تركز متوسط الموسمية المتحركة

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 محسوبة 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 لجميع منهم، وبالتالي حدود لاختبار الأهمية الإحصائية للانحرافات 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 فقط عند النقطة التي يتم فيها نفاد البيانات الفعلية. 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 رمز (الجذر متوسط ​​مربع الخطأ، الذي هو مجرد الجذر التربيعي للمشاريع الصغيرة والمتوسطة) ومن ثم حساب فترة الثقة للتوقعات المعدلة موسميا عن طريق جمع وطرح مرتين من رمز. (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 من خطوتين إلى الأمام واستخدام هذا كأساس لفاصل الثقة 2-خطوة قدما. المتوسطات المتحركة والمتوسطات المتحركة تركز بضع نقاط حول الموسمية في سلسلة زمنية تتحمل تكرار، حتى لو فإنها تبدو واضحة. واحد هو أن مصطلح 8220season8221 لا يشير بالضرورة إلى الفصول الأربعة من السنة التي تنتج عن إمالة محور الأرض 8217s. في التحليلات التنبؤية، 8220season8221 غالبا ما يعني على وجه التحديد ذلك، لأن العديد من الظواهر التي ندرسها تختلف جنبا إلى جنب مع تطور الربيع خلال فصل الشتاء: مبيعات الشتاء أو الصيف والعتاد، وحدوث بعض الأمراض على نطاق واسع، والأحداث الجوية الناجمة عن موقع وتدفق طائرة والتغيرات في درجة حرارة المياه في شرق المحيط الهادئ المحيط، وهلم جرا. وبالمثل، فإن الأحداث التي تحدث بانتظام يمكن أن تتصرف مثل مواسم الأرصاد الجوية، على الرغم من أن لديهم اتصال ضعيف فقط إلى الانقلابات والاعتدالات. وغالبا ما يتم التعبير عن التحولات التي تستغرق ثماني ساعات في المستشفيات والمصانع في حدوث مآخذ ونفقات الطاقة هناك، وموسم هو ثماني ساعات طويلة ودورة مواسم كل يوم، وليس كل عام. تشير تواريخ الاستحقاق للضرائب إلى بداية فيضانات من الدولارات إلى الخزانات البلدية والولائية والفيدرالية هناك، وقد يكون الموسم سنة واحدة (ضرائب الدخل الشخصي)، وستة أشهر (ضرائب الملكية في العديد من الولايات)، وفصلية (العديد من ضرائب الشركات )، وما إلى ذلك وهلم جرا. It8217s غريبة بعض الشيء أن لدينا كلمة 8220season8221 للإشارة عموما إلى الفترة المتكررة بشكل منتظم من الوقت، ولكن لا يوجد مصطلح عام للفترة الزمنية التي يحدث بدوره الكامل واحد من المواسم. 8220Cycle8221 ممكن، ولكن في التحليلات والتنبؤ هذا المصطلح عادة ما يؤخذ على أنه يعني فترة من طول غير محدد، مثل دورة الأعمال. في غياب مصطلح أفضل، استخدم I8217ve 8220encompassing الفترة 8221 في هذا والفصول اللاحقة. هذا isn8217t مجرد المصطلحات الموسيقية. والطرق التي نحدد بها المواسم والفترة الزمنية التي تتحول خلالها المواسم إلى آثار حقيقية، وإن كانت طفيفة في كثير من الأحيان، تتعلق بكيفية قياس آثارها. وتناقش األقسام التالية كيف يختلف بعض المحللين عن طريقة حساب المتوسطات المتحركة وفقا لما إذا كان عدد المواسم غريبا أو حتى. باستخدام المتوسطات المتحركة بدلا من المتوسطات البسيطة افترض أن مدينة كبيرة تدرس إعادة تخصيص شرطة المرور الخاصة بها للتعامل بشكل أفضل مع حدوث القيادة في حين ضعف، والتي تعتقد المدينة قد تزايد. وقبل أربعة أسابيع، بدأ نفاذ تشريعات جديدة، مما يضفى الطابع القانوني على حيازة الماريجوانا واستخدامها الترفيهي. ومنذ ذلك الحين، يبدو أن العدد اليومي للاعتقالات المرورية ل دوي يتجه نحو الارتفاع. إن تعقيد الأمور هو أن عدد الاعتقالات يبدو أنه يرتفع يومي الجمعة والسبت. للمساعدة في التخطيط لمتطلبات القوى العاملة في المستقبل، you8217d ترغب في التنبؤ بأي اتجاه الكامنة التي 8217s يجري إنشاؤها. You8217d أيضا أن الوقت نشر الموارد الخاصة بك أن تأخذ في الاعتبار أي الموسمية المتعلقة عطلة نهاية الأسبوع أن 8217s تجري. الشكل 5.9 لديه البيانات ذات الصلة لديك للعمل مع. الشكل 5.9 مع مجموعة البيانات هذه، كل يوم من أيام الأسبوع يشكل موسم. حتى من خلال مجرد إيبالينغ المخطط في الشكل 5.9. يمكنك أن تقول أن الاتجاه من عدد من الاعتقالات اليومية هو ما يصل. You8217ll