Wyśrodkowane średnie przykłady

Podczas obliczania bieżącej średniej ruchomej, wprowadzenie średniej w środkowym okresie czasu ma sens W poprzednim przykładzie oblicziliśmy średnią z pierwszych trzech okresów czasu i umieściliśmy ją obok okresu 3. Możemy umieścić średnią w środku przedział czasowy trzech okresów, to jest obok okresu 2. Działa to dobrze z nieparzystymi okresami, ale nie jest tak dobre dla parzystych okresów. Więc gdzie umieścimy pierwszą średnią ruchową, jeśli M 4 Technicznie, średnia ruchoma spadnie poniżej 2,5, 3,5. Aby uniknąć tego problemu wygładzamy macierze przy użyciu M 2. Dzięki temu wygładzamy wygładzone wartości Jeśli przeanalizujemy parzystą liczbę terminów, musimy wygładzić wygładzone wartości Poniższa tabela przedstawia wyniki przy użyciu M 4.David, Yes, MapReduce przeznaczonych do obsługi dużej ilości danych. I pomysł polega na tym, że ogólnie rzecz biorąc, mapa i funkcje redukujące nie powinny troszczyć się o ilu maperów lub ilu reduktorów jest, a tylko o optymalizacji. Jeśli uważnie zastanawiasz się nad algorytmem, który wysłałem, możesz zauważyć, że nie ma znaczenia, który maparz pobiera jakie części danych. Każdy rekord wejściowy będzie dostępny dla każdej operacji redukcji, która jej potrzebuje. ndash Joe K Kwiecień 18 12 at 22:30 W najlepszym zrozumieniu średniej ruchomej nie jest ładnie mapy do paradygmatu MapReduce, ponieważ jego obliczenie jest zasadniczo przesuwane okno na sortowane dane, a MR jest przetwarzanie niezaprzeczonych zakresów posortowanych danych. Rozwiązanie widzę w następujący sposób: a) Aby wdrożyć niestandardowy partycjoner umożliwiający wykonanie dwóch różnych partycji w dwóch przebiegach. W każdym biegu reduktory otrzymają różne zakresy danych i obliczają średnią ruchową w stosownych przypadkach, którą będę próbował zilustrować: w pierwszym raporcie dla reduktorów powinny być: R1: Q1, Q2, Q3, Q4 R2: Q5, Q6, Q7, Q8 . tutaj będziesz kauczał średnią ruchoma dla niektórych Qs. W następnej rundzie reduktory powinny uzyskać dane takie jak: R1: Q1. Q6 R2: Q6. Q10 R3: Q10..Q14 I caclulate pozostałe średnie kroczące. Następnie trzeba będzie sumować wyniki. Idea niestandardowej partycji ma dwa tryby pracy - za każdym razem dzieląc na równe zakresy, ale z pewną zmianą. W pseudokodie będzie wyglądać tak. partycja (keySHIFT) (MAXKEYnumOfPartitions) gdzie: SHIFT zostanie pobrane z konfiguracji. MAXKEY maksymalna wartość klucza. Zakładam za prostotę, że zaczynają się od zera. RecordReader, IMHO nie jest rozwiązaniem, ponieważ ogranicza się do konkretnego podziału i nie może przesuwać się na granicy podziałów. Innym rozwiązaniem byłoby wdrożenie niestandardowej logiki podziału danych wejściowych (jest to część InputFormat). Można to zrobić, aby wykonać 2 różne slajdy podobne do podziału. Średnie oczekiwania: jakie są ich jednymi z najbardziej popularnych wskaźników technicznych, średnie ruchome są używane do pomiaru kierunku bieżącej tendencji. Każdy typ średniej ruchomej (powszechnie napisany w tym samouczku jako MA) jest wynikiem matematycznym, który jest obliczany przez uśrednienie wielu poprzednich punktów danych. Po ustaleniu średniej wynikającej z wykresu jest następnie wykreślana na wykresie, aby umożliwić przedsiębiorcom przeglądanie wygładzonych danych, a nie koncentrowanie się na codziennych wahaniach cen, które są nieodłączne dla wszystkich rynków finansowych. Najprostszą formą średniej ruchomej, odpowiednio znaną jako prosta średnia ruchoma (SMA), oblicza się biorąc średnią arytmetyczną określonego zestawu wartości. Na przykład, aby obliczyć podstawową 10-dniową średnią ruchoma, należy dodać do ceny zamknięcia z ostatnich 10 dni, a następnie podzielić wynik o 10. Na rysunku 1 suma cen za ostatnie 10 dni (110) jest podzielony