تركز الموسمية التكيف الحركة من المتوسط

المتوسط ​​المتحرك المتوسط ​​المتحرك هو طريقة لتمهيد السلاسل الزمنية عن طريق حساب المتوسط ​​(مع أو بدون أوزان) عدد ثابت من المصطلحات المتتالية. متوسط ​​لدكوموفيسردكو مع مرور الوقت، في أن كل نقطة البيانات من سلسلة يتم تضمين بالتتابع في المتوسط، في حين يتم إزالة أقدم نقطة بيانات في فترة المتوسط. وبصفة عامة، وكلما طالت فترة المتوسط، كانت السلاسة هي السلسلة الناتجة. وتستخدم المتوسطات المتحركة لتلافي التقلبات في السلاسل الزمنية أو لتحديد مكونات السلاسل الزمنية مثل الاتجاه والدورة والموسمية وما إلى ذلك. ويستبدل المتوسط ​​المتحرك كل قيمة من سلاسل زمنية بمتوسط ​​(مرجح) للقيم السابقة ، والقيمة المعطاة، و f التالية لقيم السلسلة. وإذا كان المتوسط ​​f المتحرك هو محوره، يقال إن المتوسط ​​المتحرك يكون متماثلا إذا كان مركزا، وإذا كان لكل k 1، 2، هيليب. ص. فإن وزن القيمة السابقة k تساوي وزن k - ث التالية. لم يتم تعريف المتوسط ​​المتحرك لقيم p الأولى وقيم سلسلة الوقت الأخيرة. ومن أجل حساب المتوسط ​​المتحرك لهذه القيم، يجب أن تكون السلسلة متسلسلة وتنبؤ بها. المصدر: فرقة العمل المعنية بعرض البيانات والبيانات الوصفية لفرقة العمل المعنية بالإحصاءات الاقتصادية القصيرة الأجل التابعة لمنظمة التعاون والتنمية في الميدان الاقتصادي، باريس، 2004 مفهوم الاستبانة من الناحية النظرية، قد تعتمد الملاحظة الحالية على جميع الملاحظات السابقة. ومن المستحيل تقدير نموذج الانحدار الذاتي هذا لأنه يحتوي على معلمات كثيرة جدا. ومع ذلك، إذا كان x t دالة خطية لجميع الفترات السابقة، يمكن أن يظهر أن نموذج الانحدار الذاتي يعادل x t كدالة خطية لعدد قليل فقط من الصدمات السابقة. وفي نموذج المتوسط ​​المتحرك، توصف القيمة الحالية لل t t بأنها دالة خطية للصدمة المتزامنة (الخطأ) والصدمات السابقة (الأخطاء). إنترودكتيون تعتبر نتائج التكيف الموسمية مستقرة إذا كانت مقاومة نسبيا لإزالة أو إضافة نقاط البيانات في أي من نهاية السلسلة. الاستقرار هو واحد من الخصائص الرئيسية لنتائج سا. وإذا أدى إلحاق أو تأخير بعض الملاحظات إلى تغيير كبير في السلسلة المعدلة موسميا أو دورة الاتجاه المقدر، فإن تفسير السلسلة المعدلة موسميا لا يمكن الاعتماد عليه. ما هي نسب سي هي نسب سي هي قيم المكونات الموسمية غير النظامية (سي)، وتحسب كنسبة من السلسلة الأصلية إلى الاتجاه المقدر. وبعبارة أخرى، نسب سي هي تقديرات لسلسلة ديترندد. إن الرسوم البيانية سي مفيدة للتحقيق فيما إذا كانت الحركات قصيرة الأجل ناجمة عن التقلبات الموسمية أو غير المنتظمة. هذا المخطط هو أداة تشخيصية تستخدم لتحليل السلوك الموسمية، والانتقال أنماط عطلة، القيم المتطرفة وتحديد الفواصل الموسمية في هذه السلسلة. عادة ما يعرض برنامج التعديل الموسمية المعلومات التالية عن نموذج ريغاريما: معايير اختيار النموذج (معايير المعلومات) هي مقاييس الخير النسبي لملاءمة النموذج الإحصائي. في برامج التعديل الموسمية يتم استخدامها لاختيار النظام الأمثل من نموذج ريجارميا. وفيما يتعلق بمعايير المعلومات المعطاة، فإن النموذج المفضل هو النموذج ذي القيمة الدنيا لمعايير المعلومات. إنترودكتيون في التكرار B، (الجدول B7)، التكرار C (الجدول C7) والتكرار D (الجدول D7 والجدول D12) يتم استخراج مكون دورة الاتجاه من تقدير للسلسلة المعدلة موسميا باستخدام المتوسطات المتحركة هندرسون. يتم اختيار طول مرشح هيندرسون تلقائيا بواسطة X-12-أريما في إجراء من خطوتين. متوسطات التحو ل مرحلة التحول هو الفرق في الكشف عن نقاط تحول بين البيانات الأصلية وسلس. هذا التأثير هو عيب لأنه يتسبب في تأخير في الكشف عن نقاط تحول من السلاسل الزمنية، وخاصة في الفترة الأكثر الحالية. والمتوسطات المتحركة المتماثلة المتمركزة مقاومة لهذا التأثير. ومع ذلك، في