يجب أن تخطط لتوسيع عدد من ضباط المرور، ونأمل أن مستويات الاتجاه قبالة قريبا. وعلاوة على ذلك، فإن البيانات تظهر فكرة أن المزيد من الاعتقالات تحدث بشكل روتيني يومي الجمعة والسبت، لذلك تخصيص الموارد الخاصة بك يحتاج إلى معالجة تلك المسامير. ولكن تحتاج إلى تحديد الاتجاه الكامن، لتحديد عدد الشرطة الإضافية you8217ll لديك لتحقيق. تحتاج أيضا إلى تحديد حجم المتوقع من المسامير عطلة نهاية الأسبوع، لتحديد عدد الشرطة إضافية تحتاج إلى مشاهدة للسائقين غير منتظمة في تلك الأيام. والمشكلة هي أنه حتى الآن كنت don8217t تعرف كم من الزيادة اليومية ويرجع ذلك إلى الاتجاه وكم هو بسبب هذا تأثير عطلة نهاية الأسبوع. يمكنك البدء من خلال ديترندينغ السلاسل الزمنية. في وقت سابق من هذا الفصل، في 8220 سيمبل سيمبل أفيراجيس، 8221 شاهدت مثالا على كيفية إزالة سلسلة زمنية من أجل عزل التأثيرات الموسمية باستخدام طريقة المتوسطات البسيطة. في هذا القسم يمكنك معرفة كيفية القيام بذلك باستخدام المتوسطات المتحركة 8212 على الأرجح، يتم استخدام نهج المتوسط ​​المتحرك في كثير من الأحيان في التحليلات التنبؤية من النهج المتوسطات البسيطة. هناك أسباب مختلفة لشعبية أكبر من المتوسطات المتحركة، من بينها، أن نهج المتوسط ​​المتحرك لا يطلب منك أن تنهار البيانات الخاصة بك في عملية تحديد الاتجاه. نذكر أن المثال السابق جعل من الضروري انهيار المتوسطات الفصلية إلى المتوسطات السنوية، وحساب اتجاه سنوي، ثم توزيع ربع الاتجاه السنوي عبر كل ربع سنة من السنة. وكانت هذه الخطوة ضرورية لإزالة الاتجاه من الآثار الموسمية. في المقابل، فإن المتوسط ​​المتحرك تتحرك تمكنك من ديتريند السلاسل الزمنية دون اللجوء إلى هذا النوع من الآلات. ويبين الشكل 5-10 كيفية عمل المتوسطات المتحركة في المثال الحالي. الشكل 5-10 يوضح المتوسط ​​المتحرك في الرسم البياني الثاني الاتجاه الأساسي. ويضيف الشكل 5-10 عمود متوسط ​​متحرك وعمود لمواسم محددة. إلى مجموعة البيانات في الشكل 5.9. كلا الإضافات تتطلب بعض المناقشة. المسامير في الاعتقالات التي تجري في عطلة نهاية الأسبوع يعطيك سبب للاعتقاد بأن you8217re العمل مع المواسم التي تكرر مرة واحدة كل أسبوع. لذلك، تبدأ من خلال الحصول على المتوسط ​​للفترة المشمولة 8212 هذا هو، المواسم السبعة الأولى، من الاثنين إلى الأحد. تكون الصيغة الخاصة بالمتوسط ​​في الخلية D5، أول المتوسط ​​المتحرك المتوفر، كما يلي: يتم نسخ هذه الصيغة ولصقها من خلال الخلية D29، بحيث يكون لديك 25 متوسط ​​متحرك على أساس 25 تشغيلا من سبعة أيام متتالية. لاحظ أنه من أجل إظهار كل من الملاحظات الأولى والأخيرة في سلسلة زمنية، لقد مخبأة الصفوف من 10 إلى 17. يمكنك إظهارها، إذا كنت تريد، في هذا الفصل 8217s المصنف، وهي متاحة من الموقع publisher8217s. حدد مجموعة متعددة من الصفوف المرئية 9 و 18، وانقر بزر الماوس الأيمن على أحد رؤوس الصفوف، واختر إخفاء من القائمة المختصرة. عند إخفاء ورقة عمل 8217s الصفوف، كما I8217ve القيام به في الشكل 5.10. أي مخططات البيانات في الصفوف المخفية مخفية أيضا على الرسم البياني. تحدد تسميات المحور س فقط نقاط البيانات التي تظهر على المخطط. ولأن كل متوسط ​​متحرك في الشكل 5.10 يشمل سبعة أيام، لا يقترن أي متوسط ​​متحرك بالمراقبة الثلاث الأولى أو الأخيرة الثلاثة الفعلية. نسخ ولصق الصيغة في الخلية D5 حتى يوم واحد إلى الخلية D4 يدير لك من الملاحظات 8212 ثير هو أي ملاحظة سجلت في الخلية C1. وبالمثل، لا يوجد متوسط ​​متحرك مسجل أسفل الخلية D29. يتطلب نسخ ولصق الصيغة في D29 إلى D30 ملاحظة في الخلية C33، ولا تتوفر أي مراقبة لليوم الذي تمثله الخلية. ومن الممكن، بطبيعة الحال، تقصير طول المتوسط ​​المتحرك إلى خمسة، بدلا من سبعة. وهذا يعني أن صيغ المتوسط ​​المتحرك في الشكل 5.10 يمكن أن تبدأ في الخلية D4 بدلا من D5. ومع ذلك، في هذا النوع من التحليل، فإنك تريد أن يساوي طول المتوسط ​​المتحرك عدد المواسم: سبعة أيام في الأسبوع للأحداث التي تتكرر أسبوعيا يعني متوسط ​​متحرك طوله سبعة وأربعة أرباع