طريقة المتوسط المتحرك في تحليل السلاسل الزمنية

إجراء تحليل السلاسل الزمنية باستخدام طريقة المتوسطات الخطية الطريقة يمكنك استخدام هذه الطريقة مع سلسلة زمنية تظهر اتجاهات ومتوسطات متحركة تتضمن أكثر من متوسطين متحركين. أولا، حساب وتخزين المتوسط ​​المتحرك للسلسلة الأصلية. ثم حساب وتخزين المتوسط ​​المتحرك للعمود المخزن سابقا للحصول على المتوسط ​​المتحرك الثاني. لحساب وتخزين المتوسط ​​المتحرك، اختر ستات غ تايم سيريز غ موفينغ أفيراج. أكمل مربع الحوار، اختر التخزين. وحدد المتوسطات المتحركة. حقوق الطبع والنشر 2016 مينيتاب Inc. جميع الحقوق محفوظة. باستخدام هذا الموقع فإنك توافق على استخدام ملفات تعريف الارتباط للتحليلات والمحتوى الشخصي. قراءة سياستنا بيانات التمهيد يزيل التباين العشوائي ويظهر الاتجاهات والمكونات الدورية الكامنة في جمع البيانات التي اتخذت مع مرور الوقت هو شكل من أشكال الاختلاف العشوائي. هناك طرق للحد من إلغاء التأثير بسبب الاختلاف العشوائي. تقنية غالبا ما تستخدم في الصناعة هو تمهيد. هذه التقنية، عندما تطبق بشكل صحيح، يكشف بشكل أكثر وضوحا الاتجاه الكامن، المكونات الموسمية ودورية. هناك مجموعتان متميزتان من طرق التجانس طرق المتوسط ​​طرق التمدد الأسي أخذ المتوسطات هو أبسط طريقة لتسهيل البيانات سنقوم أولا بالتحقيق في بعض أساليب المتوسط، مثل المتوسط ​​البسيط لجميع البيانات السابقة. مدير مستودع يريد أن يعرف كم المورد نموذجي يسلم في 1000 دولار الوحدات. تأخذ هيش عينة من 12 موردا، عشوائيا، والحصول على النتائج التالية: الوسط الحسابي أو متوسط ​​البيانات 10. يقرر المدير استخدام هذا التقدير كمصروف لنفقات مورد نموذجي. هل هذا تقدير جيد أو سيء متوسط ​​الخطأ المئوي هو طريقة للحكم على مدى جودة النموذج هو سنقوم بحساب متوسط ​​الخطأ التربيعي. المبلغ الحقيقي الذي تم إنفاقه ناقص المبلغ المقدر. مربع الخطأ هو الخطأ أعلاه، تربيع. و سس هو مجموع الأخطاء التربيعية. و مس هو متوسط ​​الأخطاء التربيعية. نتائج مس على سبيل المثال النتائج هي: أخطاء خطأ وتربيع التقدير 10 السؤال الذي يطرح نفسه: هل يمكننا استخدام المتوسط ​​للتنبؤ بالدخل إذا كنا نشك في اتجاه A نظرة على الرسم البياني أدناه يظهر بوضوح أننا لا ينبغي أن نفعل ذلك. متوسط ​​يزن جميع الملاحظات السابقة بالتساوي وباختصار، فإننا نذكر أن المتوسط ​​البسيط أو المتوسط ​​لجميع الملاحظات السابقة ليس سوى تقدير مفيد للتنبؤ عندما لا تكون هناك اتجاهات. إذا كانت هناك اتجاهات، استخدم تقديرات مختلفة تأخذ في الاعتبار هذا الاتجاه. ويزن المتوسط ​​جميع الملاحظات السابقة بالتساوي. على سبيل المثال، متوسط ​​القيم 3، 4، 5 هو 4. ونحن نعلم، بطبيعة الحال، أنه يتم حساب المتوسط ​​عن طريق إضافة كل القيم وتقسيم المجموع حسب عدد القيم. طريقة أخرى لحساب المتوسط ​​عن طريق إضافة كل قيمة مقسومة على عدد القيم، أو 33 43 53 1 1.3333 1.6667 4. ويسمى المضاعف 13 بالوزن. بشكل عام: شريط فراك مبلغ اليسار (فراك اليمين) X1 اليسار (فراك الحق) X2،. ،، اليسار (فراك يمين) شن. و (اليسار (فراك يمين)) هي الأوزان، وبطبيعة الحال، فإنها تلخص 1.Methods لتحليل سلسلة زمنية تقدم مينيتاب العديد من التحليلات التي تمكنك من تحليل سلسلة زمنية. وتشمل هذه التحليلات بسيطة التنبؤ وأساليب التمهيد، وأساليب