Bewegende gemiddelde en eksponensiële gladstryking modelle

Eenvoudige Vs. Eksponensiële Bewegende Gemiddeldes bewegende gemiddeldes is meer as die studie van 'n ry getalle in opeenvolgende orde. Vroeë beoefenaars van tydreeksanalise was eintlik meer bekommerd oor individuele nommers tydreekse as wat hulle was met die interpolasie van daardie data. Interpolasie. in die vorm van waarskynlikheid teorieë en ontleding, het veel later, as patrone ontwikkel en korrelasies ontdek. Sodra verstaan, verskeie gevormde kurwes en lyne is getrek langs die tydreeks in 'n poging om te voorspel waar die datapunte te gaan. Dit is nou beskou as basiese metodes wat tans gebruik word deur tegniese ontleding handelaars. Kartering analise kan teruggevoer word na 18de eeu Japan, nog hoe en wanneer bewegende gemiddeldes vir die eerste keer toegepas op markpryse bly 'n raaisel. Dit is oor die algemeen verstaan ​​so eenvoudig bewegende gemiddeldes (SMA) lank gebruik voordat eksponensiële bewegende gemiddeldes (EMA), want EMA is gebou op SMA raamwerk en die SMA kontinuum is makliker verstaan ​​vir die plot en die dop. (Wil jy 'n bietjie agtergrond lees Kyk bietjie na Bewegende Gemiddeldes: Wat is dit) Eenvoudige bewegende gemiddelde (SMA) Eenvoudige bewegende gemiddeldes is die voorkeur-metode vir die dop van markpryse, want hulle is vinnig om te bereken en maklik om te verstaan. Vroeë mark praktisyns bedryf word sonder die gebruik van die gesofistikeerde grafiek statistieke in gebruik vandag, sodat hulle staatgemaak hoofsaaklik op markpryse as hul uitsluitlike gidse. Hulle bereken markpryse met die hand, en weergegee daardie pryse te tendense en die mark rigting aan te dui. Hierdie proses was nogal vervelig, maar bewys baie winsgewend met bevestiging van verdere studies. Om 'n 10-dag eenvoudig bewegende gemiddelde te bereken, net voeg die sluitingsdatum pryse van die afgelope 10 dae en deel dit deur 10. Die 20-dae - bewegende gemiddelde word bereken deur die sluiting pryse oor 'n tydperk van 20 dae en deel dit deur 20, en so aan. Hierdie formule is nie net gebaseer op sluitingstyd pryse, maar die produk is 'n gemiddelde van pryse - 'n subset. Bewegende gemiddeldes is genoem beweeg omdat die groep pryse wat in die berekening skuif na gelang van die punt op die grafiek. Dit beteken ou dae is ten gunste van nuwe sluitingsprys dae gedaal, sodat 'n nuwe berekening altyd nodig wat ooreenstem met die tyd van die gemiddelde diens. So, is 'n 10-dag gemiddelde herbereken deur die toevoeging van die nuwe dag en die weglating van die 10de dag, en die negende dag laat val op die tweede dag. (Vir meer inligting oor hoe kaarte word gebruik in valuta handel, kyk na ons Chart Basics Walk.) Eksponensiële bewegende gemiddelde (EMA) Die eksponensiële bewegende gemiddelde het verfyn en meer algemeen gebruik word sedert die 1960's, danksy vroeër praktisyns eksperimente met die rekenaar. Die nuwe EMO sal meer oor die mees onlangse pryse fokus eerder as op 'n lang reeks van data punte, soos die eenvoudige bewegende gemiddelde vereis. Huidige EMO ((Prys (huidige) - vorige EMO)) X vermenigvuldiger) vorige EMO. Die belangrikste faktor is die glad konstante dat 2 / (1 N) waar N die aantal dae. 'N 10-dag EMO 2 / (101) 18.8 Dit beteken 'n 10-tydperk EMO gewigte die mees onlangse prys 18.8, 'n 20-dag EMO 9,52 en 50-dag EMO 3,92 gewig op die mees onlangse dag. Die EMO werk bereken deur die verskil tussen die huidige tye prys en die vorige EMO, en die toevoeging van die resultaat van die vorige EMO. Hoe korter die tydperk, hoe meer gewig toegepas op die mees onlangse prys. Pas Lines Deur hierdie berekeninge, is punte geplot, die onthulling van 'n gepaste lyn. Pas lyne bo of onder die markprys aan te dui dat alle bewegende gemiddeldes is agter aanwysers. en is hoofsaaklik gebruik word vir volgende tendense. Hulle hoef goed te werk met verskeie markte en periodes van opeenhoping omdat die pas lyne versuim om 'n tendens dui as gevolg van 'n gebrek aan duidelik hoër hoogtes of laer laagtepunte. Plus, pas lyne is geneig konstant bly sonder aanduiding van rigting. 'N stygende pas lyn onder die mark te kenne dat 'n lang, terwyl 'n dalende pas lyn bo die mark te kenne dat 'n kort. (Vir 'n volledige gids, lees ons Moving Gemiddelde handleiding.) Die doel van die gebruik van 'n eenvoudige bewegende gemiddelde is om raak te sien en te meet tendense deur glad die data met behulp van die middel van verskeie groepe van pryse. 'N tendens is raakgesien en geëkstrapoleer tot 'n skatting. Die veronderstelling is dat voor tendens bewegings sal voortgaan. Vir die eenvoudige bewegende gemiddelde, kan 'n langtermyn-tendens gevind en gevolg veel makliker as 'n EMO, met 'n redelike aanname dat die pas lyn sterker as 'n EMO lyn sal hou as gevolg van die langer fokus op gemiddelde pryse. 'N EMO gebruik word om korter tendens beweeg vang, te danke aan die fokus op mees onlangse pryse. Deur hierdie metode, 'n EMO veronderstel om enige lags in die eenvoudige bewegende gemiddelde verminder sodat die gepaste lyn pryse nader as 'n eenvoudige bewegende gemiddelde sal omhels. Die probleem met die EMO is dit: Die geneig om prys breek, veral tydens vinnig markte en periodes van onbestendigheid. Die EMO werk goed totdat pryse breek die gepaste lyn. Tydens hoër wisselvalligheid markte, kan jy kyk na die verhoging van die lengte van die bewegende gemiddelde termyn. 'N Mens kan selfs skakel van 'n EMO 'n SMA, aangesien die SMA stryk uit die data baie beter as 'n EMO as gevolg van sy fokus op langer termyn beteken. Tendens-volgende aanduiders Soos sloerende aanwysers, bewegende gemiddeldes te dien asook ondersteuning en weerstand lyne. As pryse te breek onder 'n 10-dag pas lyn in 'n opwaartse neiging, is die kanse is goed dat die opwaartse neiging kan afneem, of ten minste die mark kan konsolideer. As pryse te breek bo 'n 10-dae bewegende gemiddelde in 'n verslechtering neiging. die tendens kan wees besig om te kwyn of te konsolideer. In hierdie gevalle, gebruik 'n 10- en 20- daagse bewegende gemiddelde saam, en wag vir die 10-dae reël om bo of onder die 20-dag lyn oor te steek. Dit bepaal die volgende kort termyn rigting vir pryse. Vir tydperke langer termyn, kyk na die 100 en 200-dae - bewegende gemiddeldes vir rigting langer termyn. Byvoorbeeld, met behulp van die 100 en 200-dae - bewegende gemiddeldes, indien die 100-daagse bewegende gemiddelde kruise onder die 200-dag gemiddeld sy genoem die dood kruis. en is baie lomp vir pryse. A 100-daagse bewegende gemiddelde wat kruise bo 'n 200-daagse bewegende gemiddelde staan ​​bekend as die goue kruis. en is baie positief vir pryse. Dit maak nie saak as 'n SMA of 'n EMO gebruik word, want albei is-tendens volgende aanwysers. Sy enigste in die kort termyn wat die SMA het effense afwyking van sy eweknie, die EMO. Gevolgtrekking bewegende gemiddeldes is die basis van grafiek en tydreeksanalise. Eenvoudige bewegende gemiddeldes en die meer komplekse eksponensiële bewegende gemiddeldes te help visualiseer die tendens deur glad uit prysbewegings. Tegniese ontleding is ook soms na verwys as 'n kuns eerder as 'n wetenskap, wat albei jare neem om te bemeester. (Hier is meer in ons Tegniese Analise handleiding.) QuotHINTquot is 'n akroniem wat staan ​​vir vir quothigh inkomste nie taxes. quot Dit is van toepassing op 'n hoë-verdieners wat verhoed dat die betaling federale inkomste. 