في السنة للأحداث التي يتكرر سنويا يعني متوسط ​​متحرك طوله أربعة. وعلى نفس المنوال، نحدد عموما الآثار الموسمية على نحو يجعلها صفرية خلال الفترة الزمنية الشاملة. كما رأيت في هذا الفصل 8217s القسم الأول، على المتوسطات البسيطة، ويتم ذلك من خلال حساب متوسط ​​(ربع) أربعة أرباع في السنة، ومن ثم طرح المتوسط ​​للسنة من كل رقم ربع سنوي. وبذلك يضمن أن مجموع الآثار الموسمية هو صفر. في المقابل، أن 8217s مفيدة لأنه يضع التأثيرات الموسمية على تأثير القدمين مشترك 8212a الصيف من 11 هو بعيدا عن المتوسط ​​كما تأثير الشتاء من 821111. إذا كنت ترغب في متوسط ​​خمسة مواسم بدلا من سبعة للحصول على المتوسط ​​المتحرك الخاص بك، you8217re أفضل من العثور على ظاهرة أن يكرر كل خمسة مواسم بدلا من كل سبعة. ومع ذلك، عندما تأخذ متوسط ​​التأثيرات الموسمية في وقت لاحق من العملية، من غير المرجح أن مجموع هذه الصفر. it8217s اللازمة في هذه المرحلة لإعادة معايرة، أو تطبيع. المتوسطات بحيث يكون مجموعها صفر. عندما يتم ذلك 8217s، المتوسطات الموسمية متوسط ​​التعبير عن تأثير على فترة زمنية للانتماء لموسم معين. وبمجرد تطبيعها، يطلق على المتوسطات الموسمية المؤشرات الموسمية التي ذكرها هذا الفصل عدة مرات. يمكنك أن تعرف كيف تعمل في وقت لاحق في هذا الفصل، في 8220 تحديد السلسلة بالمتوسطات المتحركة. 8221 فهم المواسم المحددة الشكل 5.10 يبين أيضا ما يسمى موسمية محددة في العمود E. وهي ما تبقى 8217s بعد طرح المتوسط ​​المتحرك من الملاحظة الفعلية. للحصول على فكرة عن ما تمثله الموسمية المحددة، ضع في اعتبارك المتوسط ​​المتحرك في الخلية D5. هو متوسط ​​الملاحظات في C2: C8. إن الانحرافات لكل ملاحظة من المتوسط ​​المتحرك (على سبيل المثال، C2 8211 D5) مضمونة لتكون صفرا 8212that8217s سمة للمتوسط. ولذلك، فإن كل انحراف يعبر عن تأثير الارتباط مع ذلك اليوم بالذات في ذلك الأسبوع بالذات. إيت 8217s الموسمية محددة، ثم 8212 محددة لأن الانحراف ينطبق على أن يوم معين أو الثلاثاء وهلم جرا، والموسمية لأنه في هذا المثال we8217re علاج كل يوم كما لو كان موسم في فترة شاملة من أسبوع. ونظرا لأن كل تدبير موسمي محدد هو تأثير ذلك الموسم على 224 - مقابل المتوسط ​​المتحرك لتلك المجموعة من (سبعة) مواسم (هنا)، يمكنك بعد ذلك متوسط ​​مواسم معينة لموسم معين (على سبيل المثال، كل أيام الجمعة في سلسلة زمنية) لتقدير هذا الموسم 8217s العام، بدلا من تأثير محدد. وهذا المتوسط ​​لا يربكه اتجاه أساسي في السلاسل الزمنية، لأن كل موسم موسمي يعبر عن انحراف عن المتوسط ​​المتحرك الخاص به. محاذاة المتوسطات المتحركة هناك 8217s أيضا مسألة مواءمة المتوسطات المتحركة مع مجموعة البيانات الأصلية. في الشكل 5.10. لقد قمت بمحاذاة كل متوسط ​​متحرك مع منتصف نطاق الملاحظات التي يتضمنها. لذلك، على سبيل المثال، الصيغة في الخلية D5 متوسط ​​الملاحظات في C2: C8، ولقد تم محاذاته مع الملاحظة الرابعة، منتصف النطاق المتوسط، بوضعه في الصف 5. ويطلق على هذا الترتيب متوسط ​​متحرك مركز . ويفضل العديد من المحللين محاذاة كل متوسط ​​متحرك مع منتصف الملاحظات التي يبلغ متوسطها. نضع في اعتبارنا أنه في هذا السياق، 8220midpoint8221 يشير إلى منتصف فترة زمنية: الخميس هو منتصف الاثنين إلى الأحد. وهو لا يشير إلى متوسط ​​القيم الملحوظة، على الرغم من أنه بالطبع قد يعمل بهذه الطريقة في الممارسة العملية. وهناك نهج آخر هو المتوسط ​​المتحرك اللاحق. وفي هذه الحالة، يتماشى كل متوسط ​​متحرك مع الملاحظة النهائية التي يبلغ متوسطها 8212، وبالتالي فإنه يتخلف عن حججه. وغالبا ما يكون هذا الترتيب المفضل إذا كنت ترغب في استخدام المتوسط ​​المتحرك كتوقعات، كما هو الحال مع التجانس الأسي، لأن المتوسط ​​المتحرك النهائي يتزامن مع الملاحظة النهائية المتاحة. تتمركز المتوسطات المتحركة مع أعداد حتى من المواسم وعادة ما نعتمد إجراء خاص عندما يكون عدد المواسم حتى بدلا من الغريب. هذا الوضع 8217 هو الوضع العادي: هناك تميل إلى أن تكون حتى أعداد المواسم في الفترة المشمولة