Bewegende gemiddelde Hierdie voorbeeld leer jy hoe om die bewegende gemiddelde van 'n tydreeks in Excel te bereken. 'N bewegende avearge gebruik te stryk onreëlmatighede (pieke en dale) om maklik tendense herken. 1. In die eerste plek kan 'n blik op ons tyd reeks. 2. Klik op die blad Data, kliek Data-analise. Nota: cant vind die Data-analise knoppie Klik hier om die analise ToolPak add-in te laai. 3. Kies bewegende gemiddelde en klik op OK. 4. Klik op die insette Range boks en kies die reeks B2: M2. 5. Klik op die boks interval en tik 6. 6. Klik in die uitset Range boks en kies sel B3. 8. Teken 'n grafiek van hierdie waardes. Verduideliking: omdat ons die interval stel om 6, die bewegende gemiddelde is die gemiddeld van die vorige 5 datapunte en die huidige data punt. As gevolg hiervan, is pieke en dale stryk uit. Die grafiek toon 'n toenemende tendens. Excel kan nie bereken die bewegende gemiddelde vir die eerste 5 datapunte, want daar is nie genoeg vorige datapunte. 9. Herhaal stappe 2 tot 8 vir interval 2 en interval 4. Gevolgtrekking: Hoe groter die interval, hoe meer die pieke en dale is glad nie. Hoe kleiner die interval, hoe nader die bewegende gemiddeldes is om die werklike data punte. Hou jy van hierdie gratis webwerf Deel asseblief hierdie bladsy op GoogleMoving Gemiddeld Sakrekenaar As 'n lys van opeenvolgende data, kan jy die N - punt bewegende gemiddelde (of rollende gemiddelde) op te rig deur die vind van die gemiddeld van elke stel N agtereenvolgende punte. Byvoorbeeld, as jy die geordende datastel 10, 11, 11, 15, 13, 14, 12, 10, 11, die 4-punt bewegende gemiddelde is 11,75, 12.5, 13.25, 13.5, 12.25, 11.75 bewegende gemiddeldes gebruik om opeenvolgende data glad hulle skerp pieke en dalings minder uitgespreek omdat elke rou data punt net 'n breukdeel gewig gegee in die bewegende gemiddelde. Hoe groter die waarde van N. die gladder die grafiek van die bewegende gemiddelde teenoor die grafiek van die oorspronklike data. Stock ontleders kyk dikwels na bewegende gemiddeldes van aandele prys data om tendense te voorspel en te sien patrone duideliker. Jy kan die sakrekenaar hieronder gebruik om 'n bewegende gemiddelde van 'n datastel te vind. Aantal terme in 'n eenvoudige N - punt bewegende gemiddelde As die aantal terme in die oorspronklike stel is d en die aantal terme wat gebruik word in elk gemiddeld N. dan is die aantal terme in die bewegende gemiddelde volgorde sal wees Byvoorbeeld, as jy 'n reeks van 90 aandele pryse en neem die 14-dag rollende gemiddelde van die pryse, sal die rollende gemiddelde volgorde 90 het - 14 1 77 punte. Hierdie sakrekenaar bere bewegende gemiddeldes waar al die terme gelyke gewig dra. Jy kan ook geweegde bewegende gemiddeldes waarin sommige terme groter gewig gegee as ander. Byvoorbeeld, gee meer gewig aan meer onlangse data, of die skep van 'n sentraal geweegde gemiddelde waar die middel terme meer getel. Sien die geweegde bewegende gemiddeldes artikel en sakrekenaar vir meer inligting. Saam met die verskuiwing van rekenkundige gemiddeldes, sommige ontleders ook kyk na die bewegende gemiddelde van geordende data sedert die mediaan is onaangeraak deur vreemde outliers. Market Data Vrae Eksponensiële bewegende gemiddeldes berekening kan jy my help verstaan hoe om tendens waarde eksponensiële bewegende gemiddeldes te omskep in tydperk (EMAS ) byvoorbeeld, sê jy dat 'n 10 Trend is rofweg gelykstaande aan 'n 19-tydperk EMO. Wat van die res van hulle As jy 'n soort van TA platform, dan is die 10 Trend en 5 Trend is wat ander noem dit 'n 19-dag en 39-dag Eksponensiële bewegende gemiddelde (EMA). As jy doen jou ontleding in 'n sigblad berekening sigblad van die data bladsy op ons webwerf. Om die formules van nuuts af te bou: 10T (vandag) 0.1 x Prys (vandag) 0.9 x 10T (gister) 5T (vandag) 0.05 x Prys (vandag) 0.95 x 5T (gister) Die formule vir