A moving average model works best when _____ in the time series

Średnia ruchoma Ten przykład pokazuje, w jaki sposób obliczyć średnią ruchomą szeregu czasowego w Excelu. Średnia ruchoma służy do łagodzenia nieprawidłowości (szczytów i dolin) w celu łatwego rozpoznawania trendów. 1. Najpierw przyjrzyjmy się naszej serii czasowej. 2. Na karcie Dane kliknij Analiza danych. Uwaga: nie można znaleźć przycisku Analiza danych Kliknij tutaj, aby załadować dodatek Analysis ToolPak. 3. Wybierz średnią ruchomą i kliknij OK. 4. Kliknij pole Input Range i wybierz zakres B2: M2. 5. Kliknij w polu Interwał i wpisz 6. 6. Kliknij pole Zakres wyjściowy i wybierz komórkę B3. 8. Narysuj wykres tych wartości. Objaśnienie: ponieważ ustawiliśmy przedział na 6, średnia ruchoma jest średnią z poprzednich 5 punktów danych i bieżącego punktu danych. W rezultacie szczyty i doliny są wygładzone. Wykres pokazuje rosnący trend. Program Excel nie może obliczyć średniej ruchomej dla pierwszych 5 punktów danych, ponieważ nie ma wystarczającej liczby poprzednich punktów danych. 9. Powtórz kroki od 2 do 8 dla przedziału 2 i odstępu 4. Wniosek: Im większy przedział, tym bardziej wygładzone są szczyty i doliny. Im mniejszy przedział czasu, tym bardziej zbliżone są średnie ruchome do rzeczywistych punktów danych. Podczas obliczania ruchomej średniej ruchomej, ustawienie średniej w okresie środkowym ma sens W poprzednim przykładzie obliczyliśmy średnią z pierwszych 3 przedziałów czasowych i umieściliśmy to obok okresu 3. Moglibyśmy umieścić średnią w środku przedziału czasowego trzech okresów, to znaczy obok okresu 2. Działa to dobrze w okresach nieparzystych, ale nie tak dobre dla nawet okresów czasu. Więc gdzie ustawilibyśmy pierwszą średnią ruchomą, gdy M 4 Technicznie, średnia ruchoma spadłaby o t 2,5, 3,5. Aby uniknąć tego problemu, wygładzamy MA za pomocą M 2. W ten sposób wygładzamy wygładzone wartości. Jeśli uśredniamy parzystą liczbę terminów, musimy wygładzić wygładzone wartości. Poniższa tabela pokazuje wyniki z wykorzystaniem przypisu M 4.A w Pankratz (1983) ). na stronie 48, mówi: Średnia ruchomej etykiety jest technicznie niepoprawna, ponieważ współczynniki MA mogą być ujemne i mogą nie sumować się do jedności. Ta etykieta jest używana zgodnie z konwencją. Box i Jenkins (1976) również mówią coś podobnego. Na stronie 10: średnia z nazwy jest nieco myląca, ponieważ wagi 1, - theta, - theta, ldoty, - theta, które mnożą się jako, nie wymagają całkowitej jedności ani potrzeby, która jest pozytywna. Nomenklatura ta jest jednak powszechnie stosowana i dlatego ją stosujemy. Mam nadzieję, że to pomoże. Jeśli spojrzysz na zerowy proces MA: Xt varepsilont theta1 varepsilon zadaje thetaq varepsilon, wtedy możesz uznać prawą stronę za zbliżoną do ważonej średniej ruchomej warunków varepsilonu, ale gdy wagi nie sumują się do 1. Zwróć uwagę, że każda wartość yt może być uważana za ważoną średnią kroczącą z kilku ostatnich błędów prognozy. Podobne wyjaśnienia tego terminu można znaleźć w wielu innych miejscach. (Pomimo popularności tego wyjaśnienia, nie wiem na pewno, że jest to pochodzenie tego terminu, jednak na przykład być może początkowo istniało jakieś połączenie między modelem a wygładzaniem średniej ruchomej.) Zauważ, że Graeme Walsh wskazuje na komentarze powyżej, które mogły pochodzić z Słuckiego (1927) Podsumowanie przypadkowych przyczyn jako źródło cyklicznych procesów 1 Hyndman, RJ i Athanasopoulos, G. (2017) Prognozowanie: zasady i praktyka. Sekcja 84. otextsfpp84. Dostęp do 22 września 2017 r.