Mikä On Keskitetty Liikkuvan Keskiarvon Excel

Liikkuvan keskiarvon Tämä esimerkki opettaa kuinka laskea aikasarjojen liukuva keskiarvo Excelissä. Liikkuvaa keskiarvoa käytetään epäsäännöllisyyksien (huiput ja laaksot) tasaamiseksi trendien tunnistamiseksi helposti. 1. Ensinnäkin katsomme aikasarjoja. 2. Valitse Tietojen välilehdessä Tietojen analyysi. Huomaa: cant find Data Analysis - painike Klikkaa tästä ladataksesi Analyysi ToolPakin lisäosaa. 3. Valitse Siirrä keskiarvo ja valitse OK. 4. Valitse Syöttöalue-ruutu ja valitse alue B2: M2. 5. Napsauta Intervalli-ruutuun ja kirjoita 6. 6. Napsauta Lähtöalue-ruutua ja valitse solu B3. 8. Piirrä näistä arvoista kaavio. Selitys: koska asetamme välein 6, liikkuva keskiarvo on edellisten 5 datapisteen ja nykyisen datapisteen keskiarvo. Tämän seurauksena huippuja ja laaksoja tasoitetaan. Kaavio näyttää kasvavan trendin. Excel ei voi laskea ensimmäisen 5 datapisteen liukuvaa keskiarvoa, koska ei ole tarpeeksi aiempia datapisteitä. 9. Toista vaiheet 2 - 8 aikavälille 2 ja 4. Päätelmä: Mitä suurempi väli, sitä enemmän piikit ja laaksot tasoitetaan. Mitä pienempi aikaväli, sitä lähempänä liikkuvat keskiarvot ovat todellisia datapisteitä. Kun lasketaan käynnissä oleva liukuva keskiarvo, keskimääräinen keskimääräinen keskimääräinen ajanjakso on järkevä. Edellisessä esimerkissä laskettiin kolmen ensimmäisen ajanjakson keskiarvo ja asetettiin se oli jakson 3 vieressä. Voisimme sijoittaa keskiarvon keskelle kolmen jakson aikaväliä, toisin sanoen jakson 2 vieressä. Tämä sopii hyvin parittomiin aikajaksoihin, mutta ei niin hyviksi yhtä aikaa. Joten mihin sijoittaisimme ensimmäisen liikkuvan keskiarvon, kun M 4 teknisesti Moving Average laski t 2,5, 3,5. Tämän ongelman välttämiseksi tasoitamme MA: t M: n avulla. Siten tasoitetaan tasoitetut arvot Jos meillä on keskimäärin parillinen määrä termejä, meidän on tasoitettava tasoitetut arvot Seuraavassa taulukossa esitetään tulokset käyttämällä M: Sarjan ennakointi: käytännön opas. Otin esimerkin Microsoft Excelin liukuvan keskimääräisen tontin käyttämisestä kuukausittaisen kausittaisuuden estämiseksi. Tämä tehdään luomalla sarjan rivitasku ajan mittaan ja lisää sitten Trendline gt Moving Average (katso postini kausivaihtelun suppressaatiosta). Liikkuvan keskimääräisen trendilinjan lisääminen aikajanaon on parempi nähdä datan suuntaus kausivaihteluilla. Liikkuva keskiarvo, jossa on ikkunan leveys w, tarkoittaa keskiarvoa jokaisen w: n peräkkäisten arvojen joukossa. Aikasarjan visualisoimiseksi käytämme yleensä keskitettyä liikkuvaa keskiarvoa w-kaudella. Keskitetyssä liikkuva keskiarvossa lasketaan liukuvan keskiarvon arvo ajalla t (MA t) keskittämällä ikkunan aika t: n keskiarvoon ikkunan w arvoilla. Esimerkiksi jos meillä on päivittäiset tiedot ja epäilemme viikonpäivän vaikutusta, voimme estää sen keskitetyllä liikkuvalla keskiarvolla w7: llä ja piirtää sitten MA-rivin. Tarkkaava osallistuja minun verkkokurssiin Ennustaminen havaitsi, että Excelsin liukuva keskiarvo ei tuota odottamiaan arvoja: sen sijaan, että keskitettäisiin keskenään kiinnostuksen kohteena olevan aikakauden keskellä olevaan ikkunaan, se vie vain viimeisen kk: n keskiarvon liikkuva keskiarvo). Liikkuvat