نهاية (وبداية) من سلسلة زمنية متماثلة سلسلة زمنية لا يمكن استخدامها. من أجل حساب القيم الملساء في كلا طرفي السلاسل الزمنية يستخدم المرشح غير المتماثل، إلا أنها تسبب تأثير المرحلة. تاغسكيوردس: يمكنك النقر والسحب في منطقة المؤامرة للتكبير يمكنك الماوس فوق نقاط البيانات لمعرفة القيمة الفعلية التي يتم رسمها بيانيا إذا كان هناك مربع أسطورة، انقر على اسم السلسلة لعرضها مقدمة مقدمة المتوسطات المتحركة هي المتوسطات الحسابية المطبقة إلى فترات متتالية من طول ثابت من السلسلة. وعند تطبيقها على السلسلة الزمنية الأصلية، تنتج سلسلة من القيم المتوسطة. الصيغة العامة للمتوسط ​​المتحرك للمعاملات هي: معاملات المتوسطات المتحركة تسمى الأوزان. الكمية p f 1 هي متوسط ​​المتوسط ​​المتحرك. ويسمى المتوسط ​​المتحرك بالتركيز إذا كان عدد المشاهدات في الماضي مساويا لمراقبة الأرقام في المستقبل (أي إذا كانت p تساوي f). وتستبدل المتوسطات المتحركة السلاسل الزمنية الأصلية بالمتوسطات المرجحة للقيم الحالية، والملاحظات p السابقة للملاحظات الحالية والملاحظات الحاصلة بعد الملاحظة الحالية. وهي تستخدم لسلاسة السلاسل الزمنية الأصلية. ويعرض الجدول عدد المسافرين الذين سافروا جوا عن طريق فنلندا في عام 2001. وترد نفس البيانات على الرسم البياني: أنواع المتوسطات المتحركة على أساس أنماط الترجيح، يمكن أن تكون المتوسطات المتحركة: متماثلة نمط وزنها المستخدمة لحساب المتوسطات المتحركة هو متماثل حول نقطة البيانات المستهدفة. من خلال المتوسطات المتحركة المتماثلة فإنه من غير الممكن الحصول على قيم ممهدة لأول p وآخر ملاحظات p (للمتوسطات المتحركة المتماثلة يف). غير المتماثلة نمط وزنها المستخدمة لحساب المتوسطات المتحركة ليست متماثلة حول نقطة البيانات المستهدفة ويمكن تصنيف المتوسطات المتحركة أيضا وفقا لمساهمتها في القيمة النهائية على النحو التالي: المتوسطات المتحركة البسيطة، أي المتوسطات المتحركة التي تكون جميع الأوزان هي نفسها في حالة المتوسطات المتحركة البسيطة كل الملاحظات تساهم بالتساوي في القيمة النهائية. وغني عن القول أن جميع المتوسطات المتحركة البسيطة متماثلة. وبشكل رسمي، بالنسبة للمتوسط ​​المتحرك المتماثل للنظام P 2p 1، تكون جميع الأوزان مساوية ل 1 P. تقارن الصورة أدناه درجة التمهيد التي تحققت من خلال تطبيق متوسطات متحركة بسيطة لمدة 3 و 7. فالملاحظات المتطرفة (مثل نيسان / أبريل 2010 أو حزيران / يونيه 2011) لها تأثير أقل على المتوسط ​​الأطول من المتوسط ​​مقارنة بالمتوسط ​​الأقصر. المتوسطات المتحركة غير البسيطة، أي المتوسطات المتحركة التي لا تكون جميع أوزانها هي نفسها. والحالات الخاصة للمتوسطات المتحركة غير البسيطة هي: المتوسطات المتحركة المركبة، التي يتم الحصول عليها عن طريق تكوين متوسط ​​متحرك بسيط للنظام P، الذي تساوي معاملاته 1 P ومتوسط ​​متحرك بسيط للنظام Q، وكل معاملاته متساوية إلى 1 Q. المتوسطات المتحركة غير المتماثلة. خصائص المتوسطات المتحركة تتحرك المتوسطات المتحركة بسلاسة السلاسل الزمنية. عند تطبيقها على سلسلة زمنية، فإنها تقلل من اتساع التقلبات الملحوظة وتعمل بمثابة فلتر يزيل الحركات غير النظامية منه. ويمكن استخدام المتوسطات المتحركة مع نمط الترجيح المناسب للقضاء على دورات من طول معين في السلاسل الزمنية. في طريقة التعديل الموسمي X-12-أريما يتم استخدام أنواع مختلفة من المتوسطات المتحركة لتقدير دورة الاتجاه والمكون الموسمي. إذا كان مجموع المعاملات يساوي 1، فإن المتوسط ​​المتحرك يحافظ على الاتجاه. المتوسطات المتحركة لها اثنين من الافتراضات الهامة: فهي ليست قوية ويمكن أن تتأثر بعمق من القيم المتطرفة لا يمكن أن يتم تمهيد في نهايات السلسلة ولكن مع المتوسطات المتحركة غير المتماثلة التي إدخال التحولات المرحلة والتأخير في الكشف عن نقاط التحول في