للمواسم نموذجية مثل أشهر، أرباع، وفترات الرباعية (للانتخابات). صعوبة مع عدد حتى من المواسم هو أنه لا يوجد نقطة الوسط. اثنين ليست نقطة الوسط من مجموعة بدءا من 1 وتنتهي في 4، ولا هو 3 إذا كان يمكن أن يقال أن يكون واحد، نقطة الوسط هو 2.5. ستة ليست نقطة الوسط من 1 إلى 12، ولا 7 هي النقطة النظرية بحتة هو 6.5. ولكي تكون بمثابة نقطة الوسط، تحتاج إلى إضافة طبقة من المتوسط ​​فوق المتوسطات المتحركة. انظر الشكل 11.5. الشكل 11.5 يقدم إكسيل عدة طرق لحساب متوسط ​​متحرك مركز. الفكرة وراء هذا النهج للحصول على المتوسط ​​المتحرك أن 8217s تركزت على نقطة منتصف القائمة، عندما يكون هناك 8217s عدد من الفصول، هو سحب تلك النقطة إلى الأمام قبل نصف الموسم. يمكنك حساب المتوسط ​​المتحرك الذي سيكون مركزا، على سبيل المثال، النقطة الثالثة في الوقت إذا كانت خمسة مواسم بدلا من أربعة تشكل بدوره الكامل الكامل للتقويم. أن 8217s القيام به من خلال اتخاذ اثنين من المتوسطات المتحركة متتالية ومتوسطها. لذلك في الشكل 5.11. هناك 8217s متوسط ​​متحرك في الخلية E6 يساوي القيم في D3: D9. ولأن هناك أربعة قيم موسمية في D3: D9، فإن المتوسط ​​المتحرك في E6 يعتقد أنه متمركز في الموسم الخيالي 2.5، نصف نقطة قصيرة من أول موسم مرشح متاح، 3. (الفصول 1 و 2 غير متوفرة كنقاط متوسطة ل نقص البيانات إلى المتوسط ​​قبل الموسم 1.) على الرغم من ذلك، لاحظ أن المتوسط ​​المتحرك في الخلية E8 متوسط ​​القيم في D5: D11، والثاني خلال الخامس في السلسلة الزمنية. ويتركز هذا المتوسط ​​على النقطة (الوهمية) 3.5، وهي فترة كاملة قبل المتوسط ​​المتمركز في 2.5. من خلال حساب متوسطين متحركين، حتى التفكير يذهب، يمكنك سحب نقطة الوسط للمتوسط ​​المتحرك الأول إلى الأمام بمقدار نصف نقطة، من 2.5 إلى 3. that8217s ما المتوسطات في العمود F من الشكل 5.11 القيام به. توفر الخلية F7 متوسط ​​المتوسطات المتحركة في E6 و E8. ويتماشى المتوسط ​​في F7 مع نقطة البيانات الثالثة في السلسلة الزمنية الأصلية، في الخلية D7، للتأكيد على أن المتوسط ​​يتركز على ذلك الموسم. إذا قمت بتوسيع الصيغة في الخلية F7 فضلا عن المتوسطات المتحركة في الخلايا E6 و E8، you8217ll نرى أنه اتضح أن يكون المتوسط ​​المرجح للقيم الخمس الأولى في السلسلة الزمنية، مع إعطاء القيمة الأولى والخامسة الوزن من 1، والقيم الثانية إلى الرابعة تعطي وزن 2. وهذا يقودنا إلى طريقة أسرع وأبسط لحساب المتوسط ​​المتحرك المتمركز مع عدد متساوي من المواسم. لا يزال في الشكل 5.11. يتم تخزين الأوزان في نطاق H3: H11. ترجع هذه الصيغة المتوسط ​​المتحرك الأول المتمركز في الخلية I7: ترجع هذه الصيغة 13.75. وهو مطابق للقيمة المحسوبة بالصيغة المزدوجة المتوسط ​​في الخلية F7. جعل الإشارة إلى الأوزان مطلقة، عن طريق علامات الدولار في H3: H11. يمكنك نسخ الصيغة ولصقها بقدر ما هو ضروري للحصول على بقية المتوسطات المتحركة المتمركزة. الكشف عن السلسلة بالمتوسطات المتحركة عند طرح المتوسطات المتحركة من الملاحظات الأصلية للحصول على المواسم المحددة، أزلت الاتجاه الأساسي من السلسلة. ما تبقى 8217s في المواسم محددة عادة ما تكون ثابتة، سلسلة أفقية مع اثنين من الآثار التي تسبب الموسمية محددة إلى الخروج من خط مستقيم تماما: الآثار الموسمية والخطأ العشوائي في الملاحظات الأصلية. ويبين الشكل 5.12 نتائج هذا المثال. الشكل 12-5 تظل التأثيرات الموسمية المحددة يومي الجمعة والسبت واضحة في السلسلة المستغلة. ويبين الرسم البياني العلوي في الشكل 5.12 الملاحظات اليومية الأصلية. كل من الاتجاه التصاعدي العام والارتفاع الموسمية عطلة نهاية الأسبوع واضحة. يظهر الرسم البياني السفلي المواسم الموسمية المحددة: نتيجة لفصل السلسلة الأصلية بمرشح متوسط ​​الحركة، كما هو موضح سابقا في 8220 فهم المواسم المحددة. 