przez liczbę dni (10), aby osiągnąć średnią z 10 dni. Jeśli zamiast tego przedsiębiorca chciałby wyznaczyć średnią na 50 dni, to taki sam kalkulator zostanie dokonany, ale obejmowałby ceny w ciągu ostatnich 50 dni. Powstała średnia poniżej (11) uwzględnia przeszłe 10 punktów danych, aby dać handlowcom pojęcie, w jaki sposób dany składnik aktywów jest wyceniony w stosunku do ostatnich 10 dni. Być może zastanawiasz się, dlaczego techniczni handlowcy nazywają to narzędzie średnią ruchomą, a nie zwykłą średnią. Odpowiedź jest taka, że ​​w miarę pojawiania się nowych wartości najstarsze punkty danych muszą zostać usunięte z zestawu, a nowe punkty muszą zostać zastąpione. Tak więc zestaw danych nieustannie przenosi się do nowych danych, gdy tylko będzie dostępny. Ta metoda obliczeń zapewnia, że ​​tylko rozliczane są bieżące informacje. Na rysunku 2, po dodaniu nowej wartości 5 do zestawu, czerwone pole (reprezentujące ostatnie 10 punktów danych) przesuwa się w prawo, a ostatnia wartość 15 zostaje pomniejszona z obliczenia. Ponieważ względnie mała wartość 5 zastępuje dużą wartość 15, można oczekiwać, że średnia z danych zmniejszy się, co robi, w tym przypadku od 11 do 10. Co robi średnie ruchome Jak wartości MA zostały obliczone, są one wykreślane na wykresie, a następnie połączone w celu utworzenia średniej ruchomej linii. Te zakrzywione linie są wspólne na wykresach technicznych podmiotów gospodarczych, ale jak one są stosowane mogą się znacznie różnić (więcej o tym później). Jak widać na rysunku 3, można dodać więcej niż jedną średnią ruchu do dowolnego wykresu, dostosowując liczbę okresów używanych do obliczania. Te zakrzywione linie wydają się najpierw rozpraszać lub mylić, ale przyzwyczaili się do nich, gdy czas się trwa. Czerwona linia jest po prostu średnią ceną w ciągu ostatnich 50 dni, a niebieska linia jest średnią ceną w ciągu ostatnich 100 dni. Teraz, gdy zrozumiesz średnią ruchomej i jak wygląda, dobrze wprowadź inny typ średniej ruchomej i sprawdź, jak różni się od wspomnianej wcześniej prostej średniej ruchomej. Prosta średnia ruchoma jest bardzo popularna wśród przedsiębiorców, ale podobnie jak wszystkie wskaźniki techniczne, ma swoje krytyki. Wiele osób twierdzi, że użyteczność SMA jest ograniczona, ponieważ każdy punkt serii danych jest ważony tak samo, niezależnie od miejsca, w którym występuje w sekwencji. Krytycy argumentują, że najnowsze dane są bardziej znaczące niż starsze dane i powinny mieć większy wpływ na końcowy wynik. W odpowiedzi na tę krytykę przedsiębiorcy zaczęli przywiązywać większą wagę do ostatnich danych, co doprowadziło do powstania różnego rodzaju nowych średników, z których najbardziej popularna jest wykładnicza średnia ruchoma (EMA). (Aby uzyskać więcej informacji na ten temat, zobacz Podstawy średnich ruchów ważonych i Jaka jest różnica między SMA i EMA) Średnia przemieszczająca się wykładnicza Średnia średnica ruchoma jest rodzajem średniej ruchomej, która przynosi większą wagę do ostatnich cen w celu zwiększenia jej wrażliwości do nowych informacji. Uczenie skomplikowanego równania w obliczaniu EMA może być niepotrzebne dla wielu przedsiębiorców, ponieważ prawie wszystkie pakiety wykresów wykonują obliczenia dla Ciebie. Jednak dla ciebie matematyki są tutaj równania EMA: przy użyciu formuły do ​​obliczania pierwszego punktu EMA można zauważyć, że nie ma wartości dostępnej do wykorzystania w poprzedniej EMA. Ten mały problem można rozwiązać, uruchamiając obliczenia przy prostej średniej ruchomej i kontynuując z powyższej formuły stamtąd. Przygotowaliśmy przykładowy arkusz kalkulacyjny zawierający rzeczywiste przykłady obliczania zarówno prostej średniej ruchomej, jak i wykładniczej średniej ruchomej. Różnica między EMA i SMA Teraz, gdy masz