مزايا و - قيود من بين الحركة - متوسط - طريقة من الاتجاه المناسب

خطوات اختيار نموذج للتنبؤ يجب أن يتضمن نموذج التنبؤ الخاص بك الميزات التي تلتقط جميع الخصائص النوعية الهامة للبيانات: أنماط التغير في المستوى والاتجاه، وآثار التضخم والموسمية، والارتباطات بين المتغيرات، إلخ. وعلاوة على ذلك، فإن الافتراضات التي تكمن وراء يجب أن يتفق النموذج المختار مع الحدس الخاص بك حول الكيفية التي من المرجح أن تتصرف بها السلسلة في المستقبل. عند تركيب نموذج التنبؤ، لديك بعض الخيارات التالية: يتم وصف هذه الخيارات بإيجاز أدناه. راجع مخطط تدفق التنبؤ المصاحب لعرض مصور لعملية مواصفات النماذج، ثم ارجع إلى لوحة مواصفات نموذج ستاتغرافيكس لمعرفة كيفية اختيار ميزات النموذج في البرنامج. الانكماش إذا أظهرت سلسلة النمو التضخمي، ثم الانكماش سيساعد على حساب نمط النمو والحد من التغايرية في المخلفات. يمكنك إما (1) تفريغ البيانات السابقة وإعادة تنشيط التوقعات طويلة الأجل بمعدل ثابت مفترض، أو (2) تفريغ البيانات السابقة بواسطة مؤشر أسعار مثل الرقم القياسي لأسعار المستهلك، ثم كتمانواليكوت إعادة ربط التوقعات على المدى الطويل باستخدام وهو مؤشر لمؤشر الأسعار. الخيار (ط) هو أسهل. في إكسيل، يمكنك فقط إنشاء عمود من الصيغ لتقسيم القيم الأصلية حسب العوامل المناسبة. على سبيل المثال، إذا كانت البيانات شهرية وتريد أن تنخفض بمعدل 5 لكل 12 شهرا، سوف تقسم بعامل (1.05) (k12) حيث k هو فهرس الصف (رقم الملاحظة). ريجرسيت و ستاتغرافيكس لديها المدمج في الأدوات التي تفعل ذلك تلقائيا بالنسبة لك. إذا ذهبت إلى هذا الطريق، فمن الأفضل عادة تعيين معدل التضخم المفترض يساوي أفضل تقدير للمعدل الحالي، وخاصة إذا كنت تنوي التنبؤ أكثر من فترة واحدة المقبلة. إذا اخترت بدلا من ذلك الخيار (2)، فيجب عليك أولا حفظ التوقعات المفصولة وحدود الثقة في جدول بيانات البيانات، ثم إنشاء وحفظ توقعات لمؤشر الأسعار، وأخيرا مضاعفة الأعمدة المناسبة معا. (عودة إلى أعلى الصفحة.) تحول اللوغاريتم إذا كانت السلسلة تظهر نمو مركب و نمط موحد مضاعف، فإن تحويل اللوغاريتم قد يكون مفيدا بالإضافة إلى أو الانكماش. ولن يسجل تسجيل البيانات نمط نمو تضخمي، ولكنه سيصقله بحيث يمكن تركيبه بنموذج خطي (مثل المشي العشوائي أو نموذج أريما مع نمو ثابت أو نموذج تجانس أسي خطي). أيضا، وقطع الأشجار تحويل أنماط الموسمية المضاعفة إلى أنماط إضافية، بحيث إذا قمت بإجراء التعديل الموسمية بعد قطع الأشجار، يجب عليك استخدام نوع المضافة. يتعامل التسجيل مع التضخم بطريقة ضمنية إذا كنت تريد أن يكون نموذج التضخم صريحا - أي. إذا كنت تريد أن يكون معدل التضخم معلمة مرئية من النموذج أو إذا كنت ترغب في عرض المؤامرات من البيانات مفرغة - ثم يجب عليك انكماش بدلا من تسجيل. استخدام مهم آخر للتحول السجل هو خطي العلاقات بين المتغيرات في وضع الانحدار ل. على سبيل المثال، إذا كان المتغير التابع دالة مضاعفة وليس مضافة للمتغيرات المستقلة، أو إذا كانت العلاقة بين المتغيرات التابعة والمستقلة خطية من حيث التغيرات المئوية بدلا من التغييرات