keskiarvot ovat hyödyllisiä ennusteita varten, ne ovat huonompia visualisointia varten, varsinkin kun sarjassa on trendi. Syy on, että jäljessä oleva liukuva keskiarvo on jäljessä. Katso alla olevaa kuvaa, ja näet eron, joka on jäljessä liikkuva keskiarvo (musta) ja keskitetty liukuva keskiarvo (punainen). Se, että Excel tuottaa jäljellä olevan liukuvan keskiarvon Trendline-valikossa, on melko häiritsevä ja harhaanjohtava. Vielä häiritsevämpää on dokumentaatio. joka kuvaa väärin peräkkäistä MA: tä, joka on esimerkiksi tuotettu: Jos ajanjakso asetetaan esimerkiksi 2: ksi, ensimmäisten kahden datapisteen keskiarvoa käytetään liikkuvan keskimääräisen trendilinjan ensimmäisessä pisteessä. Toisen ja kolmannen datapisteen keskiarvoa käytetään trendilinjan toisena pisteenä ja niin edelleen. Lisätietoja keskimääräisistä liukuvoiteista on tässä: Liikkuvat keskiarvot ja keskitetyt liukuvat keskiarvot Aika-sarjan kausivaihtelut kertovat, vaikka ne näyttäisivätkin selviltä. Toinen on se, että termi 8220season8221 ei välttämättä viittaa vuosien neljän vuoden jaksoihin, jotka johtuvat Earth8217s-akselin kallistumisesta. Ennustavaan analyysiin 8220season8221 tarkoittaa usein täsmälleen sitä, koska monet niistä ilmiöistä, joita tutkimme, vaihtelevat keväällä etenevän talven läpi: talvi - tai kesävarusteiden myyntiä, tiettyjen laajalle levinneiden sairauksien ilmaantumista, sääolosuhteiden aiheuttamat sääolot vesisuihkun virtaus ja veden lämpötilan muutokset Itä-Tyynenmeren alueella ja niin edelleen. Samoin säännöllisesti esiintyvät tapahtumat voivat toimia kuten meteorologiset vuodenaikaa, vaikka niillä on vain vähäinen yhteys solstikseihin ja ravinnoksiin. Kahdeksan tunnin välein sairaaloissa ja tehtaissa ilmaantuu usein energian saannin ja energiankulutuksen esiintyvyys, kausi on kahdeksan tuntia ja kausikierros päivittäin, ei joka vuosi. Verojen eräpäivät merkitsevät dollarin tulvien alkua kuntien, valtioiden ja liittovaltion kassaan, kausi voi olla vuoden pituinen (henkilökohtaiset tuloverot), kuusi kuukautta (verotus monissa maissa), neljännesvuosi (monet yritysverot ), ja niin edelleen. It8217 on hieman outoa, että meillä on sana 8220season8221 viitata yleisesti säännöllisesti toistuvaan ajanjaksoon, mutta ei yleistä termiä ajanjaksolle, jonka aikana tapahtuu yksi kokonainen kausi. 8220Cycle8221 on mahdollista, mutta analysoinnissa ja ennusteessa termillä tarkoitetaan yleensä määrittelemätön pituusjaksoa, kuten liikesykliä. Ilman parempaa termiä I8217 käytti tässä ja seuraavissa luvuissa 8220, joka kattaa ajanjakson 8221. Tämä ei ole vain terminologiaa. Tapoja, joilla tunnistetaan vuodenaikojen ja ajanjakso, jonka aikana vuodenaikojen kääntymisellä on todellisia, joskus vähäisiä vaikutuksia siihen, miten voimme mitata niiden vaikutuksia. Seuraavissa osissa kuvataan, miten jotkut analyytikot vaihtavat tapaa laskea liukuva keskiarvo sen mukaan, onko kausien määrä pariton tai tasainen. Yksinkertaisten keskiarvojen käyttäminen liikuttavien keskiarvojen mukaan Oletetaan, että suuri kaupunki harkitsee liikennepoliisinsa uudelleen kohdentamista, jotta parannettaisiin ajoissa ajamisen todennäköisyyttä heikentyessä, minkä kaupunki uskoo lisääntyneen. Neljä viikkoa