lepsze zrozumienie, jak obliczany jest SMA i EMA, spójrz, jak te średnie różnią się. Patrząc na obliczenie EMA, zauważysz, że większy nacisk położono na ostatnie punkty danych, co czyni go typem średniej ważonej. Na rysunku 5 liczba okresów czasu używanych w każdej średniej jest identyczna (15), ale EMA reaguje szybciej na zmiany cen. Zwróć uwagę, jak EMA ma wyższą wartość, gdy cena wzrasta i spada szybciej niż SMA, gdy cena maleje. Ta reakcja jest głównym powodem, dla którego wielu przedsiębiorców wolą używać EMA w SMA. Co robi różniące się średnie Średnie ruchome są całkowicie dostosowywanym wskaźnikiem, co oznacza, że ​​użytkownik może swobodnie dobrać dowolną ramkę czasową, jaką chcą podczas tworzenia średniej. Najczęstsze okresy czasu użyte w ruchomej średniej to 15, 20, 30, 50, 100 i 200 dni. Im krótszy jest okres generowania średniej, tym bardziej wrażliwe będą zmiany cen. Im dłuższy jest czas, tym mniej wrażliwy, lub bardziej wygładzony, średnia będzie. Nie ma odpowiedniej ramki czasowej, którą można użyć podczas konfigurowania średnich kroczących. Najlepszym sposobem, aby dowiedzieć się, który z nich najlepiej dla Ciebie jest eksperymentowanie z wieloma różnymi okresami czasu, aż znajdziesz taki, który pasuje do twojej strategii. Średnie kroczące i średnie kroczące Kilka punktów o sezonowości w cyklu czasowym powtarza się, nawet jeśli wydają się oczywiste. Jednym z nich jest to, że termin 8220season8221 niekoniecznie odnosi się do czterech pór roku, wynikających z nachylenia osi Earth8217s. W analizie predykcyjnej 8220season8221 często oznacza dokładnie, że ponieważ wiele zjawisk, z którymi się uczymy, zmienia się wraz z postępem wiosny do zimy: sprzedaż narzędzi zimowych lub letnich, częstość występowania pewnych powszechnych chorób, zdarzenia pogodowe spowodowane lokalizacją strumień strumienia i zmiany temperatury wody we wschodnim Oceanie Spokojnym i tak dalej. Również zdarzenia, które zdarzają się regularnie, mogą działać jak sezony meteorologiczne, chociaż mają tylko niewielkie połączenie z przesileniami i równonocami. Osiem godzinnych zmian w szpitalach i fabrykach często wyraża się w częstości występowania spożycia i wydatków na energię tam, sezon trwa osiem godzin i cykle cyklu codziennie, nie każdego roku. Dni terminów podatków sygnalizują początek zalania dolarami w skarbnicach komunalnych, stanowych i federalnych, sezon może wynosić jeden rok (podatki od osób fizycznych), sześć miesięcy (podatki od nieruchomości w wielu stanach), kwartalnie (wiele podatków od osób prawnych ), i tak dalej. To trochę dziwne, że słowo 8220season8221 odnosi się ogólnie do regularnie powtarzającego się okresu, ale nie ma ogólnego terminu dla okresu, w którym następuje jeden pełny sezon. 8220Cycle8221 jest możliwe, ale w analityce i prognozowaniu tego terminu zwykle rozumie się okres o nieokreślonej długości, na przykład cykl koniunkturalny. Wobec braku lepszego terminu, I8217ve wykorzystywał 8220 okres obejmujący 8221 w tym i kolejnych rozdziałach. To isn8217t słuszne pojęcie terminologiczne. Sposoby identyfikacji sezonów i okres czasu, w którym pory roku mają rzeczywisty, a często niewielki wpływ na sposób mierzenia ich skutków. Poniższe sekcje omawiają, jak niektórzy analitycy różnią się sposobem obliczania średnich kroczących w zależności od tego, czy liczba sezonów jest nieparzysta czy parzysta. Używanie średnich ruchów zamiast prostych średnich Załóżmy, że duże miasto zastanawia się nad ponownym przydziałem policji drogowej, aby lepiej zająć się przypadkami jazdy w czasie, gdy miasto jest przekonane, że rośnie. Cztery tygodnie temu pojawiły się nowe ustawy, legalizujące posiadanie i rekreacyjne użycie marihuany. Od tamtej pory dziennie liczba aresztowań ruchu na DWI wydaje się