المتوسط المتحرك للانحدار الذاتي إنفستوبيديا

6.2 المتوسطات المتحركة 40 إلكاليس، الترتيب 5 41 في العمود الثاني من هذا الجدول، يظهر متوسط ​​متحرك للنظام 5، يقدم تقديرا لدورة الاتجاه. والقيمة الأولى في هذا العمود هي متوسط ​​الملاحظات الخمس الأولى (1989-1993)، والقيمة الثانية في العمود 5-ما هي متوسط ​​القيم 1990-1994 وهكذا. كل قيمة في العمود 5-ما هي متوسط ​​الملاحظات في فترة الخمس سنوات التي تركز على السنة المقابلة. لا توجد قيم للسنتين الأوليين أو العامين الماضيين لأننا لا نملك ملاحظتين على أي من الجانبين. في الصيغة أعلاه، العمود 5-ما يحتوي على قيم قبعة مع k2. لمعرفة ما يبدو عليه تقدير دورة الاتجاه، فإننا نرسمه مع البيانات الأصلية في الشكل 6.7. مؤامرة 40 إليكساليس، الرئيسية سسيدكوتال الكهرباء السكنية، يلب كوغوكوت. زلاب كوتيركوت 41 لينس 40 ما 40 إليساليس، 5 41. كول كوتريدكوت 41 لاحظ كيف أن الاتجاه (باللون الأحمر) هو أكثر سلاسة من البيانات الأصلية ويلتقط الحركة الرئيسية للسلسلة الزمنية دون كل التقلبات الطفيفة. ولا تسمح طريقة المتوسط ​​المتحرك بتقديرات T حيث تكون t قريبة من نهايات السلسلة، وبالتالي لا يمتد الخط الأحمر إلى حواف الرسم البياني على أي من الجانبين. في وقت لاحق سوف نستخدم أساليب أكثر تطورا لتقدير دورة الاتجاه التي تسمح التقديرات بالقرب من النهاية. ويحدد ترتيب المتوسط ​​المتحرك مدى نعومة تقدير دورة الاتجاه. بشكل عام، يعني النظام الأكبر منحنى أكثر سلاسة. يوضح الرسم البياني التالي تأثير تغيير ترتيب المتوسط ​​المتحرك لبيانات مبيعات الكهرباء السكنية. المتوسطات المتحركة البسيطة مثل هذه هي عادة من ترتيب فردي (على سبيل المثال 3، 5، 7، وما إلى ذلك) وهذا هو حتى أنها متماثلة: في المتوسط ​​المتحرك للنظام m2k1، هناك k الملاحظات السابقة، k الملاحظات في وقت لاحق والمراقبة الوسطى التي يتم حساب متوسطها. ولكن إذا كان m حتى، فإنه لن يكون متماثلا. المتوسطات المتحركة للمتوسطات المتحركة من الممكن تطبيق متوسط ​​متحرك على المتوسط ​​المتحرك. أحد أسباب القيام بذلك هو جعل المتوسط ​​المتحرك متساويا في الترتيب. على سبيل المثال، قد نأخذ متوسطا متحركا من الترتيب 4، ثم نطبق متوسط ​​متحرك آخر للطلب 2 على النتائج. وفي الجدول 6-2، تم ذلك في السنوات القليلة الأولى من بيانات إنتاج البيرة الفصلية الاسترالية. ber2 lt - ويندو 40 أوسبير، ستارت 1992 41 ma4 lt - ما 40 beer2، أوردر 4. سينتر فالس 41 ma2x4 lt - ما 40 beer2، أوردر 4. سينتر ترو 41 الترميز 2times4-ما في العمود الأخير يعني 4-ما تليها 2-ما. يتم الحصول على القيم في العمود الأخير من خلال اتخاذ متوسط ​​متحرك من الترتيب 2 من القيم في العمود السابق. على سبيل المثال، القيمتين الأوليين في العمود 4-ما هي 451.2 (443410420532) 4 و 448.8 (410420532433) 4. القيمة الأولى في العمود 2times4-ما هي متوسط ​​هذين: 450.0 (451.2448.8) 2. عندما يتبع 2-ما المتوسط ​​المتحرك حتى النظام (مثل 4)، ويسمى متوسط ​​متحرك تركز على النظام 4. وذلك لأن النتائج هي الآن متماثل. لنرى أن