الانتقال من المتوسط - تجانس - ج

إم ترميز شيء في هذه اللحظة حيث اخذ مجموعة من القيم مع مرور الوقت من بوصلة الأجهزة. هذه البوصلة دقيقة جدا والتحديثات في كثير من الأحيان، مع النتيجة أنه إذا كان الضحك قليلا، وأنا في نهاية المطاف مع قيمة غريبة أن يتعارض بشكل عار مع جيرانها. أريد أن تسهل تلك القيم. بعد القيام ببعض القراءة، يبدو أن ما أريده هو مرشح تمريرة عالية، أو مرشح تمرير منخفض أو متوسط ​​متحرك. المتوسط ​​المتحرك الذي يمكن أن أسقطه، أبقي فقط على تاريخ آخر 5 قيم أو أيا كان، واستخدم متوسط ​​تلك القيم في المصب في الكود الخاص بي حيث كنت مرة واحدة فقط باستخدام أحدث قيمة. هذا، ينبغي، على ما أعتقد، على نحو سلس من تلك الضحك لطيف، لكنه يضربني أن لها على الأرجح غير فعالة تماما، وربما هذا هو واحد من تلك المشاكل المعروفة لمبرمجي المناسبة التي ثيريس حل ذكي ذكي الرياضيات حقا. أنا، ومع ذلك، واحدة من تلك المبرمجين فظيع المدربين الذاتي دون تمزيق التعليم الرسمي في أي شيء حتى غامضة تتعلق كومبسي أو الرياضيات. قراءة حول قليلا تشير إلى أن هذا قد يكون مرشح تمرير عالية أو منخفضة، ولكن لا أستطيع أن أجد أي شيء يفسر من حيث مفهومة لاختراق مثلي ما تأثير هذه الخوارزميات سيكون على مجموعة من القيم، ناهيك عن كيفية الرياضيات يعمل. الجواب هنا. على سبيل المثال، من الناحية الفنية لا يجيب على سؤالي، ولكن فقط من حيث مفهومة لأولئك الذين ربما ربما يعرفون بالفعل كيفية حل المشكلة. سيكون شخص جميل جدا وذكي حقا الذي يمكن أن يفسر هذا النوع من المشكلة هذا هو، وكيف تعمل الحلول، من حيث مفهومة لخريج الفنون. سأل 21 سبتمبر 10 في 13:01 إذا كان المتوسط ​​المتحرك الخاص بك يجب أن يكون طويلا من أجل تحقيق التمهيد المطلوب، وأنت لا تحتاج حقا أي شكل معين من النواة، ثم كنت أفضل حالا إذا كنت تستخدم المتوسط ​​المتحرك المتحلل أضعافا مضاعفة: أين أنت اختيار صغيرة لتكون ثابتة مناسبة (على سبيل المثال إذا اخترت صغيرة 1- 1N، وسوف يكون لها نفس المبلغ من المتوسط ​​كنافذة من الحجم N، ولكن موزعة بشكل مختلف على النقاط القديمة). على أي حال، نظرا لأن القيمة التالية للمتوسط ​​المتحرك تعتمد فقط على البيانات السابقة والبيانات الخاصة بك، لا تحتاج إلى الاحتفاظ طابور أو أي شيء. ويمكنك التفكير في ذلك كما تفعل شيئا مثل، حسنا، لقد حصلت على نقطة جديدة، ولكن أنا لا أثق بها حقا، لذلك أنا سوف تبقي 80 من بلدي التقدير القديم للقياس، والثقة فقط هذه النقطة البيانات الجديدة 20. ثاتس إلى حد كبير نفس القول، حسنا، أنا فقط على ثقة هذه النقطة الجديدة 20، و إل استخدام 4 نقاط أخرى أن أثق بنفس المبلغ، إلا أنه بدلا من أخذ صراحة 4 نقاط أخرى، فإنك تفترض أن المتوسط ​​الذي فعلته آخر مرة كان معقولا حتى تتمكن من استخدام عملك السابق. أجاب 21 سبتمبر 10 في 14:27 مهلا، وأنا أعلم هذا هو 5 سنوات في وقت متأخر، ولكن شكرا على إجابة رهيبة. I39m يعمل على لعبة حيث يتغير الصوت على أساس سرعة الخاص بك، ولكن نظرا لتشغيل اللعبة على جهاز كمبيوتر بطيئة الحمار، فإن سرعة تتقلب بعنف، الذي كان على ما يرام للتوجيه، ولكن سوبر مزعج من حيث الصوت. كان هذا حل بسيط ورخيص حقا لشيء اعتقدت أنه سيكون مشكلة معقدة حقا. نداش آدم مار 16 15 في 20:20 إذا كنت تحاول إزالة القيمة الفردية في بعض الأحيان، مرشح تمرير منخفض هو أفضل من الخيارات الثلاثة التي قمت بتحديدها. تسمح مرشحات التمرير المنخفض بتغييرات منخفضة السرعة مثل تلك الناتجة عن تدوير البوصلة يدويا، بينما ترفض التغييرات عالية السرعة مثل تلك التي تحدثها المطبات على الطريق، على سبيل المثال. من المحتمل أن يكون المتوسط ​​المتحرك غير كاف، حيث أن تأثيرات اللمبة الواحدة في بياناتك ستؤثر على عدة قيم لاحقة، وذلك حسب حجم إطار المتوسط ​​المتحرك. إذا تم الكشف عن القيم الفردية بسهولة، قد تكون أفضل