8221 يمكنك أن ترى أن السلسلة المتسلسلة هي الآن أفقية تقريبا (خط اتجاه خطي للمواسم المحددة لديها انحراف طفيف إلى أسفل)، ولكن المسامير الجمعة والسبت الموسمية لا تزال في المكان. والخطوة التالية هي تجاوز المواسم الموسمية المحددة إلى المؤشرات الموسمية. انظر الشكل 13.5. الشكل 13-5 يتم حساب متوسط ​​التأثيرات الموسمية المحددة أولا ثم تطبيعها للوصول إلى المؤشرات الموسمية. في الشكل 5.13. يعاد ترتيب المواسم المحددة في العمود E في الشكل المجدول المبين في النطاق H4: N7. والغرض من ذلك هو ببساطة جعل من الأسهل لحساب المتوسطات الموسمية. وتظهر هذه المعدلات في H11: N11. ومع ذلك، فإن الأرقام في H11: N11 هي المتوسطات، وليس الانحرافات عن المتوسط، وبالتالي يمكننا أن 8217t نتوقع منهم أن يصل إلى الصفر. ما زلنا بحاجة إلى تعديلها بحيث تعبر عن الانحرافات عن المتوسط ​​الكبير. يظهر هذا المتوسط ​​الكبير في الخلية N13، وهو متوسط ​​المتوسطات الموسمية. يمكننا الوصول إلى المؤشرات الموسمية بطرح المتوسط ​​الكبير في N13 من كل المتوسطات الموسمية. والنتيجة هي في نطاق H17: N17. لم تعد هذه الفهارس الموسمية محددة لمتوسط ​​متحرك معين، كما هو الحال مع المواسم المحددة في العمود E. ونظرا لأنها 8217re تستند إلى متوسط ​​كل مثيل لموسم معين، فإنها تعبر عن متوسط ​​تأثير موسم معين عبر أربعة أسابيع في السلسلة الزمنية. وعلاوة على ذلك، فهي تدابير لموسم 8217s8212 هنا، يوم 8217s8212 تأثير على اعتقالات حركة المرور في مقابل 224-المتوسط ​​لمدة سبعة أيام. يمكننا الآن استخدام هذه الفهارس الموسمية لإلغاء تصنيف السلسلة. يستخدم W8217ll سلسلة ديسيسوناليزد للحصول على التوقعات عن طريق الانحدار الخطي أو طريقة Holt8217s من تمهيد سلسلة ترندد (نوقشت في الفصل 4). ثم نضيف ببساطة الفهارس الموسمية مرة أخرى إلى التوقعات لاعادة النظر فيها. ويظهر كل ذلك في الشكل 5.14. الشكل 14.5 بعد أن يكون لديك الفهارس الموسمية، اللمسات النهائية كما هو مطبق هنا هي نفسها كما في طريقة المتوسطات البسيطة. والخطوات الموضحة في الشكل 5.14 هي إلى حد كبير تلك الواردة في الشكلين 5.6 و 5.7. والتي نوقشت في الأقسام التالية. إزالة الملاحظات من الملاحظات طرح المؤشرات الموسمية من الملاحظات الأصلية ل ديسوناليز البيانات. يمكنك القيام بذلك كما هو مبين في الشكل 5.14. حيث يتم ترتيب الملاحظات الأصلية والمؤشرات الموسمية كقائمتين تبدأان في نفس الصف، والأعمدة C و F. هذا الترتيب يجعل من الأسهل قليلا لتنظيم العمليات الحسابية. يمكنك أيضا القيام الطرح كما هو مبين في الشكل 5.6. والتي تظهر فيها الملاحظات ربع السنوية الأصلية (C12: F16)، والمؤشرات الفصلية (C8: F8)، والنتائج المفصلة (C20: F24) في شكل جدولي. هذا الترتيب يجعل من الأسهل قليلا للتركيز على المؤشرات الموسمية و كوارترليز ديساسونيد. توقعات من الملاحظات الخاطئة في الشكل 5.14. تكون الملاحظات التي تم تحليلها في العمود H، وفي الشكل 5.7 فإنها 8217r في العمود C. وبغض النظر عما إذا كنت تريد استخدام نهج الانحدار أو نهج التجانس للتنبؤ، فإنه يفضل 8217s ترتيب الملاحظات المفرطة في قائمة عمود واحد. في الشكل 5.14. تكون التوقعات في العمود J. يتم إدخال صيغة الصفيف التالية في النطاق J2: J32. في وقت سابق من هذا الفصل، أوضحت أنه إذا حذفت وسيطة القيم x من وسيطات تريند () function8217s، يقوم إكسيل بتوريد القيم الافتراضية 1. 2 - n. حيث n هو عدد القيم y. في الصيغة المعطاة للتو، يحتوي H2: H32 على قيم y. ولأن الوسيطة التي تحتوي عادة على القيم x مفقودة، يقوم إكسيل بتوريد القيم الافتراضية 1. 2 - 31 - هذه هي القيم التي نريد استخدامها على أي حال، في العمود B، وبالتالي فإن الصيغة المعطاة تعادل تريند (H2: H32، B2: B32). وهذا 8217s البنية المستخدمة في D5: D24 من الشكل 5.7: جعل التنبؤ خطوة واحدة في المستقبل حتى الآن كنت قد رتبت للتنبؤات السلاسل الزمنية ديسوناليزد من t 1 إلى t 31 في الشكل 5.14. ومن t 1 إلى t 20 في الشكل 5.7. وتشكل هذه التنبؤات معلومات مفيدة لأغراض مختلفة، بما في ذلك تقييم دقة التنبؤات عن طريق تحليل رمز. ولكن الغرض الرئيسي الخاص بك هو التنبؤ على الأقل، بعد فترة زمنية غير مرصودة حتى الآن. للحصول على ذلك، يمكنك التنبؤ أولا من وظيفة تريند () أو لينست () إذا كنت تستخدم 8217re