประสิทธิ์ 1 0.7 ทฤษฎี ACF ได้รับโดยพล็อตของ ACF นี้ดังนี้ พล็อตที่แสดงให้เห็นคือทฤษฎี ACF สำหรับ MA (1) กับ 1 0.7 ในทางปฏิบัติตัวอย่างมักไม่ค่อยให้รูปแบบที่ชัดเจนเช่นนี้ ใช้ R เราจำลองค่า n 100 ตัวอย่างโดยใช้โมเดล x t 10 w t .7 w t-1 โดยที่ w t iid N (0,1) สำหรับการจำลองแบบนี้ข้อมูลพร็อพเพอร์ตี้ตามเวลาจะเป็นดังนี้ เราไม่สามารถบอกได้มากจากพล็อตนี้ ตัวอย่าง ACF สำหรับข้อมูลจำลองดังต่อไปนี้ เราจะเห็นการเพิ่มขึ้นของความล่าช้าที่ 1 ตามด้วยค่าที่ไม่ใช่นัยสำคัญสำหรับความล่าช้าในอดีต 1. โปรดทราบว่าตัวอย่าง ACF ไม่ตรงกับรูปแบบทางทฤษฎีของ MA ต้นแบบ (1) ซึ่งเป็นค่าความสัมพันธ์ระหว่างความล่าช้าทั้งหมดที่ผ่านมา 1 จะเป็น 0 ตัวอย่างที่แตกต่างกันจะมีตัวอย่าง ACF ที่แตกต่างกันเล็กน้อยที่แสดงด้านล่าง แต่อาจมีลักษณะกว้างเช่นเดียวกัน สมบัติทางทฤษฎีของแบบเวลากับแบบ MA (2) สำหรับแบบจำลอง MA (2) คุณสมบัติทางทฤษฎีมีดังต่อไปนี้: โปรดทราบว่าเฉพาะค่าที่ไม่ใช่ศูนย์ใน ACF ทางทฤษฎีเท่านั้นสำหรับการล่าช้า 1 และ 2 ค่าความสัมพันธ์กับความล่าช้าที่สูงขึ้นคือ 0 ดังนั้น ACF ตัวอย่างกับ autocorrelations อย่างมีนัยสำคัญที่ล่าช้า 1 และ 2 แต่ autocorrelations ที่ไม่สำคัญสำหรับความล่าช้าสูงแสดงให้เห็นถึงรูปแบบที่เป็นไปได้ MA (2) iid N (0,1) ค่าสัมประสิทธิ์คือ 1 0.5 และ 2 0.3 เนื่องจากนี่คือ MA (2) ทฤษฎี ACF จะมีค่าที่ไม่ใช่ศูนย์เฉพาะที่ล่าช้า 1 และ 2 ค่าของสอง autocorrelations ไม่ใช่ศูนย์เป็นพล็อต ACF ตามทฤษฎี เกือบตลอดเวลาเป็นกรณีตัวอย่างข้อมูลเคยชินทำงานค่อนข้างสมบูรณ์เพื่อเป็นทฤษฎี เราจำลองค่าตัวอย่าง 150 ตัวอย่างสำหรับรุ่น x t 10 w t .5 w t-1 .3 w t-2 โดยที่ w t iid N (0,1) พล็อตชุดข้อมูลตามลำดับ เช่นเดียวกับชุดข้อมูลอนุกรมเวลาสำหรับข้อมูลตัวอย่าง MA (1) คุณไม่สามารถบอกได้มากจากข้อมูลนี้ ตัวอย่าง ACF สำหรับข้อมูลจำลองดังต่อไปนี้ รูปแบบเป็นเรื่องปกติสำหรับสถานการณ์ที่โมเดล MA (2) อาจเป็นประโยชน์ มีสอง spikes ที่สำคัญอย่างมีนัยสำคัญที่ล่าช้า 1 และ 2 ตามด้วยค่าที่ไม่สำคัญสำหรับความล่าช้าอื่น ๆ โปรดทราบว่าเนื่องจากข้อผิดพลาดในการสุ่มตัวอย่างตัวอย่าง ACF ไม่ตรงกับรูปแบบทางทฤษฎีเลย ACF for General MA (q) Models คุณสมบัติของโมเดล MA (q) โดยทั่วไปคือมีความสัมพันธ์กับค่าที่ไม่ใช่ศูนย์สำหรับ q lags แรกและ autocorrelations 0 สำหรับ lags ทั้งหมด gtq ความไม่เป็นเอกลักษณ์ของการเชื่อมต่อระหว่างค่า 1 และ (rho1) ในรูปแบบ MA (1) ในรูปแบบ MA (1) สำหรับค่า 1 1 1 ซึ่งกันและกันให้ค่าเช่นเดียวกับตัวอย่างให้ใช้ 0.5 เป็นเวลา 1 จากนั้นใช้ 1 (0.5) 2 เป็นเวลา 1 คุณจะได้รับ (rho1) 0.4 ในทั้งสองกรณี เพื่อตอบสนองข้อ จำกัด ทางทฤษฎีที่เรียกว่า invertibility เรา จำกัด โมเดล MA (1) ให้มีค่าที่มีค่าสัมบูรณ์น้อยกว่า 1. ในตัวอย่างที่ให้ไว้เพียงแค่ 1 0.5 จะเป็นค่าพารามิเตอร์ที่ยอมให้ใช้ได้ในขณะที่ 1 10.5 2 จะไม่ ความผันแปรของรูปแบบ MA แบบจำลอง MA กล่าวได้ว่าเป็น invertible ถ้าเป็นพีชคณิตเทียบเท่ากับรูปแบบ AR อนันต์ converging โดยการบรรจบกันเราหมายถึงค่าสัมประสิทธิ์ของ AR ลดลงเป็น 0 เมื่อเราเคลื่อนที่ย้อนกลับไปในเวลา Invertibility คือข้อจํากัดที่ตั้งโปรแกรมเป็นซอฟต์แวร์ชุดเวลาที่ใช้ในการประมาณค่าสัมประสิทธิ์ของแบบจำลองที่มีเงื่อนไข MA ไม่ใช่สิ่งที่เราตรวจสอบในการวิเคราะห์ข้อมูล ข้อมูลเพิ่มเติมเกี่ยวกับข้อ จำกัด ด้านความสามารถในการซ่อนตัวของ MA (1) ได้รับในภาคผนวก ทฤษฎีขั้นสูงหมายเหตุ สำหรับแบบจำลอง MA (q) ที่มี ACF ที่ระบุมีรูปแบบที่มีการเปลี่ยนแปลงได้เพียงแบบเดียว เงื่อนไขที่จำเป็นสำหรับ invertibility คือสัมประสิทธิ์มีค่าเช่นว่าสมการ 1- 1 y - - q y q 0 มีคำตอบสำหรับ y ที่อยู่นอกวงกลมหน่วย R รหัสสำหรับตัวอย่างในตัวอย่างที่ 1 เราได้วางแผนทฤษฎี ACF ของโมเดล x t 10 w t 7w t-1 จากนั้นจำลองค่า n 150 จากแบบจำลองนี้และวางแผนตัวอย่างซีพียูและตัวอย่าง ACF สำหรับข้อมูลจำลอง คำสั่ง R ที่ใช้ในการวางแผน ACF ทางทฤษฎี ได้แก่ acfma1ARMAacf (mac (0.7), lag. max10) 10 ACL ล่าช้าสำหรับ MA (1) กับ theta1 0.7 lags0: 10 สร้างตัวแปรล่าช้าที่มีตั้งแต่ 0 ถึง 10 (h0) เพิ่มแกนนอนลงในพล็อตคำสั่งแรกกำหนด ACF และจัดเก็บไว้ในอ็อบเจกต์ (ACF) และจะมีการจัดเก็บข้อมูลไว้ในออปเจ็กต์ (acfma1, xlimc (1,10), ylabr, typeh, ACF หลักสำหรับ MA (1) ด้วย theta1 0.7) ชื่อ acfma1 (เลือกชื่อของเรา) พล็อตคำสั่ง (คำสั่งที่ 3) แปลงล่าช้ากับค่า ACF สำหรับล่าช้า 1 ถึง 10 พารามิเตอร์ ylab ตั้งชื่อแกน y และพารามิเตอร์หลักจะทำให้ชื่อเรื่องเป็นพล็อต หากต้องการดูค่าตัวเลขของ ACF เพียงแค่ใช้คำสั่ง acfma1 การจำลองและแปลงทำตามคำสั่งต่อไปนี้ xcarima. sim (n150 รายการ (mac (0.7))) เลียนแบบ n 150 ค่าจาก MA (1) xxc10 เพิ่ม 10 เพื่อให้ค่าเฉลี่ย 10. ค่าเริ่มต้นของการจำลองจะหมายถึง 0. plot (x, typeb, mainSimulated MA (1) data) acf (x, xlimc (1,10), mainACF สำหรับข้อมูลตัวอย่างจำลอง) ในตัวอย่างที่ 2 เราวางแผนใช้ทฤษฎี ACF ของโมเดล xt 10 wt .5 w t-1 .3 w t-2 จากนั้นจำลองค่า n 150 จากแบบจำลองนี้และวางแผนตัวอย่างซีพียูและตัวอย่าง ACF สำหรับข้อมูลจำลอง คำสั่ง R ใช้คือ acfma2ARMAacf (mac (0.5,0.3), lag. max10) acfma2 lags0: 10 พล็อต (ล่าช้า acfma2, xlimc (1,10), ylabr, typeh, ACF หลักสำหรับ MA (2) กับ theta1 0.5, theta20.3) abline (h0) xcarima. sim (n150 รายการ (mac (0.5, 0.3))) xxc10 พล็อต (x, typeb, หลักจำลองแมสซาชูเซตส์ (2) ซีรี่ส์) acf (x, xlimc (1,10), mainACF สำหรับข้อมูลจำลอง MA (2)) ภาคผนวก: การพิสูจน์คุณสมบัติของ MA (1) สำหรับนักเรียนที่สนใจนี่เป็นหลักฐานสำหรับคุณสมบัติทางทฤษฎีของโมเดล MA (1) ความแปรปรวน: (text (xt) text (mu wt theta1 w) ข้อความ 0 (wt) text (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) เมื่อ h 1 นิพจน์ก่อนหน้านี้ 1 w 2. สำหรับ h 2 ใด ๆ นิพจน์ก่อนหน้า 0 เหตุผลก็คือตามนิยามของความเป็นอิสระของน้ำหนัก E (w k w j) 0 สำหรับ k j ใด ๆ นอกจากนี้เนื่องจาก w t มีค่าเฉลี่ยเป็น 0, E (w j w j) E (w j 2) w 2 สำหรับซีรี่ส์เวลาให้ใช้ผลลัพธ์นี้เพื่อให้ได้ ACF ที่ระบุไว้ด้านบน รูปแบบแมสซาชูเซตแบบพลิกกลับเป็นแบบที่สามารถเขียนเป็นแบบจำลอง AR ที่ไม่มีที่สิ้นสุดซึ่งจะมาบรรจบกันเพื่อให้ค่าสัมประสิทธิ์ AR แปรผันไปที่ 0 เมื่อเราเคลื่อนตัวกลับในเวลาอนันต์ แสดงให้เห็นถึงความสามารถในการพลิกกลับของ MA (1) ได้ดี จากนั้นเราจะแทนความสัมพันธ์ (2) สำหรับ w t-1 ในสมการ (1) (3) (zt wt theta1 (z-theta1w) wt theta1z-theta2w) ณ เวลา t-2 สมการ (2) กลายเป็นเราแทนความสัมพันธ์ (4) สำหรับ w t-2 ในสมการ (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) ถ้าเราจะดำเนินการต่อ อนันต์) เราจะได้รับแบบอนุกรม AR อนันต์ (zt wt theta1 z - theta21z theta31z - theta41z จุด) หมายเหตุ แต่ที่ 1 1 สัมประสิทธิ์คูณความล่าช้าของ z จะเพิ่มขึ้น (อนันต์) ในขนาดที่เราย้ายกลับมา เวลา. เพื่อป้องกันปัญหานี้เราต้องใช้ 1 lt1 นี่เป็นเงื่อนไขสำหรับรูปแบบ MA (1) ที่มองไม่เห็น รูปแบบการสั่งซื้อ Infinite Order ในสัปดาห์ที่ 3 ให้ดูว่าแบบจำลอง AR (1) สามารถแปลงเป็นแบบจำลอง MA อนันต์: (xt - mu wt phi1w phi21w dots phik1 w counts sum phij1w) ข้อสรุปของคำพูดเสียงสีขาวที่ผ่านมาเป็นที่รู้จักกัน เป็นตัวแทนเชิงสาเหตุของ AR (1) กล่าวอีกนัยหนึ่ง x t เป็น MA ชนิดพิเศษที่มีจำนวนอนันต์ที่จะย้อนกลับไปในเวลา นี่เรียกว่าลำดับ MA หรือ MA () ที่ไม่มีขีด จำกัด คำสั่งที่แน่นอนคือแมสซาชูเซตส์อนันต์ลำดับ AR และคำสั่งใด ๆ ที่ จำกัด AR เป็นลำดับที่ไม่มีขีด จำกัด MA จำได้ว่าในสัปดาห์ที่ 1 เราสังเกตเห็นว่าข้อกำหนดสำหรับ AR (1) ที่หยุดนิ่งคือ 1 lt1 ให้คำนวณ Var (x t) โดยใช้การแทนสาเหตุ ขั้นตอนสุดท้ายนี้ใช้ข้อเท็จจริงพื้นฐานเกี่ยวกับชุดข้อมูลทางเรขาคณิตที่ต้องใช้ (phi1lt1) มิฉะนั้นชุดข้อมูลจะแตกต่างออกไป การเดินเรือ