حتى مع خوارزمية إزالة خلل أن يتجاهل تماما لهم: هنا هو الرسم البياني غويك لتوضيح: الرسم البياني الأول هو إشارة الدخل، مع خلل غير سارة واحدة. ويبين الرسم البياني الثاني تأثير متوسط ​​متحرك من 10 عينات. الرسم البياني النهائي هو مزيج من متوسط ​​العينة العشرة وخوارزمية الكشف عن خلل بسيط المبينة أعلاه. عندما يتم الكشف عن خلل، يتم استخدام متوسط ​​10 عينة بدلا من القيمة الفعلية. المتوسط ​​المتحرك يمكن أن أذهب إليه. لكنه يضربني أن من المحتمل أن تكون غير فعالة تماما. لا يوجد سبب في الواقع أن المتوسط ​​المتحرك يجب أن يكون غير فعال. يمكنك الاحتفاظ بعدد من نقاط البيانات التي تريدها في بعض المخزن المؤقت (مثل طابور دائري). في كل نقطة بيانات جديدة، تطفو على أعلى قيمة وطرحها من مجموع، ودفع الأحدث وإضافته إلى المجموع. لذلك كل نقطة بيانات جديدة حقا ينطوي فقط على البوبوش، إضافة والطرح. المتوسط ​​المتحرك هو دائما هذا المبلغ المتغير مقسوما على عدد القيم في المخزن المؤقت. فإنه يحصل قليلا أكثر صعوبة إذا كنت تلقي البيانات في وقت واحد من المواضيع متعددة، ولكن منذ البيانات الخاصة بك قادمة من جهاز الأجهزة التي يبدو مشكوكا كبيرا بالنسبة لي. أوه وأيضا: المبرمجون الفظيعون المدربون على الذات اتحدوا) بدا المتوسط ​​المتحرك غير فعال بالنسبة لي لأن لديك لتخزين المخزن المؤقت للقيم - أفضل أن تفعل فقط بعض الرياضيات الذكية مع قيمة المدخلات الخاصة بك وقيمة العمل الحالية وأعتقد أن 39s كيف المتوسط ​​المتحرك الأسي يعمل. تحسين I39ve ينظر لهذا النوع من المتوسط ​​المتحرك ينطوي على استخدام طابور ثابت طول أمبير مؤشر إلى أين أنت في هذا الطابور، والتفاف فقط المؤشر حول (مع أو إذا كان). فولا لا بوبشوب مكلفة. السلطة للهواة، شقيق نداش هنري كوك سبتمبر 22 10 في 0:54 هنري: للحصول على المتوسط ​​المتحرك على التوالي كنت بحاجة إلى المخزن المؤقت ببساطة بحيث تعرف ما قيمة يحصل برزت عندما يتم دفع القيمة التالية. على الرغم من ذلك، طابور طول كوتفيكسد أمبير بوينتيركوت كنت تصف هو بالضبط ما قصدته كويسيركولار queue. quot that39s لماذا كنت أقول انها isn39t غير فعالة. ماذا كنت أعتقد أنني قصدت وإذا كان ردك هو صفيف حجمي الذي يحول قيمه مرة أخرى على كل ريموفلندوت المفهرسة (مثل ستد :: ناقلات في C). حسنا، ثم، I39m حتى يصب أنا don39t حتى تريد أن أتحدث إليكم بعد الآن) نداش دان تاو 22 سبتمبر 10 في 01:58 هنري: أنا don39t تعرف عن AS3، ولكن حصلت على مبرمج جافا مجموعات مثل سيركولاركيو في التخلص من (I39m ليس جافا المطور لذلك I39m متأكد من أن هناك أمثلة أفضل هناك أن 39s فقط ما وجدت من بحث جوجل سريع)، الذي ينفذ بالضبط وظيفة we39re نتحدث عنه. I39m واثق إلى حد كبير أن غالبية اللغات المتوسطة والمنخفضة مع المكتبات القياسية لديها شيء مماثل (على سبيل المثال في هناك 39s كيويلتغت). على أي حال، كنت فلسفة نفسي، لذلك. كل شيء يغفر. نداش دان تاو 22 سبتمبر 10 في 12:44 ويمكن حساب المتوسط ​​المتحرك المتحلل أضعافا مضاعفة باليد مع الاتجاه فقط إذا كنت تستخدم القيم المناسبة. انظر fourmilab. chhackdiete4 للحصول على فكرة حول كيفية القيام بذلك بسرعة مع القلم والورقة إذا كنت تبحث عن المتوسط ​​المتحرك أملس أضعافا مع 10 التجانس. ولكن منذ لديك جهاز كمبيوتر، وربما كنت تريد أن تفعل التحول ثنائي بدلا من التحول العشري) وبهذه الطريقة، كل ما تحتاجه هو متغير لقيمتك الحالية واحد للمتوسط. ويمكن بعد ذلك حساب المتوسط ​​التالي من ذلك. أجابيد سيب 21 10 في 14:39 ثيريس تقنية تسمى مجموعة البوابة التي تعمل بشكل جيد مع لو-أكرنس سبوريوس سامبلز. على افتراض استخدام واحد من تقنيات التصفية المذكورة أعلاه (المتوسط ​​المتحرك، الأسي)، وبمجرد أن يكون لديك تاريخ كاف (وقت ثابت واحد) يمكنك اختبار عينة البيانات الواردة الجديدة