ดับเบิล เฉลี่ยเคลื่อนที่ minitab

ค่าเฉลี่ยเคลื่อนที่เฉลี่ยคือ 4310 ซึ่งเป็นค่าของการสังเกตครั้งแรกในการวิเคราะห์อนุกรมเวลาหมายเลขแรกในชุดค่าเฉลี่ยเคลื่อนที่จะไม่ถูกคำนวณว่าเป็นค่าที่หายไปค่าเฉลี่ยเคลื่อนที่ต่อไปคือค่าเฉลี่ยของค่าเฉลี่ย ข้อสังเกตแรกที่สอง 4310 4400 2 4355 ค่าเฉลี่ยเคลื่อนที่ที่สามคือค่าเฉลี่ยของการสังเกต 2 และ 3, 4400 4000 2 4200 และอื่น ๆ ถ้าคุณต้องการใช้ค่าเฉลี่ยเคลื่อนที่ 3 ความยาวสามค่าจะเฉลี่ยแทนค่าสองค่า Copyright 2016 Minitab Inc สงวนลิขสิทธิ์โดยการใช้เว็บไซต์นี้คุณยินยอมที่จะใช้คุกกี้สำหรับการวิเคราะห์และเนื้อหาส่วนบุคคลอ่านนโยบายของเราวิธีการในการวิเคราะห์อนุกรมเวลา Miint เสนอการวิเคราะห์หลายอย่างที่ช่วยให้คุณสามารถวิเคราะห์ชุดเวลาการวิเคราะห์เหล่านี้รวมถึงการคาดการณ์อย่างง่าย และวิธีการราบเรียบวิธีการวิเคราะห์ความสัมพันธ์และแบบจำลอง ARIMA แม้ว่าการวิเคราะห์ความสัมพันธ์สามารถทำได้แยกจากแบบจำลอง ARIMA Minitab แสดงวิธีการเชิงสัมพันธ์เป็นส่วนหนึ่งของการสร้างแบบจำลอง ARIMA เรียบง่าย การคาดการณ์และเรียบวิธีการที่เรียบง่ายการคาดการณ์และราบเรียบวิธีการแบบจำลององค์ประกอบในชุดที่มักจะง่ายต่อการสังเกตในพล็อตแบบอนุกรมเวลาของข้อมูลวิธีการนี้สลายตัวข้อมูลลงในส่วนของชิ้นส่วนแล้วขยายการประมาณการของส่วนประกอบลงใน อนาคตเพื่อให้การคาดการณ์คุณสามารถเลือกวิธีการแบบคงที่ของการวิเคราะห์แนวโน้มและการสลายตัวหรือวิธีการแบบไดนามิกของการเคลื่อนย้ายค่าเฉลี่ยการเพิ่มความเรียบง่ายแบบเดี่ยวและแบบคู่และวิธีฤดูหนาววิธีการแบบคงที่มีรูปแบบที่ไม่เปลี่ยนแปลงตลอดเวลาแบบไดนามิกมีรูปแบบที่ทำ การเปลี่ยนแปลงตามเวลาและค่าประมาณจะได้รับการอัปเดตโดยใช้ค่าที่อยู่ติดกันคุณสามารถใช้วิธีการสองแบบร่วมกันนั่นคือคุณสามารถเลือกวิธีแบบคงที่เพื่อสร้างโมเดลหนึ่งคอมโพเนนต์และวิธีแบบไดนามิกเพื่อสร้างโมเดลคอมโพเนนต์อื่นตัวอย่างเช่นคุณสามารถใส่แนวโน้มแบบคงที่โดยใช้ การวิเคราะห์แนวโน้มและแบบจำลององค์ประกอบตามฤดูกาลในส่วนที่เหลือโดยใช้ Winters Method หรือคุณสามารถใส่แบบจำลองตามฤดูกาลแบบคงที่ได้ โดยใช้การสลายตัวและแบบจำลองส่วนประกอบแนวโน้มในส่วนที่เหลือโดยใช้การเรียบแบบทวีคูณที่เป็นคู่นอกจากนี้คุณยังสามารถใช้การวิเคราะห์แนวโน้มและการสลายตัวร่วมกันเพื่อให้คุณสามารถใช้รูปแบบแนวโน้มที่กว้างขึ้นโดยการวิเคราะห์แนวโน้มข้อเสียของวิธีการรวมกันคือช่วงความเชื่อมั่น สำหรับการคาดการณ์ไม่ถูกต้องสำหรับแต่ละวิธีตารางต่อไปนี้จะให้ข้อมูลสรุปและกราฟของพอดีและการคาดการณ์ข้อมูลทั่วไปการวิเคราะห์การให้สินเชื่อปรับรุ่นโมเดลแนวโน้มทั่วไปให้กับข้อมูลชุดข้อมูลเวลาเลือกระหว่างการคำนวณเชิงเส้นกำลังสองสมการ หรือแบบสลายตัวและแบบจำลอง S-curve ใช้ขั้นตอนนี้เพื่อให้พอดีกับแนวโน้มเมื่อไม่มีองค์ประกอบตามฤดูกาลในชุดของคุณความยาวของส่วนขยาย Long. Profile ของเส้นแนวโน้มแบ่งชุดเวลาเป็นองค์ประกอบแนวโน้มเส้นองค์ประกอบตามฤดูกาลและข้อผิดพลาดเลือก ไม่ว่าจะเป็นองค์ประกอบตามฤดูกาลเป็น additive หรือ multiplicative มีแนวโน้มใช้ขั้นตอนนี้เพื่อคาดการณ์เมื่อมีองค์ประกอบตามฤดูกาลในของคุณ series หรือเมื่อคุณต้องการตรวจสอบลักษณะของส่วนประกอบชิ้นส่วนความยาวเส้นยาวโปรไฟล์ที่มีรูปแบบตามฤดูกาลอัตราเฉลี่ยลดลงข้อมูลของคุณโดยเฉลี่ยการสังเกตต่อเนื่องในชุดคุณสามารถใช้ขั้นตอนนี้ได้เมื่อข้อมูลของคุณไม่มีองค์ประกอบแนวโน้ม หากคุณมีองค์ประกอบตามฤดูกาลให้ตั้งค่าความยาวของค่าเฉลี่ยเคลื่อนที่ให้เท่ากับความยาวของวัฏจักรตามฤดูกาลความยาวเส้นสั้น ๆ ของโปรไฟล์บรรทัดเดียวการเรียบเนียนแบบ Exponential ทำให้ข้อมูลของคุณใช้ขั้นตอนเดียวที่ดีที่สุดล่วงหน้า ARIMA 0,1,1 สูตรการคาดการณ์ขั้นตอนนี้ทำงานได้ดีที่สุดโดยไม่มีเทรนด์หรือส่วนประกอบตามฤดูกาลคอมโพเนนต์แบบไดนามิกเดียวในแบบจำลองค่าเฉลี่ยเคลื่อนที่คือระดับความยาวเส้นสั้นเส้นโค้งข้อมูลแบบเรียบ Double Smoothing แบบ Exponential ทำให้ข้อมูลของคุณมีประสิทธิภาพมากยิ่งขึ้นโดยใช้ ARIMA 0 ขั้นตอนเดียวที่ดีที่สุด ARIMA 0, สูตรการคาดการณ์ 2,2 ขั้นตอนนี้สามารถทำงานได้ดีเมื่อมีแนวโน้ม แต่ยังสามารถใช้เป็นวิธีการปรับให้เรียบทั่วไป Double Exponential Smoothing คำนวณการคาดการณ์แบบไดนามิกสำหรับส่วนประกอบทั้งสองระดับและ tren d. Length สั้นเส้นตรงที่มีความลาดชันเท่ากับการคาดการณ์ครั้งสุดท้ายวิธีการของ Shelton-winters ทำให้ข้อมูลของคุณเรียบขึ้นโดยใช้การเรียบแบบมีส่วนร่วมของ Holt-Winters ใช้ขั้นตอนนี้เมื่อมีแนวโน้มและฤดูกาลโดยใช้คอมโพเนนต์ทั้งสองแบบนี้ การคาดการณ์แบบไดนามิกสำหรับสามระดับส่วนประกอบแนวโน้มและฤดูกาลความยาวสั้นถึงปานกลางแนวโน้มโปรไฟล์ที่มีรูปแบบตามฤดูกาลการวิเคราะห์ความสัมพันธ์และการสร้างแบบจำลอง ARIMA การรวมโมเดลเฉลี่ยเคลื่อนที่แบบรวมอัตโนมัติแบบอัตโนมัติของ AGIMA ยังใช้รูปแบบข้อมูล แต่รูปแบบเหล่านี้อาจไม่ใช่ มองเห็นได้ง่ายในพล็อตของข้อมูลแทนการใช้โมเดล ARIMA ใช้ฟังก์ชัน differencing และ autocorrelation และ autocorrelation บางส่วนเพื่อช่วยในการระบุรูปแบบที่ยอมรับได้การสร้างแบบจำลองของ GRIMA สามารถใช้ในการสร้างโมเดลชุดเวลาหลาย ๆ แบบโดยมีหรือไม่มีส่วนประกอบตามฤดูกาลหรือตามฤดูกาลและ การคาดการณ์โปรไฟล์การคาดการณ์ขึ้นอยู่กับแบบจำลองที่พอดีข้อดีของการสร้างแบบจำลอง ARIMA เปรียบเทียบ t o การคาดการณ์และเรียบง่ายวิธีคือว่ามีความยืดหยุ่นในการติดตั้งข้อมูลอย่างไรก็ตามการระบุและการปรับรุ่นอาจต้องใช้เวลามากและการสร้างแบบจำลอง ARIMA ไม่ได้เป็นไปโดยอัตโนมัติโดยอัตโนมัติการคำนวณคำนวณและเก็บความแตกต่างระหว่างค่าข้อมูลของเวลา series ถ้าข้อมูลของคุณมีส่วนประกอบของเทรนด์หรือตามฤดูกาล differencing ข้อมูลเป็นขั้นตอนทั่วไปในการประเมินรูปแบบ ARIMA แนวโน้ม Differencing ใช้เพื่อลดความซับซ้อนของโครงสร้างความสัมพันธ์และเปิดเผยรูปแบบใด ๆ ต้นแบบ Lag คำนวณและจัดเก็บ ล่าช้าของชุดข้อมูลเวลาเมื่อคุณลัดชุดเวลา Minitab ย้ายค่าเดิมลงคอลัมน์และแทรกค่าที่ขาดหายไปที่ด้านบนของคอลัมน์จำนวนของค่าที่ขาดหายไปที่แทรกขึ้นอยู่กับความยาวของความล่าช้าความสัมพันธ์กันคำนวณและสร้างกราฟ ของ autocorrelations ของชุดเวลา Autocorrelation คือความสัมพันธ์ระหว่างการสังเกตของชุดเวลาที่คั่นด้วยหน่วยเวลา k พล็อตของรถยนต์ correlations เรียกว่าฟังก์ชัน autocorrelation ACF ดู ACF