sitten tuli voimaan uusi lainsäädäntö, jolla laillistettiin marihuanan hallussapito ja virkistyskäyttö. Siitä lähtien DWI: n liikenteen pidätysten päivittäinen määrä näyttää nousevan. Monimutkaisia ​​asioita on se, että pidätysten määrä näyttää pieleen perjantaisin ja lauantaisin. Jotta voisit suunnitella henkilöstötarpeita tulevaisuuteen, sinun pitäisi ennustaa minkä tahansa taustalla olevan suuntauksen, että8217: t perustuvat. You8217d myös haluaa käyttää resurssejasi ottamaan huomioon viikonloppuihin liittyvän kausiluonteisuuden, joka 8217: s tapahtuu. Kuva 5.9 sisältää tarvittavat tiedot, joiden kanssa sinun on työskenneltävä. Kuva 5.9 Tällä tietosarjalla jokainen viikonpäivä muodostaa kauden. Jopa katsomalla vain kaaviota kuvassa 5.9. voit kertoa, että päivittäisten pidätysten määrä on nousussa. Sinun täytyy suunnitella liikennöitsijöiden määrän lisäämistä ja toivon, että trendit tasoitetaan pian. Lisäksi tiedot viittaavat käsitykseen, että pidätykset tapahtuvat rutiininomaisesti perjantaisin ja lauantaisin, joten resurssien kohdentamisessa on korjattava nämä piikit. Mutta sinun on määriteltävä taustalla oleva suuntaus, jotta voit selvittää, kuinka monta ylimääräistä poliisiasi on tuotava. Sinun on myös kvantifioitava odotettavissa oleva viikonloppupisteen koko, jotta voit selvittää, kuinka monta muuta poliisia tarvitset tarkkailtavan virheellisiä kuljettajia näinä päivinä. Ongelmana on, että siitä huolimatta, et tiedä kuinka paljon päivittäisestä kasvusta johtuu trendistä ja siitä, kuinka paljon tämä viikonlopun vaikutus johtuu. Voit aloittaa irrottamalla aikasarjan. Aiemmin tässä luvussa 8220Simple kausijulkaisut 8221 näit esimerkin siitä, miten aikasarjaa voidaan vähentää kausittaisten vaikutusten eristämiseksi käyttämällä yksinkertaisia ​​keskiarvoja. Tässä osiossa voit selvittää, miten liikkuvaa keskiarvoa käytetään, todennäköisesti liikkuva keskiarvoista lähestymistapaa käytetään useammin ennakoivissa analyyseissä kuin yksinkertaisen keskiarvon lähestymistapa. On olemassa useita syitä, joiden mukaan liikkuvat keskiarvot suosivat suuresti, että liikkuvan keskiarvon lähestymistapa ei vaadi tietojen romahdusta trendin kvantifiointiprosessissa. Muistathan, että aikaisemmassa esimerkissä oli tarpeen laskea vuosineljänneksittäin vuosineljänneksittäin keskiarvot, laskea vuotuinen kehitys ja jakaa neljännes vuotuisesta kehityksestä kunkin vuosineljänneksen aikana. Tämä askel oli tarpeen kausittaisten vaikutusten poistamiseksi. Sitä vastoin liikkuvan keskiarvon lähestymistapa antaa sinulle mahdollisuuden säätää aikasarjoja käyttämättä tällaista työstämistä. Kuvassa 5.10 esitetään, miten liikkuvan keskiarvon lähestymistapa toimii tässä esimerkissä. Kuva 5.10 Toisen kaavion liukuva keskiarvo selkiyttää taustalla olevaa suuntausta. Kuva 5.10 lisää liikkuvan keskiarvon sarakkeen ja sarakkeen tiettyihin kausiluontoihin. kuviossa 5.9 esitettyyn dataan. Molemmat lisäykset edellyttävät jonkin verran keskustelua. Viikonloppuisin pidätyissä piikkeissä on syytä uskoa, että työskentelet vuodenaikoina toistuvasti kerran viikossa. Aloita näin saattamalla keskimääräinen keskiarvo koko ajanjaksolle8212 eli seitsemän ensimmäistä seitsemää vuodenaikaa, maanantaista