هذا هو الحال، يمكننا كتابة 2times4-ما على النحو التالي: بدء قبعة أمبير فراك بيغفراك (y y y y) فراك (y y y y) كبير أمبير فراك y frac14y frac14y frac14y frac18y. نهاية هو الآن المتوسط ​​المرجح للرصدات، ولكنه متماثل. ومن الممكن أيضا توليفات أخرى من المتوسطات المتحركة. على سبيل المثال يتم استخدام 3times3-ما غالبا، ويتكون من متوسط ​​متحرك من النظام 3 متبوعا بمتوسط ​​متحرك آخر من النظام 3. بشكل عام، يجب أن يتبع النظام حتى ما من قبل ما حتى أمر ما لجعلها متماثلة. وبالمثل، ينبغي أن يتبع أمر ما الفردية من قبل ما الفردية ترتيب فردي. تقدير دورة الاتجاه مع البيانات الموسمية الاستخدام الأكثر شيوعا للمتوسطات المتحركة المتمركزة هو في تقدير دورة الاتجاه من البيانات الموسمية. النظر في 2times4-ما: قبعة فراك y frac14y frac14y frac14y frac18y. عند تطبيقه على بيانات ربع سنوية، يعطى كل ربع سنة نفس الوزن حيث تطبق الفترة األولى واألخيرة على نفس الربع في السنوات المتعاقبة. وبناء على ذلك، سيتم حساب متوسط ​​التغير الموسمية، كما أن القيم الناتجة عن هذه القيم لن تكون متبقية أو معدومة. ويمكن الحصول على تأثير مماثل باستخدام 2times 8-ما أو 2times 12-ما. وبوجه عام، فإن m 2 ما يعادل متوسط ​​متحرك مرجح لترتيب m1 مع أخذ جميع الملاحظات 1m الوزن باستثناء المصطلحين الأول والأخير الذي يأخذ الأوزان 1 (2M). حتى إذا كانت الفترة الموسمية حتى و من أجل م، استخدم 2times م-ما لتقدير دورة الاتجاه. إذا كانت الفترة الموسمية غريبة وترتيب m، استخدم m-ما لتقدير دورة الاتجاه. على وجه الخصوص، يمكن استخدام 2 مرات 12-ما لتقدير دورة الاتجاه من البيانات الشهرية و 7-ما يمكن استخدامها لتقدير دورة الاتجاه من البيانات اليومية. ومن شأن الخيارات الأخرى لترتيب درجة الماجستير أن تؤدي عادة إلى تلوث تقديرات دورة الاتجاه بالموسمية في البيانات. مثال 6.2 تصنيع المعدات الكهربائية يبين الشكل 6.9 2 مرات 12-ما المطبقة على مؤشر أوامر المعدات الكهربائية. لاحظ أن الخط السلس لا يظهر موسمية وهو تقريبا نفس دورة الاتجاه هو مبين في الشكل 6.2 والتي تم تقديرها باستخدام طريقة أكثر تعقيدا بكثير من المتوسطات المتحركة. وأي خيار آخر لترتيب المتوسط ​​المتحرك (باستثناء 24 و 36 وما إلى ذلك) قد يؤدي إلى خط سلس يظهر بعض التقلبات الموسمية. مؤامرة 40 إليسيكيب، يلاب كوت أوامر جديدة إندكسكوت. كول كوغرايكوت، الرئيسية تصنيع المعدات الكهربائية (منطقة اليورو) كوت 41 خطوط 40 أماه 40 إليسيكيب، النظام 12 41. كول كوريدكوت 41 المتوسطات المتحركة المرجح مجموعات من المتوسطات المتحركة تؤدي إلى المتوسطات المتحركة المرجح. على سبيل المثال، 2x4-ما ناقش أعلاه يعادل 5-ما المرجحة مع الأوزان التي قدمها فراك، فراك، فراك، فراك، فراك. وبصفة عامة، يمكن كتابة m-M المرجح كقيمة t k k a y y حيث k (m-1) 2 وتعطى الأوزان بواسطة النقاط والنقاط أك. من المهم أن الأوزان كل المبلغ إلى واحد وأنها متماثلة بحيث آج a. و M-ما بسيط هو حالة خاصة حيث جميع الأوزان تساوي 1M. والميزة الرئيسية للمتوسطات المتحركة المرجحة