być tendencyjna. Skomplikowanymi sprawami jest fakt, że liczba pieczołowicie wzrasta w piątki i soboty. Aby pomóc zaplanować zapotrzebowanie na siłę roboczą w przyszłości, planujesz przewidzieć, jaka jest tendencja, która powstała. You8217d również chciałbyś poświęcić czas na rozmieszczenie zasobów, aby uwzględnić sezonowość związaną z weekendem, która ma się odbyć. Rysunek 5.9 zawiera odpowiednie dane, z którymi musisz pracować. Rysunek 5.9 Z każdym zestawem danych każdy dzień tygodnia stanowi okres. Nawet po prostu wzrokiem wykres na rysunku 5.9. można stwierdzić, że wzrasta liczba aresztowań. You8217 będą musieli planować rozszerzenie liczby funkcjonariuszy ruchu i mieć nadzieję, że wkrótce nastąpi szybki trend. Ponadto dane zawierają informacje o tym, że w piątki i soboty regularnie odbywa się więcej aresztowań, dzięki czemu alokacja zasobów musi dotyczyć tych trudności. Musisz jednak określić ilościową tendencję, aby ustalić, ile dodatkowych policji będziesz musiał przynieść. Musisz także oszacować spodziewany rozmiar kolizji weekendowych, aby ustalić, ile dodatkowych policji, których potrzebujesz, będzie oglądało dla tych kierowców niekorzystne zmiany. Problem polega na tym, że od dawna don8217t wie, ile dziennego wzrostu jest wynikiem trendu i ile jest spowodowane tym efektem weekendowym. Możesz zacząć od detrending szeregów czasowych. Wcześniej w tym rozdziale, w 8220Simple Seasonal Averages, 8221 widziałeś przykład, jak odstraszać szereg czasowy, aby wyizolować efekty sezonowe za pomocą prostej metody średniej. W tej sekcji you8217 zobaczy, jak to zrobić, używając średnich ruchów8212więcej prawdopodobieństwa, podejście średniej ruchomości jest używane częściej w analityce predyktywnej, niż podejście proste średnie. Istnieją różne powody, aby zwiększyć popularność średnich kroczących, między innymi, że podejście "ruchomych średnich" nie wymaga zwielokrotniania danych w procesie ilościowego określania tendencji. Przypomnijmy, że wcześniejszy przykład spowodował, że konieczne było zwalnianie średnich kwartalnych do średnich rocznych, obliczanie rocznej tendencji, a następnie rozdawanie jednej czwartej rocznej tendencji w każdym kwartale roku. Ten krok był potrzebny, aby usunąć trend ze skutków sezonowych. W przeciwieństwie do tego, podejście "ruchomo średnie" pozwala pozbyć się szeregów czasowych bez uciekania się do tego rodzaju obróbki. Rysunek 5.10 pokazuje, jak działa podejście średniej ruchomej w niniejszym przykładzie. Rysunek 5.10 Średnia ruchoma w drugim wykresie wyjaśnia trenujący trend. Rysunek 5.10 dodaje średnią ruchomą kolumnę oraz kolumnę dla poszczególnych sezonów. do zbioru danych z rysunku 5.9. Oba dodatki wymagają dyskusji. Spike w aresztowaniach, które mają miejsce w weekendy daje powody, aby sądzić, że pracujesz z sezonów, które powtarzają się raz w tygodniu. Zatem zacznij od uzyskania średniej przez cały okres 8212, czyli pierwszych siedmiu sezonów, od poniedziałku do niedzieli. Wzór średniej w komórce D5, pierwszej dostępnej średniej ruchomej, jest następujący: ta formuła jest kopiowana i wklejana przez komórkę D29, dzięki czemu masz 25 średnich ruchomej na podstawie 25 przebiegów siedmiu kolejnych dni. Zauważ, że w celu pokazania zarówno pierwszych, jak i ostatnich obserwacji w serii czasów, ukrywam rzędy od 10 do 17. W tym podręczniku rozdział 821 można je ukryć, dostępne z witryny wydawcy 821s. Wykonaj wiele zaznaczonych wierszy 9 i 18, kliknij prawym przyciskiem myszy jeden z nagłówków wierszy i wybierz polecenie Unhide z menu skrótów. Kiedy ukryjesz wiersze arkusza roboczego 8217, jak zrobiłem to na rysunku 5.10. wszystkie wykresy danych w ukrytych wierszach są również ukryte na wykresie. Etykiety osi x określają tylko punkty danych wyświetlane na