sunnuntaihin. D5: n keskimääräinen kaava, ensimmäinen käytettävissä oleva liukuva keskiarvo, on seuraava: Tämä kaava kopioidaan ja liitetään alaspäin solun D29 kautta, joten sinulla on 25 liukuvaa keskiarvoa, jotka perustuvat 25 peräkkäisen päivän kuluksi. Huomaa, että aikasarjojen ensimmäisten ja viimeisten havaintojen näyttämiseksi olen piilotanut rivit 10 - 17. Voit tarkastella niitä, jos haluat, tämän luvun8217 työkirjassa, joka on saatavana julkaisijan8217s-verkkosivustolta. Tee useita valittuja näkyviä rivejä 9 ja 18, napsauta hiiren kakkospainikkeella yhtä rivin otsikoista ja valitse pikavalikosta Ponnahtaa. Kun piilotat taulukon 8217 rivit, kuten kuvassa 5.10. kaikki kartoitetut tiedot piilotetuista rivistä piilotetaan myös kaaviossa. X-akselin etiketit tunnistavat vain datapisteet, jotka näkyvät kaaviossa. Koska kutakin liikkuvan keskiarvon kuvassa 5.10 on seitsemän päivää, liikkuvaa keskiarvoa ei ole parissa kolmen ensimmäisen tai kolmen viimeisen havainnon kanssa. Kaavan D5 kopioiminen ja liittäminen yhteen päivään soluun D4 vie sinut pois havainnoista 8212, joten solussa C1 ei ole havaittu havaintoa. Samalla tavalla ei ole liikkuvia keskiarvoja, joka on tallennettu solun D29 alle. Kaavan D29 kopioiminen ja liittäminen D30: een edellyttäisi havainnointia solussa C33 eikä mikään havainto ole käytettävissä päivälle, joka solu edustaa. Tietenkin olisi mahdollista lyhentää liikkuvan keskiarvon pituutta esimerkiksi viiteen seitsemän sijaan. Joten tämä merkitsisi sitä, että kuvion 5.10 liikkuvat keskimääräiset kaavat voisivat alkaa solussa D4 D5: n sijaan. Tällaisessa analyysissä kuitenkin haluat, että liikkuvan keskiarvon pituus on yhtä suuri kuin kausien määrä: seitsemän päivää viikossa tapahtuvien viikoittaisten tapahtumien osalta merkitsee liikkuvan keskiarvon pituuden seitsemän ja neljän neljänneksen vuodessa tapahtumista, jotka toistuvat vuosittain merkitsee liikkuvan keskiarvon pituutta neljä. Samansuuntaisia ​​linjoja pitkin mitataan yleensä kausittaiset vaikutukset siten, että ne ovat yhteensä nollan sisällä koko ajan. Kuten näitte tämän luvun 8217 ensimmäisessä osassa, yksinkertaisista keskiarvoista, tämä tehdään laskemalla vuosien neljän vuosineljänneksen keskiarvo ja vähennämällä vuoden keskiarvo kutakin vuosineljänneksiä kohti. Näin varmistetaan, että kausittaisten vaikutusten kokonaismäärä on nolla. Sen puolesta, että8217s on hyödyllinen, koska se asettaa kausivaihtelut 11: nteen yhteiseen footing8212a-kesävaikutukseen, on kaukana keskiarvosta kuin 821111: n talvivaikutus. Jos haluat keskimäärin viisi vuodenaikaa seitsemän sijasta liikuttamaan keskimäärin, off löytää ilmiö, joka toistuu joka viiden vuoden aikana sijasta seitsemän. Kuitenkin, kun otat keskiarvon kausivaihteluista myöhemmin, nämä keskiarvot eivät todennäköisesti ole nollaa. It8217 tarvitsee tuolloin kalibroida tai normalisoida. keskiarvot niin, että niiden summa on nolla. Kun se8217s suoritetaan, keskimääräiset kausivaihteluvälit ilmaisevat vaikutuksen tiettyyn kausiin kuuluvaan ajanjaksoon. Kun normalisoidaan, kausittaiset keskiarvot on nimetty kausiluonteisiksi indeksiin, jotka tämä luku on jo maininnut useita kertoja. Voit katsoa, ​​miten se toimii myöhemmin tässä