الانحدار، أو من صيغة التمهيد الأسي إذا كنت 8217re باستخدام طريقة Holt8217s. ثم يمكنك إضافة الفهرس الموسمية المرتبطة إلى الانحدار أو تمهيد التوقعات، للحصول على توقعات التي تشمل كل من الاتجاه والتأثير الموسمي. في الشكل 5.14. يمكنك الحصول على توقعات الانحدار في الخلية J33 مع هذه الصيغة: في هذه الصيغة، القيم y في H2: H32 هي نفسها كما في الصيغ تريند () الأخرى في العمود J. لذا فإن القيم الافتراضية (x) من 1 من خلال 32. الآن، على الرغم من ذلك، يمكنك توفير قيمة x جديدة كما الوسيطة function8217s الثالثة، التي تخبر تريند () للبحث عنها في الخلية B33. It8217s 32. القيمة التالية لل t. ويقوم إكسيل بإرجاع القيمة 156.3 في الخلية J33. الدالة تريند () في الخلية J33 تخبر إكسيل، في الواقع، 8220 تحسب معادلة الانحدار للقيم في H2: H32 تراجعت على قيم t من 1 إلى 31. تطبيق هذه المعادلة الانحدار إلى x - قيمة جديدة من 32 وإرجاع النتيجة. 8221 You8217ll العثور على نفس النهج المتخذة في الخلية D25 من الشكل 5.7. حيث الصيغة للحصول على توقعات خطوة واحدة قبل هذا هو: إضافة المؤشرات الموسمية مرة أخرى في الخطوة الأخيرة هي إعادة صياغة التوقعات بإضافة المؤشرات الموسمية لتوقعات الاتجاه، عكس ما فعلت أربع خطوات إلى الوراء عند طرح فهارس من الملاحظات الأصلية. ويتم ذلك في العمود F في الشكل 5.7 والعمود K في الشكل 5.14. دون 8217t ننسى لإضافة المؤشر الموسمية المناسب لتوقعات خطوة واحدة إلى الأمام، مع النتائج المبينة في الخلية F25 في الشكل 5.7 وفي الخلية K33 في الشكل 5.14. (I8217ve مظللة الخلايا خطوة واحدة إلى الأمام في كل من الشكل 5.7 والشكل 5.14 لتسليط الضوء على التوقعات.) يمكنك العثور على الرسوم البيانية من ثلاثة تمثيلات البيانات اعتقال حركة المرور في الشكل 5.15. وسلسلة ديسيسوناليزد، والتنبؤ الخطي من البيانات ديسوناليزد، والتوقعات رياسوناليزد. لاحظ أن التوقعات تتضمن كلا من الاتجاه العام للبيانات الأصلية ومعدلات الجمعة الجمعة. الشكل 5.15 رسم التوقعات .5.2 السلاسل الزمنية للتلميع عادة ما يتم التحميص لمساعدتنا على رؤية الأنماط والاتجاهات على سبيل المثال في السلاسل الزمنية. عموما على نحو سلس خارج خشونة غير منتظمة لرؤية إشارة أكثر وضوحا. بالنسبة للبيانات الموسمية، قد نتجنب الموسمية حتى نتمكن من تحديد هذا الاتجاه. التجانس لا يوفر لنا نموذج، ولكن يمكن أن يكون خطوة أولى جيدة في وصف مختلف مكونات هذه السلسلة. يستخدم مصطلح المصطلح أحيانا لوصف إجراء التجانس. على سبيل المثال، إذا تم حساب القيمة الملساء لوقت معين على أنها مزيج خطي من الملاحظات للأوقات المحيطة، يمكن القول بأننا طبقنا مرشحا خطييا على البيانات (وليس نفس القول بأن النتيجة هي خط مستقيم، من خلال الطريقة). الاستخدام التقليدي للمتوسط ​​المتحرك المدى هو أنه في كل نقطة من الوقت نحدد (المرجح المرجح) متوسطات القيم الملحوظة التي تحيط بوقت معين. على سبيل المثال، في الوقت t. فإن المتوسط ​​المتحرك المركب للطول 3 مع أوزان متساوية سيكون متوسط ​​القيم في بعض الأحيان t -1. t. و t1. ولأخذ الموسمية من سلسلة، حتى نتمكن من رؤية الاتجاه بشكل أفضل، سنستخدم متوسطا متحركا بطول موسمي. وهكذا في سلسلة سلسة، تم متوسط ​​كل قيمة ممهدة في جميع الفصول. ويمكن القيام بذلك من خلال النظر في متوسط ​​متحرك من جانب واحد حيث يمكنك متوسط ​​جميع القيم للسنوات السابقة بقيمة البيانات أو المتوسط ​​المتحرك المتمركز الذي تستخدم القيم قبل وبعد الوقت الحالي. بالنسبة للبيانات ربع السنوية، على سبيل المثال، يمكن أن نحدد قيمة سلسة للوقت t (x t x t-1 x t-2 x t-3) 4، متوسط ​​هذا الوقت والأرباع الثلاثة السابقة. في R كود هذا سيكون مرشح من جانب واحد. يخلق المتوسط ​​المتحرك المركز قليلا من الصعوبة عندما يكون لدينا عدد من الفترات الزمنية في الفترة الموسمية (كما نفعل عادة). لتسهيل الموسمية بعيدا في البيانات الفصلية. من أجل تحديد الاتجاه، والاتفاقية المعتادة هي استخدام المتوسط ​​المتحرك ممهدة في الوقت ر هو لتسهيل الموسمية بعيدا في البيانات الشهرية. من