การย้าย ค่าเฉลี่ย ประมาณการ วิธี
การคาดการณ์การเคลื่อนที่โดยเฉลี่ยขณะที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างในการคาดการณ์ แต่หวังว่าอย่างน้อยการแนะนำอย่างคุ้มค่าสำหรับประเด็นด้านคอมพิวเตอร์บางอย่างที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีตในหลอดเลือดดำนี้เราจะดำเนินต่อไป เริ่มต้นที่จุดเริ่มต้นและเริ่มทำงานกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่การคาดการณ์เฉลี่ยโดยเฉลี่ยทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่าพวกเขาเป็นนักศึกษาวิทยาลัยทุกคนทำตลอดเวลาคิดถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณกำลังจะไป มีการทดสอบสี่ครั้งในระหว่างภาคการศึกษา Let s สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกคุณจะทำนายคะแนนทดสอบที่สองคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดว่าเพื่อนของคุณอาจคาดเดาได้อย่างไร สำหรับคะแนนการทดสอบถัดไปคุณคิดว่าพ่อแม่ของคุณอาจคาดเดาคะแนนการทดสอบต่อไปของคุณได้โดยไม่ต้องคำนึงถึงการทำร้ายทั้งหมดที่คุณอาจทำกับคุณ iends และพ่อแม่พวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตตัวเองให้กับเพื่อน ๆ ของคุณ และตัวเลขที่คุณสามารถศึกษาได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้สิ่งที่ทุกคนกังวลและไม่แยแสคาดว่าคุณจะได้รับในการทดสอบที่สามของคุณมีสองวิธีมีโอกาสมากสำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงถึง ไม่ว่าพวกเขาจะแบ่งปันกับคุณพวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับสมาร์ทของเขาเขาจะได้รับอีก 73 ถ้าเขาโชคดีอาจเป็นพ่อแม่จะพยายามที่จะสนับสนุนมากขึ้นและพูดว่าดีดังนั้น ไกลคุณได้รับ 85 และ 73 ดังนั้นบางทีคุณควรจะคิดเกี่ยวกับการเกี่ยวกับ 85 73 2 79 ฉัน don t รู้บางทีถ้าคุณได้ปาร์ตี้น้อยและ weren t wagging วีเซิลทั่วสถานที่และถ้าคุณเริ่มต้นทำ มากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงกว่าทั้งสองประมาณการเหล่านี้เป็นจริง การคาดการณ์โดยเฉลี่ยของการเคลื่อนที่เป็นอันดับแรกอันดับแรกใช้เฉพาะคะแนนล่าสุดของคุณที่จะคาดการณ์ประสิทธิภาพในอนาคตของคุณซึ่งเรียกว่าการคาดการณ์ค่าเฉลี่ยโดยเฉลี่ยโดยใช้ข้อมูลระยะเวลาหนึ่งวินาทีนอกจากนี้ยังเป็นค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลสองช่วงข้อมูล ว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในด้านหน้าของพันธมิตรของคุณคุณจะทดสอบและคะแนนของคุณเป็นจริง 89 ตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคเรียนที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์ว่าคุณจะทำอะไรในการทดสอบครั้งล่าสุดดีหวังว่าคุณจะได้เห็น รูปแบบขณะนี้เราหวังว่าคุณจะได้เห็นรูปแบบที่คุณเชื่อว่าเป็นสิ่งที่ถูกต้องที่สุดในขณะที่เราทำงานตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ซึ่งเริ่มต้นโดยน้องสาวที่ถูกแยกออกจากกันของคุณชื่อ Whistle ขณะที่เราทำงานคุณมีข้อมูลการขายที่ผ่านมา เราแสดงข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วงโดยรายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11.Notice ค่าเฉลี่ยของการเคลื่อนย้าย มากกว่าข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้งนอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเราซึ่งแน่นอนว่าแตกต่างจาก exponential smoothing model I ve รวมการคาดการณ์ที่ผ่านมาเพราะเราจะใช้พวกเขาในหน้าเว็บถัดไปเพื่อวัดความถูกต้องของการทำนายตอนนี้ฉันต้องการนำเสนอผลลัพธ์ที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วงเวลารายการ C5 สำหรับเซลล์ควรเป็นตอนนี้ สามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11.Notice ตอนนี้มีเพียงสองชิ้นล่าสุดของข้อมูลทางประวัติศาสตร์ที่ใช้สำหรับการคาดการณ์แต่ละครั้งที่ฉันได้รวมไว้ d การคาดการณ์ที่ผ่านมาเพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์สิ่งอื่น ๆ บางอย่างที่มีความสำคัญต่อการสังเกตสำหรับระยะเวลาการเคลื่อนที่เฉลี่ยของ m-m เท่านั้นค่าข้อมูล m ล่าสุดมีการใช้เพื่อทำให้การคาดการณ์ไม่มีอะไรที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-metric เมื่อทำการคาดการณ์ที่ผ่านมาสังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1. ปัญหาเหล่านี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเราการพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาขึ้น รหัสสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้นรหัสต่อไปนี้สังเกตว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์คุณสามารถจัดเก็บไว้ในสมุดงานที่คุณต้องการใด ๆ ฟังก์ชั่น MovingAverage Historical, NumberOfPeriods เป็น Single Declaring และ initializing variables Dim Items เป็นตัวนับ Dim Variant เป็นจำนวนเต็ม Integer Dim เป็น Single Dim HistoricalSize As Integer Initializing variables Counter 1 Accumulation 0 การกำหนดขนาดของ Historical HistoricalSize. For Counter จำนวน 1 ต่อ NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้สะสมสะสมข้อมูลประวัติ HistoricalSize - NumberOfPeriods Counter. MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในชั้นเรียนคุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลลัพธ์ของการคำนวณปรากฏขึ้นที่ควร แบบจำลองการเดินแบบสุ่มและแบบจำลองแนวโน้มเชิงเส้นรูปแบบและแนวโน้มแบบไม่เป็นทางการสามารถคาดการณ์ได้โดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบขึ้นสมมติฐานพื้นฐานที่อยู่เบื้องหลังค่าเฉลี่ย (average velomination) และแบบเรียบเป็นที่ชุดเวลาเป็นถิ่นหยุดนิ่งในท้องถิ่นที่มีค่าเฉลี่ยที่แตกต่างกันอย่างช้าๆดังนั้นเราจึงใช้ค่าเฉลี่ยในท้องถิ่นที่เคลื่อนที่เพื่อประเมินค่าปัจจุบันของค่าเฉลี่ยและจากนั้นใช้ค่าที่เป็นคาดการณ์สำหรับอนาคตอันใกล้นี้ถือได้ว่าเป็นการประนีประนอม ระหว่างแบบจำลองค่าเฉลี่ยและแบบสุ่มเดินโดยปราศจาก drift กลยุทธ์เดียวกันสามารถใช้ การประมาณและคาดการณ์แนวโน้มในท้องถิ่นค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่าเรียบเนียนของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลทำให้การกระแทกในชุดเดิมลดลงโดยการปรับระดับความเรียบของความกว้างของค่าเฉลี่ยเคลื่อนที่ เราสามารถหวังที่จะตีสมดุลระหว่างความสมดุลที่เหมาะสมระหว่างประสิทธิภาพของแบบจำลองการเดินแบบเฉลี่ยและแบบสุ่มตัวอย่างที่ง่ายที่สุดคือแบบเคลื่อนที่เฉลี่ยถ่วงน้ำหนักเท่าเทียมกันการคาดการณ์ค่า Y ณ เวลา t 1 ที่ทำ เวลา t เท่ากับค่าเฉลี่ยที่เรียบง่ายของการสังเกต m ล่าสุด ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ Y-hat เพื่อทำนายเวลาของชุด Y ที่ทำในวันที่ก่อนวันที่เป็นไปได้เร็วที่สุดโดยแบบจำลองที่กำหนดค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - m 1 2 ซึ่งหมายความว่าประมาณการของ ค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าที่แท้จริงของค่าเฉลี่ยของท้องถิ่นโดยประมาณระยะเวลา m 1 2 ดังนั้นเราจึงกล่าวว่าอายุเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ m 1 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูลตัวอย่างเช่นถ้าคุณใช้ค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะอยู่ที่ประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเหโปรดสังเกตว่าถ้า m 1, ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่แบบ SMA เทียบเท่ากับรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตถ้า m มีขนาดใหญ่มากเทียบเท่ากับความยาวของระยะเวลาประมาณค่ารุ่น SMA เท่ากับรูปแบบค่าเฉลี่ยเช่นเดียวกับพารามิเตอร์ของรูปแบบการคาดการณ์ เพื่อปรับค่าของกี่ n เพื่อให้ได้ข้อมูลที่เหมาะสมที่สุดคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ยนี่คือตัวอย่างของชุดที่แสดงให้เห็นถึงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่มีความแตกต่างกันอย่างช้าๆอันดับแรกให้ลองใช้พอดีกับการเดินแบบสุ่ม ซึ่งเทียบเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอมรูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วเพื่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จึงทำให้เกิดเสียงรบกวนมากขึ้นในข้อมูลความผันผวนแบบสุ่มรวมทั้งสัญญาณท้องถิ่น หมายความว่าถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ 5 เทอมเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่าการคาดการณ์อัตราการเคลื่อนที่แบบเคลื่อน 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้อายุเฉลี่ยของข้อมูลในข้อมูลนี้ คือ 3 5 1 2 ดังนั้นจึงมีแนวโน้มที่จะล้าหลังจุดเปลี่ยนโดยประมาณสามงวดตัวอย่างเช่นการชะลอตัวที่ดูเหมือนว่าจะได้เกิดขึ้นในระยะเวลา 21 แต่การคาดการณ์ไม่ได้หันไปรอบ ๆ จนกระทั่งหลายช่วงเวลาในภายหลัง. คาดการณ์ระยะสั้นจาก SMA mod el เป็นเส้นตรงแนวนอนเช่นเดียวกับในรูปแบบการเดินแบบสุ่มดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูลอย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตล่าสุดการคาดการณ์จาก รูปแบบ SMA มีค่าเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุดค่าความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากการเพิ่มขึ้นของขอบฟ้าพยากรณ์อากาศคาดว่าจะไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีพื้นฐาน ทฤษฎีทางสถิติที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไรก็ตามไม่ยากเกินไปที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ที่ยาวกว่าขอบฟ้าตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตในรูปแบบ SMA ได้ จะใช้ในการคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ขั้นตอน ฯลฯ ภายในตัวอย่างข้อมูลทางประวัติศาสตร์จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในการคาดการณ์แต่ละครั้ง h orizon แล้วสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสมหากเราลองค่าเฉลี่ยเคลื่อนที่ 9- ระยะเราจะได้รับการคาดการณ์ที่ราบรื่นยิ่งขึ้นและอื่น ๆ ของผลปกคลุมด้วยวัตถุฉนวนอายุเฉลี่ยคือ ตอนนี้ 5 ช่วงเวลา 9 1 2 ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ 19 ระยะอายุเฉลี่ยเพิ่มขึ้นเป็น 10. บอกได้เลยว่าการคาดการณ์ในตอนนี้ล้าหลังจุดหักเหประมาณ 10 รอบระยะเวลาการปรับให้ราบเรียบเป็นสิ่งที่ดีที่สุดสำหรับชุดข้อมูลนี้ ตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขารวมทั้งค่าเฉลี่ยระยะเวลา 3 เดือนด้วย C model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ระยะ 5 วันให้ผลตอบแทนต่ำสุดของ RMSE โดยมีส่วนต่างเล็ก ๆ ในระยะสั้น 3 และค่าเฉลี่ยระยะเวลา 9 และ สถิติอื่น ๆ ของพวกเขาเกือบเหมือนกันดังนั้นในหมู่รุ่นที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าเราต้องการตอบสนองน้อยมากหรือเรียบขึ้นเล็กน้อยในการคาดการณ์กลับไปด้านบนของหน้าการเรียบง่ายชี้แจง Smoothing ชี้แจงถ่วงน้ำหนัก ค่าเฉลี่ยเคลื่อนที่เฉลี่ยที่อธิบายไว้ข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะปฏิบัติต่อข้อสังเกตสุดท้าย k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตก่อนหน้านี้ทั้งหมดอย่างสังหรณ์ใจข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นเช่นการสังเกตล่าสุดควร รับน้ำหนักน้อยกว่าครั้งที่ 2 ล่าสุดและครั้งที่ 2 ล่าสุดควรได้รับน้ำหนักน้อยกว่าครั้งที่ 3 ล่าสุดและอื่น ๆ รูปแบบ SES แบบเรียบง่ายทำให้สำเร็จนี่แสดงให้เห็นถึงการปรับให้เรียบตัวเลขระหว่าง 0 ถึง 1 