هي أنها تعطي تقديرا أكثر سلاسة لدورة الاتجاه. بدلا من الملاحظات دخول وترك الحساب بالوزن الكامل، يتم زيادة وزنها ببطء ثم انخفض ببطء مما أدى إلى منحنى أكثر سلاسة. وتستخدم على نطاق واسع بعض مجموعات محددة من الأوزان. وترد بعض هذه الجداول في الجدول 6-3 ما هي العلاقة والفرق بين السلاسل الزمنية والانحدار بالنسبة إلى النماذج والافتراضات. هل من الصحيح أن نماذج الانحدار تفترض الاستقلالية بين متغيرات الناتج لقيم مختلفة لمتغير المدخلات، في حين أن نموذج السلاسل الزمنية لا يفعل ما هي بعض الاختلافات الأخرى هناك عدد من النهج لتحليل السلاسل الزمنية، ولكن الأكثر شهرة هما (جينيركينز) (1976) أو أريما (المتوسط ​​المتحرك المتكامل للحركة الذاتية). وتقدم هذه الوثيقة طريقة الانحدار. أنا أعتبر طريقة الانحدار أعلى بكثير من أريما لثلاثة أسباب رئيسية أنا لا أفهم تماما ما هي طريقة الانحدار للسلاسل الزمنية على الموقع، وكيف أنها تختلف عن طريقة بوكس ​​جينكينز أو أريما. وأنا أقدر إذا كان شخص ما يمكن أن تعطي بعض الأفكار حول هذه الأسئلة. الشكر والتحيات أعتقد حقا أن هذا هو سؤال جيد ويستحق الجواب. ويكتب الرابط المقدم من قبل طبيب نفسي يدعي أن بعض طريقة الشراب المنزلي هي طريقة أفضل للقيام بتحليل السلاسل الزمنية من بوكس-جينكينز. وآمل أن تشجع محاولتي على الإجابة الآخرين، الذين هم أكثر دراية بسلسلة زمنية، للمساهمة. من مقدمة له، يبدو أن دارلينجتون هو بطل النهج من مجرد تركيب نموذج أر من المربعات الصغرى. وهذا هو، إذا كنت ترغب في تناسب نموذج زت alpha1 z سدوتس ألفاك z فاريبسيلونت إلى سلسلة زمنية زت، يمكنك فقط تراجعت سلسلة زت على سلسلة مع تأخر 1، تأخر 2، وهلم جرا حتى تأخر k، وذلك باستخدام الانحدار المتعدد العاديين. ويسمح هذا بالتأكيد في R، بل حتى خيار في وظيفة أر. اختبرت بها، وتميل إلى إعطاء إجابات مماثلة على الطريقة الافتراضية لتركيب نموذج أر في R. كما يدعو إلى التراجع زت على أشياء مثل ر أو القوى من t للعثور على الاتجاهات. مرة أخرى، هذا هو على ما يرام تماما. الكثير من الكتب سلسلة الوقت مناقشة هذا، على سبيل المثال شومواي-ستوفر و كوبيرتوايت-ميتكالف. عادة، قد يبدأ تحليل سلسلة زمنية على طول الأسطر التالية: تجد الاتجاه، وإزالته، ثم تناسب نموذجا للمخلفات. ولكن يبدو أنه يدافع أيضا عن تركيبه ثم يستخدم في الحد من الخطأ المتوسط ​​التربيعي بين السلسلة المجهزة والبيانات كدليل على أن أسلوبه أفضل. على سبيل المثال: أشعر كوريلوغرامز هي الآن مهجورة. وكان الغرض الأساسي منها هو السماح للعمال بتخمين النماذج التي تناسب أفضل البيانات، ولكن سرعة أجهزة الكمبيوتر الحديثة (على الأقل في الانحدار إن لم يكن في الوقت المناسب سلسلة نموذج المناسب) يسمح للعامل لمجرد تناسب عدة نماذج ونرى بالضبط كيف كل واحد يناسب كما يقاس متوسط ​​الخطأ التربيعي. مسألة الرسملة على فرصة ليست ذات صلة بهذا الاختيار، حيث أن الطريقتين هي على قدم المساواة عرضة لهذه المشكلة. هذه ليست فكرة جيدة لأن اختبار نموذج من المفترض أن يكون مدى ما يمكن التنبؤ به، وليس مدى ملاءمة تناسب