die omskakeling van 'n EMA8217s glad konstant 'n aantal dae is: 2 821282128212- N 1 waar n die aantal dae. Dus, sou 'n 19-dag EMO pas in die formule soos volg: 2 2 8212821282128212- 821282128212- 0.10, of 10 19 1 20 Selfs as 'n kartering program noem 'n EMO n 822019-day8221 of enige ander tydperk in die agtergrond die sagteware is nog aan die gang te wees om die omschakeling hierbo uiteengesit en doen die wiskunde soos ons beskryf. Jy kan een van die oorspronklike stukke ooit oor hierdie konsep geskryf gelees deur te gaan na www. mcoscillator / verslae / spesiale / McClellanMTAaward. pdf. Daar het ons uittreksel uit P. N. Haurlan8217s pamflet, 8220Measuring Trend Values8221. Die rede waarom ons die ou terminologie van 822010 Trend8221 in plaas van noem dit 'n 19-dag EMO is twee-fold. m Eerstens, dit is die oorspronklike terme, en daarom is dit gewoonlik meer geskik is vir die korrekte name vir dinge hou, selfs al die res van die wêreld verander. In die tweede plek is dit effens misleidend om 'n sekere tydperk te gebruik wanneer dit gaan oor EMA. In 'n 19-dag Eenvoudige bewegende gemiddelde (SMA), die data punt van 20 dae gelede druppels uit heeltemal en het geen verdere betrekking het op die aanwyser waarde. Maar in 'n EMO, ou data gaan nooit heeltemal weg dit net decreasingly relevant is vir die huidige aanwyser lees. So om te sê dat dit 'n 19-dag aanwyser impliseer dat niks ouer as 19 dae is steeds in die data, en dit is nie heeltemal die case. How 'n bewegende gemiddelde in Excel n bewegende gemiddelde bereken is 'n statistiek wat gebruik word om dele te analiseer van 'n stel oor 'n tydperk van die tyd 'n groot data. Dit word algemeen gebruik met aandeelpryse, voorraad opbrengste en ekonomiese data soos die bruto binnelandse produk of verbruikersprysindeks indekse. Die gebruik van Microsoft Excel, kan jy organiseer en te bereken bewegende gemiddeldes binne minute, sodat jy meer tyd te fokus op die werklike ontleding eerder as die bou van die data-reeks. Open 'n nuwe werkblad in Microsoft Excel. datums en hul ooreenstemmende datapunte Tik in twee kolomme. Byvoorbeeld, om maandelikse inkomste syfers ontleed, gaan elke maand in kolom A en die ooreenstemmende syfer inkomste langsaan in kolom jaar B. A waarde van data, dan sou selle A1 vul deur A12 en B1 deur B12. Bepaal die tyd interval van die bewegende gemiddelde wat jy wil om te bereken, soos 'n drie-maande of ses maande bewegende gemiddelde. Gaan na die laaste waarde van die eerste interval en klik op die ooreenstemmende leë sel na regs. Gebruik die voorbeeld van Stap 1 As jy wil 'n drie-maande bewegende gemiddelde te bereken, sal jy op sel C3 klik omdat B3 die laaste waarde van die eerste drie maande van die jaar bevat. Gebruik die gemiddelde funksie en tik 'n formule in die leë sel wat jy gekies het, spesifiseer die data reeks vir die eerste interval. In hierdie voorbeeld sou jy tik quotAVERAGE (B1: B3) quot. Plaas jou muis op die onderste regterkantste hoek van die sel met die formule totdat jy sien 'n quot. quot Links kliek en sleep die formule af na die leë sel langs die laaste data punt in die aangrensende kolom. In die bogenoemde voorbeeld, sou jy die formule van sel C3 sleep om sel C12 om die drie maande bewegende gemiddelde vir die res van die year. Spreadsheet implementering van seisoenale aanpassing en eksponensiële bereken glad Dit is maklik om seisoenale aanpassing voer en pas eksponensiële glad modelle met behulp van Excel. Die skerm beelde en kaarte hieronder is geneem uit 'n sigblad wat is opgestel om multiplikatiewe seisoenale aanpassing en lineêre eksponensiële gladstryking op die volgende kwartaallikse verkope data van Buitenboord Marine illustreer: Om 'n afskrif van die sigbladlêer self te bekom, kliek hier. Die weergawe van lineêre eksponensiële gladstryking wat hier gebruik sal word vir doeleindes van