วิธีหนึ่งในการเขียนแบบคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบันเช่นค่าเฉลี่ยของท้องถิ่นของชุดตั้งแต่ประมาณการข้อมูลจนถึงปัจจุบันค่าของ L ในเวลา t คำนวณจากค่าเดิมของตัวเองเช่นนี้ ดังนั้นค่าที่ปรับให้เรียบในปัจจุบันเป็นค่าการแทรกสอดระหว่างค่าที่ได้จากการเรียบก่อนหน้านี้กับการสังเกตการณ์ในปัจจุบันซึ่งจะควบคุมความใกล้ชิดของค่าที่ถูกสอดแทรกให้มากที่สุด การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ราบรื่นในปัจจุบันเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้านี้ในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ในเวอร์ชันแรกการคาดการณ์คือการแก้ไข ระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าโดยเศษส่วนเป็นจำนวนเล็กน้อยข้อผิดพลาดที่เกิดขึ้น ณ เวลา t ในรุ่นที่สามการคาดการณ์คือ ถ่วงน้ำหนักแบบทวีคูณคือค่าเฉลี่ยเคลื่อนที่ที่ลดลงพร้อมด้วยปัจจัยส่วนลด 1 รุ่นการแก้ไขของสูตรพยากรณ์เป็นวิธีที่ง่ายที่สุดหากคุณใช้โมเดลในสเปรดชีตที่พอดีในเซลล์เดียวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้ สังเกตและเซลล์ที่มีการจัดเก็บค่าของโปรดสังเกตว่าถ้า 1 รุ่น SES เทียบเท่ากับรูปแบบการเดินแบบสุ่ม hout growth ถ้า 0 โมเดล SES เท่ากับรุ่นค่าเฉลี่ยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของความยาวของข้อมูลในการพยากรณ์ความเรียบง่ายของเลขลำดับคือ 1 relative ถึงระยะเวลาที่คาดการณ์การคำนวณนี้ไม่ควรจะเป็นที่ชัดเจน แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหโดยประมาณ 1 ช่วงตัวอย่างเช่นเมื่อ 0 5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 0 2 ความล่าช้าเป็น 5 ช่วงเวลาเมื่อ 0 1 ล่าช้าเป็น 10 งวดและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุเช่นจำนวนเงินล่าช้าที่เรียบง่ายชี้แจง SES คาดการณ์ค่อนข้างดีกว่าการเคลื่อนไหวที่เรียบง่าย SMA คาดการณ์โดยเฉลี่ยเพราะมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - มันตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นในอดีตไม่นานตัวอย่างเช่นแบบ SMA ที่มี 9 คำและแบบ SES มีค่าเฉลี่ย 0 จาก 5 สำหรับ da ta ในการคาดการณ์ของพวกเขา แต่รูปแบบ SES ทำให้น้ำหนักมากขึ้นในช่วง 3 ค่ากว่ารุ่น SMA และในเวลาเดียวกันมัน doesn t ลืมอย่างสิ้นเชิงเกี่ยวกับค่ามากกว่า 9 งวดเก่าดังแสดงในแผนภูมินี้อีกหนึ่งข้อได้เปรียบที่สำคัญของ แบบจำลอง SES เหนือโมเดล SMA คือแบบจำลอง SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่องดังนั้นจึงสามารถปรับให้เหมาะสมโดยใช้อัลกอริธึมการแก้ปัญหาเพื่อลดข้อผิดพลาดของกำลังเฉลี่ยเฉลี่ยค่าที่เหมาะสมที่สุดในโมเดล SES สำหรับชุดข้อมูลนี้จะปรากฏออกมา เป็น 0 2961 ตามที่แสดงไว้ที่นี่อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 1 0 2961 3 4 รอบระยะเวลาซึ่งคล้ายกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะยาวการคาดการณ์ในระยะยาวจากรูปแบบ SES คือ แนวเส้นตรงในแนวนอนเช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตอย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับแรนด์ om walk model รุ่น SES สันนิษฐานว่าชุดนี้ค่อนข้างจะสามารถคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่มโมเดล SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีทางสถิติของรูปแบบ ARIMA จึงเป็นพื้นฐานสำหรับการคำนวณระยะเวลาความเชื่อมั่นสำหรับ แบบจำลอง SES โดยเฉพาะแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีนัยสำคัญระยะ MA 1 และไม่มีระยะคงที่เรียกอีกอย่างว่ารูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่ค่าสัมประสิทธิ์ของ MA1 ในรูปแบบ ARIMA สอดคล้องกับ ปริมาณ 1 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณมีรูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA 1 โดยประมาณจะเท่ากับ 0 7029 ซึ่งใกล้เคียงกับ 0 2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES เมื่อต้องการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันและ MA 1 ระยะโดยมีค่าคงที่คือ ARIMA 0,1,1 รุ่น คงที่การคาดการณ์ระยะยาวจะ จากนั้นมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมดคุณไม่สามารถทำเช่นนี้ร่วมกับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มค่าคงที่ที่ยาวได้ การขยายตัวของอัตราเงินเฟ้อที่เหมาะสมต่องวดสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลใน ร่วมกับการแปลงลอการิทึมธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาวกลับไปด้านบนของหน้าการคำนวณของ Linear คือการสร้าง Smoothing แบบ Double Exponential แบบ SMA และ SES สมมติว่าไม่มีแนวโน้มของ ชนิดใดในข้อมูลซึ่งมักจะเป็นอย่างน้อยหรืออย่างน้อยไม่มากเกินไปสำหรับการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อข้อมูลมีความไม่แน่นอน sy และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นที่คงที่ดังที่แสดงไว้ด้านบนแนวโน้มในระยะสั้นถ้าชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนต่อเสียงรบกวนและหากมีความต้องการ คาดการณ์ล่วงหน้ามากกว่า 1 รอบแล้วการประมาณแนวโน้มภายในอาจเป็นปัญหาได้รูปแบบเรียบง่ายชี้แจงสามารถสรุปเพื่อให้ได้รูปแบบ LES แบบเรียบที่อธิบายถึงการประมาณการในระดับท้องถิ่นและระดับแนวโน้มแนวโน้มที่ต่างกันง่ายที่สุด เป็นแบบจำลองการให้ความเรียบแบบเสี้ยวของสีน้ำตาลแบบ Brown ซึ่งมีการใช้แบบเรียบสองแบบที่ต่างกันไปตามจุดต่าง ๆ ในเวลาสูตรการคาดการณ์จะขึ้นอยู่กับการอนุมานของเส้นผ่านสองศูนย์รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt s คือ กล่าวถึงด้านล่างรูปแบบเกี่ยวกับพีชคณิตของรูปแบบการเรียบแบบเสียดสีของเส้นสีน้ำตาลเช่นเดียวกับรูปแบบการเรียบง่ายที่ชี้แจงสามารถแสดงออกได้ในจำนวนที่แตกต่างกัน รูปแบบมาตรฐานรูปแบบมาตรฐานของรูปแบบนี้มักจะแสดงเป็นดังนี้ปล่อยให้ S หมายถึงชุดที่เรียบโดยใช้การเรียบอย่างง่ายแทนชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย จำได้ว่าภายใต้การเรียบง่ายชี้แจงนี้จะเป็นที่คาดการณ์สำหรับ Y ที่ระยะเวลา t 1 แล้วให้ S หมายถึงชุดทวีคูณเรียบเรียงได้โดยใช้การเรียบง่ายชี้แจงโดยใช้ชุดเดียวกันกับ S. สุดท้ายคาดการณ์สำหรับ Y tk สำหรับใด ๆ k 1 ให้ผลตอบแทน e 1 0 คือโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตแรกที่เกิดขึ้นจริงและ e 2 Y 2 Y 1 หลังจากที่มีการคาดคะเนโดยใช้สมการข้างต้นนี้จะให้ค่าที่เหมือนกัน เป็นสูตรขึ้นอยู่กับ S และ S ถ้าเริ่มต้นขึ้นโดยใช้ S 1 S 1 Y 1 รุ่นของรูปแบบนี้จะใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบเรียงชี้แจงกับการปรับตามฤดูกาลฮอลแลนด์ s Linear Exponential Smoothing. Brown แบบจำลอง LES คำนวณค่าประมาณและระดับท้องถิ่นโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์ smoothing เดียวทำให้ข้อ จำกัด ในรูปแบบข้อมูลที่สามารถปรับให้พอดีกับระดับและแนวโน้มไม่ได้รับอนุญาตให้เปลี่ยนแปลงไป ที่ อัตราที่เป็นอิสระแบบจำลอง Holt s LES ระบุถึงปัญหานี้โดยการรวมค่าคงที่สองค่าหนึ่งค่าหนึ่งค่าหนึ่งค่าหนึ่งค่าเทรนด์ ณ เวลาใด ๆ t ในรูปแบบของ Brown มีการประมาณการ L t ของระดับท้องถิ่นและค่าประมาณ T t ของแนวโน้มในท้องถิ่นที่นี่พวกเขาจะคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การทำให้เกิดการแจกแจงแบบเอกซ์โพเนนเชียลให้แก่พวกเขาแยกกันหากระดับและแนวโน้มโดยประมาณในเวลา t-1 คือ L t 1 และ T t-1 ตามลำดับจากนั้นการคาดการณ์สำหรับ Y t ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณที่ปรับปรุงใหม่ของ ระดับจะถูกคำนวณโดยการ interpolating ระหว่าง Y t และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของและ 1. การเปลี่ยนแปลงในระดับโดยประมาณคือ L t L t 1 สามารถตีความได้ว่าเป็นการวัดความดังของ แนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดย recolive โดย interpolating ระหว่าง L t t t 1 และการประมาณการก่อนหน้านี้ของแนวโน้ม T t-1 โดยใช้น้ำหนักของและ 1. การตีความของค่าคงที่ของการปรับความเรียบของกระแสจะคล้ายคลึงกับค่าคงตัวของระดับที่คงที่ด้วยค่าเล็กน้อยที่สมมติว่าแนวโน้มการเปลี่ยนแปลง เพียงอย่างช้า ๆ เมื่อเวลาผ่านไปในขณะที่แบบจำลองที่มีขนาดใหญ่สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็วขึ้นโมเดลที่มีขนาดใหญ่เชื่อว่าอนาคตที่ห่างไกลมีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการประมาณค่าแนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วงเวลา ของค่าคงที่ของหน้าและสามารถประมาณได้ตามปกติโดยการลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 0 3048 และ 0 008 ค่าที่น้อยมากของ หมายความว่ารูปแบบสมมติการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบดังนั้นโดยทั่วไปรุ่นนี้พยายามที่จะประมาณแนวโน้มระยะยาวโดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณการ t เขาระดับท้องถิ่นของซีรีส์อายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 แม้ว่าจะไม่เท่ากันก็ตามในกรณีนี้จะกลายเป็น 1 0 006 125 นี่เป็นตัวเลขที่แม่นยำมาก เนื่องจากความถูกต้องของการประมาณเลขที่จริง 3 ตำแหน่งทศนิยม แต่เป็นลำดับเดียวกันของขนาดเป็นขนาดตัวอย่าง 100 ดังนั้นรูปแบบนี้จึงเป็นค่าเฉลี่ยมากกว่าค่อนข้างมากในประวัติศาสตร์ในการประมาณแนวโน้มพล็อตการคาดการณ์ ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นที่มีขนาดใหญ่กว่าเล็กน้อยในตอนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่โดยประมาณในรูปแบบแนวโน้ม SES นอกจากนี้ค่าประมาณของเกือบจะเหมือนกันกับค่าที่ได้จากการปรับรุ่น SES โดยมีแนวโน้มหรือไม่มีแนวโน้ม ดังนั้นนี่เป็นรูปแบบเดียวกันเกือบทุกวันนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับแบบจำลองที่คาดว่าจะเป็นการประเมินแนวโน้มในระดับท้องถิ่นหากคุณทำแผนผังเรื่องนี้ให้ดูราวกับว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของ ซีรีส์ Wh ที่เกิดขึ้นพารามิเตอร์ของโมเดลนี้ได้รับการประมาณโดยการลดข้อผิดพลาดของการคาดการณ์ล่วงหน้า 1 ขั้นตอนโดยไม่ จำกัด การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนักหากคุณกำลังมองหาสิ่งที่ได้คือ 1 ข้อผิดพลาดที่เกิดขึ้นล่วงหน้าคุณจะไม่เห็นภาพใหญ่ของแนวโน้มมากกว่าพูด 10 หรือ 20 รอบระยะเวลาเพื่อให้ได้รูปแบบนี้มากขึ้นสอดคล้องกับการคาดการณ์ลูกตาของข้อมูลของเราเราสามารถปรับแนวโน้มคงที่เรียบเพื่อที่จะ ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้มตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 0 1 อายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในพื้นที่มีระยะเวลา 10 ช่วงซึ่งหมายความว่าเราใช้ค่าเฉลี่ยของแนวโน้มในช่วง 20 ช่วงที่ผ่านมา นี่คือพล็อตพล็อตที่คาดการณ์ไว้ถ้าเรากำหนด 0 1 ขณะที่รักษา 0 3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะอาจเป็นไปได้ที่จะคาดการณ์แนวโน้มนี้ได้เกินกว่า 10 งวดในอนาคตสิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือ การเปรียบเทียบโมเดล f หรือแบบจำลองสองแบบที่แสดงข้างต้นรวมทั้งสามแบบ SES ค่าที่ดีที่สุดของแบบจำลอง SES อยู่ที่ประมาณ 0 3 แต่ผลที่คล้ายคลึงกันกับการตอบสนองเล็กน้อยหรือน้อยกว่าตามลำดับจะได้รับกับ 0 5 และ 0 2. การคำนวณสมการเชิงเส้นของ Holt กับอัลฟา 0 3048 และเบต้า 0 008 การคำนวณเชิงเส้นของ B Holt ด้วยอัลฟา 0 3 และเบต้า 0 1. ซีสมูทเอ็มโพเนนเชียลที่เรียบง่ายด้วยอัลฟา 0 5. D การเรียบง่ายแบบเอ็กซ์โปนเนนด้วยอัลฟา 0 