الأسلوب X11 ، المتوسطات المتحركة المتماثلة تلعب دورا هاما لأنها لا تقدم أي تحول المرحلة في سلسلة سلسة. ولكن، لتجنب فقدان المعلومات في نهاية السلسلة، فإنها إما أن تستكمل بمتوسطات متحركة غير المتماثلة المخصصة أو تطبيقها على سلسلة الانتهاء من التنبؤات. تنفيذ جدول البيانات من التعديل الموسمي والتجانس الأسي فمن مباشرة لإجراء تعديل موسمي وتناسب نماذج التمهيد الأسي باستخدام إكسيل. يتم أخذ صور الشاشة والرسوم البيانية أدناه من جدول بيانات تم إعداده لتوضيح التعديل الموسمي الموسمي والتجانس الأسي الخطي على بيانات المبيعات الفصلية التالية من أوتبوارد مارين: للحصول على نسخة من ملف جدول البيانات نفسه، انقر هنا. نسخة من التجانس الأسي الخطي التي سيتم استخدامها هنا لأغراض مظاهرة هو Brown8217s الإصدار، لمجرد أنه يمكن تنفيذها مع عمود واحد من الصيغ وهناك واحد فقط ثابت تمهيد لتحسين. عادة فمن الأفضل استخدام الإصدار Holt8217s التي لديها ثوابت تمهيد منفصلة للمستوى والاتجاه. وتنتقل عملية التنبؤ على النحو التالي: '1' أولا تعدل البيانات موسميا '2'، ثم تنشأ التنبؤات للبيانات المعدلة موسميا عن طريق التمهيد الأسي الخطي؛ '3' وأخيرا، فإن التنبؤات المعدلة موسميا هي عبارة عن تنبؤات محسوبة موسميا للحصول على تنبؤات للمسلسل الأصلي . يتم إجراء عملية التعديل الموسمية في الأعمدة من D إلى G. الخطوة الأولى في التعديل الموسمية هي حساب المتوسط ​​المتحرك المركزة (يتم القيام به هنا في العمود D). ويمكن القيام بذلك عن طريق الأخذ بمتوسط ​​متوسطين على مدى سنة واحدة تقابلهما فترة واحدة بالنسبة لبعضهما البعض. (وهناك حاجة إلى مزيج من متوسطين للمقاصة بدلا من متوسط ​​واحد للأغراض المركزية عندما يكون عدد المواسم). والخطوة التالية هي حساب النسبة إلى المتوسط ​​المتحرك - أي. البيانات الأصلية مقسومة على المتوسط ​​المتحرك في كل فترة - والتي يتم تنفيذها هنا في العمود هاء (ويسمى هذا أيضا مكون كوتريند-سيكليكوت للنمط، بقدر ما يمكن اعتبار التأثيرات ودورات الأعمال على أنها كلها لا يزال بعد متوسطه على مدى سنوات كاملة من البيانات، وبطبيعة الحال، من شهر إلى آخر التغييرات التي لا تعود إلى الموسمية يمكن تحديدها من قبل العديد من العوامل الأخرى، ولكن متوسط ​​12 شهرا ينعم عليهم إلى حد كبير.) ذي يتم حساب المؤشر الموسمية المقدر لكل موسم من خلال متوسط ​​متوسط ​​جميع النسب لهذا الموسم المحدد، والذي يتم في الخلايا G3-G6 باستخدام صيغة أفيراجيف. ثم يتم تعديل النسب المتوسطة بحيث تصل إلى 100 مرة بالضبط عدد الفترات في الموسم، أو 400 في هذه الحالة، والذي يتم في الخلايا H3-H6. أسفل العمود F، يتم استخدام صيغ فلوكوب لإدراج قيمة الفهرس الموسمية المناسبة في كل صف من جداول البيانات، وفقا لربع السنة الذي يمثله. وينتهي المتوسط ​​المتحرك المركب والبيانات المعدلة موسميا على النحو التالي: لاحظ أن المتوسط ​​المتحرك يشبه عادة نسخة أكثر سلاسة من السلسلة المعدلة موسميا، وهو أقصر على كلا الطرفين. وتظهر ورقة عمل أخرى في نفس ملف إكسيل تطبيق نموذج تمهيد الأسي الخطي على البيانات المعدلة موسميا، بدءا من العمود G. وتدخل قيمة ثابت التمهيد (ألفا) فوق عمود التنبؤ (هنا في الخلية H9) و من أجل الراحة يتم تعيين اسم النطاق كوتAlpha. quot (يتم تعيين الاسم باستخدام الأمر كوتينسرتامريكاتيكوت). يتم تهيئة نموذج ليس عن طريق تعيين أول اثنين من التوقعات مساوية للقيمة الفعلية الأولى للسلسلة المعدلة موسميا. الصيغة المستخدمة هنا لتوقعات ليس هي النموذج المعادلة وحيد المعادلة من طراز Brown8217s: يتم إدخال هذه الصيغة في الخلية المقابلة للفترة الثالثة (هنا، الخلية H15) ونسخها من هناك. لاحظ أن توقعات ليس للفترة الحالية تشير إلى الملاحظات السابقة واثنين من أخطاء التنبؤ السابقة، فضلا عن قيمة ألفا. وهكذا، فإن صيغة التنبؤ الواردة