luvussa, 8220Designing Series Moving Meansages.8221 Specific Seasonals - tyyppien ymmärtäminen Kuva 5.10 näyttää myös, mitä kutsutaan sarakkeessa E kausiksi. Ne ovat what8217: n jäljellä, kun siirretty keskiarvo vähennetään todellisesta havainnosta. Jotta saisit käsityksen siitä, mitä kausivaihtelut edustavat, harkitse liikkuvan keskiarvon solussa D5. Se on C2: C8: n havaintojen keskiarvo. Jokaisen havainnon poikkeamat liikkuvasta keskiarvosta (esimerkiksi C2 8211 D5) taataan summan nollaksi 8212, joka on keskiarvon tunnuspiirre. Siksi jokainen poikkeama ilmaisee vaikutuksen, joka liittyy siihen tiettyyn päivään kyseisen viikon aikana. It8217s on erityinen kausittainen, sitten8212tyyppinen, koska poikkeama koskee sitä tiettyä maanantaia tai tiistaina ja niin edelleen ja kausia, koska tässä esimerkissä me hoidamme joka päivä yhtä ikään kuin se oli kausi koko viikon ajan. Koska jokainen kausittainen toimenpide vaikuttaa siihen, että kyseinen kausi on suhteessa tämän seitsemän seitsemän vuoden ryhmän liukuvaan keskiarvoon, voit sen jälkeen keskittää tietyn kauden erityiset kausit (esimerkiksi kaikki perjantaisin aikasarja) arvioimaan kauden8217 yleistä eikä erityistä vaikutusta. Tätä keskiarvoa ei häiritse aikasarjojen taustalla oleva trendi, koska jokainen kausittainen ilmaisee poikkeaman omasta erityisestä liikkuvasta keskiarvostaan. Liukuvien keskiarvojen yhdenmukaistaminen On myös kysymys liikkuvien keskiarvojen ja alkuperäisen datasarjan kohdistamisesta. Kuviossa 5.10. Olen kohdistanut kullekin liikkuvalle keskiarvolle sen sisältämien havaintojen keskipisteen. Niinpä esimerkiksi solussa D5 oleva kaava laskee havainnot C2: C8: ssä ja olen sijoittanut sen neljänteen havaintoon keskimääräisen alueen keskipisteenä sijoittamalla se riville 5. Tätä järjestelyä kutsutaan keskitetyksi liukuvalle keskiarvolle . ja monet analyytikot haluavat kohdistaa kunkin liikkuvat keskiarvot keskiarvon havaintojen keskimäärin. Muista, että tässä yhteydessä 8220midpoint8221 viittaa keskipitkällä aikavälillä: torstai on keskipiste maanantaista sunnuntaihin. Se ei viittaa havaittujen arvojen mediaaniin, vaikka tietenkin se saattaisi käytännössä olla tällainen. Toinen lähestymistapa on jäljessä oleva liukuva keskiarvo. Siinä tapauksessa jokainen liukuva keskiarvo on linjassa viimeisen havainnon kanssa, että se keskiarvoa8212 ja siksi se kulkee perustelujensa taakse. Tämä on usein suositeltava järjestely, jos haluat käyttää liukuvaa keskiarvoa ennusteina, kuten eksponenttitasoitus, koska lopullinen liukuva keskiarvo on sama kuin lopullinen käytettävissä oleva havainto. Keskitetyt liikkuvat keskiarvot, joilla on jopa vuosilukuja Yleensä noudatamme erityismenettelyä, kun vuodenaika on jopa epätodellinen. Tyypillinen tilanne: Tänä aikana tyypillisiä kausia, kuten kuukausia, neljäsosaa ja neljännesvuosia (vaaleissa), on taipumus olla jopa useita vuodenaikoja. Vaikeus parillisilla seikoilla on se, että keskipiste ei ole. Kaksi ei ole alueesta, joka alkaa 1: sta ja päättyy 4: een, eikä kumpikaan ole 3, jos voidaan sanoa olevan yksi, sen keskipiste on 2,5. Kuusi ei ole keskipiste 1-12 eikä kumpikaan ole 7 sen puhtaasti teoreettinen keskikohta on 6,5. Jotta keskipiste olisi