Wednesday, 17 January 2018

تتحرك من المتوسط - فار


يتضمن داكس بعض وظائف التجميع الإحصائية، مثل المتوسط ​​والتباين والانحراف المعياري. الحسابات الإحصائية النموذجية الأخرى تتطلب منك كتابة تعبيرات داكس أطول. إكسل، من وجهة النظر هذه، لديها لغة أكثر ثراء بكثير. الأنماط الإحصائية هي عبارة عن مجموعة من الحسابات الإحصائية المشتركة: الوسيط، المتوسط، المتوسط ​​المتحرك، النسبة المئوية، والربع. نود أن نشكر كولن بانفيلد، جيرارد بروكل، وخافيير غيلن، التي بلهمت بعض بلوق الأنماط التالية. مثال النمط الأساسي الصيغ في هذا النمط هي الحلول لحسابات إحصائية محددة. يمكنك استخدام وظائف داكس القياسية لحساب متوسط ​​(متوسط ​​حسابي) لمجموعة من القيم. معدل . بإرجاع متوسط ​​كل الأرقام في عمود رقمي. أفيراجيا. بإرجاع متوسط ​​كل الأرقام في عمود، مع التعامل مع كل من القيم النصية وغير الرقمية (القيم النصية غير الرقمية والفاخرة عد 0). أفيراجيكس. حساب متوسط ​​على تعبير تقييمها على جدول. المتوسط ​​المتحرك المتوسط ​​المتحرك هو حساب لتحليل نقاط البيانات من خلال إنشاء سلسلة من المتوسطات لمجموعات فرعية مختلفة من مجموعة البيانات الكاملة. يمكنك استخدام العديد من تقنيات داكس لتنفيذ هذا الحساب. أبسط تقنية تستخدم أفيراجيكس، وتكرار جدول من التفاصيل المطلوبة وحساب لكل تكرار التعبير الذي يولد نقطة بيانات واحدة لاستخدامها في المتوسط. على سبيل المثال، تحسب الصيغة التالية المتوسط ​​المتحرك لآخر 7 أيام، على افتراض أنك تستخدم جدول تاريخ في نموذج البيانات. باستخدام أفيراجيكس، يمكنك تلقائيا حساب التدبير في كل مستوى تحبب. عند استخدام مقياس يمكن تجميعها (مثل سوم)، ثم نهج آخر يعتمد على كالكولاتيماي يكون أسرع. يمكنك العثور على هذا النهج البديل في نمط كامل من المتوسط ​​المتحرك. يمكنك استخدام الدالات داكس القياسية لحساب تباين مجموعة من القيم. VAR. S. ترجع تباين القيم في عمود يمثل عينة نموذجية. VAR. P. ترجع تباين القيم في عمود يمثل مجموع السكان. VARX. S. ترجع تباين تعبير يتم تقييمه عبر جدول يمثل عينة نموذجية. VARX. P. ترجع تباين تعبير يتم تقييمه عبر جدول يمثل مجموع السكان. الانحراف المعياري يمكنك استخدام وظائف داكس القياسية لحساب الانحراف المعياري لمجموعة من القيم. STDEV. S. ترجع الانحراف المعياري للقيم في عمود يمثل عينة نموذجية. STDEV. P. ترجع الانحراف المعياري للقيم في عمود يمثل مجموع السكان. STDEVX. S. ترجع الانحراف المعياري للتعبير الذي تم تقييمه عبر جدول يمثل عينة نموذجية. STDEVX. P. ترجع الانحراف المعياري للتعبير الذي تم تقييمه عبر جدول يمثل مجموع السكان. والمتوسط ​​هو القيمة العددية التي تفصل النصف الأعلى من السكان عن النصف السفلي. إذا كان هناك عدد فردي من الصفوف، الوسيط هو القيمة الوسطى (فرز الصفوف من أدنى قيمة إلى أعلى قيمة). إذا كان هناك عدد من الصفوف، فهو متوسط ​​القيمتين