wykresie. Ponieważ każda średnia ruchoma na rysunku 5.10 obejmuje siedem dni, żadna średnia ruchoma nie jest powiązana z trzema pierwszymi lub ostatnimi trzema obserwacjami. Kopiowanie i wklejenie formuły w komórce D5 w górę o jeden dzień do komórki D4 wyprowadza Cię z obserwacji8212Nie obserwuje się notowania zarejestrowanego w komórce C1. Podobnie nie ma średniej ruchomości zapisanej poniżej komórki D29. Kopiowanie i wklejanie formuły w D29 do D30 wymagałoby obserwacji w komórce C33, a obserwacja nie jest dostępna w dniu, w którym komórka reprezentowałaby. Byłoby oczywiście oczywiście możliwe skrócenie długości średniej ruchomej na pięć zamiast siedmiu. Oznacza to, że średnie ruchome wzory z rysunku 5.10 mogą się rozpocząć w komórce D4 zamiast D5. Jednak w tego typu analizie chcesz, aby średnia długość ruchu była równa liczbie pór roku: siedem dni w tygodniu w przypadku wydarzeń, które powtarzają się co tydzień, oznacza średnią ruchomą o długości siedmiu i cztery czwarte w roku dla wydarzeń, które powtarzalne rocznie oznacza średnią ruchomą o długości czterech. W podobny sposób ogólnie określamy efekty sezonowe w taki sposób, aby w całym okresie czasu wynosić zero. Jak widać w pierwszej części rozdziału 8217 w odniesieniu do prostych średnich, to dokonuje się obliczając średnią z czterech kwartałów w ciągu roku, a następnie odejmując średnią dla roku z każdej kwartalnej liczby. W ten sposób zapewnia się, że całkowity efekt sezonowy wynosi zero. Z kolei te8217 przydatne, ponieważ stawia efekty sezonowe na wspólnym letnim efekcie footing8212a wynoszącym 11, jest dalekie od średniej jako efektu zimowego 821111. Jeśli chcesz przeciętnie pięć sezonów, a nie siedem, aby uzyskać średnią ruchomej, to lepiej. odnajdując zjawisko powtarzające się co pięć pór roku, a nie co siedem. Jednak biorąc pod uwagę średnie efekty sezonowe w dalszej części procesu, średnia ta nie powinna być suma do zera. W tym miejscu konieczne jest przeprowadzenie ponownej kalibracji lub normalizacji. średnie, tak aby ich suma była równa zero. Kiedy to zrobione, średnie średnie sezonowe wywierają wpływ na okres czasu należącego do danego sezonu. Po znormalizowaniu średnie sezonowe są określane jako wskaźniki sezonowe, o których wspomniany już rozdział kilkakrotnie wspomniano. You8217 zobaczymy, jak to działa później w tym rozdziale, w 8220Rozwalanie serii z ruchomymi średnimi.8221 Zrozumienie specyficznych sezonów Rysunek 5.10 pokazuje również, co nazywa się sezonami specyficznymi w kolumnie E. Są to, co pozostało po odejściu średniej ruchomej od rzeczywistej obserwacji. Aby zrozumieć, jakie konkretne okresy są reprezentowane, rozważyć średnią ruchu w komórce D5. Jest to średnia obserwacji w C2: C8. Odchylenia każdej obserwacji od średniej ruchomej (na przykład C2 8211 D5) są gwarantowane jako suma równa zero8212that8217s charakterystyczna dla średniej. Dlatego każde odchylenie wyraża efekt związany z tym szczególnym dniem w tym konkretnym tygodniu. Jest to specyficzne sezonowe, a następnie 822weznaczne, ponieważ odchylenie odnosi się do tego konkretnego poniedziałku lub wtorku i tak dalej, i sezonowych, ponieważ w tym przykładzie traktujemy każdego dnia tak, jakby był to okres w całym okresie tygodnia. Ponieważ każda konkretna wielkość sezonowa wpływa na to, że w tym sezonie przekracza średnią ruchomej dla tej grupy siedmiu pór roku, możesz później przeciętnie określić konkretne sezony w danym sezonie (na przykład wszystkie piątki w Twoim seria czasu), aby ocenić, że sezon 8217 generuje raczej ogólne, a nie konkretne efekty. Ta średnia nie jest zakwestionowana przez trend w szeregu czasowym, ponieważ każda konkretna sezonowość wyraża odchylenie od własnej średniej ruchomej. Wyrównywanie średnich kroczących