olemassa, sinun on lisättävä keskimääräinen kerros liikkuvista keskiarvoista. Katso kuvaa 5.11. Kuva 5.11 Excel tarjoaa useita tapoja laskea keskitetty liikkuva keskiarvo. Ajatus tähän lähestymistapaan, jolla saadaan liikkumaton keskiarvo, joka keskittyy olemassa olevaan keskipisteeseen, kun on olemassa parillinen määrä vuodenaikoja, on vetää tämä keskikohta eteenpäin puoli kausi. Lasketaan liikkuva keskiarvo, joka keskittyy esimerkiksi kolmanteen vaiheeseen, jos viisi seitsemää sijasta neljän sijaan muodosti yhden kalenterin täydellisen käännöksen. That8217s tehdään tekemällä kaksi peräkkäistä liukuvaa keskiarvoa ja keskiarvoilla niitä. Joten kuvassa 5.11. Siinä on liikkuva keskiarvo solussa E6, joka keskiarvoa arvot D3: D9: ssä. Koska D3: D9: ssä on neljä kausittaista arvoa, E6: n liukuva keskiarvo on keskimäärin kuvitteellinen kausi 2,5, puoli pistettä lyhyestä ensimmäisestä käytettävissä olevasta ehdokasakaudesta. 3. (Vuodenajat 1 ja 2 eivät ole keskipisteinä datan puute keskimäärin ennen kausi 1.) Huomaa kuitenkin, että liikkuva keskiarvo solussa E8 laskee keskiarvot D5: D11: ssä, toisessa viidennestä aikasarjassa. Tämä keskiarvo keskittyy (kuvitteellinen) pisteeseen 3.5, täysi aika ennen keskiarvoa on keskimäärin 2,5. Keskimäärin laskemalla kaksi liukuvaa keskiarvoa, joten ajattelu menee, voit vetää keskikohdan keskipisteen eteenpäin puoleen pisteeseen, 2,5-3. That8217s mitä kuvion 5.11 sarakkeen F keskiarvot tekevät. Solu F7 antaa keskimääräiset liikkuvat keskiarvot E6: ssä ja E8: ssa. Ja F7: n keskiarvo on alkuperäisen aikasarjojen kolmannen datapisteen kanssa rivissä D7, korostaen, että keskimääräinen keskiarvo on kyseisellä kaudella. Jos laajennat kaavan soluun F7 samoin kuin liikkuvien keskiarvojen soluissa E6 ja E8, näet, että se osoittautuu aikasarjojen viiden ensimmäisen arvon painotetuksi keskiarvoksi, jolloin ensimmäisellä ja viidennellä arvolla on paino 1 ja toisesta neljännestä arvoista, joiden paino on 2. Tämä johtaa meidät nopeampaan ja yksinkertaisempiin tapoihin keskipisteen liukuvan keskiarvon laskemiseksi parillisilla vuodenaikoilla. Vielä kuvassa 5.11. painot tallennetaan alueelle H3: H11. Tämä kaava palauttaa ensimmäisen keskitetyn liukuvan keskiarvon solussa I7: Tämä kaava palauttaa 13,75. joka on identtinen kaksinkertaisen keskimääräisen kaavan laskemalla arvolla solussa F7. Viittaus absoluuttisiin painoihin dollarin merkkien avulla H3: ssa H11. voit kopioida kaavan ja liittää sen alaspäin niin kauas kuin on tarpeen saada muut keskitetyt liukuvat keskiarvot. Sarjan määrittäminen liikkuvilla keskiarvoilla Kun olet vähentänyt liukuvat keskiarvot alkuperäisistä havainnoista saadaksesi tiettyjä kausiluontoja, olet poistanut sarjan taustalla olevan trendin. What8217 on jäljellä tietyissä kausiluonteissa on yleensä kiinteä, horisontaalinen sarja, jossa on kaksi vaikutusta, jotka aiheuttavat tiettyjen kausien poikkeamisen täysin suorasta viivasta: kausivaihtelut ja satunnaiset virheet alkuperäisissä havainnoissa. Kuva 5.12 esittää tämän esimerkin tulokset. Kuva 5.12 Erityiset kausivaihtelut perjantaina ja lauantaina ovat selkeitä. Kuviossa 5.12 ylempi kaavio esittää alkuperäiset päivittäiset havainnot. Sekä yleinen nouseva trendi että