المطلقة، ثم تطبيق تحويل السجل إلى واحد أو أكثر من المتغيرات قد يكون مناسبا، كما هو الحال في مثال مبيعات البيرة. (العودة إلى أعلى الصفحة). تعديل موسمي إذا كانت السلسلة لديها نمط موسمي قوي يعتقد أنه ثابت من سنة إلى أخرى، قد يكون التعديل الموسمية طريقة مناسبة لتقدير النموذج واستقراءه. ميزة التعديل الموسمية هو أنه نموذج النمط الموسمية صراحة، مما يتيح لك خيار دراسة المؤشرات الموسمية والبيانات المعدلة موسميا. والعيب هو أنه يتطلب تقدير عدد كبير من المعلمات إضافية (لا سيما بالنسبة للبيانات الشهرية)، وأنه لا يوفر الأساس المنطقي النظري لحساب فترات الثقة كوتوريكتكوت. التحقق من العينة خارج أهمية خاصة للحد من خطر الإفراط في تركيب البيانات الماضية من خلال التعديل الموسمية. إذا كانت البيانات موسمية بقوة ولكنك لا تختار التعديل الموسمية، البدائل هي إما (1) استخدام نموذج أريما الموسمية. والتي تتنبأ ضمنا بالنمط الموسمي باستخدام الفوارق والفوارق الموسمية، أو (2) استخدام نموذج الشتاء الأسي للنمو الأسمي الموسمية الذي يقدر المؤشرات الموسمية المتغيرة بمرور الوقت. (العودة إلى أعلى الصفحة). متغيرات كوتينديبندنتكوت إذا كانت هناك سلسلة زمنية أخرى تعتقد أن لديها قوة توضيحية فيما يتعلق بسلسلة اهتمامك (مثل المؤشرات الاقتصادية الرائدة أو متغيرات السياسة مثل السعر والإعلانات والعروض الترويجية وما إلى ذلك)، قد ترغب في النظر في الانحدار كنوع النموذج الخاص بك. سواء اخترت الانحدار أم لا، لا تزال بحاجة إلى النظر في الاحتمالات المذكورة أعلاه لتحويل المتغيرات الخاصة بك (الانكماش، سجل، التكيف الموسمي - وربما أيضا الاختلاف) وذلك لاستغلال البعد الزمني و خطي العلاقات. حتى إذا لم تختر الانحدار عند هذه النقطة، قد ترغب في إضافة مضادات التراجع لاحقا إلى نموذج السلاسل الزمنية (على سبيل المثال نموذج أريما) إذا كانت البقايا تتحول إلى ارتباطات متقاطعة عبرية مع متغيرات أخرى. (العودة إلى أعلى الصفحة.) التمهيد أو المتوسط ​​أو المشي العشوائي إذا كنت قد اخترت ضبط البيانات موسميا - أو إذا كانت البيانات ليست موسمية لتبدأ - ثم قد ترغب في استخدام نموذج المتوسط ​​أو تمهيد إلى تناسب النمط غير الداخلي الذي يبقى في البيانات عند هذه النقطة. إن المتوسط ​​المتحرك البسيط أو نموذج التجانس الأسي البسيط يحسب المتوسط ​​المحلي للبيانات في نهاية السلسلة، على افتراض أن هذا هو أفضل تقدير للقيمة المتوسطة الحالية التي تتقلب البيانات حولها. (تفترض هذه النماذج أن متوسط ​​السلسلة يتغير ببطء وبشكل عشوائي بدون اتجاهات ثابتة). وعادة ما يفضل التجانس الأسي البسيط إلى متوسط ​​متحرك بسيط، لأن متوسطه المرجح أضعافا مضاعفة تؤدي وظيفة أكثر منطقية لخصم البيانات القديمة، (ألفا) مستمرة ويمكن تحسينها بسهولة، ولأن لها أساس نظري أساسي لحساب فترات الثقة. إذا لم يكن التمهيد أو المتوسط ​​مفيدا - بمعنى آخر. إذا كان أفضل مؤشر على القيمة التالية للسلسلة الزمنية هو ببساطة قيمته السابقة - ثم يشار نموذج المشي العشوائي. هذا هو الحال، على سبيل المثال، إذا تبين أن العدد الأمثل للمصطلحات في المتوسط ​​المتحرك البسيط هو 1، أو إذا تبين أن القيمة المثلى للألفا في التمهيد الأسي البسيط هي 0.9999. ويمكن استخدام التجانس الأسي الخطي البني لتتناسب مع سلسلة مع الاتجاهات الخطية ببطء متفاوتة الوقت، ولكن كن حذرا بشأن استقراء هذه الاتجاهات بعيدة جدا في المستقبل. (تسجل فترات الثقة السريعة الاتساع لهذا النموذج عدم اليقين بشأن المستقبل البعيد). كما أن هولتس لينير سموتينغ يقوم بتقدير الاتجاهات المتغيرة للوقت، ولكنه يستخدم معلمات منفصلة لتلطيف المستوى والاتجاه، مما يوفر عادة أفضل ملاءمة للبيانات من طراز براون 8217s. س محاولات التمهيد الأسي لتقدير الاتجاهات التربيعية المتغيرة بمرور الوقت، وينبغي ألا تستخدم عمليا أبدا. (وهذا من شأنه أن يتوافق مع نموذج أريما مع ثلاثة أوامر من اختلاف غير منطقي.) وغالبا ما يوصى الخطي الأسي تمهيد مع اتجاه مخفف (أي الاتجاه الذي يتسطح في آفاق بعيدة) في الحالات التي يكون فيها المستقبل غير مؤكد جدا. نماذج التمهيد الأسي المختلفة هي حالات خاصة من نماذج أريما (الموصوفة أدناه) ويمكن تركيبها مع برنامج أريما. على وجه الخصوص، فإن نموذج التمهيد الأسي بسيط هو أريما (0،1،1) نموذج، Holt8217s نموذج التمهيد الخطي هو أريما (0،2،2) نموذج، ونموذج الاتجاه المنهك هو أريما (1،1،2 ) نموذج. يمكن العثور على ملخص جيد لمعادلات نماذج التمهيد الأسي المختلفة في هذه الصفحة على موقع ساس على الويب. (تظهر قوائم ساس لتحديد نماذج السلاسل الزمنية أيضا هناك 8212 هي مماثلة لتلك الموجودة في ستاتغرافيكس.) نماذج خط الاتجاه الخطية أو التربيعية أو الأسية هي خيارات أخرى لاستقراء سلسلة ديسوناليزد، لكنها نادرا ما تتفوق على المشي العشوائي، وتمهيد، أو نماذج أريما على بيانات الأعمال. (العودة إلى أعلى الصفحة.) الشتاء الموسمية الأسي تنعيم الشتاء الشتاء التمدد الموسمية هو امتداد لتمهيد الأسي الذي يقدر في وقت واحد مستوى متغير المستوى، والاتجاهات، والعوامل الموسمية باستخدام المعادلات العودية. (وهكذا، إذا كنت تستخدم هذا النموذج، فإنك لن أولا ضبط موسميا البيانات). عوامل الشتاء الشتاء يمكن أن تكون إما مضاعفة أو المضافة: عادة يجب عليك اختيار الخيار المضاعف إلا إذا قمت بتسجيل البيانات. على الرغم من أن نموذج الشتاء هو ذكي وبديهية معقولة، فإنه يمكن أن يكون من الصعب تطبيق في الممارسة العملية: لديها ثلاثة معايير تمهيد - ألفا، بيتا، وجاما - لتلطيف على حدة مستوى، والاتجاه، والعوامل الموسمية، والتي يجب أن تقدر الوقت ذاته. ويمكن تحديد قيم البداية للمؤشرات الموسمية من خلال تطبيق طريقة المعدل إلى المتوسط ​​المتحرك للتكيف الموسمي على جزء أو كل من سلسلة أندور بواسطة باكفوريكاستينغ. إن خوارزمية التقدير التي تستخدمها ستاتغرافيكس لهذه المعلمات تفشل في بعض الأحيان في تقارب قيم الغلة التي تعطي توقعات غريبة وفترات ثقة، لذا أوصي الحذر عند استخدام هذا النموذج. (العودة إلى أعلى الصفحة.) أريما إذا لم تختر التعديل الموسمي (أو إذا كانت البيانات غير موسمية)، فيمكنك استخدام إطار نموذج أريما. نماذج أريما هي فئة عامة جدا من النماذج التي تشمل المشي العشوائي، والاتجاه