demonstrasie is Brown8217s weergawe, bloot omdat dit geïmplementeer kan word met 'n enkele kolom van formules en daar is net een glad konstante te optimaliseer. Gewoonlik is dit beter om Holt8217s weergawe dat afsonderlike glad konstantes vir vlak en tendens het gebruik. Die vooruitskatting proses verloop soos volg: (i) die eerste keer die data is seisoenaal-aangepaste (ii) dan voorspellings gegenereer vir die seisoenaal-aangepaste data via lineêre eksponensiële gladstryking en (iii) Ten slotte het die seisoensaangesuiwerde voorspellings is quotreseasonalizedquot om voorspellings vir die oorspronklike reeks te verkry . Die aanpassingsproses seisoenale word in kolomme gedoen D deur G. Die eerste stap in seisoenale aanpassing is om te bereken 'n gesentreerde bewegende gemiddelde (hier opgevoer in kolom D). Dit kan gedoen word deur die gemiddelde van twee een-jaar-wye gemiddeldes wat geneutraliseer deur 'n tydperk relatief tot mekaar. ( 'N kombinasie van twee geneutraliseer gemiddeldes eerder as 'n enkele gemiddelde nodig vir sentrering doeleindes wanneer die aantal seisoene is selfs.) Die volgende stap is om die verhouding te bereken om bewegende gemiddelde --i. e. die oorspronklike data gedeel deur die bewegende gemiddelde in elke tydperk - wat hier uitgevoer word in kolom E. (Dit is ook die quottrend-cyclequot komponent van die patroon genoem, sover tendens en besigheid-siklus effekte kan oorweeg word om almal wat bly nadat gemiddeld meer as 'n geheel jaar se data. natuurlik, maand-tot-maand veranderinge wat nie as gevolg van seisoenale kan bepaal word deur baie ander faktore, maar die 12-maande-gemiddelde glad oor hulle 'n groot mate.) die na raming seisoenale indeks vir elke seisoen word bereken deur die eerste gemiddeld al die verhoudings vir daardie spesifieke seisoen, wat gedoen word in selle G3-G6 behulp van 'n AVERAGEIF formule. Die gemiddelde verhoudings word dan verklein sodat hulle som presies 100 keer die aantal periodes in 'n seisoen, of 400 in hierdie geval, wat gedoen word in selle H3-H6. Onder in kolom F, word VLOOKUP formules wat gebruik word om die toepaslike seisoenale indeks waarde in elke ry van die datatabel voeg, volgens die kwartaal van die jaar wat dit verteenwoordig. Die gesentreerde bewegende gemiddelde en die seisoensaangepaste data beland lyk soos hierdie: Let daarop dat die bewegende gemiddelde lyk tipies soos 'n gladder weergawe van die seisoensaangepaste reeks, en dit is korter aan beide kante. Nog 'n werkblad in dieselfde Excel lêer toon die toepassing van die lineêre eksponensiële gladstryking model om die seisoensaangepaste data, begin in kolom G. 'n Waarde vir die glad konstante (alfa) bo die voorspelling kolom ingeskryf (hier, in sel H9) en vir gerief dit die omvang naam quotAlpha. quot (die naam is opgedra deur die opdrag quotInsert / naam / Createquot.) die LES model is geïnisialiseer deur die oprigting van die eerste twee voorspellings gelyk aan die eerste werklike waarde van die seisoensaangepaste reeks toegeken. Die formule wat hier gebruik word vir die LES voorspelling is die enkel-vergelyking rekursiewe vorm van Brown8217s model: Hierdie formule is in die sel wat ooreenstem met die derde tydperk (hier, sel H15) aangegaan en kopieer af van daar af. Let daarop dat die LES voorspelling vir die huidige tydperk verwys na die twee voorafgaande waarnemings en die twee voorafgaande voorspelling foute, sowel as om die waarde van alfa. So, die voorspelling formule in ry 15 slegs verwys na data wat beskikbaar is in ry 14 en vroeër was. (Natuurlik, as ons wou eenvoudig in plaas van lineêre eksponensiële gladstryking te gebruik, kan ons die SES formule hier vervang in plaas. Ons kan ook gebruik Holt8217s eerder as Brown8217s LES model, wat nog twee kolomme van formules sou vereis dat die vlak en tendens bereken wat gebruik word in die vooruitsig.) die