เพื่อเป็นแนวทางในการเลือกคำที่จะรวมไว้ในแบบจำลอง ARIMA Autocorrelation บางส่วนคำนวณและสร้างกราฟของ autocorrelations บางส่วนของชุดข้อมูลบางส่วน Autocorrelations เช่น autocorrelations คือ correlations ระหว่างชุดข้อมูลที่สั่ง เมื่อเทียบกับความสัมพันธ์บางส่วนในกรณีการถดถอย, ความสัมพันธ์บางส่วนวัดความสัมพันธ์ของความสัมพันธ์กับเงื่อนไขอื่น ๆ ที่อธิบายไว้ความสัมพันธ์บางส่วนที่ความล่าช้าของ k คือความสัมพันธ์ระหว่างส่วนที่เหลือในเวลา t จากแบบจำลองอัตถดถอยและข้อสังเกตที่ล้าหลัง k กับข้อกำหนดสำหรับการล่าช้าที่แทรกแซงทั้งหมดในรูปแบบ autoregressive พล็อตของ autocorrelations บางส่วนเรียกว่า autocorrelations บางส่วน PACF ดู PACF เพื่อเป็นแนวทางในการเลือกคำที่จะรวมไว้ในแบบ ARIMA Cross Correlation คำนวณและสร้างกราฟของ correlations ระหว่างสอง time series ARIMA เหมาะกับรุ่น ARIMA ของ Box-Jenkins ไปแล้ว ชุดข้อมูลเวลา ARIMA, Autoregressive, integrated and moving average หมายถึงขั้นตอนการกรองที่ใช้ในการคำนวณรูปแบบ ARIMA จนกว่าจะมีเพียงสัญญาณรบกวนแบบสุ่มเท่านั้นใช้ ARIMA เพื่อสร้างแบบจำลองของซีพียูและสร้างการคาดคะเนลิขสิทธิ์ 2556 Minitab Inc สงวนลิขสิทธิ์โดยเฉลี่ย และแบบจำลองการทำให้เรียบเป็นขั้นตอนแรกในการย้ายเกินกว่าโมเดลหมายถึงแบบจำลองการเดินแบบสุ่มและแบบจำลองเชิงเส้นแนวโน้มและรูปแบบที่ไม่เป็นทางการและแนวโน้มสามารถอนุมานได้โดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบราบรื่นสมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือ time เป็นแบบนิ่ง ๆ กับค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆดังนั้นเราจึงใช้ค่าเฉลี่ยในท้องถิ่นที่เคลื่อนที่เพื่อประเมินค่าปัจจุบันของค่าเฉลี่ยและจากนั้นใช้ค่าดังกล่าวเป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ถือได้ว่าเป็นการประนีประนอมระหว่างแบบจำลองเฉลี่ยกับ random-walk-without-drift-model กลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่นค่าเฉลี่ยเคลื่อนที่มักเรียกว่า v ที่ราบเรียบ ersion ของชุดเดิมเพราะค่าเฉลี่ยในระยะสั้นมีผลกระทบของการเรียบออกกระแทกในชุดเดิมโดยการปรับระดับของการเรียบความกว้างของค่าเฉลี่ยเคลื่อนที่เราสามารถหวังที่จะตีบางชนิดของความสมดุลที่ดีที่สุดระหว่างการปฏิบัติงานของ แบบจำลองค่าเฉลี่ยและแบบสุ่มเดินแบบที่ง่ายที่สุดคือเฉลี่ยเคลื่อนที่อย่างเท่าเทียมกันการคาดการณ์ค่า Y ณ เวลา t 1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่เรียบง่ายของการสังเกตการณ์ m ล่าสุด ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ Y-hat เพื่อทำนายเวลาของชุด Y ที่ทำในวันที่ก่อนหน้านี้ได้โดยรูปแบบที่กำหนดค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - m 1 2 ซึ่งหมายความว่าประมาณการของ ค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าที่แท้จริงของค่าเฉลี่ยของท้องถิ่นโดยประมาณระยะเวลา m 1 2 ดังนั้นเราจึงกล่าวว่าอายุเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่แบบง่ายคือ m 1 