للمعقولية، قبل إضافته إلى الحساب. هناك حاجة إلى بعض المعرفة للحد الأقصى لمعدل معقول من التغيير للإشارة. يتم مقارنة العينة الخام مع القيمة الممزقة الأحدث، وإذا كانت القيمة المطلقة لهذا الفرق أكبر من المدى المسموح به، يتم طرح هذه العينة (أو استبدالها ببعض الاستدلال، على سبيل المثال، التنبؤ الذي يعتمد على فرق الانحدار أو الاتجاه قيمة التنبؤ من مضاعفة الأسي مضاعفة) أجاب 30 أبريل 16 في 6: 56 المتوسط ​​المتوسط ​​ونماذج التمهيد الأسي كخطوة أولى في التحرك وراء النماذج المتوسطة، ونماذج المشي العشوائي، ونماذج الاتجاه الخطي، أنماط غير مواضيعية والاتجاهات يمكن استقراء باستخدام الحركة المتحركة، متوسط ​​أو تمهيد نموذج. الافتراض الأساسي وراء المتوسطات ونماذج التمهيد هو أن السلاسل الزمنية ثابتة محليا بمتوسط ​​متباين ببطء. وبالتالي، فإننا نأخذ متوسطا متحركا (محلي) لتقدير القيمة الحالية للمتوسط ​​ومن ثم استخدامه كمؤشر للمستقبل القريب. ويمكن اعتبار ذلك بمثابة حل توفيقي بين النموذج المتوسط ​​ونموذج المشي العشوائي بدون الانجراف. ويمكن استخدام نفس الاستراتيجية لتقدير الاتجاه المحلي واستقراءه. وعادة ما يطلق على المتوسط ​​المتحرك نسخة كوتسموثيدكوت من السلسلة الأصلية لأن المتوسط ​​على المدى القصير له تأثير على إزالة المطبات في السلسلة الأصلية. من خلال تعديل درجة التمهيد (عرض المتوسط ​​المتحرك)، يمكننا أن نأمل في ضرب نوع من التوازن الأمثل بين أداء المتوسط ​​و نماذج المشي العشوائي. أبسط نوع من نموذج المتوسط ​​هو. المتوسط ​​المتحرك البسيط (بالتساوي المرجح): تقدر قيمة قيمة Y في الوقت t1 التي يتم إجراؤها في الوقت t بالمتوسط ​​البسيط لآخر ملاحظات m: (هنا وفي مكان آخر سأستخدم الرمز 8220Y-hat8221 للوقوف للتنبؤ بالسلسلة الزمنية Y التي أجريت في أقرب موعد ممكن من قبل نموذج معين.) ويتركز هذا المتوسط ​​في الفترة t - (m1) 2، مما يعني أن تقدير المتوسط ​​المحلي سوف تميل إلى التخلف عن الحقيقة قيمة المتوسط ​​المحلي بنحو (m1) فترتين. وبالتالي، نقول أن متوسط ​​عمر البيانات في المتوسط ​​المتحرك البسيط هو (m1) 2 بالنسبة إلى الفترة التي يتم فيها احتساب التوقعات: هذا هو مقدار الوقت الذي تميل التنبؤات إلى التخلف عن نقاط التحول في البيانات . على سبيل المثال، إذا كنت تقوم بحساب متوسط ​​القيم الخمس الأخيرة، فإن التوقعات ستكون حوالي 3 فترات متأخرة في الاستجابة لنقاط التحول. ويلاحظ أنه في حالة M1، فإن نموذج المتوسط ​​المتحرك البسيط (سما) يساوي نموذج المشي العشوائي (بدون نمو). وإذا كانت m كبيرة جدا (مماثلة لطول فترة التقدير)، فإن نموذج سما يعادل النموذج المتوسط. وكما هو الحال مع أي معلمة لنموذج التنبؤ، من العرفي أن تعدل قيمة k من أجل الحصول على أفضل قيمة ممكنة للبيانات، أي أصغر أخطاء التنبؤ في المتوسط. وفيما يلي مثال لسلسلة يبدو أنها تظهر تقلبات عشوائية حول متوسط ​​متغير ببطء. أولا، يتيح محاولة لتناسب ذلك مع نموذج المشي العشوائي، وهو ما يعادل متوسط ​​متحرك بسيط من 1 مصطلح: نموذج المشي العشوائي يستجيب بسرعة كبيرة للتغيرات في سلسلة، ولكن في ذلك يفعل ذلك يختار الكثير من كوتنويسكوت في البيانات (التقلبات العشوائية) وكذلك كوتسيغنالكوت (المتوسط ​​المحلي). إذا حاولنا بدلا من ذلك متوسط ​​متحرك بسيط من 5 مصطلحات، نحصل على مجموعة أكثر سلاسة من التوقعات: المتوسط ​​المتحرك البسيط لمدة 5 سنوات ينتج أخطاء أقل بكثير من نموذج المشي العشوائي في هذه الحالة. متوسط ​​عمر البيانات في هذه التوقعات هو 3 ((51) 2)، بحيث تميل إلى التخلف عن نقاط التحول بنحو ثلاث فترات. (على سبيل المثال، يبدو أن الانكماش قد حدث في الفترة 21، ولكن التوقعات لا تتحول حتى عدة فترات في وقت لاحق). لاحظ أن التوقعات على المدى الطويل من نموذج سما هي خط مستقيم أفقي، تماما كما في المشي العشوائي