البيانات الموجودة. في الأمثلة الثلاثة له، وقال انه يستخدم تعديل الجذر متوسط ​​تربيع الخطأ كمعيار له لنوعية مناسبا. وبطبيعة الحال، الإفراط في تركيب نموذج هو الذهاب الى جعل تقدير العينة في الخطأ أصغر، لذلك ادعائه أن نماذجه هي أفضل لأن لديهم أصغر رمز غير صحيح. باختصار، حيث أنه يستخدم معيارا خاطئا لتقييم مدى نجاح النموذج، فإنه يصل إلى استنتاجات خاطئة حول الانحدار مقابل أريما. إد الرهان أنه إذا كان قد اختبرت القدرة التنبؤية للنماذج بدلا من ذلك، أريما قد تأتي على رأس القائمة. ربما شخص ما يمكن أن تحاول ذلك إذا كان لديهم الوصول إلى الكتب انه يذكر هنا. تكميلية: لمزيد من المعلومات عن فكرة الانحدار، قد ترغب في التحقق من كتب المسلسلات الزمنية القديمة التي كتبت قبل أن تصبح أريما الأكثر شعبية. على سبيل المثال، كندال، سلسلة الوقت. 1973، الفصل 11 يحتوي على فصل كامل عن هذه الطريقة والمقارنات ل أريما. بقدر ما أستطيع أن أقول لم يصف المؤلف أسلوبه في الشراب المنزلي في منشور مراجعة الأقران والمراجع من وإلى الأدب الإحصائي يبدو ضئيلا، ومنشوراته الرئيسية حول الموضوعات المنهجية يعود إلى 70s. بالمعنى الدقيق للكلمة، لا شيء من هذا يثبت شيئا ولكن دون ما يكفي من الوقت أو الخبرة لتقييم المطالبات نفسي، وأود أن تكون مترددة للغاية في استخدام أي من ذلك. نداش غالا 18 18 13 في 11: 31Forecasting من قبل تقنيات تمهيد هذا الموقع هو جزء من جافا سكريبت E-لابس الكائنات التعلم لاتخاذ القرارات. يتم تصنيف جافا سكريبت أخرى في هذه السلسلة ضمن مجالات مختلفة من التطبيقات في قسم مينو في هذه الصفحة. سلسلة زمنية هي سلسلة من الملاحظات التي يتم ترتيبها في الوقت المناسب. ومن العوامل المتأصلة في جمع البيانات المأخوذة على مر الزمن شكل من أشكال الاختلاف العشوائي. هناك طرق للحد من إلغاء التأثير بسبب الاختلاف العشوائي. التقنيات المستخدمة على نطاق واسع هي تمهيد. وتكشف هذه التقنيات، عندما تطبق بشكل صحيح، عن الاتجاهات الكامنة بشكل أوضح. أدخل السلاسل الزمنية بالصفوف في التسلسل، بدءا من الزاوية العلوية اليسرى، والمعلمة (المعلمات)، ثم انقر على الزر حساب للحصول على التنبؤ قبل فترة واحدة. لا يتم تضمين صناديق فارغة في الحسابات ولكن الأصفار هي. في إدخال البيانات الخاصة بك للانتقال من خلية إلى خلية في مصفوفة البيانات استخدام مفتاح تاب لا السهم أو إدخال مفاتيح. ملامح السلاسل الزمنية، والتي يمكن كشفها من خلال فحص الرسم البياني. مع القيم المتوقعة، والسلوك المتبقي، والنمذجة حالة التنبؤ. المتوسطات المتحركة: تعد المتوسطات المتحركة من بين أكثر التقنيات شيوعا في المعالجة المسبقة للمسلسلات الزمنية. وهي تستخدم لتصفية الضوضاء البيضاء العشوائية من البيانات، لجعل السلاسل الزمنية أكثر سلاسة أو حتى للتأكيد على بعض العناصر الإعلامية الواردة في السلاسل الزمنية. الأسي تجانس: هذا هو مخطط شعبية جدا لإنتاج سلسة سلسلة الوقت. في حين أن المتوسطات المتحركة يتم ترجيح الملاحظات السابقة بالتساوي، فإن التسييل الأسي يعين الأوزان المتناقصة بشكل كبير مع تقدم الملاحظة. وبعبارة