'N Mark outeur wat koop en verkoop baie kort termyn korporatiewe effekte genoem kommersiële papier. 'N papier handelaar is tipies. 'N bestelling geplaas met 'n makelaar om 'n sekere aantal aandele te koop of te verkoop teen 'n bepaalde prys of beter. Die onbeperkte koop en verkoop van goedere en dienste tussen lande sonder die oplegging van beperkings soos. In die sakewêreld, 'n buffel is 'n maatskappy, gewoonlik 'n aanloop wat nie 'n gevestigde prestasie rekord. 'N Bedrag n huiseienaar moet betaal voordat versekering sal dek die skade wat veroorsaak word deur 'n hurricane. Forecasting deur gladstrykingstegnieke Hierdie webwerf is 'n deel van die JavaScript E-laboratoriums leer voorwerpe vir besluitneming. Ander JavaScript in hierdie reeks is verdeel onder verskillende gebiede van aansoeke in die menu artikel op hierdie bladsy. 'N tyd-reeks is 'n reeks waarnemings wat bestel betyds. Inherent in die versameling van data geneem met verloop van tyd is 'n vorm van ewekansige variasie. Daar bestaan ​​metodes vir die vermindering van van die kansellasie van die effek as gevolg van ewekansige variasie. Gebruikte tegnieke is glad. Hierdie tegnieke, wanneer dit behoorlik toegepas word, blyk duidelik die onderliggende tendense. Tik die tydreeks Ry-wyse in volgorde, vanaf die linker-boonste hoek, en die parameter (s), dan op die Bereken knoppie vir die verkryging van een tydperk lig vooruitskatting. Leeg bokse is nie ingesluit in die berekeninge, maar nulle is. In die begin van jou data om te beweeg van sel tot sel in die data-oorsig gebruik die Tab-sleutel nie arrow of betree sleutels. Kenmerke van tydreekse, wat geopenbaar kan word deur die ondersoek van die grafiek. met die geskatte waardes, en die residue gedrag, toestand voorspelling modelle. Bewegende gemiddeldes: bewegende gemiddeldes rang onder die gewildste tegnieke vir die preprocessing van tydreekse. Hulle word gebruik om ewekansige wit geraas filter uit die data, om die tydreeks gladder te maak of selfs om sekere inligting komponente vervat in die tydreeks te beklemtoon. Eksponensiële Smoothing: Dit is 'n baie gewilde skema om 'n reëlmatige Tyd Reeks produseer. Terwyl dit in Bewegende Gemiddeldes die afgelope waarnemings word dieselfde gewig, eksponensiële Smoothing ken eksponensieel afneem gewigte as die waarneming ouer. Met ander woorde, is Onlangse waarnemings gegee relatief meer gewig in vooruitskatting as die ouer waarnemings. Double Eksponensiële Smoothing is beter op tendense hantering. Drie Eksponensiële Smoothing beter te hanteer parabool tendense. 'N exponenentially geweeg bewegende gemiddelde met 'n glad konstante a. ooreenstem rofweg 'n eenvoudige bewegende gemiddelde lengte (bv tydperk) n, waar n en N verwant deur: 'n 2 / (N1) of N (2 - a) / n. So, byvoorbeeld, 'n exponenentially geweeg bewegende gemiddelde met 'n glad konstante gelyk aan 0,1 sou rofweg ooreen met 'n 19 dag bewegende gemiddelde. En 'n 40-dag eenvoudig bewegende gemiddelde sou rofweg ooreen met 'n eksponensieel geweeg bewegende gemiddelde met 'n glad konstante gelyk aan 0,04878. Holts Lineêre Eksponensiële Smoothing: Veronderstel dat die tydreeks is nie-seisoenale maar wel vertoon tendens. Holts metode skat beide die huidige vlak en die huidige tendens. Let daarop dat die eenvoudige bewegende gemiddelde is spesiale geval van die eksponensiële gladstryking deur die oprigting van die tydperk van die bewegende gemiddelde van die heelgetal deel van (2-Alpha) / Alpha. Vir die meeste sake-data 'n Alpha parameter kleiner as 0.40 is dikwels doeltreffend. Dit kan egter 'n mens 'n rooster op soek na die parameter ruimte uit te voer, met 0,1-0,9, met inkremente van 0.1. Toe het die beste alfa die kleinste gemiddelde absolute fout (MA Fout). Hoe om 'n paar glad metodes te vergelyk: Alhoewel daar numeriese aanwysers vir die beoordeling van die akkuraatheid van die voorspelling tegniek, die mees benadering is in die gebruik van visuele vergelyking van verskeie voorspellings oor die akkuraatheid daarvan te evalueer en kies tussen die verskillende vooruitskatting metodes. In hierdie benadering, moet 'n mens stip op dieselfde grafiek die oorspronklike waardes van 'n tydreeks veranderlike en die voorspelde waardes van verskillende vooruitskatting metodes (met behulp van, bv Excel), dus 'n visuele vergelyking fasilitering. Jy kan hou die gebruik van die verlede Voorspellings deur gladstrykingstegnieke JavaScript om die verlede voorspel waardes gebaseer op gladstrykingstegnieke dat slegs enkele parameter gebruik te verkry. Holt, en winters metodes gebruik twee en drie parameters, onderskeidelik, dus is dit nie 'n maklike taak om die optimale, of selfs naby optimale waardes kies deur probeer-en foute vir die parameters. Die enkele eksponensiële gladstryking beklemtoon die kort reeks perspektief dit stel die vlak van die laaste waarneming en is gebaseer op die voorwaarde dat daar geen tendens. Die lineêre regressie, wat 'n lyn van kleinste kwadrate op die historiese data (of omskep historiese data) pas, stel die lang reeks, wat gekondisioneer op die basiese tendens. Holts lineêre eksponensiële gladstryking vang inligting oor onlangse tendens. Die parameters in Holts model is vlakke-parameter wat moet verminder word wanneer die hoeveelheid data wat variasie is groot, en tendense-parameter moet verhoog word indien die onlangse tendens rigting word ondersteun deur die oorsaaklike paar faktore. Korttermyn vooruitskatting: Let daarop dat elke JavaScript op hierdie bladsy bied 'n een-stap-ahead skatting. Om 'n twee-stap-ahead voorspelling te kry. eenvoudig die geskatte waarde toevoeg tot die einde van jou tydreeksdata en kliek dan op dieselfde Bereken knoppie. Jy kan hierdie proses herhaal vir 'n paar keer om die nodige kort termyn forecasts. Smoothing data verwyder ewekansige variasie en programme tendense en sikliese komponente Inherent in die versameling van data geneem met verloop van tyd te verkry is 'n vorm van ewekansige variasie. Daar bestaan ​​metodes vir die vermindering van van die kansellasie van die effek as gevolg van ewekansige variasie. 'N dikwels gebruikte tegniek in bedryf is glad. Hierdie tegniek, wanneer dit behoorlik toegepas word, blyk duidelik die onderliggende tendens, seisoenale en sikliese komponente. Daar is twee afsonderlike groepe glad metodes Berekening van gemiddelde metodes Eksponensiële Smoothing Metodes Neem gemiddeldes is die eenvoudigste manier om data te stryk Ons sal eers ondersoek sommige gemiddelde metodes, soos die eenvoudige gemiddeld van al die afgelope data. 