There8217s również kwestia wyrównywania średnich kroczących z oryginalnym zbiorem danych. Na rysunku 5.10. Wyznaczyłem każdą średnią ruchową w środku zakresu obserwowanych przez niego obserwacji. Tak więc na przykład wzór w komórce D5 przewyższa obserwacje w C2: C8, a ja wyrównuję ją z czwartą obserwacją, środkiem uśrednionego zakresu, umieszczając ją w rzędzie 5. Układ ten nazywa się środkową średnią ruchomą . a wielu analityków preferuje wyrównanie każdej średniej ruchomej z punktem środkowym obserwacji, że jest to średnia. Pamiętaj, że w tym kontekście 8220midpoint8221 odnosi się do środka przedziału czasowego: czwartek jest środkiem od poniedziałku do niedzieli. Nie odnosi się do mediany zaobserwowanych wartości, chociaż oczywiście w praktyce może to działać. Innym podejściem jest końcowa średnia ruchoma. W tym przypadku każda średnia ruchoma jest wyrównana z końcową obserwacją, że średnia8212 i dlatego śledzi swoje argumenty. Często jest to preferowany układ, jeśli chcesz używać średniej ruchomej jako prognozy, jak to ma miejsce w przypadku wyrównywania wykładniczego, ponieważ Twoja ostateczna średnia ruchoma jest zgodna z końcową obserwacją. Średnie kroczące średnie kroki przy parzystych liczbach pór roku Zazwyczaj przyjmujemy specjalną procedurę, gdy liczba pór roku jest nawet bardziej niż dziwna. To typowy stan rzeczy: w okresach obejmujących typowe okresy, takie jak miesiące, kwartale i okresy czterornikowe (w wyborach) wydają się być liczbami równymi. Trudność z parzystą liczbą pór roku jest taka, że ​​nie ma punktu środkowego. Dwa nie jest środkiem zakresu rozpoczynającego się od 1, a kończącym się na 4, a nie jest 3, jeśli można powiedzieć, że ma jeden, jego punkt środkowy wynosi 2,5. Sześć nie jest punktem średnim od 1 do 12, a nie ma 7 jego czysto teoretycznego punktu środkowego wynosi 6,5. Aby działać tak, jakby istnieje punkt pośredni, musisz dodać warstwę średnią na szczycie średnich kroczących. Patrz rysunek 5.11. Rysunek 5.11 Excel oferuje kilka sposobów obliczania średniej ruchomej. Ideą tego podejścia do uzyskania średniej ruchomej, która w latach osiemdziesiątych skoncentrowała się na istniejącym punkcie środkowym, gdy liczba dni równa jest kilku pułapom, to przeciągnąć półpiętro o pół pory. Obliczasz średnią ruchomą, która byłaby wyśrodkowana, powiedzmy, trzeci punkt w czasie, jeśli pięć pór roku zamiast cztery stanowiły jedną pełną zmianę kalendarza. To, że wykonano dwa kolejne średnie kroczące i uśredniając ich. Tak na rysunku 5.11. there8217s średnia ruchoma w komórce E6, która średnia wartości w D3: D9. Ponieważ w D3: D9 są cztery wartości sezonowe, średnia ruchoma w E6 jest uważana za wyśrodkowaną w wyimaginowanym sezonie 2,5, o połowę niższym od pierwszego dostępnego sezonu kandydata, 3. (sezony 1 i 2 są niedostępne jako punkty pośrednie dla brak danych do średniej przed sezonem 1.) Należy jednak pamiętać, że średnia ruchoma w komórce E8 przewyższa wartości w D5: D11, druga do piątej w serii czasowej. Ta średnia jest wyśrodkowana (wyimaginowany) punkt 3.5, pełny okres przed średnią wyśrodkowaną na 2,5. Uśredniając dwa średnie ruchome, więc myślenie idzie, można przeciągnąć punkt środkowy pierwszej średniej ruchomej o pół punktu o 2,5 punktu na 3. To, co oznaczają wartości średnie w kolumnie F na rysunku 5.11. Komórka F7 dostarcza średnią ruchomej średniej w E6 i E8. I średnia w F7 jest wyrównana z trzecim punktem danych w pierwotnej serii czasowej, w komórce D7, aby podkreślić, że średnia jest skoncentrowana na tym sezonie. Jeśli rozwiniesz formułę w komórce F7, a także średnie ruchome w komórkach E6 i E8, you8217 zobaczy, że okazuje się średnią ważoną z pierwszych pięciu wartości w serii czasowej, przy czym pierwsza i piąta wartość podano wagę z 1, a druga