نموذج. وبالتالي، يفترض نموذج سما أنه لا يوجد اتجاه في البيانات. ومع ذلك، في حين أن التنبؤات من نموذج المشي العشوائي هي ببساطة مساوية للقيمة الملاحظة الأخيرة، والتنبؤات من نموذج سما يساوي المتوسط ​​المرجح للقيم الأخيرة. إن حدود الثقة المحسوبة من قبل ستاتغرافيكس للتنبؤات طويلة الأجل للمتوسط ​​المتحرك البسيط لا تتسع مع زيادة أفق التنبؤ. ومن الواضح أن هذا غير صحيح لسوء الحظ، لا توجد نظرية إحصائية أساسية تخبرنا كيف يجب أن تتسع فترات الثقة لهذا النموذج. ومع ذلك، ليس من الصعب جدا حساب التقديرات التجريبية لحدود الثقة للتنبؤات الأطول أجلا. على سبيل المثال، يمكنك إعداد جدول بيانات سيتم فيه استخدام نموذج سما للتنبؤ بخطوتين إلى الأمام، و 3 خطوات إلى الأمام، وما إلى ذلك ضمن عينة البيانات التاريخية. يمكنك بعد ذلك حساب الانحرافات المعيارية للعينة في كل أفق للتنبؤ، ومن ثم بناء فترات الثقة للتنبؤات الأطول أجلا عن طريق جمع وطرح مضاعفات الانحراف المعياري المناسب. إذا حاولنا متوسط ​​متحرك بسيط لمدة 9 سنوات، نحصل على توقعات أكثر سلاسة وأكثر تأثيرا متخلفا: متوسط ​​العمر هو الآن 5 فترات ((91) 2). إذا أخذنا متوسط ​​متحرك لمدة 19 عاما، فإن متوسط ​​العمر يزيد إلى 10: لاحظ أن التوقعات تتخلف الآن عن نقاط التحول بنحو 10 فترات. أي كمية من التجانس هو الأفضل لهذه السلسلة هنا جدول يقارن إحصاءات الخطأ، بما في ذلك أيضا متوسط ​​3 المدى: نموذج C، المتوسط ​​المتحرك لمدة 5 سنوات، ينتج أقل قيمة رمز بهامش صغير على 3 المتوسطات و 9-المدى، وإحصاءاتهم الأخرى متطابقة تقريبا. لذلك، من بين نماذج مع إحصاءات الخطأ مشابهة جدا، يمكننا أن نختار ما إذا كنا نفضل استجابة أكثر قليلا أو أكثر قليلا نعومة في التوقعات. (العودة إلى أعلى الصفحة.) براونز بسيط الأسي تمهيد (المتوسط ​​المتحرك المرجح أضعافا) نموذج المتوسط ​​المتحرك البسيط المذكورة أعلاه لديه الخاصية غير المرغوب فيها أنه يعامل الملاحظات k الماضية بالتساوي تماما ويتجاهل جميع الملاحظات السابقة. بشكل حدسي، يجب أن يتم خصم البيانات السابقة بطريقة أكثر تدرجية - على سبيل المثال، يجب أن تحصل على الملاحظة الأخيرة أكثر قليلا من الوزن الثاني من أحدث، و 2 أحدث يجب الحصول على وزن أكثر قليلا من 3 أحدث، و هكذا. نموذج التمهيد الأسي بسيط (سيس) يحقق هذا. اسمحوا 945 تدل على كونتسموثينغ كونستانتكوت (عدد بين 0 و 1). طريقة واحدة لكتابة النموذج هو تعريف سلسلة L التي تمثل المستوى الحالي (أي القيمة المتوسطة المحلية) من السلسلة كما يقدر من البيانات حتى الوقت الحاضر. يتم حساب قيمة L في الوقت t بشكل متكرر من قيمته السابقة مثل هذا: وهكذا، فإن القيمة الملساء الحالية هي الاستكمال الداخلي بين القيمة الملساء السابقة والمراقبة الحالية، حيث 945 تسيطر على التقارب من قيمة محرف إلى الأحدث الملاحظة. التوقعات للفترة القادمة هي ببساطة القيمة الملساء الحالية: على نحو مماثل، يمكننا التعبير عن التوقعات القادمة مباشرة من حيث التوقعات السابقة والملاحظات السابقة، في أي من الإصدارات المكافئة التالية. في النسخة الأولى، والتنبؤ هو الاستيفاء بين التوقعات السابقة والملاحظة السابقة: في النسخة الثانية، ويتم الحصول على التوقعات القادمة عن طريق ضبط التوقعات السابقة في اتجاه الخطأ السابق من قبل كمية كسور 945. هو الخطأ المحرز في الوقت t. أما في النسخة الثالثة، فإن التنبؤ هو المتوسط ​​المتحرك المرجح ألسعاره (أي مخفضة) مع عامل الخصم 1- 945: إصدار الاستكمال الداخلي لصيغة التنبؤ هو أبسط الاستخدام إذا كنت تنفذ النموذج على جدول بيانات: خلية واحدة ويحتوي على مراجع الخلية مشيرا إلى التوقعات السابقة، الملاحظة السابقة، والخلية حيث يتم تخزين قيمة 945. لاحظ أنه إذا كان 945 1، فإن نموذج سيس يساوي نموذج المشي العشوائي (بدون نمو). وإذا كان 945 0، فإن نموذج سيس يعادل