المتوسطتين. وتتجاهل الصيغة القيم الفارغة التي لا تعتبر جزءا من السكان. والنتيجة متطابقة مع وظيفة ميديان في إكسيل. ويبين الشكل 1 مقارنة بين النتيجة التي تم إرجاعها بواسطة إكسيل وصيغة داكس المقابلة لحساب الوسط. الشكل 1 مثال لحساب متوسط ​​في إكسيل و داكس. الوضع هو القيمة التي تظهر في معظم الأحيان في مجموعة من البيانات. وتتجاهل الصيغة القيم الفارغة التي لا تعتبر جزءا من السكان. وتكون النتيجة متطابقة مع الدالة مود و MODE. SNGL في إكسيل، التي تعيد فقط القيمة الدنيا عندما تكون هناك أوضاع متعددة في مجموعة القيم التي تم النظر فيها. ستقوم الدالة إكسيل MODE. MULT بإرجاع كافة الأوضاع، ولكن لا يمكنك تنفيذها كمقياس في داكس. يقارن الشكل 2 النتيجة التي تم إرجاعها بواسطة إكسيل مع صيغة داكس المقابلة لحساب الوضع. الشكل 2 مثال على حساب الوضع في إكسيل و داكس. النسبة المئوية النسبة المئوية هي القيمة التي تقل عنها نسبة معينة من القيم في المجموعة. وتتجاهل الصيغة القيم الفارغة التي لا تعتبر جزءا من السكان. يتطلب الحساب في داكس عدة خطوات، الموضحة في المقطع "نمط كامل"، الذي يظهر كيفية الحصول على نفس نتائج دالات إكسيل بيرسنتيل و PERCENTILE. INC و PERCENTILE. EXC. أما الرباعيات فهي ثلاث نقاط تقسم مجموعة من القيم إلى أربع مجموعات متساوية، تتألف كل مجموعة منها من ربع البيانات. يمكنك حساب القطاعات الرباعية باستخدام النمط المئوي، بعد هذه المراسلات: الربع الأول الربع السفلي الربع الخامس والعشرين المئوي الثاني الربع المتوسط ​​50th النسبة المئوية الربع الثالث الربع العلوي الربع الخامس 75 المئوي النمط الكامل بعض الحسابات الإحصائية لها وصف أطول للنمط الكامل، لأن قد يكون لديك تطبيقات مختلفة اعتمادا على نماذج البيانات وغيرها من المتطلبات. المتوسط ​​المتحرك عادة ما تقيم المتوسط ​​المتحرك عن طريق الرجوع إلى مستوى التفصيل اليومي. النموذج العام للصيغة التالية له هذه العلامات: لنتومبيروفايسغت هو عدد الأيام للمتوسط ​​المتحرك. لتاتيكولومنغت هو عمود التاريخ لجدول التاريخ إذا كان لديك عمود واحد أو عمود التاريخ الذي يحتوي على قيم إذا لم يكن هناك جدول تاريخ منفصل. لتماسوريجت هو مقياس لحساب كمتوسط ​​متحرك. أبسط نمط يستخدم الدالة أفيراجيكس في داكس، والتي تأخذ في الاعتبار فقط الأيام التي توجد قيمة لها. كبديل، يمكنك استخدام القالب التالي في نماذج البيانات بدون جدول زمني ومع مقياس يمكن تجميعه (مثل سوم) على مدار الفترة التي تم النظر فيها. تعتبر الصيغة السابقة يوم مع عدم وجود بيانات المقابلة كمقياس 0 قيمة. يمكن أن يحدث هذا فقط عندما يكون لديك جدول تاريخ منفصل، والذي قد يحتوي على أيام لا توجد معاملات مقابلة لها. يمكنك إصلاح القاسم للمتوسط ​​باستخدام عدد الأيام التي توجد فيها معاملات باستخدام النمط التالي حيث: لاتفاكتليغت هو الجدول المتعلق بجدول التاريخ ويحتوي على قيم محسوبة بواسطة