3. อีเรียบเนียนเรียบด้วย alpha 0 2 สถิติของพวกเขาเกือบเหมือนกันดังนั้นเราจึงไม่สามารถเลือกทางเลือกตามข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูลเราต้องย้อนกลับไปในการพิจารณาอื่น ๆ หากเราเชื่อมั่นว่าการสร้างฐานในปัจจุบันเป็นเรื่องที่เหมาะสม การประมาณแนวโน้มของสิ่งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 0 3 และ 0 1 ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับภูมิภาคแล้วหนึ่งในโมเดล SES อาจ ง่ายกว่าที่จะอธิบายและยังจะให้มากขึ้น middl การคาดการณ์ e-of-the-road สำหรับถัดไป 5 หรือ 10 รอบระยะเวลาย้อนกลับไปด้านบนของหน้าประเภทของแนวโน้มการอนุมานที่ดีที่สุดในแนวนอนหรือเชิงเส้นหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าถ้าข้อมูลได้รับการปรับแล้วถ้าจำเป็นสำหรับอัตราเงินเฟ้อแล้ว มันอาจจะไม่ระมัดระวังในการคาดการณ์แนวโน้มเชิงเส้นระยะสั้นมากไปไกลในอนาคตแนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตเนื่องจากสาเหตุที่แตกต่างกันเช่นสินค้าล้าสมัยการแข่งขันที่เพิ่มขึ้นและ downturns วัฏจักรหรือ upturns ในอุตสาหกรรมด้วยเหตุนี้ชี้แจงอย่างง่าย การทำให้เรียบมักจะมีประสิทธิภาพดีกว่าตัวอย่างอื่น ๆ ที่คาดไว้แม้ว่าจะมีการคาดการณ์เกี่ยวกับแนวโน้มในแนวนอนที่ไร้เดียงสาการปรับเปลี่ยนรูปแบบการปรับตัวของแบบจำลองการเยื้องแบบเชิงเส้นแบบเชิงเส้นมักใช้ในการแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม รูปแบบ LES สามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA 1,1,2 model. It สามารถคำนวณช่วงความเชื่อมั่น arou การคาดการณ์ในระยะยาวครั้งที่ผลิตโดยแบบจำลองการทำให้เป็นรูปเป็นร่างโดยการพิจารณาว่าเป็นกรณีพิเศษของโมเดล ARIMA ระวังซอฟต์แวร์ทั้งหมดไม่คำนวณช่วงความเชื่อมั่นสำหรับโมเดลเหล่านี้อย่างถูกต้องความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ i ข้อผิดพลาด RMS ของรุ่น ii ประเภท ของการเรียบง่ายหรือเชิงเส้น iii ค่าของการทำให้ราบเรียบคงที่ s และ iv จำนวนรอบระยะเวลาก่อนที่คุณจะคาดการณ์โดยทั่วไประยะห่างกระจายออกได้เร็วขึ้นตามที่ได้รับขนาดใหญ่ในรูปแบบ SES และพวกเขากระจายออกไปได้เร็วขึ้นมากเมื่อเส้นตรงมากกว่าง่าย การเรียบใช้หัวข้อนี้จะกล่าวถึงต่อไปในส่วนแบบ ARIMA ของบันทึกกลับไปด้านบนสุดของหน้าในทางปฏิบัติค่าเฉลี่ยเคลื่อนที่จะให้ค่าประมาณที่ดีของค่าเฉลี่ยของชุดข้อมูลเวลาถ้าค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนแปลงในกรณี ของค่าคงที่ค่าเฉลี่ยที่ใหญ่ที่สุดของ m จะให้ค่าที่ดีที่สุดของค่าเฉลี่ยระยะเวลาการสังเกตนานขึ้นจะเฉลี่ยผลกระทบของความแปรปรวนวัตถุประสงค์ การให้ m ที่มีขนาดเล็กลงเพื่อให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงกระบวนการอ้างอิงเพื่อแสดงให้เห็นว่าเราเสนอชุดข้อมูลที่รวมการเปลี่ยนแปลงค่าเฉลี่ยของชุดข้อมูลเวลาชุดภาพแสดงชุดข้อมูลเวลาที่ใช้ในการแสดงร่วมกับ ค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละงวดจนกว่าจะถึงค่า 20 ที่เวลา 30 แล้วมันจะกลายเป็นค่าคงที่อีกครั้งข้อมูลจะถูกจำลองโดยการเพิ่ม หมายถึงเสียงสุ่มจากการแจกแจงแบบปกติที่มีค่าเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐาน 3 ผลของการจำลองจะถูกปัดเศษให้เป็นจำนวนเต็มใกล้ที่สุดตารางแสดงการสังเกตแบบจำลองที่ใช้ตัวอย่างเช่นเมื่อเราใช้ตารางเราต้องจำไว้ว่า ในเวลาใดก็ตามข้อมูลที่ผ่านมาเป็นที่รู้จักกันเท่านั้นการประมาณค่าพารามิเตอร์รูปแบบสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงพร้อมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่างตัวเลข แสดงการประมาณค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่การคาดการณ์การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลาหนึ่งข้อสรุปจะเห็นได้ชัดทันทีจากตัวเลขสำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่ล่าช้าหลังแนวโน้มเชิงเส้น, กับความล่าช้าที่เพิ่มขึ้นด้วย