النموذج المتوسط، على افتراض أن القيمة الملساء الأولى موضوعة تساوي المتوسط. (العودة إلى أعلى الصفحة). يبلغ متوسط ​​عمر البيانات في توقعات التمهيد الأسي البسيط 945 1 بالنسبة للفترة التي يتم فيها حساب التوقعات. (وهذا ليس من المفترض أن يكون واضحا، ولكن يمكن بسهولة أن تظهر من خلال تقييم سلسلة لانهائية). وبالتالي، فإن متوسط ​​المتوسط ​​المتحرك بسيط يميل إلى التخلف عن نقاط التحول بنحو 1 945 فترات. على سبيل المثال، عندما يكون 945 0.5 الفارق الزمني هو فترتين عندما يكون 945 0.2 الفارق الزمني هو 5 فترات عندما يكون 945 0.1 الفارق الزمني هو 10 فترات، وهكذا. وبالنسبة إلى متوسط ​​عمر معين (أي مقدار التأخير)، فإن توقعات التمهيد الأسي البسيط تفوق إلى حد ما توقعات المتوسط ​​المتحرك البسيط (سما) لأنها تضع وزنا أكبر نسبيا على الملاحظة الأخيرة - أي. هو أكثر قليلا كوريبرسونسيفكوت إلى التغييرات التي تحدث في الماضي القريب. على سبيل المثال، نموذج سما مع 9 شروط ونموذج سيس مع 945 0.2 على حد سواء لديها متوسط ​​عمر 5 للبيانات في توقعاتها، ولكن نموذج سيس يضع وزنا أكبر على القيم 3 الماضية مما يفعل نموذج سما وفي في الوقت نفسه فإنه don8217t تماما 8220forget8221 حول قيم أكثر من 9 فترات القديمة، كما هو مبين في هذا المخطط: ميزة أخرى هامة من نموذج سيس على نموذج سما هو أن نموذج سيس يستخدم معلمة تمهيد التي هي متغيرة باستمرار، لذلك يمكن بسهولة الأمثل باستخدام خوارزمية كوتسولفيركوت لتقليل متوسط ​​الخطأ التربيعي. وتبين القيمة المثلى ل 945 في نموذج سيس لهذه السلسلة 0.2961، كما هو مبين هنا: متوسط ​​عمر البيانات في هذا التنبؤ هو 10.2961 3.4 فترات، وهو ما يشبه متوسط ​​المتوسط ​​المتحرك البسيط لمدة 6. والتنبؤات الطويلة الأجل من نموذج الخدمة الاقتصادية والاجتماعية هي خط مستقيم أفقي. كما هو الحال في نموذج سما ونموذج المشي العشوائي دون نمو. ومع ذلك، لاحظ أن فترات الثقة التي يحسبها ستاتغرافيكس الآن تتباعد بطريقة معقولة المظهر، وأنها هي أضيق بكثير من فترات الثقة لنموذج المشي العشوائي. ويفترض نموذج سيس أن المسلسل إلى حد ما يمكن التنبؤ به أكثر من ذلك لا نموذج المشي العشوائي. نموذج سيس هو في الواقع حالة خاصة من نموذج أريما. وبالتالي فإن النظرية الإحصائية لنماذج أريما توفر أساسا سليما لحساب فترات الثقة لنموذج سيس. على وجه الخصوص، نموذج سيس هو نموذج أريما مع اختلاف واحد غير منطقي، وهو ما (1) المدى، وليس هناك مصطلح ثابت. والمعروف باسم كوتاريما (0،1،1) نموذج دون كونستانتكوت. معامل ما (1) في نموذج أريما يتوافق مع الكمية 1- 945 في نموذج سيس. على سبيل المثال، إذا كنت تناسب نموذج أريما (0،1،1) دون ثابت لسلسلة تحليلها هنا، فإن ما المقدرة (1) معامل تبين أن يكون 0.7029، وهو تقريبا تقريبا واحد ناقص 0.2961. ومن الممكن إضافة افتراض اتجاه خطي ثابت غير صفري إلى نموذج سيس. للقيام بذلك، مجرد تحديد نموذج أريما مع اختلاف واحد نونسونالونال و ما (1) المدى مع ثابت، أي نموذج أريما (0،1،1) مع ثابت. وعندئذ سيكون للتنبؤات الطويلة الأجل اتجاه يساوي متوسط ​​الاتجاه الذي لوحظ خلال فترة التقدير بأكملها. لا يمكنك القيام بذلك بالتزامن مع التعديل الموسمية، لأن خيارات التعديل الموسمية يتم تعطيل عند تعيين نوع النموذج إلى أريما. ومع ذلك، يمكنك إضافة اتجاه أسي ثابت على المدى الطويل إلى نموذج بسيط الأسي تمهيد (مع أو بدون تعديل موسمي) باستخدام خيار تعديل التضخم في إجراء التنبؤ. ويمكن تقدير معدل كوتينفلاتيونكوت المناسب (نسبة النمو) لكل فترة على أنها معامل الانحدار في نموذج الاتجاه الخطي المجهز بالبيانات بالتزامن مع تحول لوغاريتم طبيعي، أو يمكن أن يستند إلى معلومات مستقلة أخرى تتعلق باحتمالات النمو على المدى الطويل . (العودة إلى أعلى الصفحة). البني الخطي (أي مزدوج) تجانس الأسي نماذج