foute word bereken in die volgende kolom (hier, kolom J) deur die aftrekking van die voorspellings van die werklike waardes. Die wortel beteken kwadraat fout is bereken as die vierkantswortel van die variansie van die foute plus die vierkant van die gemiddelde. (Dit volg uit die wiskundige identiteit. MSE afwyking (foute) (gemiddeld (foute)) 2) By die berekening van die gemiddelde en variansie van die foute in hierdie formule, is die eerste twee periodes uitgesluit omdat die model vooruitskatting nie eintlik nie begin totdat die derde tydperk (ry 15 op die sigblad). Die optimale waarde van alfa kan óf gevind word deur die hand verander alfa tot die minimum RMSE is gevind, of anders kan jy die quotSolverquot gebruik om 'n presiese minimering. Die waarde van alfa dat die Solver gevind word hier (alpha0.471) getoon. Dit is gewoonlik 'n goeie idee om die foute van die model (in omskep eenhede) te plot en ook om te bereken en stip hul outokorrelasies by lags van tot een seisoen. Hier is 'n tydreeks plot van die (seisoenaangepaste) foute: Die fout outokorrelasies word bereken deur gebruik te maak van die funksie CORREL () om die korrelasies van die foute te bereken met hulself uitgestel word deur een of meer periodes - besonderhede word in die sigblad model . Hier is 'n plot van die outokorrelasies van die foute by die eerste vyf lags: Die outokorrelasies by lags 1 tot 3 is baie naby aan nul, maar die pen op lag 4 (wie se waarde is 0.35) is 'n bietjie lastig - dit dui daarop dat die seisoenale aanpassing proses het nie heeltemal suksesvol. Maar dit is eintlik net effens betekenisvol. 95 betekenis bands om te toets of outokorrelasies is aansienlik verskil van nul is min of meer plus-of-minus 2 / SQRT (N-k), waar n die steekproefgrootte en k is die lag. Hier N 38 en k wissel van 1 tot 5, so die vierkant-wortel-van-n-minus-k is ongeveer 6 vir almal, en vandaar die perke vir die toets van die statistiese betekenisvolheid van afwykings van nul is min of meer plus - of-minus 2/6, of 0.33. As jy die waarde van alfa wissel met die hand in hierdie Excel model, kan jy die effek op die tydreeks en outokorrelasie erwe van die foute in ag te neem, sowel as op die wortel-gemiddelde-kwadraat fout, wat onder sal wees geïllustreer. Aan die onderkant van die sigblad, is die voorspelling formule quotbootstrappedquot in die toekoms deur bloot vervang voorspellings vir werklike waardes by die punt waar die werklike data loop uit - d. w.z. waar quotthe futurequot begin. (Met ander woorde, in elke sel waar 'n toekomstige datawaarde sou plaasvind, 'n selverwysing is ingevoeg wat daarop dui dat die voorspelling gemaak vir daardie tydperk.) Al die ander formules is eenvoudig van bo af gekopieer: Let daarop dat die foute vir voorspellings van die toekoms is al bereken as nul. Dit beteken nie dat die werklike foute sal nul wees nie, maar eerder dit weerspieël bloot die feit dat vir doeleindes van voorspelling is ons veronderstelling dat die toekoms data die voorspellings sal gelyk gemiddeld. Die gevolglike LES voorspellings vir die seisoenaal-aangepaste data soos volg lyk: Met hierdie besondere waarde van Alpha, wat is optimaal vir een-periode-vooruit voorspellings, die geprojekteerde tendens is effens opwaarts, wat die plaaslike tendens wat oor die afgelope 2 jaar is waargeneem of so. Vir ander waardes van Alpha dalk 'n heel ander tendens projeksie verkry. Dit is gewoonlik 'n goeie idee om te sien wat gebeur met die langtermyn-tendens projeksie wanneer Alpha is uiteenlopend, omdat die waarde wat die beste vir 'n kort termyn vooruitskatting sal nie noodwendig die beste waarde vir die voorspelling van die meer verre toekoms wees. Byvoorbeeld, hier is die resultaat wat verkry word indien die waarde van alfa hand is ingestel op 0,25: Die geprojekteerde langtermyn-tendens is nou negatiewe eerder as positiewe Met 'n