المقياس. قد تستخدم الدالات داتسبيتوين أو داتيسينبيريود بدلا من فيلتر ولكن هذه تعمل فقط في جدول تاريخ عادي، بينما يمكنك تطبيق النمط الموضحة أعلاه أيضا إلى جداول التاريخ غير العادية والنماذج التي ليس لها جدول تاريخ. على سبيل المثال، النظر في النتائج المختلفة التي تنتجها التدابير التالية اثنين. في الشكل 3، يمكنك أن ترى أنه لا توجد مبيعات في 11 سبتمبر 2005. ومع ذلك، يتم تضمين هذا التاريخ في الجدول التاريخ وبالتالي، هناك 7 أيام (من 11 سبتمبر إلى 17 سبتمبر) التي لديها 6 أيام فقط مع البيانات. الشكل 3 مثال على حساب متوسط ​​متحرك مع مراعاة وتجاهل التواريخ بدون مبيعات. قياس المتوسط ​​المتحرك 7 أيام لديه عدد أقل بين 11 سبتمبر و 17 سبتمبر، لأنه يعتبر 11 سبتمبر يوما مع 0 المبيعات. إذا كنت ترغب في تجاهل أيام مع عدم وجود مبيعات، ثم استخدام مقياس المتوسط ​​المتحرك 7 أيام لا صفر. قد يكون هذا هو النهج الصحيح عندما يكون لديك جدول تاريخ كامل ولكنك تريد تجاهل الأيام بدون معاملات. باستخدام صيغة المتوسط ​​المتحرك 7 أيام، تكون النتيجة صحيحة لأن أفيراجيكس تأخذ في الاعتبار القيم غير الفارغة تلقائيا. ضع في اعتبارك أنك قد تحسن أداء المتوسط ​​المتحرك من خلال الاستمرار في القيمة في عمود محسوب من جدول يحتوي على التفاصيل المطلوبة، مثل التاريخ أو التاريخ والمنتج. ومع ذلك، فإن نهج الحساب الديناميكي مع مقياس يوفر القدرة على استخدام معلمة لعدد أيام المتوسط ​​المتحرك (على سبيل المثال استبدال لتنومبروفيدسغت مع مقياس تنفيذ نمط الجدول معلمات). الوسيط يتطابق مع النسبة المئوية 50، والتي يمكنك حسابها باستخدام نمط النسبة المئوية. ومع ذلك، فإن نمط المتوسط ​​يسمح لك لتحسين وتبسيط الحساب الوسيط باستخدام مقياس واحد، بدلا من عدة تدابير المطلوبة من قبل نمط النسبة المئوية. يمكنك استخدام هذا النهج عند حساب الوسيط للقيم المضمنة في لتفالويكولومنغت كما هو موضح أدناه: لتحسين الأداء، قد تحتاج إلى استمرار قيمة مقياس في عمود محسوب، إذا كنت ترغب في الحصول على الوسيط لنتائج وهو مقياس في نموذج البيانات. ومع ذلك، قبل القيام بهذا التحسين، يجب تنفيذ حساب ميديانكس استنادا إلى القالب التالي، باستخدام هذه العلامات: لترانولاريتيتليغت هو الجدول الذي يحدد دقة الحساب. على سبيل المثال، يمكن أن يكون جدول التاريخ إذا كنت تريد حساب متوسط ​​مقياس محسوب على مستوى اليوم، أو يمكن أن تكون قيم (8216DateYearMonth) إذا كنت تريد حساب متوسط ​​مقياس محسوب على مستوى الشهر. لتماسوريجت هو مقياس لحساب لكل صف من لترانولاريتيتابلغت لحساب المتوسط. لتماسوريتابليغت هو الجدول الذي يحتوي على البيانات المستخدمة من قبل لتماسوريغت. على سبيل المثال، إذا كان لترانولاريتيبتليغت بعدا مثل 8216Date8217، ثم لتماسوريتابليغت سيكون 8216Internet Sales8217 التي تحتوي على العمود مبلغ المبيعات الإنترنت لخصها الإنترنت إجمالي قياس المبيعات. على