'N Bestuurder van 'n pakhuis wil weet hoeveel 'n tipiese verskaffer lewer in 1000 dollar eenhede. Hy / sy neem 'n monster van 12 verskaffers, na willekeur, die verkryging van die volgende resultate: Die berekende gemiddelde of gemiddeld van die data 10. Die bestuurder besluit om dit te gebruik as die skatting vir uitgawes van 'n tipiese verskaffer. Is dit 'n goeie of slegte skat Gemiddelde kwadraat fout is 'n manier om te oordeel hoe goed 'n model is Ons sal bereken die gemiddelde kwadraat fout. Die fout ware bedrag wat minus die beraamde bedrag. Die fout vierkant is die fout hierbo, vierkantig. Die SSE is die som van die gekwadreerde foute. Die MSE is die gemiddeld van die kwadraat foute. MSE lei byvoorbeeld Die uitslae is: Fout en gekwadreerde foute Die raming 10 Die vraag ontstaan: kan ons gebruik maak van die gemiddelde inkomste voorspel as ons vermoed dat 'n tendens 'n blik op die grafiek hieronder toon duidelik dat ons nie dit sou doen. Gemiddeld weeg al verlede Waarnemings ewe In opsomming, ons verklaar dat die eenvoudige gemiddelde of gemiddeld van al verlede waarnemings is net 'n nuttige skatting vir vooruitskatting wanneer daar geen tendense. As daar tendense, gebruik verskillende skattings dat die tendens in ag neem. Die gemiddelde weeg al verlede Waarnemings ewe. Byvoorbeeld, die gemiddelde van die waardes 3, 4, 5 is 4. Ons weet natuurlik dat 'n gemiddelde word bereken deur die toevoeging van al die waardes en die som te deel deur die aantal waardes. Nog 'n manier van berekening van die gemiddelde is deur die byvoeging van elke waarde gedeel deur die aantal waardes, of 3/3 4/3 5/3 1 1,3333 1,6667 4. Die vermenigvuldiger 1/3 is die gewig genoem. In die algemeen: bar frac som links (frac regs) x1 links (frac regs) x2,. ,, Links (frac regs) xn. Die (links (frac regs)) is die gewigte en, natuurlik, hulle vat om 1.Averaging en Eksponensiële Smoothing modelle as 'n eerste stap in die verbetering van op naïef voorspellingsmodelle, nonseasonal patrone en tendense kan geëkstrapoleer deur 'n bewegende-gemiddelde of glad model. Die basiese aanname agter gemiddelde en glad modelle is dat die tyd reeks is plaaslik stilstaande met 'n stadig wisselende gemiddelde. Vandaar, neem ons 'n bewegende (dit wil sê die plaaslike) gemiddelde om die huidige waarde van die gemiddelde skat, en gebruik dit as die skatting. Dit kan beskou word as 'n kompromie tussen die gemiddelde model en die ewekansige loop model. Die bewegende gemiddelde is dikwels genoem 'n reëlmatige weergawe van die oorspronklike reeks, aangesien kort termyn gemiddelde het die effek van gladstryking uit die stampe en stote in die oorspronklike reeks. Deur die aanpassing van die mate van gladstryking (dit wil sê die breedte van die bewegende gemiddelde), kan ons hoop om 'n soort van 'n optimale balans tussen die prestasie van die gemiddelde en die stogastiese wandeling modelle slaan. Die eenvoudigste soort gemiddelde model is die. Eenvoudige (ewe-geweeg) Moving Average: Hier is die een-periode-vooruit voorspel Yacute (t), gemaak op tydstip t-1, is gelyk aan die eenvoudige gemiddelde van die laaste k waarnemings. Dit gemiddelde is gesentreer op tydperk t (K1) / 2, wat impliseer dat die skatting van die plaaslike gemiddelde sal neig om agter die werklike waarde van die plaaslike gemiddelde met sowat (K1) / 2 periodes. So, sê ons die gemiddelde ouderdom van die data in die eenvoudige bewegende gemiddelde is (K1) / 2 met betrekking tot die tydperk waarvoor die voorspelling is bereken: dit is die hoeveelheid tyd waarop voorspellings sal neig om agter draaipunte in die data. Byvoorbeeld, as jy gemiddeld die afgelope 5 waardes, sal die voorspellings wees oor 3 periodes laat in reaksie op draaipunte. Let daarop dat indien K1, die eenvoudige bewegende gemiddelde (SMA) model is soortgelyk aan die ewekansige loop model (sonder groei). As k is baie groot (vergelykbaar met die lengte van die skatting tydperk), die SMA model is gelykstaande aan die gemiddelde model. Soos met enige parameter van 'n voorspelling model, is dit gebruiklik om die waarde van k te pas ten einde die beste geskik is om die data, dit wil sê die kleinste voorspelling foute gemiddeld behaal. Hier is 'n voorbeeld van 'n reeks wat blykbaar ewekansige skommelinge toon om 'n stadig-wisselende gemiddelde. In die eerste plek kan probeer om dit aan te pas met 'n ewekansige loop model, wat gelykstaande is aan 'n eenvoudige bewegende gemiddelde van 1 kwartaal: Die ewekansige loop model reageer baie vinnig om veranderinge in die reeks, maar sodoende dit tel baie van die geraas in die data (die ewekansige skommelinge) asook die sein (die plaaslike gemiddelde). As ons eerder probeer 'n eenvoudige bewegende gemiddelde van 5 terme, kry ons 'n gladder lyk stel voorspellings: Die 5 termyn eenvoudige bewegende gemiddelde opbrengste aansienlik kleiner foute as die ewekansige loop model in hierdie geval. Die gemiddelde ouderdom van die data in hierdie voorspelling is 3 ((51) / 2), sodat dit is geneig om agter draaipunte met sowat drie periodes. (Byvoorbeeld, blyk 'n afswaai het plaasgevind by tydperk 21, maar die voorspellings nie omdraai tot verskeie tydperke later.) Let daarop dat die langtermyn-voorspellings van die SMA model is 'n horisontale reguit lyn, net soos in die ewekansige loop model. So, die SMA model veronderstel dat daar geen neiging in die data. Maar, terwyl die voorspellings van die ewekansige loop model is eenvoudig gelyk aan die laaste waargenome waarde, die voorspellings van die SMA model is gelykstaande aan 'n geweegde gemiddelde van die afgelope waardes. Interessant genoeg, nie die vertroue perke bereken deur Stat Graphics vir die langtermyn-voorspellings van die eenvoudige bewegende gemiddelde nie groter as die vooruitskatting horison styg kry. Dit is natuurlik nie korrek Ongelukkig is daar geen onderliggende statistiese teorie wat ons vertel hoe die vertrouensintervalle behoort te brei vir hierdie model. As jy gaan om hierdie model in die praktyk, sal jy dit wenslik om 'n empiriese skatting van die vertroue perke vir die langer-horison voorspellings gebruik. Byvoorbeeld, kan jy die opstel van 'n sigblad waarop die SMA model sal gebruik word om 2 stappe vooruit, 3 stappe vooruit, ens binne die historiese data monster voorspel. Jy kan dan bereken die monster standaardafwykings van die foute op elke voorspelling horison, en dan bou vertrouensintervalle vir langer termyn voorspellings deur optelling en aftrekking veelvoude van die toepaslike standaard afwyking. As ons probeer om 'n 9-termyn eenvoudige bewegende gemiddelde, kry ons selfs gladder voorspellings en meer van 'n sloerende uitwerking: Die gemiddelde ouderdom is nou 5 periodes ((91) / 2). As ons 'n 19-termyn bewegende gemiddelde te neem, die gemiddelde ouderdom toeneem tot 10: Let