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูลตัวอย่างเช่นถ้าคุณใช้ค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะอยู่ที่ประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเหโปรดสังเกตว่าถ้า m 1, ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่แบบ SMA เทียบเท่ากับรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตถ้า m มีขนาดใหญ่มากเทียบเท่ากับความยาวของระยะเวลาประมาณค่ารุ่น SMA เท่ากับรูปแบบค่าเฉลี่ยเช่นเดียวกับพารามิเตอร์ของรูปแบบการคาดการณ์ เพื่อปรับค่าของกี่ n เพื่อให้ได้ข้อมูลที่เหมาะสมที่สุดคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ยนี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่มีความแตกต่างกันไปอย่างช้าๆก่อนอื่นให้ลองพอดีกับการเดินแบบสุ่ม ซึ่งเทียบเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอมรูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วเพื่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จึงทำให้เกิดเสียงรบกวนมากขึ้นในข้อมูลความผันผวนแบบสุ่มรวมทั้งสัญญาณท้องถิ่น หมายความว่าถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ 5 เทอมเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่าการคาดการณ์อัตราการเคลื่อนที่แบบเคลื่อน 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้อายุเฉลี่ยของข้อมูลในข้อมูลนี้ คือ 3 5 1 2 ดังนั้นจึงมีแนวโน้มที่จะล้าหลังจุดหักเหโดยประมาณสามงวดตัวอย่างเช่นการชะลอตัวที่ดูเหมือนว่าจะได้เกิดขึ้นในระยะเวลา 21 แต่การคาดการณ์ไม่ได้หันไปรอบ ๆ จนกระทั่งหลายช่วงเวลาในภายหลัง. คาดการณ์ระยะสั้นจาก SMA mod el เป็นเส้นตรงแนวนอนเช่นเดียวกับในรูปแบบการเดินแบบสุ่มดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูลอย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตล่าสุดการคาดการณ์จาก แบบจำลอง SMA มีค่าเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุดค่าความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากการเพิ่มขึ้นของขอบฟ้าพยากรณ์อากาศคาดว่าจะไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีพื้นฐาน ทฤษฎีทางสถิติที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไรก็ตามไม่ยากเกินไปที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ในอีกขอบฟ้าตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตในรูปแบบ SMA ได้ จะใช้ในการคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ขั้นตอน ฯลฯ ภายในตัวอย่างข้อมูลทางประวัติศาสตร์จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในแต่ละการคาดการณ์ h orizon แล้วสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสมหากเราลองค่าเฉลี่ยเคลื่อนที่ 9- ระยะเราจะได้รับการคาดการณ์ที่ราบรื่นยิ่งขึ้นและอื่น ๆ ของผลปกคลุมด้วยวัตถุฉนวนอายุเฉลี่ยคือ ตอนนี้ 5 ช่วงเวลา 9 1 2 ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ระยะเวลา 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10. ข้อสังเกตว่าการคาดการณ์ในตอนนี้ล้าหลังจุดหักเหประมาณ 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 