أجل تحديد الاتجاه، والاتفاقية المعتادة هي استخدام المتوسط ​​المتحرك ممهدة في الوقت t هو وهذا هو، ونحن تطبيق الوزن 124 إلى القيم في بعض الأحيان t6 و t6 والوزن 112 لجميع القيم في جميع الأوقات بين T5 و T5. في الأمر R فيلتر، حدد مرشح من جانبين جيدا عندما نريد استخدام القيم التي تأتي قبل وبعد الوقت الذي تم تمهيد. تجدر الإشارة إلى أنه في الصفحة 71 من كتابنا، فإن المؤلفين يطبقون أوزانا متساوية عبر المتوسط ​​المتحرك الموسمية المركز. هذا حسنا أيضا. على سبيل المثال، يمكن تمهيد سلاسة ربع سنوية في الوقت t هو فراك x فراك x فراك شت فراك x فراك x الشهري أكثر سلاسة قد تطبق وزن 113 إلى جميع القيم من مرات t-6 إلى t6. يستفيد الرمز الذي يستخدمه المؤلفون في الصفحة 72 من أمر المكرر الذي يكرر قيمة عدد معين من المرات. لا يستخدمون عامل تصفية عامل التصفية ضمن أمر التصفية. مثال 1 إنتاج البيرة بشكل ربع سنوي في أستراليا في الدرسين الأول والدرس 4، نظرنا في سلسلة من إنتاج البيرة ربع السنوي في أستراليا. يخلق رمز R التالية سلسلة سلسة التي تمكننا من رؤية نمط الاتجاه، والمؤامرات هذا النمط الاتجاه على نفس الرسم البياني مثل سلسلة زمنية. الأمر الثاني يخلق ويخزن سلسلة ممهدة في الكائن يسمى تريندباترن. لاحظ أنه ضمن أمر التصفية، فإن المعامل المسمى بالفلتر يعطي معاملات لتلطيف وجوانبنا 2 يسبب ناعمة مركزا ليتم حسابها. (بايربرود)، مرشح c (18، 14، 14، 14، 18)، side2) مؤامرة (بيربرود، نوع b، الرئيسية تتحرك متوسط ​​الاتجاه السنوي) خطوط (تريندباترن) هيريس النتيجة: نحن قد طرح نمط الاتجاه من قيم البيانات للحصول على نظرة أفضل في الموسمية. هيريس كيفية القيام بذلك: الموسمية بيربرود - تريندباترن مؤامرة (الموسمية، نوع ب، الرئيسية نمط موسمي لإنتاج البيرة) والنتيجة يليها: إمكانية أخرى لتسلسل سلسلة لرؤية الاتجاه هو مرشح من جانب واحد مرشح filterpattern2 (بيربرود، فلتر ج (14، 14، 14، 14)، سيديس 1) مع هذا، فإن قيمة ممهدة هو متوسط ​​العام الماضي. المثال 2. البطالة الشهرية في الولايات المتحدة في الواجبات المنزلية للأسبوع 4 نظرت إلى سلسلة شهرية من البطالة في الولايات المتحدة لعام 1948-1978. هيريس تمهيد القيام به للنظر في هذا الاتجاه. (تريندونيمبلوي، ستارت c (1948،1)، فريق 12) مؤامرة (ترندونيمبلوي، مينترند في الولايات المتحدة البطالة، 1948-1978، زلاب يار) يتم رسم الاتجاه السلس فقط. يحدد الأمر الثاني خصائص وقت التقويم للسلسلة. وهذا يجعل المؤامرة لديها محور أكثر وضوحا. وتأتي هذه المؤامرة. لسلسلة غير الموسمية، كنت أرينت ملزمة لتسهيل على مدى أي فترة معينة. للتجانس يجب تجربة مع المتوسطات المتحركة من نطاقات مختلفة. ويمكن أن تكون تلك الفترات الزمنية قصيرة نسبيا. والهدف من ذلك هو ضرب قبالة حواف خشنة لمعرفة ما الاتجاه أو نمط قد يكون هناك. طرق التمهيد الأخرى (القسم 2.4) يصف القسم 2.4 العديد من البدائل المتطورة والمفيدة لتمهيد المتوسط ​​المتحرك. قد تبدو التفاصيل مبهمة، ولكن هذا بخير لأننا لا نريد الحصول على تعثرت في الكثير من التفاصيل لتلك الأساليب. من الطرق البديلة الموصوفة في القسم 2.4، قد يكون لويس (الانحدار المرجح محليا) الأكثر استخداما. مثال 2 تابع المخطط التالي هو تمهيد خط الاتجاه لسلسلة البطالة في الولايات المتحدة، وجدت باستخدام لويس أكثر سلاسة حيث ساهم مبلغ كبير (23) في كل تقدير سلس. لاحظ أن هذا تمهيد السلسلة بشكل أكثر قوة من المتوسط ​​المتحرك. وكانت الأوامر المستخدمة هي البطالة (بدء التشغيل، بدء c (1948،1)، freq12) مؤامرة (لويس (ونيمبلوي، f 23)، الرئيسية لويس تمهيد لاتجاه الولايات المتحدة البطالة) واحد الأسي تمهيد معادلة التنبؤ الأساسية للتجانس الأسي واحد في كثير من الأحيان (1-ألفا) نص نتوقع أن تكون قيمة x في الوقت t1 مجموعة مرجحة من القيمة الملاحظة في الوقت t والقيمة المتوقعة في الوقت t. على الرغم من أن الطريقة تسمى طريقة التجانس، وهي تستخدم أساسا للتنبؤ على المدى القصير. وتسمى قيمة ثابت التمهيد. لأي سبب من الأسباب، 0.2 هو الخيار الافتراضي الشعبي من