العشوائي، وتمهيد الأسي، ونماذج الانحدار الذاتي كحالات خاصة. الحكمة التقليدية هي أن السلسلة هي مرشح جيد لنموذج أريما إذا (1) يمكن أن يكون مرتكزا من خلال مزيج من الاختلافات والتحولات الرياضية الأخرى مثل قطع الأشجار، و (إي) لديك كمية كبيرة من البيانات للعمل مع : 4 مواسم كاملة على الأقل في حالة البيانات الموسمية. (إذا كانت السلسلة لا يمكن أن تكون ثابتة بشكل كاف من خلال اختلاف - على سبيل المثال إذا كان غير منتظم جدا أو يبدو أن تغيير نوعيا سلوكها مع مرور الوقت - أو إذا كان لديك أقل من 4 مواسم من البيانات، ثم قد يكون أفضل حالا مع نموذج الذي يستخدم التعديل الموسمية وبعض نوع من المتوسط ​​المتوسط ​​أو تمهيد.) نماذج أريما لها اصطلاح تسمية خاصة قدمها بوكس ​​وجينكينز. ويصنف نموذج أريما نوناسونال كنموذج أريما (p، d، q)، حيث d هو عدد الاختلافات غير الموسمية، p هو عدد مصطلحات الانحدار الذاتي (تأخر السلسلة المختلف)، q هو عدد الحركة المتحركة، متوسطات (تخلف أخطاء التنبؤ) في معادلة التنبؤ. ويصنف نموذج أريما الموسمية على أنه أريما (p، d، q) x (P، D، Q). حيث D و P و Q هي، على التوالي، عدد الفروق الموسمية، وشروط الانحدار الذاتي الموسمية (تأخر السلسلة المختلفة بمضاعفات الفترة الموسمية)، وشروط المتوسط ​​المتحرك الموسمية (تأخر أخطاء التنبؤ بمضاعفات الموسم الموسمي فترة). الخطوة الأولى في تركيب نموذج أريما هو تحديد الترتيب المناسب من الاختلاف اللازم لاستقرار السلسلة وإزالة الميزات الإجمالية للموسمية. وهذا يعادل تحديد أي كوتنيفيكوت المشي العشوائي أو نموذج الاتجاه العشوائي يوفر أفضل نقطة انطلاق. لا تحاول استخدام أكثر من مجموع طلبات الاختلاف (غير الموسمية والموسمية مجتمعة)، ولا تستخدم أكثر من 1 فرق موسمي. والخطوة الثانية هي تحديد ما إذا كان ينبغي تضمين مصطلح ثابت في النموذج: عادة ما تقوم بتضمين مصطلح ثابت إذا كان الترتيب الكلي للتباين هو 1 أو أقل، وإلا فإنك لا تفعل ذلك. في نموذج مع ترتيب واحد من الاختلاف، يمثل المصطلح الثابت متوسط ​​الاتجاه في التنبؤات. وفي نموذج يحتوي على أمرين من الاختلاف، يتحدد الاتجاه في التنبؤات بالاتجاه المحلي الذي لوحظ في نهاية السلاسل الزمنية، ويمثل المدى الثابت الاتجاه في الاتجاه، أي انحناء الاتجاه الطويل الأجل، . عادة ما يكون من الخطورة استقراء الاتجاهات في الاتجاهات، لذلك يمكنك قمع مصطلح كونتانت في هذه الحالة. والخطوة الثالثة هي اختيار أعداد معلمات الانحدار الذاتي والانتقال المتحرك (p و d و q و P و D و Q) اللازمة لإزالة أي ارتباط تلقائي يبقى في بقايا النموذج الساذج (أي أي ارتباط يبقى بعد مجرد اختلاف). وتحدد هذه الأرقام عدد الفواصل الزمنية للتفاوتات المتفاوتة بين السلسلة والتخطأ في أخطاء التنبؤ الواردة في معادلة التنبؤ. إذا لم يكن هناك ارتباط ذاتي كبير في البقايا عند هذه النقطة، ثم ستوب، كنت فعلت: أفضل نموذج هو نموذج ساذج إذا كان هناك ارتباط ذاتي كبير في التأخر 1 أو 2، يجب عليك محاولة إعداد q1 إذا كان أحد الإجراءات التالية ينطبق: ( ط) هناك فرق غير موسمي في النموذج، (2) الترابط