سما ونماذج سيس تفترض أنه لا يوجد أي اتجاه من أي نوع في البيانات (التي عادة ما تكون موافق أو على الأقل ليست سيئة جدا لمدة 1- والتنبؤ بالمتابعة عندما تكون البيانات صاخبة نسبيا)، ويمكن تعديلها لإدراج اتجاه خطي ثابت كما هو مبين أعلاه. ماذا عن الاتجاهات على المدى القصير إذا كانت سلسلة يعرض معدل نمو متفاوت أو نمط دوري الذي يبرز بوضوح ضد الضوضاء، وإذا كان هناك حاجة للتنبؤ أكثر من 1 فترة المقبلة، ثم قد يكون تقدير الاتجاه المحلي أيضا قضية. ويمكن تعميم نموذج التمهيد الأسي البسيط للحصول على نموذج التمهيد الأسي الخطي (ليس) الذي يحسب التقديرات المحلية لكل من المستوى والاتجاه. أبسط نموذج الاتجاه المتغير بمرور الوقت هو نموذج تمهيد الأسي الخطي براون، والذي يستخدم سلسلتين مختلفتين تمهيدهما تتمركزان في نقاط مختلفة من الزمن. وتستند صيغة التنبؤ إلى استقراء خط من خلال المركزين. (ويمكن مناقشة الشكل الأكثر تطورا من هذا النموذج، هولت 8217s أدناه). ويمكن التعبير عن شكل جبري من نموذج التجانس الأسي الخطي البني 8217s، مثل نموذج التجانس الأسي البسيط، في عدد من الأشكال المختلفة ولكن المكافئة. وعادة ما يعبر عن الشكل المعياري للنموذج من هذا النموذج على النحو التالي: اسمحوا S تدل على سلسة سلسة السلسلة التي تم الحصول عليها عن طريق تطبيق تمهيد الأسي بسيط لسلسلة Y. وهذا هو، يتم إعطاء قيمة S في الفترة t من قبل: (أذكر أنه تحت بسيطة الأسفل، وهذا سيكون التنبؤ ل Y في الفترة t1.) ثم اسمحوا سكوت تدل على سلسلة مضاعفة مضاعفة التي تم الحصول عليها من خلال تطبيق التمهيد الأسي بسيطة (باستخدام نفس 945) لسلسلة S: وأخيرا، والتوقعات ل تك تك. عن أي kgt1، تعطى بواسطة: هذه الغلة e 1 0 (أي الغش قليلا، والسماح للتوقعات الأولى تساوي الملاحظة الأولى الفعلية)، و e 2 Y 2 8211 Y 1. وبعد ذلك يتم توليد التنبؤات باستخدام المعادلة أعلاه. وهذا يعطي القيم المجهزة نفسها كالصيغة القائمة على S و S إذا كانت الأخيرة قد بدأت باستخدام S 1 S 1 Y 1. يستخدم هذا الإصدار من النموذج في الصفحة التالية التي توضح مجموعة من التجانس الأسي مع التعديل الموسمية. هولت 8217s الخطي الأسي تمهيد البني 8217s نموذج ليس يحسب التقديرات المحلية من المستوى والاتجاه من خلال تمهيد البيانات الأخيرة، ولكن حقيقة أنه يفعل ذلك مع معلمة تمهيد واحد يضع قيدا على أنماط البيانات التي هي قادرة على تناسب: المستوى والاتجاه لا يسمح لها أن تختلف بمعدلات مستقلة. ويعالج نموذج هولت 8217s ليس هذه المسألة عن طريق تضمين اثنين من الثوابت تمهيد، واحدة للمستوى واحد للاتجاه. في أي وقت t، كما هو الحال في نموذج Brown8217s، هناك تقدير ل t من المستوى المحلي وتقدير t ر للاتجاه المحلي. وهنا يتم حسابها بشكل متكرر من قيمة Y الملاحظة في الوقت t والتقديرات السابقة للمستوى والاتجاه من خلال معادلتين تنطبقان على تمهيد أسي لها بشكل منفصل. وإذا كان المستوى المقدر والاتجاه في الوقت t-1 هما L t82091 و T t-1. على التوالي، فإن التنبؤ ب Y تشي الذي كان سيجري في الوقت t-1 يساوي L t-1 T t-1. وعند ملاحظة القيمة الفعلية، يحسب التقدير المحدث للمستوى بصورة متكررة بالاستكمال الداخلي بين Y تشي وتوقعاته L t-1 T t-1 باستعمال أوزان 945 و1-945. والتغير في المستوى المقدر، وهي L t 8209 L t82091. يمكن تفسيرها على أنها قياس صاخبة للاتجاه في الوقت t. ثم يتم حساب التقدير المحدث للاتجاه بشكل متكرر عن طريق الاستكمال الداخلي بين L t 8209 L t82091 والتقدير السابق للاتجاه T t-1. وذلك باستخدام أوزان 946 و 1-946: تفسير ثابت ثابت تمهيد 946 مماثل لتلك التي من 9500 تمهيد مستوى ثابت. نماذج ذات قيم صغيرة من 946 نفترض أن الاتجاه يتغير ببطء شديد مع مرور الوقت، في حين أن النماذج مع أكبر 946 تفترض أنها تتغير بسرعة أكبر. ويعتقد نموذج مع كبير 946 أن المستقبل البعيد