نسبة المؤشر المتوسط للموسم المتحرك

تنفيذ جدول البيانات من التعديل الموسمي والتجانس الأسي فمن السهل إجراء تعديل موسمي وتناسب نماذج التمهيد الأسي باستخدام إكسيل. يتم أخذ صور الشاشة والرسوم البيانية أدناه من جدول بيانات تم إعداده لتوضيح التعديل الموسمي الموسمي والتجانس الأسي الخطي على بيانات المبيعات الفصلية التالية من أوتبوارد مارين: للحصول على نسخة من ملف جدول البيانات نفسه، انقر هنا. نسخة من التجانس الأسي الخطي التي سيتم استخدامها هنا لأغراض مظاهرة هو Brown8217s الإصدار، لمجرد أنه يمكن تنفيذها مع عمود واحد من الصيغ وهناك واحد فقط ثابت تمهيد لتحسين. عادة فمن الأفضل استخدام الإصدار Holt8217s التي لديها ثوابت تمهيد منفصلة للمستوى والاتجاه. وتنتقل عملية التنبؤ على النحو التالي: '1' أولا تعدل البيانات موسميا '2'، ثم تنشأ التنبؤات للبيانات المعدلة موسميا عن طريق التمهيد الأسي الخطي؛ '3' وأخيرا، فإن التنبؤات المعدلة موسميا هي عبارة عن تنبؤات متوقعة موسميا للحصول على تنبؤات للمسلسل الأصلي . يتم إجراء عملية التعديل الموسمية في الأعمدة من D إلى G. الخطوة الأولى في التعديل الموسمية هي حساب المتوسط ​​المتحرك المركزة (يتم القيام به هنا في العمود D). ويمكن القيام بذلك عن طريق الأخذ بمتوسط ​​متوسطين على مدى سنة واحدة تقابلهما فترة واحدة بالنسبة لبعضهما البعض. (وهناك حاجة إلى مزيج من متوسطين للمقاصة بدلا من متوسط ​​واحد للأغراض المركزية عندما يكون عدد المواسم). والخطوة التالية هي حساب النسبة إلى المتوسط ​​المتحرك - أي. البيانات الأصلية مقسومة على المتوسط ​​المتحرك في كل فترة - والتي يتم تنفيذها هنا في العمود هاء (ويسمى هذا أيضا مكون كوتريند-سيكليكوت للنمط، بقدر ما يمكن اعتبار التأثيرات ودورات الأعمال على أنها كلها لا يزال بعد متوسطه على مدى سنوات كاملة من البيانات، وبطبيعة الحال، من شهر إلى آخر التغييرات التي لا تعود إلى الموسمية يمكن تحديدها من قبل العديد من العوامل الأخرى، ولكن متوسط ​​12 شهرا ينعم عليهم إلى حد كبير.) ذي يتم حساب المؤشر الموسمية المقدر لكل موسم من خلال متوسط ​​متوسط ​​جميع النسب لهذا الموسم المحدد، والذي يتم في الخلايا G3-G6 باستخدام صيغة أفيراجيف. ثم يتم تعديل النسب المتوسطة بحيث تصل إلى 100 مرة بالضبط عدد الفترات في الموسم، أو 400 في هذه الحالة، والذي يتم في الخلايا H3-H6. أسفل العمود F، يتم استخدام صيغ فلوكوب لإدراج قيمة الفهرس الموسمية المناسبة في كل صف من جداول البيانات، وفقا لربع السنة الذي يمثله. وينتهي المتوسط ​​المتحرك المركب والبيانات المعدلة موسميا على النحو التالي: لاحظ أن المتوسط ​​المتحرك يشبه عادة نسخة أكثر سلاسة من السلسلة المعدلة موسميا، وهو أقصر على كلا الطرفين. وتظهر ورقة عمل أخرى في نفس ملف إكسيل تطبيق نموذج تمهيد الأسي الخطي على البيانات المعدلة موسميا، بدءا من العمود G. وتدخل قيمة ثابت التمهيد (ألفا) فوق عمود التنبؤ (هنا في الخلية H9) و من أجل الراحة يتم تعيين اسم النطاق كوتAlpha. quot (يتم تعيين الاسم باستخدام الأمر كوتينسنامكراتيكوت). يتم تهيئة نموذج ليس عن طريق تعيين أول اثنين من التوقعات مساوية