الذاتي 1 تأخر سلبي. أندور (إي) مؤامرة الارتباط الذاتي المتبقية هي أنظف المظهر (طفرات أقل وأكثر معزولة) من مؤامرة الارتباط الذاتي الجزئي المتبقي. إذا لم يكن هناك فرق غير موسمي في النموذج أندور الترابط الذاتي 1 تأخر إيجابي و أن مؤامرة الارتباط الذاتي الجزئي المتبقي تبدو أكثر نظافة، ثم حاول p1. (في بعض الأحيان هذه القواعد للاختيار بين p1 و q1 الصراع مع بعضها البعض، وفي هذه الحالة على الأرجح لا تحدث فرقا كبيرا أي واحد كنت تستخدم. حاول كلاهما ومقارنة.) إذا كان هناك الارتباط الذاتي في تأخر 2 التي لم تتم إزالتها عن طريق وضع p1 أو q1، يمكنك ثم محاولة p2 أو q2، أو في بعض الأحيان p1 و q1. نادرا ما قد تواجه حالات حيث p2 أو 3 و q1، أو العكس بالعكس، تعطي أفضل النتائج. فمن المستحسن بشدة أن لا تستخدم pgt1 و qgt1 في نفس النموذج. بشكل عام، عند تركيب نماذج أريما، يجب تجنب زيادة تعقيد النموذج من أجل الحصول على مزيد من التحسينات الصغيرة جدا في احصائيات الخطأ أو ظهور مؤامرات أسف و باسف. أيضا، في نموذج مع كل pgt1 و qgt1، هناك احتمال جيد من التكرار وعدم التفرد بين أر و ما الجانبين من النموذج، كما هو موضح في الملاحظات على الهيكل الرياضي للنموذج أريما ق. وعادة ما يكون من الأفضل المضي قدما في اتجاه خطوة إلى الأمام بدلا من الاتجاه المتخلف إلى الأمام عندما التغيير والتبديل مواصفات النموذج: تبدأ مع نماذج أبسط وإضافة فقط المزيد من المصطلحات إذا كان هناك حاجة واضحة. وتنطبق نفس القواعد على عدد مصطلحات الانحدار الذاتي الموسمية (P) وعدد مصطلحات المتوسط ​​المتحرك الموسمية (Q) فيما يتعلق بالعلاقة الذاتية في الفترة الموسمية (على سبيل المثال، تأخر 12 في البيانات الشهرية). حاول Q1 إذا كان هناك بالفعل فرق موسمي في نموذج أندور الارتباط الذاتي الموسمية هو سلبي و أوور مؤامرة الارتباط الذاتي المتبقية تبدو أكثر نظافة في محيط الفاصل الموسمية وإلا حاول P1. (إذا كان من المنطقي أن تظهر السلسلة موسمية قوية، فيجب أن تستخدم فرقا موسميا، وإلا فإن النمط الموسمي سوف يتلاشى عند إجراء تنبؤات طويلة الأجل). في بعض الأحيان قد ترغب في تجربة P2 و Q0 أو فيرس v إرسا، أو PQ1. ومع ذلك، فمن المستحسن جدا أن يا يجب ألا يكون أبدا أكبر من 2. أنماط نادرا ما يكون نوع من الانتظام المثالي على عدد كبير بما فيه الكفاية من المواسم التي من شأنها أن تجعل من الممكن تحديد موثوق وتقدير أن العديد من المعلمات. أيضا، خوارزمية باكفوكاستينغ التي يتم استخدامها في تقدير المعلمة من المرجح أن تنتج نتائج لا يمكن الاعتماد عليها (أو حتى مجنون) عندما يكون عدد مواسم البيانات ليست أكبر بكثير من بدق. وأود أن أوصي لا يقل عن PDQ2 مواسم كاملة، وأكثر من ذلك هو أفضل. مرة أخرى، عند تركيب نماذج أريما، يجب أن تكون حذرا لتجنب الإفراط في تركيب البيانات، على الرغم من حقيقة أنه يمكن أن يكون الكثير من المرح بمجرد الحصول على تعليق منه. حالات خاصة هامة: كما ذكر أعلاه، فإن نموذج أريما (0،1،1) بدون ثابت مطابق لنموذج تمهيد أسي بسيط، ويفترض مستوى عائم (أي عدم وجود انعكاس متوسط) ولكن مع اتجاه صفر على المدى