do czwartej wartości, biorąc pod uwagę wagę 2. Prowadzi to do szybszego i prostszego sposobu obliczania średniej ruchomej z równą liczbą pór roku. Na rysunku 5.11. wagi są przechowywane w zakresie H3: H11. Ta formuła zwraca pierwszą centrowaną średnią ruchową, w komórce I7: ta formuła zwraca 13,75. co jest identyczne z wartością obliczoną przez podwójnie przeciętną formułę w komórce F7. Dokonywanie odniesienia do ciężaru bezwzględnie za pomocą znaków dolara w H3: H11. możesz skopiować formułę i wkleić ją tak daleko, jak to konieczne, aby resztę średnich ruchomej. Determinacja serii z średnimi kroczącymi Jeśli średnie ruchome zostały odejmowane z pierwotnych obserwacji, aby uzyskać określone sezony, usunięto trendu z serii. Co pozostało w konkretnych sezonach, to zwykle stacjonarna, pozioma seria z dwoma efektami, które powodują, że konkretne sezony odbiegają od linii prostej: efektów sezonowych i przypadkowych błędów w pierwotnych obserwacjach. Rysunek 5.12 przedstawia wyniki dla tego przykładu. Rysunek 5.12 Szczególne efekty sezonowe w piątek i sobotę pozostają jasne w serii detrended. Górny schemat na rysunku 5.12 przedstawia oryginalne codzienne obserwacje. Zarówno ogólna tendencja wzrostowa jak i weekendowe skoki sezonowe są jasne. Na dolnym wykresie pokazano konkretne sezony: wynik odstraszenia oryginalnych serii przy użyciu filtru o średniej ruchomości, jak opisano wcześniej w 8220Podstawy specyficzne dla sezonu.8221 Można zauważyć, że zespoły z detrendą są obecnie w zasadzie poziome (liniowa linia dla poszczególnych sezonów ma lekki spadek w dół), ale sezonowe piątkowe i sobotnie kolce nadal są na swoim miejscu. Następnym krokiem jest wyjście poza konkretne sezony do indeksów sezonowych. Patrz rysunek 5.13. Rysunek 5.13 Określone efekty sezonowe są uśrednione, a następnie normalizowane tak, aby osiągnąć sezonowe indeksy. Na rysunku 5.13. specyficzne sezony w kolumnie E są rozmieszczone w formie tabelarycznej pokazanej w zakresie H4: N7. Celem jest po prostu ułatwienie obliczania średnich sezonowych. Te średnie są pokazane w H11: N11. Wartości w H11: N11 są średnimi, a nie odchyleniami od średniej, a zatem możemy oczekiwać od nich sumy zerowej. Nadal musimy dostosować je tak, aby wyrażały odchylenia od wielkiej średniej. Ta wielka średnia pojawia się w komórce N13 i jest średnią średnich sezonowych. Można osiągnąć sezonowe indeksy, odejmując średnią z N13 z każdego z średnich sezonowych. Wynik jest w zakresie H17: N17. Te indeksy sezonowe nie są już konkretne dla danej średniej ruchomej, jak ma to miejsce w konkretnych sezonach w kolumnie E. Ponieważ liczba ta wynosiła średnio w każdym przypadku danego sezonu, wyrażają one średni wpływ danego sezonu na cztery tygodnie w serii czasowej. Co więcej, są to środki sezonu 8217s8212nastego, a dzień8217s8212efektywny w przypadku zatrzymania ruchu w porównaniu do średniej w ciągu siedmiu dni. Możemy teraz używać tych sezonowych indeksów, by zepsuć serie. We8217 wykorzystują serie zdemizowane, aby uzyskać prognozy metodą regresji liniowej lub metodą Holt8217s w celu wygładzania trenowanych serii (omówionych w Rozdziale 4). Następnie dodajemy wskaźniki sezonowe z powrotem do prognoz, aby je zrestartować. Wszystko to jest pokazane na rysunku 5.14. Rysunek 5.14 Po zastosowaniu indeksów sezonowych, wykończenia stosowane w tym miejscu są takie same, jak w przypadku zwykłych średnich. Etapy przedstawione na rysunku 5.14 są w dużej mierze takie same jak na rysunkach 5.6 i 5.7. omówione w kolejnych sekcjach. Przygotowanie obserwacji Odejmuj indeksy sezonowe z pierwotnych obserwacji, aby zminimalizować dane. Można to zrobić, jak pokazano na rysunku 5.14. w których oryginalne obserwacje i indeksy sezonowe są rozmieszczone jako dwie listy