غير مؤكد جدا، لأن الأخطاء في تقدير الاتجاه تصبح مهمة جدا عند التنبؤ أكثر من فترة واحدة المقبلة. (العودة إلى أعلى الصفحة). ويمكن تقدير ثوابت التنعيم 945 و 946 بالطريقة المعتادة من خلال تقليل الخطأ المتوسط ​​التربيعي للتنبؤات ذات الخطوة الأولى. عندما يتم ذلك في ستاترافيكس، وتظهر التقديرات إلى أن 945 0.3048 و 946 0.008. القيمة الصغيرة جدا 946 تعني أن النموذج يفترض تغير طفيف جدا في الاتجاه من فترة إلى أخرى، وذلك أساسا هذا النموذج هو محاولة لتقدير الاتجاه على المدى الطويل. وبالمقارنة مع فكرة متوسط ​​عمر البيانات المستخدمة في تقدير المستوى المحلي للسلسلة، فإن متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي يتناسب مع 1 946، وإن لم يكن يساويها بالضبط . في هذه الحالة تبين أن تكون 10.006 125. هذا هو 8217t عدد دقيق جدا بقدر دقة تقدير 946 isn8217t حقا 3 المنازل العشرية، ولكن من نفس الترتيب العام من حيث حجم العينة من 100، لذلك هذا النموذج هو المتوسط ​​على مدى الكثير جدا من التاريخ في تقدير هذا الاتجاه. ويبين مخطط التنبؤ الوارد أدناه أن نموذج ليس يقدر اتجاه محلي أكبر قليلا في نهاية السلسلة من الاتجاه الثابت المقدر في نموذج سيترند. كما أن القيمة المقدرة ل 945 تكاد تكون مطابقة لتلك التي تم الحصول عليها من خلال تركيب نموذج سيس مع أو بدون اتجاه، لذلك هذا هو تقريبا نفس النموذج. الآن، هل هذه تبدو وكأنها توقعات معقولة لنموذج من المفترض أن يكون تقدير الاتجاه المحلي إذا كنت 8220eyeball8221 هذه المؤامرة، يبدو كما لو أن الاتجاه المحلي قد تحولت إلى أسفل في نهاية السلسلة ما حدث المعلمات من هذا النموذج قد تم تقديرها من خلال تقليل الخطأ المربعة للتنبؤات 1-خطوة إلى الأمام، وليس التنبؤات على المدى الطويل، في هذه الحالة لا يوجد 8217t الاتجاه الكثير من الفرق. إذا كان كل ما كنت تبحث في 1-خطوة قبل الأخطاء، كنت لا ترى الصورة الأكبر للاتجاهات أكثر (مثلا) 10 أو 20 فترات. من أجل الحصول على هذا النموذج أكثر في تناغم مع استقراء العين مقلة العين من البيانات، يمكننا ضبط ثابت الاتجاه تجانس يدويا بحيث يستخدم خط الأساس أقصر لتقدير الاتجاه. على سبيل المثال، إذا اخترنا تعيين 946 0.1، ثم متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي هو 10 فترات، وهو ما يعني أننا متوسط ​​متوسط ​​الاتجاه على مدى تلك الفترات 20 الماضية أو نحو ذلك. Here8217s ما مؤامرة توقعات يبدو وكأننا وضعنا 946 0.1 مع الحفاظ على 945 0.3. هذا يبدو معقولا بشكل حدسي لهذه السلسلة، على الرغم من أنه من المحتمل أن يستقضي هذا الاتجاه أي أكثر من 10 فترات في المستقبل. ماذا عن إحصائيات الخطأ هنا هو مقارنة نموذج للنموذجين المبينين أعلاه وكذلك ثلاثة نماذج سيس. القيمة المثلى 945. لنموذج سيس هو تقريبا 0.3، ولكن يتم الحصول على نتائج مماثلة (مع استجابة أكثر قليلا أو أقل، على التوالي) مع 0.5 و 0.2. (A) هولتس الخطي إكس. تمهيد مع ألفا 0.3048 وبيتا 0.008 (B) هولتس الخطية إكس. تمهيد مع ألفا 0.3 و بيتا 0.1 (C) تمهيد الأسي بسيط مع ألفا 0.5 (D) تمهيد الأسي بسيطة مع ألفا 0.3 (E) بسيطة الأسي تمهيد مع ألفا 0.2 احصائياتهم متطابقة تقريبا، لذلك نحن حقا يمكن 8217t جعل الاختيار على أساس من 1-خطوة قبل توقعات الأخطاء داخل عينة البيانات. وعلينا أن نعود إلى الاعتبارات الأخرى. إذا كنا نعتقد اعتقادا قويا أنه من المنطقي أن يستند تقدير الاتجاه الحالي على ما حدث على مدى السنوات ال 20 الماضية أو نحو ذلك، يمكننا أن نجعل من حالة لنموذج ليس مع 945 0.3 و 946 0.1. إذا أردنا أن نكون ملحدين حول ما إذا كان هناك اتجاه محلي، فإن أحد نماذج سيس قد يكون من الأسهل تفسيره، كما سيوفر المزيد من توقعات منتصف الطريق للفترات الخمس أو العشر القادمة. (العودة إلى أعلى الصفحة). أي نوع من الاستقراء هو الأفضل: أدلة أفقية