الطويل. نموذج أريما (0،1،1) مع ثابت هو نموذج تمهيد الأسي بسيط مع مصطلح الاتجاه الخطي غير الصفر المدرجة. نموذج أريما (0،2،1) أو (0،2،2) بدون ثابت هو نموذج تمهيد أسي خطي يسمح لاتجاه متغير زمنيا. نموذج أريما (1،1،2) بدون ثابت هو نموذج تمهيد أسي خطي مع اتجاه مخفف، أي اتجاه يتسطح في النهاية في التنبؤات الأطول أجلا. نماذج أريما الموسمية الأكثر شيوعا هي أريما (0،1،1) x (0،1،1) نموذج بدون ثابت و أريما (1،0،1) x (0،1،1) نموذج ثابت. الأول من هذه النماذج ينطبق أساسا تمهيد الأسي لكلا المكونات غير الموسمية والموسمية للنمط في البيانات في حين يسمح لاتجاه متغير الوقت، وهذا النموذج الأخير هو تشبه إلى حد ما ولكن يفترض اتجاه خطي ثابت، وبالتالي أكثر قليلا طويلة القدرة على التنبؤ. يجب عليك دائما تضمين هذين النموذجين بين تشكيلة المشتبه بهم عند تركيب البيانات مع أنماط موسمية متسقة. واحد منهم (ربما مع اختلاف طفيف مثل زيادة p أو q بواسطة 1 أندور وضع P1 وكذلك Q1) هو في كثير من الأحيان أفضل. (العودة إلى أعلى الصفحة). التنبؤ بواسطة تقنيات تمهيد هذا الموقع هو جزء من جافا سكريبت E-لابس الكائنات التعلم لاتخاذ القرارات. يتم تصنيف جافا سكريبت أخرى في هذه السلسلة ضمن مجالات مختلفة من التطبيقات في قسم مينو في هذه الصفحة. سلسلة زمنية هي سلسلة من الملاحظات التي يتم ترتيبها في الوقت المناسب. ومن العناصر المتأصلة في جمع البيانات المأخوذة على مر الزمن شكل من أشكال الاختلاف العشوائي. هناك طرق للحد من إلغاء التأثير بسبب الاختلاف العشوائي. التقنيات المستخدمة على نطاق واسع هي تمهيد. وتكشف هذه التقنيات، عندما تطبق بشكل صحيح، عن الاتجاهات الكامنة بشكل أوضح. أدخل السلاسل الزمنية بالصفوف في التسلسل، بدءا من الزاوية العلوية اليسرى، والمعلمة (المعلمات)، ثم انقر على الزر حساب للحصول على التنبؤ قبل فترة واحدة. لا يتم تضمين صناديق فارغة في الحسابات ولكن الأصفار هي. في إدخال البيانات الخاصة بك للانتقال من خلية إلى خلية في مصفوفة البيانات استخدام مفتاح تاب لا السهم أو إدخال مفاتيح. ملامح السلاسل الزمنية، والتي يمكن كشفها من خلال فحص الرسم البياني. مع القيم المتوقعة، والسلوك المتبقي، والنمذجة حالة التنبؤ. المتوسطات المتحركة: تعد المتوسطات المتحركة من بين أكثر التقنيات شيوعا في المعالجة المسبقة للمسلسلات الزمنية. وهي تستخدم لتصفية الضوضاء البيضاء العشوائية من البيانات، لجعل السلاسل الزمنية أكثر سلاسة أو حتى للتأكيد على بعض العناصر الإعلامية الواردة في السلاسل الزمنية. الأسي تجانس: هذا هو مخطط شعبية جدا لإنتاج سلسة سلسلة الوقت. في حين أن المتوسطات المتحركة يتم ترجيح الملاحظات السابقة بالتساوي، فإن التسييل الأسي يعين الأوزان المتناقصة بشكل كبير مع تقدم الملاحظة. وبعبارة أخرى، تعطي الملاحظات الأخيرة وزنا أكبر نسبيا في التنبؤ من الملاحظات القديمة. ضعف الأسي تجانس أفضل في التعامل مع الاتجاهات. الثلاثي الأسي تجانس أفضل في التعامل مع اتجاهات القطع المكافئ. متوسط ​​متحرك مرجح أسي مع ثابت التمهيد a. يقابل تقريبا متوسط ​​متحرك بسيط للطول (أي