viikonloppu kausittaiset piikit ovat selkeitä. Alhaisempi kaavio näyttää erityiset kausivaihtelut: tulos alkuperäisen sarjan hylkäämisestä liikkuvan keskimääräisen suodattimen kanssa, kuten aiemmin 8220.Koska erityisiä kausia koskevia tietoja on selostettu.8221 Huomaa, että tarkkaava sarja on nyt lähes horisontaalinen (lineaarinen trendiviiva tietyille vuodenaikoille on hieman alaspäin ajautuva), mutta kausiluonteiset perjantai - ja lauantain piikit ovat edelleen paikallaan. Seuraava askel on siirtyä kausivaihteluiden ulkopuolelle kausiluonteisiin indekseihin. Katso kuva 5.13. Kuva 5.13 Erityiset kausiluonteiset vaikutukset lasketaan ensin keskiarvoon ja normalisoidaan kausittaisten indeksien saavuttamiseksi. Kuvassa 5.13. sarakkeen E erityiset kausitavat järjestetään uudelleen taulukon muodossa, joka on esitetty alueella H4: N7. Tavoitteena on yksinkertaisesti laskea kausivaihteluiden keskiarvo. Nämä keskiarvot on esitetty H11: N11: ssä. Kuitenkin luvut H11: N11 ovat keskiarvoja, ei poikkeamia keskiarvosta, ja siksi emme voi odottaa niiden summaa nollaksi. Meidän on vielä sopeuduttava niin, että ne ilmaisevat poikkeamia suuresta keskiarvosta. Tämä suuri keskiarvo esiintyy solussa N13 ja se on kausivaihteluiden keskiarvo. Voimme saavuttaa kausiluonteiset indeksit vähentämällä N13: n suuren keskiarvon jokaisesta kausivaihtelusta. Tulos on alueella H17: N17. Nämä kausiluonteiset indeksit eivät enää ole spesifisiä tietylle liikkuvalle keskiarvolle, kuten on tapahtunut sarakkeen E erityisillä kausiluonteilla. Koska ne ovat kunkin kauden kunkin esiintymän keskiarvona, ne ilmaisevat tietyn kauden keskimääräisen vaikutuksen koko neljä viikkoa aikasarjassa. Lisäksi ne ovat mittauksia kausivaihteluista, joissa liikennetapahtumien määrä on 224-prosenttisesti keskimäärin seitsemän päivän ajan. Voimme nyt käyttää näitä kausiluonteisia indeksejä dezasonisoimaan sarjan. We8217ll käyttää deseasonalisoitua sarjaa, jotta saadaan ennusteita lineaarisen regressiota tai Holt8217s-menetelmää tasaavien sarjojen tasoittamiseksi (käsitellään luvussa 4). Sitten lisäämme kausiluonteiset indeksit takaisin ennusteisiin, jotta ne voidaan koota uudelleen. Kaikki tämä näkyy kuvassa 5.14. Kuva 5.14 Kun olet kausittaiset indeksit, tässä kuvatut viimeistelyominaisuudet ovat samat kuin yksinkertaisten keskiarvojen menetelmällä. Kuviossa 5.14 kuvatut vaiheet ovat suurelta osin samoja kuin kuvissa 5.6 ja 5.7. käsitellään seuraavissa osissa. Havaintojen kaksitasoistaminen Vähennä kausittaiset indeksit alkuperäisistä havainnoista datan kaksisuuntaiseksi. Voit tehdä tämän kuvan 5.14 mukaisesti. jossa alkuperäiset havainnot ja kausittaiset indeksit on järjestetty kahteen luetteloon, jotka alkavat samassa rivissä sarakkeissa C ja F. Tämä järjestely tekee laskemien rakenteen helpoksi. Voit myös tehdä vähennyslaskua kuvan 5.6 mukaisesti. jossa esitetään alkuperäiset neljännesvuosittaiset havainnot (C12: F16), neljännesvuosittaiset indeksit (C8: F8) ja deseasonalisoidut tulokset (C20: F24) taulukkomuodossa. Tämä järjestely tekee hieman helpommaksi keskittyä kausiluonteisiin indekseihin ja diasioituneisiin neljännesvuosiin. Kuviossa 5.14 esitetyt kausiporrastetut havainnot. deseasonalisoidut