daarop dat, inderdaad, is die voorspellings nou agter draaipunte met sowat 10 periodes. Browns Eenvoudige Eksponensiële Smoothing (eksponensieel geweeg bewegende gemiddelde) Die eenvoudige bewegende gemiddelde model hierbo beskryf het die ongewenste eienskap dat dit behandel die laaste k Waarnemings ewe en heeltemal ignoreer al voorafgaande waarnemings. Intuïtief, moet afgelope data verdiskonteer in 'n meer geleidelike mode - byvoorbeeld, die mees onlangse waarneming moet 'n bietjie meer gewig kry as 2 mees onlangse, en die 2de mees onlangse moet 'n bietjie meer gewig as die 3 mees onlangse kry, en so aan. Die eenvoudige eksponensiële gladstryking (SES) model accomplishes hierdie. Laat dui 'n glad konstante ( 'n getal tussen 0 en 1) en laat s (t) dui die waarde van die reëlmatige reeks by tydperk t. Die volgende formule word rekursief gebruik word om die reëlmatige reeks as nuwe waarnemings word aangeteken by te werk: Dus, die huidige stryk waarde is 'n interpolasie tussen die vorige stryk waarde en die huidige waarneming, waar die nabyheid van die geïnterpoleer waarde tot die mees onlangse waarneming beheer. Die voorspelling vir die volgende tydperk is eenvoudig die huidige stryk waarde: (Let wel: Ons sal voortaan gebruik die simbool Yacute vir 'n voorspelling van die tyd reeks Y te staan, omdat Yacute is die naaste ding aan 'n y-hoed wat kan vertoon word op . 'n webblad) anders gestel ons kan die volgende voorspelling direk uit te druk in terme van vorige voorspellings en vorige waarnemings, in enige van die volgende maniere: Yacute (T1) Y (t) (1-) Yacute (t). forecastinterpolation tussen vorige skatting en vorige waarneming Yacute (T1) Yacute (t) e (t). forecastprevious voorspelling plus fraksie van vorige fout, waar e (t) Y (t) - Y (t) Yacute (T1) Y (t) - (1-) e (t). forecastprevious waarneming minus fraksie 1- van vorige fout Yacute (T1) Y (t) (1-) Y (t-1) ((1-) 2) Y (t-2) ((1-) 3) Y (t -3). . voorspelling eksponensieel geweeg (dit wil sê afslag) bewegende gemiddelde met afslag faktor 1- Die voorafgaande vier vergelykings is almal wiskundig ekwivalent --any een van hulle kan verkry word deur herrangskikking van enige van die ander. Die eerste vergelyking hierbo is waarskynlik die maklikste om te gebruik as jy die uitvoering van die model op 'n spreadsheet: die voorspelling formule pas in 'n enkele sel en bevat selverwysings verwys na die vorige skatting, die vorige waarneming, en die sel waar die waarde van is gestoor. Let daarop dat indien 1, die SES model is gelykstaande aan 'n ewekansige loop model (sonder groei). As 0, die SES model is gelykstaande aan die gemiddelde model, met die veronderstelling dat die eerste stryk waarde gelyk aan die gemiddelde is ingestel. Die gemiddelde ouderdom van die data in die eenvoudige eksponensiële-glad voorspelling is 1 / met betrekking tot die tydperk waarvoor die voorspelling is bereken. (Dit is nie veronderstel duidelik te wees, maar dit kan maklik aangetoon deur die evaluering van 'n oneindige reeks.) Dus, die eenvoudige bewegende gemiddelde voorspelling is geneig om agter draaipunte met sowat 1 / periodes. Byvoorbeeld, wanneer 0.5 die lag is 2 periodes wanneer 0.2 die lag is 5 periodes wanneer 0.1 die lag is 10 periodes, en so aan. Vir 'n gegewe gemiddelde ouderdom (bv bedrag van lag), die eenvoudige eksponensiële gladstryking (SES) voorspelling is 'n bietjie beter as die eenvoudige bewegende gemiddelde (SMA) voorspel, want dit plaas relatief meer gewig op die mees onlangse waarneming --i. e. dit is 'n bietjie meer reageer op veranderinge wat voorkom in die onlangse verlede. Nog 'n belangrike voordeel van die SES model die SMA model is dat die SES model maak gebruik van 'smoothing parameter wat voortdurend veranderlike, so dit kan maklik geoptimaliseer deur gebruik te maak van 'n oplosser algoritme om te verminder die gemiddelde kwadraat fout. Die optimale waarde van die SES model vir hierdie reeks blyk te wees 0,2961, soos hier gewys word: die gemiddelde ouderdom van die data in hierdie voorspelling is 1 / 0,2961 3.4 tydperke, wat soortgelyk is aan dié van 'n 6-termyn eenvoudige bewegende gemiddelde . Die langtermyn-voorspellings van die SES model is 'n horisontale reguit lyn. soos in die SMA model en die ewekansige loop model sonder groei. Let egter daarop dat die vertrouensintervalle bereken deur Stat Graphics nou divergeer in 'n redelike aantreklike mode, en dat hulle aansienlik nouer as die vertrouensintervalle vir die ewekansige loop model. Die SES model veronderstel dat die reeks is 'n bietjie meer voorspelbaar as wel die ewekansige loop model. 'N SES model is eintlik 'n spesiale geval van 'n ARIMA model, sodat die statistiese teorie van ARIMA modelle bied 'n goeie basis vir die berekening van vertrouensintervalle vir die SES model. In die besonder, 'n SES model is 'n ARIMA model met een nonseasonal verskil, 'n MA (1) termyn, en geen konstante term. andersins bekend as 'n ARIMA (0,1,1) model sonder konstante. Die MA (1) koëffisiënt in die ARIMA model stem ooreen met die hoeveelheid 1- in die SES model. Byvoorbeeld, as jy 'n ARIMA (0,1,1) model inpas sonder konstante om die reeks te ontleed hier, die beraamde MA (1) koëffisiënt blyk te wees 0,7029, wat byna presies 'n minus 0,2961. Dit is moontlik om die aanname van 'n nie-nul konstante lineêre tendens voeg by 'n SES model. Om dit te doen in Stat Graphics, net 'n ARIMA model met een nonseasonal verskil en 'n MA (1) termyn met 'n konstante, dit wil sê 'n ARIMA (0,1,1) model met 'n konstante spesifiseer. Die langtermyn-voorspellings sal dan 'n tendens wat gelyk is aan die gemiddelde tendens waargeneem oor die hele skatting tydperk is. Jy kan dit nie doen in samewerking met seisoenale aanpassing, omdat die aanpassing opsies seisoenale is afgeskakel wanneer die model tipe is ingestel op ARIMA. Jy kan egter 'n konstante langtermyn eksponensiële tendens om 'n eenvoudige eksponensiële gladstryking model voeg (met of sonder seisoenale aanpassing) deur gebruik te maak van die opsie inflasie-aanpassing in die vooruitskatting prosedure. Die toepaslike inflasie (persentasie groei) koers per periode kan geskat word as die helling koëffisiënt in 'n lineêre tendens model toegerus om die data in samewerking met 'n natuurlike logaritme transformasie, of dit kan op grond van ander, onafhanklike inligting oor die langtermyn groeivooruitsigte . Browns Lineêre (maw dubbel) Eksponensiële Smoothing As die tendens asook die gemiddelde stadig wissel met verloop van tyd, 'n hoër-orde glad model nodig totrack die wisselende tendens. Die eenvoudigste-time wisselende tendens model is Browns lineêr eksponensiële gladstryking (LES) model, wat twee verskillende reëlmatige reeks wat op verskillende punte gesentreer in die tyd gebruik. Die vooruitskatting formule is gebaseer op 'n ekstrapolasie van 'n streep deur die twee sentrums. (Alternatiewelik, 'n dubbele toepassing van die eenvoudige