الفترة) n، حيث تكون a و n مرتبطة بما يلي: 2 (n1) أو n (2 - a) a. وهكذا، على سبيل المثال، فإن المتوسط ​​المتحرك المرجح ألسيا مع ثابت التمهيد يساوي 0.1 من شأنه أن يتوافق تقريبا إلى 19 المتوسط ​​المتحرك اليوم. والمتوسط ​​المتحرك البسيط لمدة 40 يوما من شأنه أن يتوافق تقريبا مع متوسط ​​متحرك مرجح أسي مع ثابت ثابت يساوي 0.04878. هولتس الخطي الأسي تمهيد: لنفترض أن السلسلة الزمنية غير الموسمية ولكن لا عرض الاتجاه. طريقة هولتس تقدر كل من المستوى الحالي والاتجاه الحالي. لاحظ أن المتوسط ​​المتحرك البسيط هو حالة خاصة للتلطيف الأسي عن طريق تحديد فترة المتوسط ​​المتحرك إلى الجزء الصحيح من ألفا (ألفا) ألفا. بالنسبة لمعظم بيانات الأعمال تكون معلمة ألفا أصغر من 0.40 فعالة في كثير من الأحيان. ومع ذلك، يمكن للمرء إجراء بحث شبكة من مساحة المعلمة، مع 0.1 إلى 0.9، مع زيادات من 0.1. ثم أفضل ألفا لديه أصغر خطأ المطلق يعني (خطأ ما). كيفية مقارنة عدة طرق للتجانس: على الرغم من وجود مؤشرات رقمية لتقييم دقة تقنية التنبؤ، فإن النهج الأكثر انتشارا هو استخدام مقارنة مرئية لعدة تنبؤات لتقييم دقتها والاختيار من بين مختلف أساليب التنبؤ. في هذا النهج، يجب على المرء أن مؤامرة (باستخدام، على سبيل المثال إكسيل) على نفس الرسم البياني القيم الأصلية لمتغير سلسلة زمنية والقيم المتوقعة من عدة طرق التنبؤ المختلفة، مما يسهل المقارنة البصرية. قد ترغب في استخدام التوقعات السابقة من قبل تقنيات تجانس جافاسكريبت للحصول على القيم السابقة التنبؤ على أساس تقنيات تمهيد التي تستخدم معلمة واحدة فقط. هولت، وطرق الشتاء تستخدم اثنين وثلاثة معلمات، على التوالي، وبالتالي فإنه ليس من السهل مهمة لتحديد الأمثل، أو حتى بالقرب من القيم المثلى من قبل التجربة والأخطاء للمعلمات. ويؤكد التمهيد الأسي المفرد على المنظور القصير المدى الذي يحدد المستوى للمراقبة الأخيرة ويستند إلى شرط عدم وجود اتجاه. إن الانحدار الخطي، الذي يناسب خط المربعات الصغرى على البيانات التاريخية (أو البيانات التاريخية المحولة)، يمثل المدى الطويل، الذي يشترط الاتجاه الأساسي. هولتس الخطي الأسي تجانس يلتقط المعلومات حول الاتجاه الأخير. والمعلمات في نموذج هولتس هي معلمة المستويات التي ينبغي أن تنخفض عندما يكون مقدار تغير البيانات كبيرا، وينبغي زيادة معلمة الاتجاهات إذا كان اتجاه الاتجاه الأخير مدعوما بالعوامل المسببة لبعض العوامل. التنبؤ على المدى القصير: لاحظ أن كل جافاسكريبت في هذه الصفحة يوفر توقعات خطوة واحدة. للحصول على توقعات من خطوتين. ببساطة إضافة القيمة المتوقعة إلى نهاية لك البيانات سلسلة الوقت ثم انقر على نفس زر حساب. يمكنك تكرار هذه العملية لبضع مرات من أجل الحصول على التنبؤات قصيرة الأجل اللازمة. المتوسط ​​المتوسط ​​ونماذج التمهيد الأسي كخطوة أولى في التحرك خارج النماذج المتوسطة، نماذج المشي العشوائي، ونماذج الاتجاه الخطي، يمكن الأنماط والاتجاهات غير التقليدية استقراء 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 القيم 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.)