للقيمة الفعلية الأولى للسلسلة المعدلة موسميا. الصيغة المستخدمة هنا لتوقعات ليس هي النموذج المعادلة وحيد المعادلة من طراز Brown8217s: يتم إدخال هذه الصيغة في الخلية المقابلة للفترة الثالثة (هنا، الخلية H15) ونسخها من هناك. لاحظ أن توقعات ليس للفترة الحالية تشير إلى الملاحظات السابقة واثنين من أخطاء التنبؤ السابقة، فضلا عن قيمة ألفا. وهكذا، فإن صيغة التنبؤ الواردة في الصف 15 تشير فقط إلى البيانات التي كانت متاحة في الصف 14 وما قبله. (بطبيعة الحال، إذا أردنا استخدام تمهيد أسي بسيط بدلا من خطي أسي، يمكننا استبدال صيغة سيس هنا بدلا من ذلك، ويمكننا أيضا استخدام هولت 8217s بدلا من طراز براون 8217s ليس، والذي سيتطلب 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 ارتفاع 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 وتقديراته 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، رمزز 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 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 بطرائق 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 قبل خطوة 2 واستخدام هذا كأساس لفاصل الثقة 2-خطوة قدما. سليديشار يستخدم الكوكيز لتحسين الأداء الوظيفي، وتوفير لكم مع الإعلانات ذات الصلة. إذا تابعت تصفح الموقع، فإنك توافق على استخدام ملفات تعريف الارتباط على هذا الموقع. راجع اتفاقية المستخدم وسياسة الخصوصية. يستخدم سليديشار ملفات تعريف الارتباط لتحسين الأداء الوظيفي والأداء، ولتزويدك بالإعلانات ذات الصلة. إذا تابعت تصفح الموقع، فإنك توافق على استخدام ملفات تعريف الارتباط على هذا الموقع. راجع سياسة الخصوصية واتفاقية المستخدم للحصول على التفاصيل. استكشاف جميع المواضيع المفضلة لديك في التطبيق سليديشار الحصول على التطبيق سليديشار لحفظ في وقت لاحق حتى متواجد حاليا حتى متابعة إلى موقع الجوال تحميل تسجيل الدخول الاشتراك انقر نقرا مزدوجا للتصغير الفصل 16 مشاركة هذا سليديشار لينكيدين كوربوراتيون نسخة 2017 التعديل المتعدد: النظر في الرسم البياني من إجمالي التجزئة الولايات المتحدة مبيعات السيارات من يناير 1970 إلى مايو 1998، في وحدات المليارات من الدولارات، كما ذكر في ذلك الوقت من قبل مكتب الولايات المتحدة للتحليل الاقتصادي: الكثير من هذا الاتجاه هو مجرد بسبب التضخم. ويمكن إبطال القيم، أي تحويلها إلى وحدات ثابتة بدال من الدوالر االسمي، وذلك بقسمة هذه األسعار على مؤشر سعر مناسب مقيس إلى قيمة 1.0 في أي سنة مطلوبة كسنة األساس. هنا 8217s نتيجة التقسيم من قبل مؤشر أسعار المستهلك الأمريكي (كبي) تحجيمها إلى 1.0 في عام 1990، الذي يحول الوحدات إلى المليارات من 1990 دولار: (يمكن العثور على البيانات في هذا الملف إكسل، ويتم تحليلها أيضا بمزيد من التفصيل في الصفحات على نماذج أريما الموسمية على هذا الموقع.) لا يزال هناك اتجاه تصاعدي عام، واتساع اتساع التغيرات الموسمية يدل على نمط موسمية مضاعفة: التأثير الموسمي يعبر عن نفسه من حيث النسبة المئوية، وبالتالي فإن الحجم المطلق للموسمية تزداد الاختلافات مع نمو السلسلة بمرور الوقت. يمكن إزالة هذا النمط عن طريق