في الصف 15 تشير فقط إلى البيانات التي كانت متاحة في الصف 14 وما قبله. (بطبيعة الحال، إذا أردنا استخدام تمهيد أسي بسيط بدلا من خطي أسي، يمكننا استبدال صيغة سيس هنا بدلا من ذلك، ويمكننا أيضا استخدام نموذج هولت 8217s بدلا من براون 8217s ليس، والذي يتطلب عمودين إضافيين من الصيغ لحساب المستوى والاتجاه التي تستخدم في التنبؤ.) وتحسب الأخطاء في العمود التالي (هنا، العمود J) بطرح التوقعات من القيم الفعلية. ويحسب خطأ متوسط ​​الجذر التربيعي باعتباره الجذر التربيعي للتباين في الأخطاء بالإضافة إلى مربع الوسط. (ويأتي ذلك من الهوية الرياضية: مس فاريانس (أخطاء) (أفيراج (أخطاء))). في حساب متوسط ​​وتفاوت الأخطاء في هذه الصيغة، يتم استبعاد الفترتين الأوليين لأن النموذج لا يبدأ فعلا التنبؤ حتى الفترة الثالثة (الصف 15 في جدول البيانات). يمكن العثور على القيمة المثلى ألفا إما عن طريق تغيير ألفا يدويا حتى يتم العثور على الحد الأدنى رمز، وإلا يمكنك استخدام كوتسولفيركوت لإجراء التقليل الدقيق. قيمة ألفا التي وجدت سولفر وجدت هنا (alpha0.471). وعادة ما تكون فكرة جيدة هي رسم أخطاء النموذج (في الوحدات المحولة)، وكذلك حساب ورسم مؤثراتهم الذاتية عند فترات تأخر تصل إلى موسم واحد. هنا هو مؤامرة سلسلة زمنية من الأخطاء (المعدلة موسميا): يتم حساب أوتوكوريلاتيونس خطأ باستخدام الدالة كوريل () لحساب الارتباطات من الأخطاء مع أنفسهم تأخرت بفترة واحدة أو أكثر - يتم عرض التفاصيل في نموذج جدول البيانات . هنا هو مؤامرة من أوتوكوريلاتيونس من الأخطاء في الفترات الخمسة الأولى: و أوتوكوريلاتيونس في الفترات من 1 إلى 3 قريبة جدا من الصفر، ولكن الارتفاع في تأخر 4 (الذي هو 0.35) هو مزعجة قليلا - فإنه يشير إلى أن عملية التعديل الموسمية لم تكن ناجحة تماما. ومع ذلك، فإنه في الواقع هامشية فقط. 95 لفحص ما إذا كانت أوتوكوريلاتيونس تختلف اختلافا كبيرا عن الصفر تقريبا زائدا أو ناقص 2SQRT (n-k)، حيث n هو حجم العينة و k هو الفارق الزمني. هنا n هو 38 و k يختلف من 1 إلى 5، وبالتالي فإن مربع الجذر من-ن-ناقص-ك حوالي 6 لجميع منهم، وبالتالي حدود لاختبار الأهمية الإحصائية للانحرافات من الصفر هي تقريبا زائد - أو ناقص 26، أو 0.33. إذا قمت بتغيير قيمة ألفا باليد في هذا النموذج إكسيل، يمكنك مراقبة تأثير على سلسلة زمنية ومؤامرات الارتباط الذاتي من الأخطاء، وكذلك على الخطأ الجذر متوسط ​​التربيع، والتي سيتم توضيحها أدناه. في الجزء السفلي من جدول البيانات، يتم إعداد صيغة التنبؤات في المستقبل عن طريق استبدال التنبؤات بالقيم الفعلية عند النقطة التي تنفد فيها البيانات الفعلية - أي. حيث تبدأ كوتوركوتلكوت. (وبعبارة أخرى، في كل خلية حيث تحدث قيمة بيانات مستقبلية، يتم إدراج مرجع الخلية الذي يشير إلى التوقعات التي تم إجراؤها لتلك الفترة.) يتم نسخ جميع الصيغ الأخرى ببساطة من أسفل: لاحظ أن أخطاء التنبؤات من يتم حساب كل المستقبل ليكون صفر. وهذا لا يعني أن الأخطاء الفعلية ستكون صفرا، بل إنها تعكس مجرد حقيقة أنه لأغراض التنبؤ، نفترض أن البيانات المستقبلية ستساوي التوقعات في المتوسط. وتظهر توقعات ليس على البيانات المعدلة موسميا على النحو التالي: مع هذه القيمة الخاصة ألفا، وهو الأمثل للتنبؤات قبل فترة واحدة، فإن الاتجاه المتوقع هو أعلى قليلا، مما يعكس الاتجاه المحلي الذي لوحظ على مدى العامين الماضيين أو هكذا. وبالنسبة لقيم ألفا الأخرى، يمكن الحصول على إسقاط اتجاه مختلف جدا. وعادة ما تكون فكرة جيدة لمعرفة ما يحدث لإسقاط الاتجاه على المدى الطويل عندما يكون ألفا متنوعا، لأن القيمة الأفضل للتنبؤ على المدى القصير لن تكون بالضرورة أفضل قيمة للتنبؤ بالمستقبل البعيد. على سبيل المثال، هنا هي النتيجة التي يتم الحصول عليها إذا تم تعيين قيمة ألفا يدويا إلى 0.25: الاتجاه المتوقع على المدى الطويل