bewegende gemiddelde metode kan gebruik word tot tyd wissel tendense dop - sien bladsye 154-158 in jou handboek.) Die algebraïese vorm van die lineêre eksponensiële gladstryking model, soos dié van die eenvoudige eksponensiële gladstryking model, uitgedruk kan word in 'n aantal verskillende maar ekwivalente vorms. Die standaardvorm van hierdie model word gewoonlik uitgedruk as volg: Laat S dui die enkel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking om reeks Y. Dit is, is die waarde van S op tydperk t gegee word deur: (Onthou dat, onder eenvoudige eksponensiële gladstryking, sou ons net laat Yacute (T1) S (t) op hierdie punt) Dan S dui die dubbel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking (met behulp van dieselfde) om reeks S:. ten slotte, die voorspelling Yacute ( T1) word gegee deur: a (t) 2S (t) - S (t). die geskatte vlak tydperk t Voorspellings met meer lood keer gemaak teen tydperk t is verkry deur veelvoude van die tendens termyn. Byvoorbeeld, die k-tydperk lig voorspelling (dit wil sê die voorspelling vir Y (TK) gemaak by tydperk t) sou gelyk aan 'n (t) k (t). Vir doeleindes van model-pas (dit wil sê die berekening van voorspellings, residue, en residuele statistieke oor die skatting tydperk), die model kan tot begin deur die oprigting van S (1) S (1) Y (1), dws onderwysers moet beide stryk reeks gelyk aan die waargenome waarde by T1. A wiskundig ekwivalent vorm van Browns lineêre eksponensiële gladstryking model, wat sy nie-stasionêre karakter beklemtoon en is makliker om te implementeer op 'n sigblad, is die volgende: Met ander woorde, die voorspel verskil by tydperk t (naamlik Yacute (t) - Y ( t-1)) is gelyk aan die vorige waargenome verskil (nl Y (t-1) - Y (t-2)) minus 'n geweegde verskil van die twee vorige skatting foute. Let op: hierdie vorm van die model is eerder lastig te begin by die begin van die skatting tydperk. Die volgende konvensie word aanbeveel: eerste stel Yacute (1) Y (1), wat e (1) 0 (dws kul n bietjie, en laat die eerste skatting gelyk wees aan die werklike eerste waarneming), dan ook 'Yacute (2) Y lewer (1), wat opbrengste e (2) Y (2) - Y (1), dan voortgaan vanaf hierdie punt met behulp van die vergelyking hierbo. Dit sou dieselfde toegerus waardes oplewer as die formule gebaseer op S en S indien laasgenoemde is begin met behulp van S (1) S (1) Y (1). Weereens, kan jy jou spreadsheet die oplosser of enige lineêre kleinste kwadrate algoritme gebruik om die waarde van optimaliseer. Die optimale waarde van die LES model om hierdie reeks toegerus deur Stat Graphics is 0,1607. Let daarop dat die langtermyn-voorspellings van die LES model vir hierdie tyd reeks verskyn om die plaaslike tendens waargeneem in die laaste 10 periodes op te spoor. Ook die vertrouensintervalle vir die LES model verbreed vinniger as dié van die SES model. Wat is die beste vir hierdie spesifieke tyd reeks Hier is 'n model vergelyking verslag vir die bogenoemde modelle. Dit wil voorkom asof die SES model voer beter as die SMA modelle, en Les model is nou agter. Of jy kies SES of LES in hierdie geval sou afhang of jy regtig glo dat die reeks het 'n plaaslike tendens. Browns kwadratiese (dit wil sê trippel) glad model. gebruik drie stryk reeks gesentreer op verskillende punte in die tyd en extrapolates n parabool wat deur die drie sentrums. Dit is selde in die praktyk gebruik, al is, want waar kwadratiese tendense is skaars en die model is hoogs onstabiel. Watter tipe tendens-ekstrapolasie die beste: horisontale, lineêre, of kwadratiese empiriese bewyse dui daarop dat, indien die data is reeds aangepas (indien nodig) vir inflasie, dan is dit dalk onverstandig om kort termyn lineêre ekstrapoleer (of erger, kwadratiese wees ) tendense baie ver in die toekoms. Tendense duidelik vandag mag verslap in die toekoms as gevolg van uiteenlopende oorsake soos produk veroudering, toenemende mededinging en sikliese afswaai of opwaartse fases in 'n bedryf. Om hierdie rede, eenvoudige eksponensiële gladstryking voer dikwels beter out-of-monster as wat dit andersins word verwag, ten spyte van sy naïef horisontale tendens ekstrapolasie. Gedempte tendens veranderinge van die lineêre eksponensiële gladstryking model word dikwels gebruik in die praktyk om 'n aantekening van konserwatisme in te voer in die tendens projeksies - helaas, dit is nie beskikbaar in Stat Graphics. In beginsel is dit moontlik om vertrouensintervalle rondom langtermyn voorspellings wat deur eksponensiële gladstryking modelle bereken deur die oorweging van hulle as spesiale gevalle van ARIMA modelle. (Pasop:. Nie al sagteware beteken dit korrek In die besonder, 'n aantal van die gewilde outomatiese vooruitskatting programme gebruik hoogs verdagte metodes vir die berekening van vertrouensintervalle vir eksponensiële gladstryking voorspellings.) Die breedte van die vertrouensintervalle hang af van (i) die RMS fout van die model, (ii) die waarde van, (iii) die vlak van gladstryking (enkel, dubbel of trippel) en (iv) die aantal periodes voor jy voorspel. In die algemeen, die tussenposes versprei vinniger as groter raak en / of of as die einde van gladstryking verhogings van enkele verdubbel tot verdriedubbel. Ons sal hierdie onderwerp weer wanneer ons bespreek ARIMA modelle later in die course. Moving gemiddelde en eksponensiële gladstryking modelle As 'n eerste stap in die beweging van buite gemiddelde modelle, ewekansige loop modelle, en lineêre tendens modelle, nonseasonal patrone en tendense kan geëkstrapoleer deur 'n bewegende - average of glad model. Die basiese aanname agter gemiddelde en glad modelle is dat die tyd reeks is plaaslik stilstaande met 'n stadig wisselende gemiddelde. Vandaar, neem ons 'n bewegende (plaaslike) gemiddelde om die huidige waarde van die gemiddelde skat en dan gebruik dit as die voorspelling vir die nabye toekoms. Dit kan beskou word as 'n kompromie tussen die gemiddelde model en die ewekansige-stap-sonder-drif-model. Dieselfde strategie gebruik kan word om te skat en ekstrapoleer 'n plaaslike tendens. 