kleiner waarde van Alpha model plaas meer gewig op ouer data in sy skatting van die huidige vlak en tendens, en sy voorspellings langtermyn weerspieël die afwaartse neiging waargeneem oor die afgelope 5 jaar, eerder as die meer onlangse opwaartse neiging. Hierdie grafiek ook duidelik illustreer hoe die model met 'n kleiner waarde van Alpha is stadiger te reageer op quotturning pointsquot in die data en dus geneig is om 'n fout van die dieselfde teken maak vir baie tye in 'n ry. Die 1-stap-ahead voorspelling foute is groter gemiddeld as dié verkry voordat (RMSE van 34,4 eerder as 27.4) en sterk positief autocorrelated. Die lag-1 outokorrelasie van 0,56 oorskry grootliks die waarde van 0.33 hierbo bereken vir 'n statisties beduidende afwyking van nul. As 'n alternatief vir slingerspoed die waarde van alfa ten einde meer konserwatisme te voer in 'n lang termyn voorspellings, is 'n quottrend dampeningquot faktor soms by die model ten einde te maak die geprojekteerde tendens plat uit na 'n paar periodes. Die finale stap in die bou van die voorspelling model is om die LES voorspellings quotreasonalizequot deur hulle deur die toepaslike seisoenale indekse te vermenigvuldig. So, die reseasonalized voorspellings in kolom Ek is net die produk van die seisoenale indekse in kolom F en die seisoensaangepaste LES voorspellings in kolom H. Dit is relatief maklik om vertrouensintervalle bereken vir een-stap-ahead voorspellings gemaak deur hierdie model: eerste bereken die RMSE (wortel-gemiddelde-kwadraat fout, wat net die vierkantswortel van die MSE) en dan bereken 'n vertrouensinterval vir die seisoensaangepaste voorspel deur optelling en aftrekking twee keer die RMSE. (Oor die algemeen 'n 95 vertrouensinterval vir 'n een-tydperk lig voorspelling is min of meer gelyk aan die punt voorspelling plus-of-minus twee keer die geskatte standaardafwyking van die voorspelling foute, die aanvaarding van die fout verspreiding is ongeveer normale en die steekproefgrootte groot genoeg is, sê, 20 of meer. Hier is die RMSE eerder as die monster standaardafwyking van die foute is die beste raming van die standaard afwyking van toekomstige vooruitsig foute, want dit neem vooroordeel sowel toevallige variasies in ag.) die vertroue perke vir die seisoensaangepaste voorspelling is dan reseasonalized. saam met die voorspelling, deur hulle met die toepaslike seisoenale indekse te vermenigvuldig. In hierdie geval is die RMSE is gelyk aan 27.4 en die seisoensaangepaste voorspelling vir die eerste toekoms tydperk (Desember-93) is 273,2. sodat die seisoensaangepaste 95 vertrouensinterval is 273,2-227,4 218,4 te 273.2227.4 328,0. Vermenigvuldig hierdie perke deur Decembers seisoenale indeks van 68,61. Ons kry onderste en boonste vertroue grense van 149,8 en 225,0 rondom die Desember-93 punt voorspelling van 187,4. Vertroue perke vir voorspellings meer as een tydperk wat voorlê, sal oor die algemeen uit te brei as die voorspelling horison toeneem, as gevolg van onsekerheid oor die vlak en tendens asook die seisoenale faktore, maar dit is moeilik om hulle te bereken in die algemeen deur analitiese metodes. (Die geskikte manier om vertroue perke vir die LES voorspelling bereken is deur die gebruik van ARIMA teorie, maar die onsekerheid in die seisoenale indekse is 'n ander saak.) As jy 'n realistiese vertroue interval vir 'n voorspelling wil meer as een tydperk wat voorlê, met al die bronne van fout in ag, jou beste bet is om empiriese metodes gebruik: byvoorbeeld, 'n vertrouensinterval vir 'n 2-stap vorentoe voorspel verkry, jy kan 'n ander kolom skep op die sigblad om 'n 2-stap-ahead voorspelling bereken vir elke tydperk ( deur Opstarten die een-stap-ahead voorspelling). bereken dan die RMSE van die 2-stap-ahead voorspelling foute en gebruik dit as die basis vir 'n 2-stap-ahead vertroue interval.
No comments:
Post a Comment