تحليل الارتباط، ونمذجة أريما. على الرغم من أن تحليل الارتباط يمكن أن يتم بشكل منفصل عن نمذجة أريما، يعرض مينيتاب أساليب الترابط كجزء من نمذجة أريما. طرق بسيطة للتنبؤ والتجانس إن نماذج التنبؤ البسيطة وطرق التجانس البسيطة في سلسلة عادة ما تكون سهلة الملاحظة في مؤامرة سلسلة زمنية للبيانات. ويقوم هذا النهج بتحليل البيانات إلى أجزاءها المكونة، ثم يمتد تقديرات المكونات في المستقبل لتوفير التنبؤات. يمكنك الاختيار من بين الأساليب الثابتة لتحليل الاتجاه والتحلل، أو الأساليب الديناميكية للمتوسط ​​المتحرك، والتجانس الأسي المزدوج والمزدوج، وطريقة الشتاء. أساليب ثابتة لديها أنماط التي لا تتغير مع مرور الوقت أساليب ديناميكية لديها أنماط التي تتغير مع مرور الوقت ويتم تحديث التقديرات باستخدام القيم المجاورة. يمكنك استخدام طريقتين في الجمع. وهذا يعني أنه يمكنك اختيار طريقة ثابتة لنموذج مكون واحد وطريقة ديناميكية لنموذج مكون مختلف. على سبيل المثال، يمكنك تناسب اتجاه ثابت باستخدام تحليل الاتجاهات وديناميكيا نموذج المكون الموسمية في المخلفات باستخدام طريقة الشتاء. أو، يمكنك تناسب نموذج موسمي ثابت باستخدام التحلل وديناميكيا نموذج مكون الاتجاه في المخلفات باستخدام التجانس الأسي المزدوج. يمكنك أيضا تطبيق تحليل الاتجاه والتحلل معا بحيث يمكنك استخدام مجموعة أوسع من نماذج الاتجاه التي تقدمها تحليل الاتجاه. ومن عيوب طرق الجمع أن فترات الثقة للتنبؤات غير صحيحة. ويقدم الجدول التالي، لكل طريقة من الطرق، موجزا ورسم بياني لملاءمة وتوقعات البيانات المشتركة. تحليل الاتجاهات يناسب نموذج الاتجاه العام لبيانات السلاسل الزمنية. الاختيار بين الخطية، التربيعية، الأسي النمو أو الاضمحلال، ونماذج S - منحنى الاتجاه. استخدم هذا الإجراء لتتناسب مع الاتجاه عندما لا يكون هناك عنصر موسمي في السلسلة الخاصة بك. التوقعات: طول: طويل الملف الشخصي: تمديد خط الاتجاه التحلل يفصل سلسلة مرات في مكونات الاتجاه الخطي، والمكونات الموسمية، والخطأ. اختيار ما إذا كان العنصر الموسمي هو المضافة أو المضاعفة مع هذا الاتجاه. استخدم هذا الإجراء للتنبؤ عندما يكون هناك عنصر موسمي في السلسلة أو عندما تريد فحص طبيعة الأجزاء المكونة. التوقعات: طول: طويل الملف الشخصي: الاتجاه مع النمط الموسمية المتحرك المتوسط ​​ينعم البيانات الخاصة بك عن طريق المتوسطات الملاحظات متتالية في سلسلة. يمكنك استخدام هذا الإجراء عندما لا يكون لديك بيانات مكون الاتجاه. إذا كان لديك عنصر موسمي، فحدد طول المتوسط ​​المتحرك ليساوي طول الدورة الموسمية. التوقعات: طول: الملف الشخصي القصير: خط مسطح واحد الأسي تجانس ينعم البيانات الخاصة بك باستخدام الأمثل خطوة واحدة إلى الأمام أريما (0،1،1) صيغة التنبؤ. هذا الإجراء يعمل بشكل أفضل دون اتجاه أو عنصر موسمي. المكون الديناميكي الوحيد في نموذج المتوسط ​​المتحرك هو المستوى. توقعات: طول: الملف الشخصي القصير: خط مسطح مزدوجة الأسي تجانس ينعم البيانات الخاصة بك باستخدام الأمثل خطوة واحدة قبل أريما (0،2،2) صيغة التنبؤ. هذا الإجراء يمكن أن تعمل بشكل جيد عندما يكون هناك اتجاه ولكن يمكن أيضا أن تكون بمثابة طريقة التمهيد العام. مزدوجة الأسي تجانس يحسب تقديرات ديناميكية لمكونين: المستوى والاتجاه. التوقعات: طول: الملف الشخصي