ดังนั้นค่าที่ปรับให้เรียบในปัจจุบันเป็นค่าการแทรกสอดระหว่างค่าที่ได้จากการเรียบก่อนหน้านี้กับการสังเกตการณ์ในปัจจุบันซึ่งจะควบคุมความใกล้ชิดของค่าที่ถูก interpolation ให้มากที่สุด 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 ช่วงเวลาที่ 0 1 ล่าช้าเป็น 10 ระยะเวลาและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุเช่นจำนวนเงินล่าช้าที่เรียบง่ายชี้แจง SES คาดการณ์ค่อนข้างดีกว่าการเคลื่อนไหวที่เรียบง่าย SMA คาดการณ์โดยเฉลี่ยเนื่องจากมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - 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 และรูปแบบการเดินแบบสุ่มโดยไม่มีการเจริญเติบโตอย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างในรูปแบบที่สมเหตุสมผลและพวกเขามีความแคบกว่าช่วงความเชื่อมั่นสำหรับแรนด์ om walk model รุ่น SES สันนิษฐานว่าซีรีส์มีความสามารถในการคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่มโมเดล SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีทางสถิติของรูปแบบ ARIMA จึงเป็นพื้นฐานสำหรับการคำนวณช่วงความเชื่อมั่นสำหรับ แบบจำลอง SES โดยเฉพาะแบบจำลอง SES เป็นแบบจำลอง 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 จากนั้นมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมดคุณไม่สามารถดำเนินการนี้ร่วมกับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อมีการตั้งค่าชนิดของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มค่าคงที่ที่ยาวได้ การขยายตัวของอัตราเงินเฟ้อที่เหมาะสมต่องวดสามารถคำนวณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลใน ร่วมกับการแปลงลอการิทึมธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาวกลับไปด้านบนของหน้าการคำนวณของ Linear คือการสร้าง Smoothing แบบ Double Exponential แบบ SMA และ SES สมมติว่าไม่มีแนวโน้มของ ชนิดใดในข้อมูลซึ่งมักจะเป็นอย่างน้อยหรืออย่างน้อยไม่มากเกินไปสำหรับการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อข้อมูลมีความไม่แน่นอน sy และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นที่คงที่ดังที่แสดงไว้ด้านบนแนวโน้มในระยะสั้นถ้าชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องใช้ คาดการณ์ล่วงหน้ามากกว่า 1 รอบแล้วการประมาณแนวโน้มภายในอาจเป็นปัญหาได้รูปแบบเรียบง่ายชี้แจงสามารถสรุปเพื่อให้ได้รูปแบบ LES แบบเรียบที่อธิบายถึงการประมาณการในระดับท้องถิ่นและระดับแนวโน้มแนวโน้มที่ต่างกันง่ายที่สุด เป็นแบบจำลองการให้ความเรียบแบบเสี้ยวของแบบสีน้ำตาลซึ่งใช้สองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่างๆในเวลาสูตรการคาดการณ์จะขึ้นอยู่กับการอนุมานของเส้นผ่านสองศูนย์รูปแบบที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt s คือ กล่าวถึงด้านล่างรูปแบบเกี่ยวกับพีชคณิตของรูปแบบการเรียบแบบเสียดสีของเส้นสีน้ำตาลเช่นเดียวกับรูปแบบการเรียบง่ายที่ชี้แจงสามารถแสดงออกได้ในจำนวนที่แตกต่างกัน รูปแบบมาตรฐานรูปแบบมาตรฐานของรูปแบบนี้มักจะแสดงเป็นดังนี้ปล่อยให้ S หมายถึงชุดที่เรียบโดยใช้การเรียบอย่างง่ายแทนชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย จำได้ว่าภายใต้การเรียบง่ายชี้แจงนี้จะเป็นที่คาดการณ์สำหรับ Y ที่ระยะเวลา t 1 แล้วให้ S หมายถึงชุดทวีคูณเรียบเรียงได้โดยใช้การเรียบง่ายชี้แจงโดยใช้ชุดเดียวกันในท้ายที่สุดการคาดการณ์สำหรับ 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 แต่ความจริงที่ว่าด้วยพารามิเตอร์ 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 หมายความว่ารูปแบบสมมติการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปอีกดังนั้นโดยทั่วไปรุ่นนี้พยายามที่จะประมาณแนวโน้มระยะยาวโดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณ t เขาระดับท้องถิ่นของซีรีส์อายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 แม้ว่าจะไม่เท่ากันก็ตามในกรณีนี้จะกลายเป็น 1 0 006 125 นี่เป็นตัวเลขที่แม่นยำมาก เนื่องจากความถูกต้องของการประมาณเลขที่จริง 3 ตำแหน่งทศนิยม แต่เป็นลำดับเดียวกันของขนาดเป็นขนาดตัวอย่าง 100 ดังนั้นรูปแบบนี้จึงเป็นค่าเฉลี่ยมากกว่าค่อนข้างมากในประวัติศาสตร์ในการประมาณแนวโน้มพล็อตการคาดการณ์ ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นที่มีขนาดใหญ่กว่าเล็กน้อยในตอนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่โดยประมาณในรูปแบบแนวโน้ม SES นอกจากนี้ค่าประมาณของเกือบจะเหมือนกันกับค่าที่ได้จากการปรับรุ่น SES โดยมีแนวโน้มหรือไม่มีแนวโน้ม ดังนั้นนี่เป็นรูปแบบเดียวกันเกือบทุกวันนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับแบบจำลองที่คาดว่าจะเป็นการประมาณแนวโน้มในระดับท้องถิ่นหากคุณทำแผนผังเรื่องนี้ให้ดูราวกับว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของ ซีรีส์ Wh ที่เกิดขึ้นพารามิเตอร์ของโมเดลนี้ได้รับการประมาณโดยการลดข้อผิดพลาดของการคาดการณ์ล่วงหน้า 1 ขั้นตอนโดยไม่ จำกัด การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนักหากคุณกำลังมองหาสิ่งที่ได้คือ 1 ข้อผิดพลาดที่เกิดขึ้นล่วงหน้าคุณจะไม่เห็นภาพใหญ่ของแนวโน้มมากกว่าพูด 10 หรือ 20 รอบระยะเวลาเพื่อให้ได้รูปแบบนี้มากขึ้นสอดคล้องกับการคาดการณ์ลูกตาของข้อมูลของเราเราสามารถปรับแนวโน้มคงที่เรียบเพื่อที่จะ ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้มตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 0 1 อายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในพื้นที่มีระยะเวลา 10 ช่วงซึ่งหมายความว่าเราใช้ค่าเฉลี่ยของแนวโน้มในช่วง 20 ช่วงที่ผ่านมา นี่คือพล็อตพล็อตที่คาดการณ์ไว้ถ้าเราตั้งค่า 0 1 ขณะที่รักษา 0 3 นี่ดูเหมาะสมสำหรับซีรีส์นี้แม้ว่าจะอาจเป็นไปได้ที่จะคาดการณ์แนวโน้มนี้เกินกว่า 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 มันอาจจะไม่ระมัดระวังในการคาดการณ์แนวโน้มเชิงเส้นระยะสั้นมากไปไกลในอนาคตแนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตเนื่องจากสาเหตุที่แตกต่างกันเช่นล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและ 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 และพวกเขากระจายออกได้เร็วขึ้นมากเมื่อเส้นตรงมากกว่าง่าย เรียบใช้หัวข้อนี้จะกล่าวถึงต่อไปในส่วนแบบ ARIMA ของบันทึกย่อกลับไปด้านบนของหน้า