m ความล่าช้าคือระยะห่างระหว่างแบบจำลองและการประมาณค่าในมิติเวลาเนื่องจากความล่าช้าค่าเฉลี่ยเคลื่อนที่ต่ำกว่าการสังเกตการณ์เมื่อค่าเฉลี่ยเพิ่มขึ้นค่าความลำเอียงของตัวประมาณคือความแตกต่างในช่วงเวลาที่เฉพาะเจาะจงใน ค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คาดการณ์โดยค่าเฉลี่ยเคลื่อนที่ค่าความลำเอียงเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นค่าลบสำหรับค่าเฉลี่ยที่ลดลงค่าความลำเอียงเป็นบวกความล่าช้าในเวลาและความอคติที่นำมาใช้ในการประมาณค่านี้เป็นหน้าที่ของ m ขนาดใหญ่ ค่าของ m มีขนาดใหญ่ของความล่าช้าและอคติสำหรับชุดที่เพิ่มขึ้นอย่างต่อเนื่องมีแนวโน้มค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยที่จะได้รับในสมการ tions ด้านล่างเส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างรูปแบบไม่เพิ่มขึ้นอย่างต่อเนื่องแทนที่จะเริ่มต้นเป็นค่าคงที่การเปลี่ยนแปลงแนวโน้มแล้วจะกลายเป็นค่าคงที่อีกครั้งนอกจากนี้เส้นโค้งตัวอย่างได้รับผลกระทบจาก noise. The การคาดการณ์ค่าเฉลี่ยเคลื่อนที่ ของระยะเวลาในอนาคตจะแสดงโดยการขยับเส้นโค้งไปทางขวาล่าช้าและอคติเพิ่มขึ้นตามสัดส่วนสมการด้านล่างแสดงความล่าช้าและอคติของระยะเวลาคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดลอีกครั้งสูตรเหล่านี้เป็นชุดเวลา มีแนวโน้มเป็นเส้นตรงคงที่เราไม่ควรแปลกใจที่ผลลัพธ์นี้ค่าประมาณค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับสมมติฐานของค่าคงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงในระหว่างช่วงเวลาการศึกษาเนื่องจากชุดข้อมูลเรียลไทม์จะ ไม่ค่อยตรงตามสมมติฐานของรูปแบบใด ๆ ที่เราควรจะเตรียมไว้สำหรับ results. We ดังกล่าวเรายังสามารถสรุปจากรูปที่ความแปรปรวนของเสียงที่มีขนาดใหญ่ที่สุด ffect สำหรับ m เล็ก ๆ ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจากเสียงรบกวนและลด m ให้คาดการณ์ได้มากขึ้น ตอบสนองต่อการเปลี่ยนแปลงในค่าเฉลี่ยข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงและค่าที่คาดการณ์ไว้ถ้าชุดข้อมูลเวลาเป็นค่าคงที่ค่าที่คาดหวังของข้อผิดพลาดเป็นศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็น หน้าที่ของและระยะที่สองคือความแปรปรวนของเสียงระยะแรกเป็นค่าความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกตการณ์ m สมมติว่าข้อมูลมาจากประชากรที่มีค่าคงที่ค่าเฉลี่ยระยะนี้จะลดลงโดยการทำให้ m as ขนาดใหญ่ที่เป็นไปได้ M ที่มีขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงในชุดเวลาอ้างอิงเพื่อให้การคาดการณ์ที่ตอบสนองต่อการเปลี่ยนแปลงเราต้องการให้ m มีขนาดเล็กที่สุดเท่าที่จะเป็นไปได้ 1 แต่จะเพิ่มความแปรปรวนของข้อผิดพลาด ing จะต้องมีค่ากลางสำหรับการคำนวณด้วย Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B การสังเกตแรกมีการทำดัชนี -9 ถึง 0 เปรียบเทียบ ไปยังตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไป -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 MA 10 คอลัมน์ C แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ค่าเฉลี่ยเคลื่อนที่ m อยู่ในเซลล์ C3 Fore 1 คอลัมน์ D แสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคตช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์ถูกเปลี่ยนเป็นจำนวนที่มากขึ้นตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลงคอลัมน์ Err 1 E แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ได้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11 1 ข้อผิดพลาดคือ -5 1 deviat มาตรฐาน ไอออนและ Mean Average Deviation MAD คำนวณในเซลล์ E6 และ E7 ตามลำดับ
Comments
Post a Comment