القصير: خط مستقيم مع المنحدر يساوي تقدير الاتجاه الماضي وينترس الطريقة ينعم البيانات الخاصة بك عن طريق هولت الشتاء الشتاء الأسي. استخدام هذا الإجراء عندما يكون هناك اتجاه والموسمية، مع هذين العنصرين إما أن تكون مضافة أو مضاعفة. وينترس طريقة حساب التقديرات الديناميكية لثلاثة مكونات: المستوى، والاتجاه، والموسمية. توقعات: طول: قصيرة إلى متوسطة الملف الشخصي: الاتجاه مع النمط الموسمية تحليل الارتباط و أريما النمذجة أريما (الانحدار الذاتي المتكامل المتوسط ​​المتحرك) النمذجة أيضا يجعل استخدام أنماط في البيانات، ولكن هذه الأنماط قد لا تكون مرئية بسهولة في مؤامرة من البيانات. وبدلا من ذلك، تستخدم نمذجة أريما الاختلاف وعلاقات الارتباط الذاتي ووظائف الترابط الذاتي الجزئي للمساعدة في تحديد نموذج مقبول. ويمكن استخدام نمذجة أريما لنموذج العديد من سلاسل زمنية مختلفة، مع أو بدون مكونات الاتجاه أو الموسمية، وتوفير التنبؤات. يعتمد الملف الشخصي للتنبؤ على النموذج المناسب. ميزة النمذجة أريما بالمقارنة مع أساليب التنبؤ والتجانس بسيطة هي أنه أكثر مرونة في تركيب البيانات. ومع ذلك، يمكن تحديد نموذج المناسب واستهلاكها وقتا طويلا، ونمذجة أريما ليست مؤتمتة بسهولة. الاختلافات يحسب ويخزن الاختلافات بين قيم البيانات لسلسلة زمنية. إذا كنت تريد أن تناسب نموذج أريما ولكن البيانات الخاصة بك لديها اتجاه أو عنصر موسمية، والاختلاف البيانات هو خطوة مشتركة في تقييم نماذج أريما المرجح. ويستخدم التباين لتبسيط هيكل الارتباط وكشف أي نمط أساسي. لاغ يحسب وتخلف الفواصل الزمنية لسلسلة زمنية. عندما تتخطى سلسلة زمنية، يقوم مينيتاب بتحريك القيم الأصلية أسفل العمود، وإدراج القيم المفقودة في أعلى العمود. ويعتمد عدد القيم المفقودة المدرجة على طول الفارق الزمني. الارتباط الذاتي يحسب ويخلق رسما بيانيا ل أوتوكوريلاتيونس من سلسلة زمنية. الترابط الذاتي هو الترابط بين رصدات سلاسل زمنية مفصولة بوحدات زمنية k. وتسمى مؤامرة أوتوكوريلاتيونس دالة الارتباط الذاتي (أسف). عرض أسف لتوجيه اختيارك من المصطلحات لتشمل في نموذج أريما. الترابط الذاتي الجزئي يحسب ويخلق رسما بيانيا للربط التلقائي الجزئي لسلسلة زمنية. الترابطات التلقائية الجزئية، مثل أوتوكوريلاتيونس، هي الارتباطات بين مجموعات من أزواج البيانات المطلوبة من سلسلة زمنية. وكما هو الحال مع الارتباطات الجزئية في حالة الانحدار، تقيس الارتباطات التلقائية الجزئية قوة العلاقة مع المصطلحات الأخرى التي يتم شرحها. والترابط الذاتي الجزئي عند تأخر k هو الترابط بين البقايا في الوقت t من نموذج الانحدار الذاتي والملاحظات عند التأخر k مع شروط جميع الفترات المتداخلة في نموذج الانحدار الذاتي. وتسمى مؤامرة أوتوكوريلاتيونس الجزئية دالة الارتباط الذاتي الجزئي (باسف). عرض باسف لتوجيه اختيارك من المصطلحات لتشمل في نموذج أريما. الارتباط المتبادل يحسب ويخلق رسما بيانيا للارتباطات بين سلسلتين زمنيتين. أريما تناسب نموذج جينكينز مربع أريما لسلسلة زمنية. في أريما، يشير متوسط ​​الانحدار الذاتي والمتكامل والمتحرك إلى خطوات الترشيح المتخذة في حساب نموذج أريما إلى أن يبقى الضجيج العشوائي فقط. استخدام أريما لنموذج سلوك السلاسل الزمنية وتوليد التنبؤات. حقوق الطبع والنشر 2016 مينيتاب Inc. جميع الحقوق محفوظة.