'N bewegende gemiddelde is dikwels 'n quotsmoothedquot weergawe van die oorspronklike reeks, want kort termyn gemiddelde het die effek van gladstryking uit die knoppe in die oorspronklike reeks. Deur die aanpassing van die mate van gladstryking (die breedte van die bewegende gemiddelde), kan ons hoop om 'n soort van 'n optimale balans tussen die prestasie van die gemiddelde en die stogastiese wandeling modelle slaan. Die eenvoudigste soort gemiddelde model is die. Eenvoudige (ewe-geweeg) Moving Average: Die voorspelling vir die waarde van Y op tyd T1 wat gemaak word op tydstip t is gelyk aan die eenvoudige gemiddelde van die mees onlangse m waarnemings: (hier en elders sal ek die simbool 8220Y-hat8221 gebruik om op te staan vir 'n voorspelling van die tyd reeks Y gemaak op die vroegste moontlike voor datum deur 'n gegewe model.) Hierdie gemiddelde is gesentreer op tydperk t (M1) / 2, wat impliseer dat die skatting van die plaaslike gemiddelde sal neig om agter die werklike waarde van die plaaslike gemiddelde met sowat (M1) / 2 periodes. So, sê ons die gemiddelde ouderdom van die data in die eenvoudige bewegende gemiddelde is (M1) / 2 met betrekking tot die tydperk waarvoor die voorspelling is bereken: dit is die hoeveelheid tyd waarop voorspellings sal neig om agter draaipunte in die data. Byvoorbeeld, as jy gemiddeld die afgelope 5 waardes, sal die voorspellings wees oor 3 periodes laat in reaksie op draaipunte. Let daarop dat indien M1, die eenvoudige bewegende gemiddelde (SMA) model is soortgelyk aan die ewekansige loop model (sonder groei). As m is baie groot (vergelykbaar met die lengte van die skatting tydperk), die SMA model is gelykstaande aan die gemiddelde model. Soos met enige parameter van 'n voorspelling model, is dit gebruiklik om die waarde van k te pas ten einde die beste quotfitquot om die data, dit wil sê die kleinste voorspelling foute gemiddeld behaal. Hier is 'n voorbeeld van 'n reeks wat blykbaar ewekansige skommelinge toon om 'n stadig-wisselende gemiddelde. In die eerste plek kan probeer om dit aan te pas met 'n ewekansige loop model, wat gelykstaande is aan 'n eenvoudige bewegende gemiddelde van 1 kwartaal: Die ewekansige loop model reageer baie vinnig om veranderinge in die reeks, maar sodoende dit tel baie van die quotnoisequot in die data (die ewekansige skommelinge) asook die quotsignalquot (die plaaslike gemiddelde). As ons eerder probeer 'n eenvoudige bewegende gemiddelde van 5 terme, kry ons 'n gladder lyk stel voorspellings: Die 5 termyn eenvoudige bewegende gemiddelde opbrengste aansienlik kleiner foute as die ewekansige loop model in hierdie geval. Die gemiddelde ouderdom van die data in hierdie voorspelling is 3 ((51) / 2), sodat dit is geneig om agter draaipunte met sowat drie periodes. (Byvoorbeeld, blyk 'n afswaai het plaasgevind by tydperk 21, maar die voorspellings nie omdraai tot verskeie tydperke later.) Let daarop dat die langtermyn-voorspellings van die SMA model is 'n horisontale reguit lyn, net soos in die ewekansige loop model. So, die SMA model veronderstel dat daar geen neiging in die data. Maar, terwyl die voorspellings van die ewekansige loop model is eenvoudig gelyk aan die laaste waargenome waarde, die voorspellings van die SMA model is gelykstaande aan 'n geweegde gemiddelde van die afgelope waardes. Die vertroue perke bereken deur Stat Graphics vir die langtermyn-voorspellings van die eenvoudige bewegende gemiddelde nie groter as die vooruitskatting horison styg kry. Dit is natuurlik nie korrek Ongelukkig is daar geen onderliggende statistiese teorie wat ons vertel hoe die vertrouensintervalle behoort te brei vir hierdie model. Dit is egter nie te moeilik om empiriese ramings van die vertroue perke vir die langer-horison voorspellings te bereken. Byvoorbeeld, kan jy die opstel van 'n sigblad waarop die SMA model sal gebruik word om 2 stappe vooruit, 3 stappe vooruit, ens binne die historiese data monster voorspel. Jy kan dan bereken die monster standaardafwykings van die foute op elke voorspelling horison, en dan bou vertrouensintervalle vir langer termyn voorspellings deur optelling en aftrekking veelvoude van die toepaslike standaard afwyking. As ons probeer om 'n 9-termyn eenvoudige bewegende gemiddelde, kry ons selfs gladder voorspellings en meer van 'n sloerende uitwerking: Die gemiddelde ouderdom is nou 5 periodes ((91) / 2). As ons 'n 19-termyn bewegende gemiddelde te neem, die gemiddelde ouderdom toeneem tot 10: Let daarop dat, inderdaad, is die voorspellings nou agter draaipunte met sowat 10 periodes. Watter bedrag van smoothing is die beste vir hierdie reeks Hier is 'n tabel wat hulle dwaling statistieke vergelyk, ook met 'n 3-gemiddelde: Model C, die 5-termyn bewegende gemiddelde, lewer die laagste waarde van RMSE deur 'n klein marge oor die 3 - term en 9 termyn gemiddeldes, en hul ander statistieke is byna identies. So, onder modelle met 'n baie soortgelyke fout statistieke, kan ons kies of ons 'n bietjie meer responsiewe ingesteldheid of 'n bietjie meer gladheid in die voorspellings sou verkies. (Terug na bo.) Browns Eenvoudige Eksponensiële Smoothing (eksponensieel geweeg bewegende gemiddelde) Die eenvoudige bewegende gemiddelde model hierbo beskryf het die ongewenste eienskap dat dit behandel die laaste k Waarnemings ewe en heeltemal ignoreer al voorafgaande waarnemings. Intuïtief, moet afgelope data verdiskonteer in 'n meer geleidelike mode - byvoorbeeld, die mees onlangse waarneming moet 'n bietjie meer gewig kry as 2 mees onlangse, en die 2de mees onlangse moet 'n bietjie meer gewig as die 3 mees onlangse kry, en so aan. Die eenvoudige eksponensiële gladstryking (SES) model accomplishes hierdie. Laat 945 dui n quotsmoothing constantquot ( 'n getal tussen 0 en 1). Een manier om die model te skryf is om 'n reeks L dat die huidige vlak (dit wil sê die plaaslike gemiddelde waarde) van die reeks verteenwoordig as geraamde van data tot op hede te definieer. Die waarde van L op tydstip t is rekursief bereken uit sy eie vorige waarde soos volg: Dus, die huidige stryk waarde is 'n interpolasie tussen die vorige stryk waarde en die huidige waarneming, waar 945 kontroles die nabyheid van die geïnterpoleerde waarde tot die mees onlangse waarneming. Die voorspelling vir die volgende tydperk is eenvoudig die huidige stryk waarde: anders gestel ons kan die volgende voorspelling direk in terme van vorige voorspellings en vorige waarnemings uit te druk, in enige van die volgende ekwivalent weergawes. In die eerste weergawe, die voorspelling is 'n interpolasie tussen vorige skatting en vorige waarneming: In die tweede weergawe, is die volgende voorspelling verkry deur die aanpassing van die vorige skatting in die rigting van die vorige fout deur 'n breukdeel bedrag 945. is die fout gemaak by tyd t. In die derde weergawe, die voorspelling is 'n eksponensieel geweeg (dit wil sê afslag) bewegende gemiddelde met afslag faktor 1- 945: Die interpolasie weergawe van die voorspelling formule is die eenvoudigste om te gebruik as jy die uitvoering van die model op 'n spreadsheet: dit pas in 'n enkele sel en bevat selverwysings verwys na die vorige skatting, die vorige waarneming, en die sel waar die waarde van 945 gestoor. Let daarop dat indien 945 1, die SES model is gelykstaande aan 'n ewekansige loop model (sonder groei). As 945 0, die SES model is gelykstaande aan die gemiddelde model, met die veronderstelling dat die eerste stryk waarde gelyk aan die gemiddelde is ingestel. (Terug na bo.) Die gemiddelde ouderdom van die data in die eenvoudige eksponensiële-glad voorspelling is 1/945 relatief tot die tydperk waarvoor die voorspelling is bereken. (Dit is nie veronderstel duidelik te wees, maar dit kan maklik aangetoon deur die evaluering van 'n oneindige reeks.) Dus, die