البرامج. وهذا يضع وزنا من 0.2 على الملاحظة الأخيرة ووزن 1 0.2 .8 على أحدث التوقعات. مع قيمة صغيرة نسبيا، فإن تمهيد تكون أكثر شمولا نسبيا. مع قيمة كبيرة نسبيا، والتجانس هو أقل نسبيا واسعة كما سيتم وضع المزيد من الوزن على القيمة الملحوظة. هذا هو بسيط من خطوة واحدة إلى الأمام طريقة التنبؤ الذي للوهلة الأولى يبدو لا يتطلب نموذجا للبيانات. في الواقع، هذا الأسلوب هو ما يعادل استخدام أريما (0،1،1) نموذج مع عدم وجود ثابت. الإجراء الأمثل هو لتناسب نموذج أريما (0،1،1) إلى مجموعة البيانات المرصودة واستخدام النتائج لتحديد قيمة. هذا هو الأمثل بمعنى خلق أفضل للبيانات التي لوحظت بالفعل. على الرغم من أن الهدف هو تمهيد والتنبؤ خطوة واحدة إلى الأمام، فإن التكافؤ إلى أريما (0،1،1) نموذج لا تثير نقطة جيدة. لا ينبغي لنا تطبيق عمياء تمهيد الأسي لأن العملية الكامنة قد لا تكون على غرار جيدا من قبل أريما (0،1،1). أريما (0،1،1) ومعادل التماسك الأسي يعتبر أريما (0،1،1) بمتوسط ​​0 للفروق الأولى، شت - x t-1: يبدأ قبعة أمب شت theta1 وت أمب أمب شت theta1 (شت - t t) أمبير أمبير (1 theta1) شت - theta1hat تميل. إذا تركنا (1 1) وبالتالي - (1) 1، نرى التكافؤ في المعادلة (1) أعلاه. لماذا يتم استدعاء الأسلوب تمهيد أسي ينتج عن ما يلي: بدء تشغيل أمب أمب ألفا شت (1 ألفا) ألفا x (ألفا) قبعة أمبير أمبير ألفا شت ألفا (1-ألفا) س (1-ألفا) 2hat نهاية متابعة في هذه الطريقة عن طريق استبدال تباعا للقيمة المتوقعة على الجانب الأيمن من المعادلة. وهذا يؤدي إلى: ألف ألفا شت ألفا (1-ألفا) x ألفا (1-ألفا) 2 × النقاط ألفا (1-ألفا) جك النقاط ألفا (1-ألفا) x1 تشير المعادلة 2 إلى أن القيمة المتوقعة هي المتوسط ​​المرجح من جميع القيم السابقة من هذه السلسلة، مع الأوزان المتغيرة بشكل كبير ونحن نعود إلى الوراء في هذه السلسلة. الأمثل الأسي تجانس في R في الأساس، ونحن فقط تناسب أريما (0،1،1) للبيانات وتحديد معامل. يمكننا فحص تناسب السلس من خلال مقارنة القيم المتوقعة إلى السلسلة الفعلية. تميل الأسي يميل إلى أن تستخدم أكثر كأداة التنبؤ من أكثر سلاسة، لذلك كانوا يبحثون لمعرفة ما إذا كان لدينا مناسبا. المثال 3. ن 100 رصد شهري لوغاريتم مؤشر أسعار النفط في الولايات المتحدة. سلسلة البيانات هي: أن أريما (0،1،1) تناسب في R أعطى ما (1) معامل 0.3877. وهكذا (1 1) 1.3877 و 1- -0.3877. معادلة التنبؤ الأسي للتنبؤ هي قبعة 1.3877xt - 0.3877hat t في الوقت 100، القيمة الملاحظة للسلسلة هي x 100 0.86601. القيمة المتوقعة لسلسلة في ذلك الوقت هو وبالتالي التوقعات للوقت 101 هو قبعة 1.3877x - 0.3877hat 1.3877 (0.86601) -0.3877 (0.856789) 0.8696 وفيما يلي مدى سلاسة يناسب سلسلة. انها مناسبة جيدة. ثاتس علامة جيدة للتنبؤ، والغرض الرئيسي لهذا أكثر سلاسة. وفيما يلي الأوامر المستخدمة لتوليد الإخراج لهذا المثال: أويليندكس مسح (oildata. dat) مؤامرة (أويليندكس، نوع ب، السجل الرئيسي من مؤشر النفط سلسلة) إكسسموثفيت أريما (أويليندكس، النظام ج (0،1،1)) إكسسموثفيت لمعرفة نتائج أريما تتنبأ أويليندكس - توقعت إكسسموثفيترزيدوالس القيم مؤامرة (أويليندكس، تيب، الأسي الرئيسي تمهيد سجل مؤشر النفط) خطوط (تنبؤات) 1.3877oilindex100-0.3877predicteds100 توقعات للوقت 101 ضعف الأسي التمويه ضعف الأسي تمهيد يمكن أن تستخدم عندما ثيريس الاتجاه (إما المدى الطويل أو المدى القصير)، ولكن ليس موسميا. وبشكل أساسي، تخلق هذه الطريقة توقعات من خلال الجمع بين التقديرات الملموسة أضعافا للاتجاه (ميل الخط المستقيم) والمستوى (أساسا، اعتراض خط مستقيم). يتم استخدام اثنين من الأوزان المختلفة، أو تمهيد المعلمات، لتحديث هذين المكونين في كل مرة. مستوى ممسود هو أكثر أو أقل يعادل تعادل الأسي بسيط من قيم البيانات والاتجاه السلس هو أكثر أو أقل يعادل تمهيد الأسي بسيط من الاختلافات الأولى. هذا الإجراء هو ما يعادل تركيب أريما (0،2،2) نموذج، مع عدم وجود ثابت يمكن القيام بها مع أريما (0،2،2) مناسبا. (1-B) 2 شت (1theta1B theta2B2) بالوزن. التنقل