هو الآن سلبي بدلا من إيجابي مع قيمة أصغر من ألفا، نموذج يضع المزيد من الوزن على البيانات القديمة في وتقديره للمستوى الحالي واتجاهه الحالي، وتنبؤاته الطويلة الأجل تعكس الاتجاه التنازلي الذي لوحظ خلال السنوات الخمس الماضية بدلا من الاتجاه التصاعدي الأحدث. ويوضح هذا المخطط أيضا بوضوح كيف أن النموذج مع قيمة أصغر من ألفا أبطأ للرد على نقاط كوتورنينغكوت في البيانات وبالتالي يميل إلى جعل خطأ من نفس علامة لعدة فترات متتالية. وأخطاء التنبؤ المتوقعة من خطوة واحدة أكبر في المتوسط ​​من تلك التي تم الحصول عليها من قبل (رمز 34.4 بدلا من 27.4) وترتبط ارتباطا إيجابيا قويا. ويتجاوز الترابط الذاتي المتخلف 1،56 قيمة 0،33 المحسوبة أعلاه لانحراف ذي دلالة إحصائية عن الصفر. وكبديل لتخفيض قيمة ألفا من أجل إدخال مزيد من التحفظ في التنبؤات طويلة الأجل، يضاف أحيانا عامل التخميد المعتدل إلى النموذج من أجل جعل الاتجاه المتوقع يتسطح بعد بضع فترات. وتتمثل الخطوة الأخيرة في بناء نموذج التنبؤات في التنبؤ بالتنبؤات المتوقعة من خلال ضربها بالمؤشرات الموسمية المناسبة. ومن ثم فإن التنبؤات المعاد تشكيلها في العمود الأول هي ببساطة نتاج المؤشرات الموسمية في العمود F وتوقعات ليس الموضوعة موسميا في العمود ح. ومن السهل نسبيا حساب فترات الثقة للتنبؤات من خطوة واحدة إلى الأمام التي يقدمها هذا النموذج: أولا حساب رمز (الجذر المتوسط ​​مربع الخطأ، الذي هو مجرد الجذر التربيعي للمشاريع الصغيرة والمتوسطة) ومن ثم حساب فترة الثقة للتوقعات المعدلة موسميا عن طريق طرح وطرح مرتين من رمز. (عموما فاصل الثقة 95 للتنبؤ بفترة زمنية واحدة يساوي تقريبا نقطة التنبؤ زائد أو ناقص ضعف الانحراف المعياري المقدر لأخطاء التنبؤ، على افتراض أن توزيع الخطأ طبيعي تقريبا وحجم العينة هي كبيرة بما فيه الكفاية، ويقول 20 أو أكثر. هنا، رمز بدلا من العينة الانحراف المعياري للأخطاء هو أفضل تقدير للانحراف المعياري للأخطاء التوقعات المستقبلية لأنه يأخذ التحيز وكذلك عشوائية الاختلافات في الاعتبار.) حدود الثقة من أجل التنبؤ المعدل موسميا ثم ريساوناليزد. إلى جانب التوقعات، بضربها بالمؤشرات الموسمية المناسبة. وفي هذه الحالة، يساوي الرمز رمز 27.4 والتوقعات المعدلة موسميا للفترة المقبلة الأولى (ديسمبر / كانون الأول 93) هي 273.2. بحيث تكون فترة الثقة 95 المعدلة موسميا من 273.2-227.4 218.4 إلى 273.2227.4 328.0. مضاعفة هذه الحدود من قبل ديسمرس مؤشر موسمية من 68.61. نحصل على حدود أدنى وأعلى من الثقة 149.8 و 225.0 حول توقعات ديسمبر 93 نقطة من 187.4. ومن المتوقع أن تتسع حدود الثقة للتنبؤات بأكثر من فترة واحدة مع تزايد الأفق المتوقع بسبب عدم اليقين بشأن المستوى والاتجاه فضلا عن العوامل الموسمية، ولكن من الصعب حسابها عموما بطرق تحليلية. (الطريقة المناسبة لحساب حدود الثقة لتوقعات ليس هي باستخدام نظرية أريما، ولكن عدم اليقين في المؤشرات الموسمية هو مسألة أخرى). إذا كنت ترغب في فترة ثقة واقعية للتنبؤ أكثر من فترة واحدة المقبلة، واتخاذ جميع مصادر في الاعتبار، أفضل رهان هو استخدام طرق تجريبية: على سبيل المثال، للحصول على فترة ثقة لتوقعات من خطوتين إلى الأمام، يمكنك إنشاء عمود آخر في جدول البيانات لحساب توقعات خطوة بخطوة لكل فترة ( من خلال بوتسترابينغ توقعات خطوة واحدة إلى الأمام). ثم حساب رمز من 2-خطوة قبل التوقعات الأخطاء واستخدام هذا كأساس لفترة الثقة 2-خطوة قدما. الوقت تحليل السلسلة: عملية التكيف الموسمية ما هي الفلسفات الرئيسية اثنين من التكيف الموسمية ما هو فيلتر ما هي مشكلة نقطة النهاية كيف نقرر المرشح الذي سيتم استخدامه ما هي وظيفة الكسب ما هي مرحلة التحول ما هي متوسطات هندرسون المتحركة كيف نتعامل مع مشكلة نقطة النهاية ما هي المعدلات المتحركة الموسمية لماذا تعدل تقديرات الاتجاه كيف هناك