eenvoudige bewegende gemiddelde voorspelling is geneig om agter draaipunte met sowat 1/945 periodes. Byvoorbeeld, wanneer 945 0.5 die lag is 2 periodes wanneer 945 0.2 die lag is 5 periodes wanneer 945 0.1 die lag is 10 periodes, en so aan. Vir 'n gegewe gemiddelde ouderdom (bv bedrag van lag), die eenvoudige eksponensiële gladstryking (SES) voorspelling is 'n bietjie beter as die eenvoudige bewegende gemiddelde (SMA) voorspel, want dit plaas relatief meer gewig op die mees onlangse waarneming --i. e. dit is 'n bietjie meer quotresponsivequot om veranderinge voorkom in die onlangse verlede. Byvoorbeeld, 'n SMA model met 9 terme en 'n SES model met 945 0.2 beide het 'n gemiddelde ouderdom van 5 vir die data in hul voorspellings, maar die SES model plaas meer gewig op die laaste 3 waardes as wel die SMA model en by die Terselfdertyd is dit doesn8217t heeltemal 8220forget8221 oor waardes meer as 9 tydperke oud was, soos getoon in hierdie grafiek: nog 'n belangrike voordeel van die SES model die SMA model is dat die SES model maak gebruik van 'smoothing parameter wat voortdurend veranderlike, so dit kan maklik new deur die gebruik van 'n quotsolverquot algoritme om die gemiddelde minimum te beperk kwadraat fout. Die optimale waarde van 945 in die SES model vir hierdie reeks blyk te wees 0,2961, soos hier gewys word: die gemiddelde ouderdom van die data in hierdie voorspelling is 1 / 0,2961 3.4 tydperke, wat soortgelyk is aan dié van 'n 6-termyn eenvoudige bewegende gemiddelde. Die langtermyn-voorspellings van die SES model is 'n horisontale reguit lyn. soos in die SMA model en die ewekansige loop model sonder groei. Let egter daarop dat die vertrouensintervalle bereken deur Stat Graphics nou divergeer in 'n redelike aantreklike mode, en dat hulle aansienlik nouer as die vertrouensintervalle vir die ewekansige loop model. Die SES model veronderstel dat die reeks is 'n bietjie quotmore predictablequot as wel die ewekansige loop model. 'N SES model is eintlik 'n spesiale geval van 'n ARIMA model. sodat die statistiese teorie van ARIMA modelle bied 'n goeie basis vir die berekening van vertrouensintervalle vir die SES model. In die besonder, 'n SES model is 'n ARIMA model met een nonseasonal verskil, 'n MA (1) termyn, en geen konstante term. andersins bekend as 'n quotARIMA (0,1,1) model sonder constantquot. Die MA (1) koëffisiënt in die ARIMA model stem ooreen met die hoeveelheid 1- 945 in die SES model. Byvoorbeeld, as jy 'n ARIMA (0,1,1) model inpas sonder konstante om die reeks te ontleed hier, die beraamde MA (1) koëffisiënt blyk te wees 0,7029, wat byna presies 'n minus 0,2961. Dit is moontlik om die aanname van 'n nie-nul konstante lineêre tendens voeg by 'n SES model. Om dit te doen, net 'n ARIMA model met een nonseasonal verskil en 'n MA (1) termyn met 'n konstante, dit wil sê 'n ARIMA (0,1,1) model met 'n konstante spesifiseer. Die langtermyn-voorspellings sal dan 'n tendens wat gelyk is aan die gemiddelde tendens waargeneem oor die hele skatting tydperk is. Jy kan dit nie doen in samewerking met seisoenale aanpassing, omdat die aanpassing opsies seisoenale is afgeskakel wanneer die model tipe is ingestel op ARIMA. Jy kan egter 'n konstante langtermyn eksponensiële tendens om 'n eenvoudige eksponensiële gladstryking model voeg (met of sonder seisoenale aanpassing) deur gebruik te maak van die opsie inflasie-aanpassing in die vooruitskatting prosedure. Die toepaslike quotinflationquot (persentasie groei) koers per periode kan geskat word as die helling koëffisiënt in 'n lineêre tendens model toegerus om die data in samewerking met 'n natuurlike logaritme transformasie, of dit kan op grond van ander, onafhanklike inligting oor die langtermyn groeivooruitsigte . (Terug na bo.) Browns Lineêre (dws dubbel) Eksponensiële glad die SMA modelle en SES modelle aanvaar dat daar geen tendens van enige aard in die data (wat gewoonlik OK of ten minste nie-te-sleg vir 1- stap-ahead voorspellings wanneer die data is relatief raserig), en hulle kan verander word om 'n konstante lineêre tendens inkorporeer soos hierbo getoon. Wat van kort termyn tendense As 'n reeks vertoon 'n wisselende koers van groei of 'n sikliese patroon wat uitstaan ​​duidelik teen die geraas, en as daar 'n behoefte aan meer as 1 tydperk wat voorlê voorspel, dan skatting van 'n plaaslike tendens kan ook wees n probleem. Die eenvoudige eksponensiële gladstryking model veralgemeen kan word na 'n lineêre eksponensiële gladstryking (LES) model wat plaaslike begrotings van beide vlak en tendens bere te kry. Die eenvoudigste-time wisselende tendens model is Browns lineêr eksponensiële gladstryking model, wat twee verskillende reëlmatige reeks wat op verskillende punte gesentreer in die tyd gebruik. Die vooruitskatting formule is gebaseer op 'n ekstrapolasie van 'n streep deur die twee sentrums. ( 'N meer gesofistikeerde weergawe van hierdie model, Holt8217s, word hieronder bespreek.) Die algebraïese vorm van Brown8217s lineêr eksponensiële gladstryking model, soos dié van die eenvoudige eksponensiële gladstryking model, uitgedruk kan word in 'n aantal verskillende maar ekwivalente vorms. Die quotstandardquot vorm van hierdie model word gewoonlik uitgedruk as volg: Laat S dui die enkel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking om reeks Y. Dit is, is die waarde van S op tydperk t gegee word deur: (Onthou dat, onder eenvoudige eksponensiële gladstryking, dit sou die voorspelling vir Y by tydperk T1 wees) Dan Squot dui die dubbel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking (met behulp van dieselfde 945) tot reeks S:. ten slotte, die voorspelling vir Y tk. vir enige kgt1, word gegee deur: Dit lewer e 1 0 (dit wil sê kul n bietjie, en laat die eerste skatting gelyk wees aan die werklike eerste waarneming), en e 2 Y 2 8211 Y 1. waarna voorspellings gegenereer met behulp van die vergelyking hierbo. Dit gee dieselfde toegerus waardes as die formule gebaseer op S en S indien laasgenoemde is begin met behulp van S 1 S 1 Y 1. Hierdie weergawe van die model gebruik word op die volgende bladsy wat 'n kombinasie van eksponensiële gladstryking met seisoenale aanpassing illustreer. Holt8217s Lineêre Eksponensiële Smoothing Brown8217s LES model bere plaaslike begrotings van vlak en tendens deur glad die onlangse data, maar die feit dat dit nie so met 'n enkele glad parameter plaas 'n beperking op die data patrone wat dit in staat is om aan te pas: die vlak en tendens word nie toegelaat om wissel op onafhanklike tariewe. Holt8217s LES model spreek hierdie kwessie deur die insluiting van twee glad konstantes, een vir die vlak en een vir die tendens. Te eniger tyd t, soos in Brown8217s model, die daar is 'n skatting L t van die plaaslike vlak en 'n skatting T t van die plaaslike tendens. Hier is hulle rekursief bereken vanaf die waarde van Y op tydstip t en die vorige raming van die vlak en tendens