سبيل المثال، يمكنك كتابة متوسط ​​إجمالي مبيعات الإنترنت لجميع العملاء في أدفنتور وركس على النحو التالي: تلميح النموذج التالي: يستخدم لإزالة الصفوف من لترانولاريتيتابليغت التي لا توجد بيانات المقابلة في الاختيار الحالي. وهي طريقة أسرع من استخدام التعبير التالي: ومع ذلك، يمكنك استبدال التعبير كالكولاتيتابل كامل مع لترانولاريتيتليغت فقط إذا كنت تريد أن تنظر القيم فارغة من لتماسوريغت كما 0. يعتمد أداء صيغة ميديانكس على عدد الصفوف في الجدول تكرارا وعلى تعقيد التدبير. إذا كان الأداء سيئا، قد تستمر نتيجة لتماسوريجت في عمود محسوبة من لتابليغت، ولكن هذا سوف يزيل قدرة تطبيق عوامل التصفية على حساب الوسيط في وقت الاستعلام. النسبة المئوية لبرنامج إكسيل له تطبيقان مختلفان لحساب المئين مع ثلاث وظائف: بيرسنتيل و PERCENTILE. INC و PERCENTILE. EXC. أنها جميعا ترجع النسبة المئوية K - ث من القيم، حيث K في نطاق 0-1. الفرق هو أن بيرسنتيل و PERCENTILE. INC النظر K كمجموعة شاملة، في حين يعتبر PERCENTILE. EXC مجموعة K 0-1 باعتبارها حصرية . وتتلقى كل هذه الوظائف وتطبيقات داكس قيمة مئوية كمعلمة، والتي نسميها قيمة K. لكغت المئوية في المدى من 0 إلى 1. يتطلب تطبيقا داكس للمئين عددا قليلا من التدابير المتشابهة، ولكن مختلفة بما فيه الكفاية لتتطلب اثنين من مجموعة مختلفة من الصيغ. التدابير المحددة في كل نمط هي: كبيرك. القيمة المئویة التي تتطابق مع ال لكت. بيركبوس. موقف النسبة المئوية في مجموعة من القيم التي تم فرزها. فالو. القيمة أقل من النسبة المئوية. فالهيهي. القيمة فوق الموضع المئوي. النسبة المئوية. الحساب النهائي للمئوية. تحتاج إلى فالو و فالوهيغ التدابير في حالة بيركبوس يحتوي على جزء عشري، لأنه ثم عليك أن إنتيربولات بين فالو و فالوهيغ من أجل إعادة القيمة المئوية الصحيحة. ويبين الشكل 4 مثالا على الحسابات التي أجريت مع صيغ إكسيل و داكس، باستخدام كل من خوارزميات المئين (شاملة وحصرية). الشكل 4 الحسابات المئوية باستخدام صيغ إكسيل وحساب داكس المعادل. في المقاطع التالية، يتم تنفيذ الصيغ بيرسنتيل الحساب على القيم المخزنة في عمود جدول داتافالو، في حين أن الصيغ بيرسنتيلكس تنفذ الحساب على القيم التي يتم إرجاعها بواسطة مقياس محسوب في دقة معينة. النسبة المئوية الشاملة إن التنفيذ الشامل الشامل هو التالي. النسبة المئوية الحصرية التنفيذ الحصري المئوي هو التالي. بيرسنتيلكس شامل يستند التطبيق بيرسنتيلكس الشامل على القالب التالي، وذلك باستخدام هذه العلامات: لترانولاريتيتليغت هو الجدول الذي يحدد دقة الحساب. على سبيل المثال، يمكن أن يكون جدول التاريخ إذا كنت ترغب في حساب النسبة المئوية لمقياس على مستوى اليوم، أو يمكن أن تكون قيم (8216DateYearMonth) إذا كنت ترغب في حساب النسبة المئوية لمقياس على مستوى الشهر. لتماسوريجت هو مقياس لحساب لكل صف من لترانولاريتيتليغت لحساب