حاجة إلى الكثير من البيانات للحصول على تقديرات مقبولة موسميا المعدلة أدفانسد كيف فلسفات التكيف الموسمية اثنين مقارنة ما هي الفلسفة الرئيسية اثنين من تعديل الموسمية الفلسفات الرئيسية اثنين من التعديل الموسمية هي طريقة القائم على نموذج وطريقة تصفية مقرها. الأساليب القائمة على التصفية تطبق هذه الطريقة مجموعة من الفلاتر الثابتة (المتوسطات المتحركة) لتحليل السلاسل الزمنية في اتجاه، مكون موسمي وغير منتظم. والفكرة الأساسية هي أن البيانات الاقتصادية تتكون من مجموعة من الدورات، بما في ذلك دورات الأعمال (الاتجاه) والدورات الموسمية (الموسمية) والضوضاء (المكون غير النظامي). مرشح يزيل أساسا أو يقلل من قوة بعض الدورات من البيانات المدخلات. لإنتاج سلسلة معدلة موسميا من البيانات التي يتم جمعها شهريا، والأحداث التي تحدث كل 12 و 6 و 4 و 3 و 2.4 و 2 أشهر تحتاج إلى إزالتها. هذه تتوافق مع الترددات الموسمية من 1، 2، 3، 4، 5 و 6 دورات سنويا. وتعتبر الدورات غير الموسمية الأطول جزءا من هذا الاتجاه وتشكل الدورات غير الموسمية الأقصر غير منتظمة. ومع ذلك فإن الحدود بين الاتجاه والدورات غير النظامية يمكن أن تختلف مع طول المرشح المستخدم للحصول على الاتجاه. في التكيف الموسمية عبس، والدورات التي تسهم بشكل كبير في الاتجاه عادة ما تكون أكبر من حوالي 8 أشهر لسلسلة شهرية و 4 أرباع لسلسلة ربع سنوية. هذا الاتجاه، المكونات الموسمية وغير النظامية لا تحتاج إلى نماذج فردية صريحة. ويعرف المكون غير النظامي بأنه ما تبقى بعد إزالة العناصر الموسمية والمرشحات بواسطة المرشحات. لا يعرض النظام غير النظامي خصائص الضوضاء البيضاء. غالبا ما تعرف طرق التصفية المستندة إلى أساليب أسلوب X11. وتشمل هذه البرامج X11 (التي طورها مكتب الإحصاء الأمريكي)، و X11ARIMA (التي وضعتها هيئة الإحصاء الكندية)، و X12ARIMA (التي وضعها مكتب الإحصاء الأمريكي)، و ستل، و سابل، و سيسابس (الحزمة المستخدمة من قبل عبس). الاختلافات الحسابية بين أساليب مختلفة في الأسرة X11 هي أساسا نتيجة لمختلف التقنيات المستخدمة في نهايات السلاسل الزمنية. على سبيل المثال، بعض الأساليب تستخدم المرشحات غير المتماثلة في نهايات، في حين أن أساليب أخرى استقراء السلاسل الزمنية وتطبيق المرشحات متماثلة لسلسلة موسعة. الطرق القائمة على النماذج يتطلب هذا النهج الاتجاه، والمكونات الموسمية وغير النظامية من السلاسل الزمنية التي سيتم نمذجة بشكل منفصل. ويفترض العنصر غير النظامية هو 8220 الضوضاء في الهواء الطلق 8221 - وهذا هو كل أطوال دورة ممثلة على قدم المساواة. غير النظامية لها صفر يعني والتباين المستمر. يحتوي العنصر الموسمية على عنصر ضوضاء خاص به. ومن بين حزم البرامج المستخدمة على نطاق واسع والتي تطبق الطرائق القائمة على النماذج هي ستامب و سيتسترامو (التي طورها بنك اسبانيا. وتعزى الاختلافات الحسابية الرئيسية بين مختلف الطرائق القائمة على النماذج إلى مواصفات النموذج، وفي بعض الحالات، تتطلب السلسلة الزمنية الأصلية لتكون على غرار أولا، ونماذج مكونة تتحلل من ذلك. للمقارنة بين الفلسفات اثنين على مستوى أكثر تقدما، انظر كيف فلسفات التكيف الموسمية اثنين مقارنة ما هو مرشح مرشحات يمكن استخدامها لتحلل سلسلة زمنية في اتجاه، عنصر موسمي وغير منتظم. المتوسطات المتحركة هي نوع من المرشحات التي على التوالي متوسط ​​فترة زمنية متغيرة من البيانات من أجل إنتاج تقدير سلسة من السلاسل الزمنية. ويمكن اعتبار هذه سلسلة ممهدة أن تكون مشتقة عن طريق تشغيل سلسلة مدخلات من خلال عملية حيث تقوم بتصفية بعض الدورات، وبالتالي، غالبا ما يشار إلى المتوسط ​​المتحرك باسم مرشح. وتنطوي العملية الأساسية على تحديد مجموعة من أوزان الطول m 1 m 2 1 على النحو التالي: ملاحظة: مجموعة متماثلة من أوزانها m m 2 و وو - j يمكن حساب قيمة تصفيتها في الوقت t حيث تصف y