التعديل الموسمي المضاعف. والتي يتم إنجازها عن طريق قسمة كل قيمة من السلاسل الزمنية من خلال مؤشر موسمية (عدد في محيط 1.0) التي تمثل النسبة المئوية العادية التي لوحظت عادة في هذا الموسم. على سبيل المثال، إذا كانت المبيعات ديكريمنت عادة 130 من القيمة الشهرية العادية (استنادا إلى البيانات التاريخية)، ثم كل ديسمبرس المبيعات سيتم تعديلها موسميا عن طريق تقسيم بنسبة 1.3. وبالمثل، إذا كانت المبيعات في كانون الثاني / يناير عادة 90 فقط من المعتاد، ثم كل شهر يناير المبيعات سيتم تعديلها موسميا بقسمة بنسبة 0.9. وبالتالي، سيتم تعديل قيمة ديسيمبرس هبوطا في حين سيتم تعديل يناير كانون الثاني إلى أعلى، تصحيح للتأثير الموسمي المتوقع. اعتمادا على كيفية تقديرها من البيانات، قد تبقى المؤشرات الموسمية هي نفسها من سنة واحدة إلى أخرى، أو أنها قد تختلف ببطء مع مرور الوقت. والمؤشرات الموسمية التي يحسبها إجراء التحلل الموسمي في ستاتغرافيكس ثابتة مع مرور الوقت، وتحسب عن طريق ما يسمى طريقة كواتراتيو-موفينغ المتوسط. كوت (للاطلاع على شرح لهذه الطريقة، انظر الشرائح على التنبؤ مع التكيف الموسمي و الملاحظات على تنفيذ جدول البيانات من التعديل الموسمية.) وفيما يلي المؤشرات الموسمية المضاعفة لمبيعات السيارات كما يحسبها إجراء التحلل الموسمية في ستاتغرافيكس: وأخيرا، وهنا هو نسخة معدلة موسميا من مبيعات السيارات المنكوبة التي يتم الحصول عليها عن طريق قسمة قيمة كل شهر من قبل مؤشرها الموسمية المقدر: لاحظ أن النمط الموسمية وضوحا قد ذهب، وما تبقى هو الاتجاه والمكونات الدورية للبيانات، بالإضافة إلى الضوضاء العشوائية. التعديل الإضافي: كبديل للتكيف الموسمية المضاعفة، من الممكن أيضا إجراء تعديل موسمي إضافي. أما السلاسل الزمنية التي تكون تغايراتها الموسمية ثابتة تقريبا من حيث الحجم، مستقلة عن المستوى المتوسط ​​الحالي للمسلسل، فستكون مرشحة لإجراء تعديلات موسمية إضافية. وفي التعديل الموسمي الإضافي، يتم تعديل كل قيمة من سلاسل زمنية بإضافة أو طرح كمية تمثل المبلغ المطلق الذي تميل فيه القيمة في ذلك الموسم من السنة إلى ما دون أو أعلى من المعتاد، على النحو المقدر من البيانات السابقة. الأنماط الموسمية المضافة نادرة إلى حد ما في الطبيعة، ولكن يتم تحويل سلسلة التي لديها نمط موسمي الموسمية الطبيعية إلى واحد مع نمط موسمي المضافة عن طريق تطبيق التحول اللوغاريتم إلى البيانات الأصلية. لذلك، إذا كنت تستخدم تعديل موسمي بالتزامن مع تحول لوغاريتم، وربما كنت يجب استخدام إضافة بدلا من التعديل الموسمي المضاعف. (في إجراءات التحلل الموسمية والتنبؤ في ستاترافيكس، يتم إعطاء خيار بين التعديل الموسمي والتكاثر الموسمي.) (العودة إلى أعلى الصفحة) الاختصارات: عند فحص أوصاف السلاسل الزمنية في داتاديسك ومصادر أخرى، فإن اختصار سا لتقف على تعديلها بشكل مقارن، في حين أن نسا تقف على كوتنوت المعدلة موسميا. المعدل السنوي المعدل موسميا (سار) هو سلسلة زمنية تم فيها تعديل كل قيمة من الفترات للموسمية ثم ضربها بعدد الفترات في السنة، كما لو كانت نفس القيمة قد تم الحصول عليها في كل فترة لسنة كاملة. (العودة إلى أعلى الصفحة.)