waargeneem deur twee vergelykings wat eksponensiële gladstryking afsonderlik van toepassing op hulle. As die geskatte vlak en tendens op tydstip t-1 is L t82091 en T t-1. onderskeidelik, dan is die voorspelling vir Y tshy wat op tydstip t-1 sal gemaak is gelyk aan L t-1 T T-1. Wanneer die werklike waarde is waargeneem, is die opgedateer skatting van die vlak rekursief bereken deur interpol tussen Y tshy en sy voorspelling, L t-1 T T-1, die gebruik van gewigte van 945 en 1- 945. Die verandering in die geskatte vlak, naamlik L t 8209 L t82091. geïnterpreteer kan word as 'n lawaaierige meting van die tendens op tydstip t. Die opgedateer skatting van die tendens is dan rekursief bereken deur interpol tussen L t 8209 L t82091 en die vorige skatting van die tendens, T t-1. die gebruik van gewigte van 946 en 1-946: Die interpretasie van die tendens-glad konstante 946 is soortgelyk aan dié van die vlak glad konstante 945. Models met klein waardes van 946 aanvaar dat die tendens verander net baie stadig met verloop van tyd, terwyl modelle met groter 946 aanvaar dat dit vinniger is om te verander. 'N Model met 'n groot 946 is van mening dat die verre toekoms is baie onseker, omdat foute in die tendens-skatting word baie belangrik wanneer voorspel meer as een tydperk wat voorlê. (Terug na bo.) Die smoothing konstantes 945 en 946 kan in die gewone manier word beraam deur die vermindering van die gemiddelde kwadraat fout van die 1-stap-ahead voorspellings. Wanneer dit in Stat Graphics gedoen, die skattings uitdraai om te wees 945 0.3048 en 946 0,008. Die baie klein waarde van 946 beteken dat die model veronderstel baie min verandering in die tendens van een tydperk na die volgende, so basies hierdie model is besig om 'n langtermyn-tendens skat. Volgens analogie met die idee van die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike vlak van die reeks, die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike tendens is eweredig aan 1/946, hoewel nie presies gelyk aan Dit. In hierdie geval is dit blyk 1 / 0,006 125. Dit isn8217t n baie presiese aantal sover die akkuraatheid van die skatting van 946 isn8217t regtig 3 desimale plekke te wees, maar dit is van dieselfde algemene orde van grootte as die steekproefgrootte van 100 , so hierdie model is gemiddeld oor 'n hele klomp van die geskiedenis in die skatte van die tendens. Die voorspelling plot hieronder toon dat die LES model skat 'n effens groter plaaslike tendens aan die einde van die reeks as die konstante tendens geskat in die SEStrend model. Ook waarvan die beraamde waarde van 945 is byna identies aan die een wat deur die pas van die SES model met of sonder tendens, so dit is amper dieselfde model. Nou, doen hierdie lyk redelike voorspellings vir 'n model wat veronderstel is om te beraming 'n plaaslike tendens As jy hierdie plot 8220eyeball8221, dit lyk asof die plaaslike tendens afwaarts gedraai aan die einde van die reeks: Wat het die parameters van hierdie model gebeur is beraam deur die vermindering van die kwadraat fout van 1-stap-ahead voorspellings, nie langer termyn voorspellings, in welke geval die tendens 'n groot verskil doesn8217t maak. As alles wat jy is op soek na is 1-stap-ahead foute, is jy nie sien die groter prentjie van tendense oor (sê) 10 of 20 periodes. Ten einde hierdie model meer in harmonie te kry met ons oogbal ekstrapolasie van die data, kan ons met die hand die tendens-glad konstante pas sodat dit 'n korter basislyn vir tendens skatting. Byvoorbeeld, as ons kies om te stel 946 0.1, dan is die gemiddelde ouderdom van die gebruik in die skatte van die plaaslike tendens data is 10 periodes, wat beteken dat ons die gemiddeld van die tendens oor daardie laaste 20 periodes of so. Here8217s wat die voorspelling plot lyk asof ons '946 0.1 terwyl 945 0.3. Dit lyk intuïtief redelike vir hierdie reeks, maar dit is waarskynlik gevaarlik om hierdie tendens te ekstrapoleer nie meer as 10 periodes in die toekoms. Wat van die fout statistieke Hier is 'n model vergelyking vir die twee modelle hierbo asook drie SES modelle getoon. Die optimale waarde van 945.Vir die SES model is ongeveer 0,3, maar soortgelyke resultate (met 'n bietjie meer of minder 'n responsiewe ingesteldheid, onderskeidelik) verkry met 0,5 en 0,2. (A) Holts lineêre exp. glad met alfa 0,3048 en beta 0,008 (B) Holts lineêre exp. glad met alfa 0,3 en beta 0,1 (C) Eenvoudige eksponensiële gladstryking met alfa 0,5 (D) Eenvoudige eksponensiële gladstryking met alfa 0,3 (E) Eenvoudige eksponensiële gladstryking met alfa 0,2 hul statistieke is byna identies, so ons can8217t regtig die keuse te maak op die basis van 1-stap-ahead voorspelling foute binne die data monster. Ons het om terug te val op ander oorwegings. As ons glo dat dit sinvol om die huidige tendens skatting van wat die afgelope 20 periodes of so gebeur baseer, kan ons 'n saak vir die LES model met 945 0.3 en 946 0.1 maak. As ons wil hê agnostikus te wees oor die vraag of daar 'n plaaslike tendens, dan een van die SES modelle makliker om te verduidelik kan wees en sou ook vir meer middel-of-the-road voorspellings vir die volgende 5 of 10 periodes. (Terug na bo.) Watter tipe tendens-ekstrapolasie die beste: horisontale of lineêre empiriese bewyse dui daarop dat, indien die data is reeds aangepas (indien nodig) vir inflasie, dan is dit dalk onverstandig om kort termyn lineêre ekstrapoleer wees tendense baie ver in die toekoms. Tendense duidelik vandag mag verslap in die toekoms as gevolg van uiteenlopende oorsake soos produk veroudering, toenemende mededinging en sikliese afswaai of opwaartse fases in 'n bedryf. Om hierdie rede, eenvoudige eksponensiële gladstryking voer dikwels beter out-of-monster as wat dit andersins word verwag, ten spyte van sy quotnaivequot horisontale tendens ekstrapolasie. Gedempte tendens veranderinge van die lineêre eksponensiële gladstryking model word ook dikwels gebruik in die praktyk om 'n aantekening van konserwatisme in te voer in die tendens projeksies. Die gedempte-tendens LES model geïmplementeer kan word as 'n spesiale geval van 'n ARIMA model, in die besonder, 'n ARIMA (1,1,2) model. Dit is moontlik om vertrouensintervalle rondom langtermyn voorspellings wat deur eksponensiële gladstryking modelle bereken deur die oorweging van hulle as spesiale gevalle van ARIMA modelle. (Pasop: nie alle sagteware bereken vertrouensintervalle vir hierdie modelle korrek.) Die breedte van die vertrouensintervalle hang af van (i) die RMS fout van die model, (ii) die tipe glad (eenvoudige of lineêr) (iii) die waarde (s) van die smoothing konstante (s) en (iv) die aantal periodes voor jy voorspel. In die algemeen, die tussenposes versprei vinniger as 945 kry groter in die SES model en hulle uitgebrei, sodat baie vinniger as lineêre, eerder as eenvoudige smoothing gebruik. Hierdie onderwerp word verder in die ARIMA modelle deel van die notas bespreek. (Terug na bo.)