المئوية. لتماسوريتابليغت هو الجدول الذي يحتوي على البيانات المستخدمة من قبل لتماسوريغت. على سبيل المثال، إذا كان لترانولاريتيتليغت بعدا مثل 8216Date، 8217 ثم لمياسوريتابليجت سيكون 8216Sales8217 التي تحتوي على عمود المبلغ التي تم جمعها من قبل قياس المبلغ الإجمالي. على سبيل المثال، يمكنك كتابة بيرسنتيليكسينك من إجمالي المبلغ المبيعات لجميع التواريخ في الجدول التاريخ كما يلي: بيرسنتيلكس إكسلوسيف يستند إكسلوسيف إكسلوسيف التنفيذ على القالب التالي باستخدام نفس العلامات المستخدمة في بيرسنتيلكس شاملة: على سبيل المثال، أنت يمكن كتابة بيرسنتيلكسكسك من إجمالي كمية المبيعات لجميع التواريخ في الجدول التاريخ على النحو التالي: إبقائي على علم أنماط القادمة (النشرة الإخبارية). قم بإلغاء التحديد لتنزيل الملف بحرية. تم نشره في 17 مارس 2014 من خلال نماذج التمهيد المتوسط ​​و الأسي كخطوة أولى في التحرك خارج النماذج المتوسطة، نماذج المشي العشوائي، ونماذج الاتجاه الخطي، يمكن استنباط الأنماط والاتجاهات غير التقليدية باستخدام نموذج متحرك متوسط ​​أو تمهيد. الافتراض الأساسي وراء المتوسطات ونماذج التمهيد هو أن السلاسل الزمنية ثابتة محليا بمتوسط ​​متغير 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 هذه السلسلة، 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 ثقة 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 أريما (0،1،1) نموذج 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 تمهيد أسي خطي (ليس) 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 نفس القيم المجهزة كالصيغة المستندة إلى 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). دعونا نتخيل لدينا مجموعة من الأعداد الصحيحة مثل هذا: يتم الحصول على المتوسط ​​مع الصيغة التالية A (1n) إكسي (مع 1 إلى n). لذا: x2n x2n. شن نقوم بتقسيم القيمة الحالية بواسطة عدد القيم وإضافة النتيجة السابقة إلى القيمة التي تم إرجاعها. التوقیع علی طریقة التخفیض ھي دالة الاستدعاء الحدیة یستغرق المعلمات التالیة: p. نتيجة الحساب السابق ج. القيمة الحالية (من المؤشر الحالي) i. قيمة فهرس عناصر الصفيف الحالية a. المصفوفة الحالية المخفضة الثانية تقلل المعلمة هي القيمة الافتراضية. (المستخدمة في حالة صفيف فارغ). وبالتالي فإن متوسط ​​تقليل الأسلوب سيكون: إذا كنت تفضل يمكنك إنشاء وظيفة منفصلة ومن ثم الرجوع ببساطة إلى طريقة رد الاتصال أو زيادة الصفيف النموذج مباشرة. من الممكن تقسيم القيمة في كل مرة يتم استدعاء طريقة الحد. أو حتى أفضل . باستخدام طريقة محددة مسبقا array. protoype. sum ()، وتحسين عملية استدعاء التقسيم مرة واحدة فقط :) ثم على أي كائن مجموعة من نطاق: ملحوظة: صفيف فارغة مع عودة رغبة نان هو أكثر صحة من 0 في بلدي وجهة نظر ويمكن أن تكون مفيدة في حالات استخدام محددة.

No comments:

Post a Comment