t القيمة من السلاسل الزمنية في الوقت t. على سبيل المثال، النظر في السلسلة التالية: باستخدام مرشح بسيط 3 متماثل المدى (أي م 1 م 2 1 وجميع الأوزان هي 13)، يتم الحصول على المدى الأول من سلسلة سلسة بتطبيق الأوزان إلى أول ثلاث فترات الأصلي السلسلة: يتم إنتاج القيمة الملساء الثانية بتطبيق الأوزان على المصطلحات الثانية والثالثة والرابعة في السلسلة الأصلية: ما هي مشكلة النقطة النهائية إعادة النظر في السلسلة: تحتوي هذه السلسلة على 8 مصطلحات. ومع ذلك، فإن سلسلة السلس التي تم الحصول عليها عن طريق تطبيق مرشح متماثل إلى البيانات الأصلية يحتوي على 6 مصطلحات فقط: هذا لأن هناك بيانات غير كافية في نهايات السلسلة لتطبيق مرشح متماثل. والمدة الأولى لسلسلة السلس هي متوسط ​​مرجح لثلاث مصطلحات، تتمحور حول الفترة الثانية من السلسلة الأصلية. لا يمكن الحصول على المتوسط ​​المرجح المركزة على الفترة الأولى من السلسلة الأصلية كبيانات قبل هذه النقطة غير متوفرة. وباملثل، ال ميكن حساب متوسط ​​مرجح مرتكز على املدة األخيرة من السلسلة، حيث ال توجد بيانات بعد هذه النقطة. لهذا السبب، لا يمكن استخدام المرشحات المتماثلة في أي من نهاية السلسلة. وهذا يعرف باسم مشكلة نقطة النهاية. ويمكن لمحللي السلاسل الزمنية استخدام المرشحات غير المتماثلة لإنتاج تقديرات سلسة في هذه المناطق. في هذه الحالة، يتم حساب القيمة الملساء 8216off centre8217، مع تحديد المتوسط ​​باستخدام المزيد من البيانات من جانب واحد من نقطة من الأخرى وفقا لما هو متاح. بدلا من ذلك، قد تستخدم تقنيات النمذجة لاستقراء السلاسل الزمنية ومن ثم تطبيق المرشحات المتماثلة على السلسلة الممتدة. كيف نقرر أي فيلتر تو وس يختار محلل السلاسل الزمنية مرشحا مناسبا استنادا إلى خصائصه، مثل الدورات التي يزيلها المرشح عند تطبيقها. ويمكن التحقق من خصائص مرشح باستخدام وظيفة كسب. وتستخدم وظائف كسب لدراسة تأثير مرشح في تردد معين على اتساع دورة لسلسلة زمنية معينة. ملزيد من التفاصيل عن الرياضيات املرتبطة بوظائف الكسب، ميكنك تنزيل املالحظات املقررة ملسلسل الوقت، وهو دليل تمهيدي لتحليل السلاسل الزمنية التي ينشرها قسم تحليل السلاسل الزمنية من نظام عبس) راجع القسم 4.4 (. الرسم التخطيطي التالي هو دالة الكسب لمرشح المدى 3 المتماثل الذي قمنا بدراسته سابقا. الشكل 1: وظيفة كسب لتصفية متماثل 3 الأجل يمثل المحور الأفقي طول دورة الإدخال نسبة إلى الفترة بين نقاط المراقبة في السلسلة الزمنية الأصلية. لذلك يتم الانتهاء من دورة الإدخال من طول 2 في 2 فترات، وهو ما يمثل شهرين لسلسلة شهرية، و 2 أرباع لسلسلة ربع سنوية. ويبين المحور الرأسي اتساع دورة الإخراج بالنسبة لدورة الإدخال. هذا الفلتر يقلل من قوة 3 دورات دورة إلى الصفر. وهذا هو، فإنه يزيل تماما دورات من هذا الطول تقريبا. وهذا يعني أنه بالنسبة لسلسلة زمنية يتم فيها جمع البيانات شهريا، سيتم إلغاء أي تأثيرات موسمية تحدث كل ثلاثة أشهر من خلال تطبيق هذا الفلتر على السلسلة الأصلية. التحول المرحلة هو التحول الزمني بين دورة تصفيتها والدورة غير المرشحة. ويعني التحول الطوري الموجب أن الدورة المصفاة تتحول إلى الوراء وتحول طور سلبي تتحول إلى الأمام في الوقت المناسب. يحدث تغيير الطور عند تشوه توقيت نقاط التحول، على سبيل المثال عندما يتم وضع المتوسط ​​المتحرك خارج المركز بواسطة المرشحات غير المتماثلة. وهذا هو أنها سوف تحدث إما في وقت سابق أو في وقت لاحق في سلسلة تصفيتها، مما كانت عليه في الأصل. المتوسط ​​الغريب المتوسطات المتماثلة المتحركة (كما تستخدم من قبل عبس)، حيث يتم وضع مركزيا، لا تسبب مرحلة التحول. ومن المهم للمرشحات المستخدمة لاستخلاص الاتجاه للاحتفاظ بمرور الوقت، وبالتالي توقيت أي نقطة تحول. ويبين الشكلان 2 و 3 آثار تطبيق المتوسط ​​المتحرك المتماثل 2x12 الذي هو خارج المركز. تمثل