rozpoczynające się w tym samym wierszu, kolumny C i F. To rozwiązanie ułatwia obliczanie. Można także odejmować, jak pokazano na rysunku 5.6. w których oryginalne kwartalne obserwacje (C12: F16), kwartalne indeksy (C8: F8) oraz zemstaologiczne wyniki (C20: F24) są wyświetlane w formie tabelarycznej. Taki układ ułatwia skupienie się na indeksach sezonowych i na okresach kwartalnych. Prognoza z obserwacji zdyscyplinowanych Na rysunku 5.14. spostrzeżenia te są zawarte w kolumnie H, a na rysunku 5.7 znajdują się w kolumnie C. Niezależnie od tego, czy chce się zastosować podejście regresji czy podejście do wygładzania prognozy, najlepiej jest zorganizować sporządzenie spisu zdań w jednej kolumnie. Na rysunku 5.14. prognozy znajdują się w kolumnie J. Następująca formuła tablicy jest wpisana w zakresie J2: J32. Wcześniej w tym rozdziale podkreślałem, że jeśli pominiesz argument x wartości z argumentów funkcji 8217s TREND (), Excel dostarczy wartości domyślne 1. 2. n. gdzie n jest liczbą wartości y. We wspomnianej właśnie formule H2: H32 zawiera 31 y-wartości. Ponieważ brakuje argumentu zawierającego wartości x, Excel dostarcza wartości domyślne 1. 2. 31. Są to wartości, które chcielibyśmy użyć mimo to w kolumnie B, więc podana formuła jest równoważna TREND (H2: H32, B2: B32). I to jest struktura stosowana w modelach D5: D24 z rysunku 5.7: Dokonanie prognozy jednostopniowej Do tej pory przewidziano prognozy dotyczące deseasonalizowanych serii czasowych od t1 do t31 na rysunku 5.14. i od t 1 do t 20 na rysunku 5.7. Prognozy te stanowią przydatne informacje dla różnych celów, w tym ocenę dokładności prognoz za pomocą analizy RMSE. Ale twój główny cel prognozuje co najmniej następny, jak dotąd nie zaobserwowany okres. Aby to uzyskać, można było najpierw przewidzieć z funkcji TREND () lub LINEST (), jeśli używasz regresji lub z wyrafinowanej formuły wygładzania, jeśli używasz metody Holt8217s. Następnie można dodać indeks sezonowy do regresji lub wygładzić prognozę, aby uzyskać prognozę, która obejmuje zarówno tendencję, jak i efekt sezonowy. Na rysunku 5.14. otrzymasz prognozę regresji w komórce J33 za pomocą tej wzoru: w tej formule wartości y w H2: H32 są takie same jak w innych TREND () w kolumnie J. Także wartości domyślne x-1 do 32. Teraz jednak podajemy nową wartość x jako trzeci argument function8217s, który mówisz TREND (), aby szukać w komórce B33. It8217s 32. następna wartość t. I Excel zwraca wartość 156,3 w komórce J33. Funkcja TREND () w komórce J33 informuje program Excel, w efekcie, 8220Calculation regresji regresji dla wartości w H2: H32 regresji na wartości t od 1 do 31. Zastosuj równanie regresji do nowej wartości x wynoszącej 32 i zwróć wynik.8221 You8217 znajdą takie samo podejście w komórce D25 z rysunku 5.7. gdzie formuła uzyskania prognozy jednoetapowej jest następująca: Dodawanie indeksów sezonowych Wstecz W Ostatnim krokiem jest ponowne obliczenie prognoz poprzez dodanie indeksów sezonowych do prognoz trendów, odwracając to, co zrobiłeś cztery kroki w tył, gdy odejmujesz indeksy z pierwotnych obserwacji. Odbywa się to w kolumnie F na rysunku 5.7 i kolumnie K na rysunku 5.14. Don8217t zapomnij dodać odpowiedni indeks sezonowy dla prognozy jednoetapowej wyprzedzalności, a wyniki pokazane w komórce F25 na rysunku 5.7 oraz w komórce K33 na rysunku 5.14. (I8217wyświetlono komórki jednoetapowe na obu rysunkach 5.7 i Rysunek 5.14, aby podświetlić prognozy). Można znaleźć wykresy trzech reprezentacji danych o zatrzymaniu ruchu na Rysunku 5.15. serie zdemoralizowane, prognoza liniowa z danych zdemaskalizowanych, a także prognozy rezygnacji. Zauważ, że prognozy uwzględniają zarówno ogólny trend pierwotnych danych, jak i jego kolczugi FridaySaturday. Rysunek 5.15 Wykresy prognoz.