havainnot ovat sarakkeessa H ja kuviossa 5.7 ne 8217 on sarakkeessa C. Riippumatta siitä, haluatko käyttää regressio-lähestymistapaa tai tasoittavaa lähestymistapaa ennusteeseen, it8217 on paras järjestää deseasonalisoidut havainnot yhdellä sarakkeella. Kuviossa 5.14. ennusteet ovat sarakkeessa J. Seuraava sarja kaava on syötetty alueelle J2: J32. Aiemmin tässä luvussa huomautin, että jos jätät x-arvojen argumentin TREND () - funktiosta8217s-argumentteista, Excel toimittaa oletusarvot 1. 2. n. jossa n on y-arvojen määrä. Aikaisemmin annetussa kaavassa H2: H32 sisältää 31 y-arvot. Koska argumentti, joka yleensä sisältää x-arvot puuttuu, Excel toimittaa oletusarvot 1. 2. 31. Nämä arvot haluamme käyttää joka tapauksessa sarakkeessa B, joten annettu kaava vastaa TREND (H2: H32, B2: B32). Ja se8217s on kuvion 5.7 D5: D24: ssä käytetty rakenne: Yksivaiheisen ennusteen tekeminen Tähän mennessä olet määrittänyt ennusteita deseasonalisoidusta aikasarjasta t1 - t31 kuviossa 5.14. ja t1 - t20 kuvasta 5.7. Nämä ennusteet ovat hyödyllisiä tietoja eri tarkoituksiin, mukaan lukien ennusteiden tarkkuuden arviointi RMSE-analyysillä. Mutta tärkein tarkoitus on ennustaa ainakin seuraava, vielä havaitsematon ajanjakso. Saadaksesi tämän, voit ensin ennustaa TREND () tai LINEST () - toiminnon avulla, jos käytät regressiota tai eksponentiaalisen tasauskaavan avulla, jos käytät Holt8217s-menetelmää. Sitten voit lisätä siihen liittyvän kausittaisen indeksin regressioon tai tasoitusennusteeseen saadaksesi ennusteen, joka sisältää sekä trendin että kausivaihtelun. Kuviossa 5.14. saat regressioennusteen solussa J33 tällä kaavalla: Tässä kaavassa y: n arvot H2: H32: ssa ovat samat kuin muissa TREND () - kaavoissa sarakkeessa J. Joten ovat (oletus) x-arvot 1 kautta 32. Nyt toimitat kuitenkin uuden x-arvon funktion8217 kolmanneksi argumentiksi, jonka sanot TREND () etsiä solussa B33. It8217s 32. seuraava arvo t. Ja Excel palauttaa arvon 156.3 solussa J33. TREND () - toiminto solussa J33 kertoo Excel: lle, itse asiassa 8220Lasketaan regressioyhtälö arvojen H2: ssa: H32 regressoidaan t-arvoilla 1 - 31. Käytä tätä regressioyhtälöä uuteen x-arvoon 32 ja palauta tulos.8221 You8217ll löytää saman lähestymistavan, joka otettiin kuvan 5.7 solusta D25. jossa kaava saada yksiennätysennuste on seuraava: Kausittaisten indeksien lisääminen takaisin viimeisessä vaiheessa on ennustaa uudelleenarvioinnit lisäämällä kausivaihteluindeksit trendisuunnitelmaan, kääntämällä sen, mitä teit neljä vaihetta takaisin, kun vähennät indeksit alkuperäisistä havainnoista. Tämä tehdään sarakkeessa F kuviossa 5.7 ja sarakkeessa K kuviossa 5.14. Don8217t unohda lisätä sopivan kausivaihtelun yhdestä askeleelta eteenpäin, ja tulokset esitetään solussa F25 kuviossa 5.7 ja solussa K33 kuviossa 5.14. (I8217 varjosti yksivaiheiset solut sekä kuvassa 5.7 että kuvassa 5.14 korostamaan ennusteet.) Kaaviot, joista ilmenee kolme liikennetiedotusta kuvaavaa kuvaa, kuvassa 5.15. deseasonalisoidut sarjat, lineaarinen ennuste deseasonalisoiduista tiedoista ja reseasonalisoidut ennusteet. Huomaa, että ennusteissa otetaan huomioon sekä alkuperäisten tietojen yleinen suuntaus että sen perjantai-piikit. Kuva 5.15 Ennusteiden kartoitus.