أو خطية تشير إلى أنه إذا تم تعديل البيانات (إذا لزم الأمر) للتضخم، فقد يكون من غير الحكمة استقراء الخطي القصير الأجل الاتجاهات بعيدة جدا في المستقبل. إن الاتجاهات الواضحة اليوم قد تتراجع في المستقبل بسبب أسباب متنوعة مثل تقادم المنتج، وزيادة المنافسة، والانكماش الدوري أو التحولات في صناعة ما. لهذا السبب، تجانس الأسي بسيط غالبا ما يؤدي أفضل من خارج العينة مما قد يكون من المتوقع خلاف ذلك، على الرغم من كوتنيفيكوت الاتجاه الأفقي الاستقراء. وكثيرا ما تستخدم أيضا تعديلات الاتجاه المخفف لنموذج تمهيد الأسي الخطي في الممارسة العملية لإدخال ملاحظة المحافظة على توقعات الاتجاه. ويمكن تطبيق نموذج ليس المائل للاتجاه ليس كحالة خاصة لنموذج أريما، ولا سيما نموذج أريما (1،1،2). ومن الممكن حساب فترات الثقة حول التنبؤات طويلة الأجل التي تنتجها نماذج التمهيد الأسي، من خلال اعتبارها حالات خاصة لنماذج أريما. (حذار: لا تحسب جميع البرامج فترات الثقة لهذه النماذج بشكل صحيح). يعتمد عرض فترات الثقة على (1) خطأ رمز في النموذج، (2) نوع التجانس (بسيط أو خطي) (3) القيمة (ق) من ثابت ثابت (ق) و (4) عدد الفترات المقبلة كنت التنبؤ. بشكل عام، انتشرت الفترات بشكل أسرع مع 945 يحصل أكبر في نموذج سيس وانتشرت بشكل أسرع بكثير عندما يتم استخدام خطية بدلا من تجانس بسيط. ويناقش هذا الموضوع بمزيد من التفصيل في قسم نماذج أريما من الملاحظات. (العودة إلى أعلى الصفحة.) تجانس البيانات يزيل التباين العشوائي ويظهر الاتجاهات والمكونات الدورية الكامنة في جمع البيانات التي اتخذت مع مرور الوقت هو شكل من أشكال الاختلاف العشوائي. هناك طرق للحد من إلغاء التأثير بسبب الاختلاف العشوائي. تقنية غالبا ما تستخدم في الصناعة هو تمهيد. هذه التقنية، عندما تطبق بشكل صحيح، يكشف بشكل أكثر وضوحا الاتجاه الكامن، المكونات الموسمية ودورية. هناك مجموعتان متميزتان من طرق التجانس طرق المتوسط ​​طرق التمدد الأسي أخذ المتوسطات هو أبسط طريقة لتسهيل البيانات سنقوم أولا بالتحقيق في بعض أساليب المتوسط، مثل المتوسط ​​البسيط لجميع البيانات السابقة. مدير مستودع يريد أن يعرف كم المورد نموذجي يسلم في 1000 دولار الوحدات. تأخذ هيش عينة من 12 موردا، عشوائيا، والحصول على النتائج التالية: الوسط الحسابي أو متوسط ​​البيانات 10. يقرر المدير استخدام هذا التقدير كمصروف لنفقات مورد نموذجي. هل هذا تقدير جيد أو سيء متوسط ​​الخطأ المئوي هو طريقة للحكم على مدى جودة النموذج هو سنقوم بحساب متوسط ​​الخطأ التربيعي. المبلغ الحقيقي الذي تم إنفاقه ناقص المبلغ المقدر. مربع الخطأ هو الخطأ أعلاه، تربيع. و سس هو مجموع الأخطاء التربيعية. و مس هو متوسط ​​الأخطاء التربيعية. نتائج مس على سبيل المثال النتائج هي: أخطاء خطأ وتربيع التقدير 10 السؤال الذي يطرح نفسه: هل يمكننا استخدام المتوسط ​​للتنبؤ بالدخل إذا كنا نشك في اتجاه A نظرة على الرسم البياني أدناه يظهر بوضوح أننا لا ينبغي أن نفعل ذلك. متوسط ​​يزن جميع الملاحظات السابقة بالتساوي وباختصار، فإننا نذكر أن المتوسط ​​البسيط أو المتوسط ​​لجميع الملاحظات السابقة ليس سوى تقدير مفيد للتنبؤ عندما لا تكون هناك اتجاهات. إذا كانت هناك اتجاهات، استخدم تقديرات مختلفة تأخذ في الاعتبار هذا الاتجاه. ويزن المتوسط ​​جميع الملاحظات السابقة بالتساوي. على سبيل المثال، متوسط ​​القيم 3، 4، 5 هو 4. ونحن نعلم، بطبيعة الحال، أنه يتم حساب المتوسط ​​عن طريق إضافة كل القيم وتقسيم المجموع حسب عدد القيم. طريقة أخرى لحساب المتوسط ​​عن طريق إضافة كل قيمة مقسومة على عدد القيم، أو 33 43 53 1 1.3333 1.6667 4. يسمى المضاعف 13 بالوزن. بشكل عام: شريط فراك سوملفت (فراك يمين) X1 اليسار (فراك اليمين) X2،. ،، اليسار (فراك يمين) شن. و (يسار (فراك يمين)) هي الأوزان، وبطبيعة الحال، فإنها تصل إلى 1.