أخرى، تعطي الملاحظات الأخيرة وزنا أكبر نسبيا في التنبؤ من الملاحظات القديمة. ضعف الأسي تجانس أفضل في التعامل مع الاتجاهات. الثلاثي الأسي تجانس أفضل في التعامل مع اتجاهات القطع المكافئ. متوسط ​​متحرك مرجح أسي مع ثابت التمهيد a. يقابل تقريبا متوسط ​​متحرك بسيط للطول (أي الفترة) n، حيث تكون a و n مرتبطة بما يلي: 2 (n1) أو n (2 - a) a. وهكذا، على سبيل المثال، فإن المتوسط ​​المتحرك المرجح ألسيا مع ثابت التمهيد يساوي 0.1 من شأنه أن يتوافق تقريبا إلى 19 المتوسط ​​المتحرك اليوم. والمتوسط ​​المتحرك البسيط لمدة 40 يوما من شأنه أن يتوافق تقريبا مع متوسط ​​متحرك مرجح أسي مع ثابت ثابت يساوي 0.04878. هولتس الخطي الأسي تمهيد: لنفترض أن السلسلة الزمنية غير الموسمية ولكن لا عرض الاتجاه. طريقة هولتس تقدر كل من المستوى الحالي والاتجاه الحالي. لاحظ أن المتوسط ​​المتحرك البسيط هو حالة خاصة للتلطيف الأسي عن طريق تحديد فترة المتوسط ​​المتحرك إلى الجزء الصحيح من ألفا (ألفا) ألفا. بالنسبة لمعظم بيانات الأعمال تكون معلمة ألفا أصغر من 0.40 فعالة في كثير من الأحيان. ومع ذلك، يمكن للمرء إجراء بحث شبكة من مساحة المعلمة، مع 0.1 إلى 0.9، مع زيادات من 0.1. ثم أفضل ألفا لديه أصغر خطأ المطلق يعني (خطأ ما). كيفية مقارنة عدة طرق للتجانس: على الرغم من وجود مؤشرات رقمية لتقييم دقة تقنية التنبؤ، فإن النهج الأكثر انتشارا هو استخدام مقارنة مرئية لعدة تنبؤات لتقييم دقتها والاختيار من بين مختلف أساليب التنبؤ. في هذا النهج، يجب على المرء أن رسم (باستخدام، على سبيل المثال إكسيل) على نفس الرسم البياني القيم الأصلية لمتغير سلسلة زمنية والقيم المتوقعة من عدة أساليب التنبؤ المختلفة، مما يسهل المقارنة البصرية. قد ترغب في استخدام التوقعات السابقة من قبل تقنيات تجانس جافاسكريبت للحصول على القيم السابقة التنبؤ على أساس تقنيات تمهيد التي تستخدم معلمة واحدة فقط. هولت، وطرق الشتاء تستخدم اثنين وثلاثة معلمات، على التوالي، وبالتالي فإنه ليس من السهل مهمة لتحديد الأمثل، أو حتى بالقرب من القيم المثلى من قبل التجربة والأخطاء للمعلمات. ويؤكد التمهيد الأسي المفرد على المنظور القصير المدى الذي يحدد المستوى للمراقبة الأخيرة ويستند إلى شرط عدم وجود اتجاه. إن الانحدار الخطي، الذي يناسب خط المربعات الصغرى على البيانات التاريخية (أو البيانات التاريخية المحولة)، يمثل المدى الطويل، الذي يشترط الاتجاه الأساسي. هولتس الخطي الأسي تجانس يلتقط المعلومات حول الاتجاه الأخير. والمعلمات في نموذج هولتس هي معلمة المستويات التي ينبغي أن تنخفض عندما يكون مقدار تغير البيانات كبيرا، وينبغي زيادة معلمة الاتجاهات إذا كان اتجاه الاتجاه الأخير مدعوما بالعوامل المسببة لبعض العوامل. التنبؤ على المدى القصير: لاحظ أن كل جافاسكريبت في هذه الصفحة يوفر توقعات خطوة واحدة. للحصول على توقعات من خطوتين. ببساطة إضافة القيمة المتوقعة إلى نهاية لك البيانات سلسلة الوقت ثم انقر على نفس زر حساب. يمكنك تكرار هذه العملية لبضع مرات من أجل الحصول على التوقعات اللازمة على المدى القصير.