المنحنيات المستمرة الدورات الأولية وتمثل المنحنيات المكسورة دورات الإخراج بعد تطبيق مرشح المتوسط ​​المتحرك. الشكل 2: دورة 24 شهرا، المرحلة -5.5 شهرا الاتساع 63 الشكل 3: دورة 8 أشهر، المرحلة -1.5 شهرا السعة 22 ما هو معدل حركة هيندرسون متوسطات هيندرسون المتحركة هي المرشحات التي استمدها روبرت هندرسون في عام 1916 لاستخدامها في التطبيقات الاكتوارية. وهي مرشحات الاتجاه، وتستخدم عادة في تحليل السلاسل الزمنية لتسهيل التقديرات المعدلة موسميا من أجل توليد تقدير الاتجاه. وهي تستخدم في تفضيل لمتوسطات متحركة أبسط لأنها يمكن أن تتكاثر متعددو الحدود تصل إلى درجة 3، وبالتالي التقاط نقاط تحول الاتجاه. يستخدم عبس هندرسون المتوسطات المتحركة لإنتاج تقديرات الاتجاه من سلسلة المعدلة موسميا. وعادة ما تستمد تقديرات الاتجاه التي نشرتها عبس باستخدام فلتر 13 هندرسون مصطلح لسلسلة الشهرية، و 7 مرشح هندرسون مصطلح لسلسلة ربع سنوية. يمكن أن تكون مرشحات هندرسون إما متماثلة أو غير متماثلة. ويمكن تطبيق المتوسطات المتحركة المتماثلة عند نقاط بعيدة بما فيه الكفاية عن نهايات السلاسل الزمنية. وفي هذه الحالة، تحسب القيمة الملساء لنقطة معينة في السلسلة الزمنية من عدد متساو من القيم على جانبي نقطة البيانات. للحصول على الأوزان، يتم التوصل إلى حل وسط بين اثنين من الخصائص المتوقعة عموما من سلسلة الاتجاه. وهذه هي أن الاتجاه ينبغي أن يكون قادرا على تمثيل طائفة واسعة من الانحناءات وأنه ينبغي أيضا أن يكون سلس قدر الإمكان. للحصول على الاشتقاق الرياضي للأوزان، راجع القسم 5.3 من سلسلة الوقت ملاحظات الدورة. والتي يمكن تحميلها مجانا من موقع عبس على شبكة الإنترنت. يتم عرض أنماط الترجيح لمجموعة من المتوسطات المتحركة هندرسون المتماثلة في الجدول التالي: نمط التماثل المتماثل لمتوسط ​​هندرسون المتحرك بشكل عام، كلما كان مرشح الاتجاه أطول، كلما كان الاتجاه الناتج أكثر سلاسة، كما هو واضح من مقارنة وظائف الكسب في الاعلى. A هيندرسون 5 يقلل من دورات حوالي 2.4 فترات أو أقل بنسبة 80 على الأقل، في حين أن مصطلح 23 هندرسون يقلل دورات حوالي 8 فترات أو أقل بنسبة 90 على الأقل. في الواقع مرشح 23 هندرسون مصطلح يزيل تماما دورات أقل من 4 فترات . هيندرسون المتوسطات المتحركة أيضا تضعف الدورات الموسمية بدرجات متفاوتة. غير أن وظائف الكسب في الأشكال 4-8 تبين أن الدورات السنوية في السلاسل الشهرية والربع سنوية لا تخفف بدرجة كافية لتبرير تطبيق مرشح هندرسون مباشرة على التقديرات الأصلية. ولهذا السبب يتم تطبيقها فقط على سلسلة معدلة موسميا، حيث تمت إزالة التأثيرات المرتبطة بالتقويم من قبل باستخدام فلاتر مصممة خصيصا. يوضح الشكل 9 تأثيرات تمهيد تطبيق فلتر هيندرسون على سلسلة: الشكل 9: 23-تيرم هندرسون فيلتر - قيمة موافقات المباني غير السكنية كيف نتعامل مع مشكلة نقطة النهاية يمكن تطبيق مرشح هندرسون المتماثل فقط على المناطق من البيانات التي هي بعيدة بما فيه الكفاية من نهايات هذه السلسلة. على سبيل المثال، يمكن تطبيق معيار 13 هندرسون القياسي فقط على البيانات الشهرية التي لا يقل عن 6 ملاحظات من بداية أو نهاية البيانات. وذلك لأن نعومة المرشح لسلسلة من خلال اتخاذ المتوسط ​​المرجح من 6 شروط على جانبي نقطة البيانات وكذلك النقطة نفسها. إذا حاولنا تطبيقه على نقطة أقل من 6 ملاحظات من نهاية البيانات، ثم لا توجد بيانات كافية متاحة على جانب واحد من النقطة لحساب المتوسط. ولتقديم تقديرات الاتجاه لنقاط البيانات هذه، يستعمل متوسط ​​متحرك معدل أو غير متماثل. حساب المتغيرات غير المتناظرة هندرسون يمكن أن تتولد عن طريق عدد من الطرق المختلفة التي تنتج نتائج مماثلة، ولكن ليست متطابقة. الأساليب الأربعة الرئيسية هي طريقة مسغريف، وتقليل الأسلوب المعدل للمراجعة المربعة، وأفضل طريقة تقديرية غير متحيزة (بلو)، وطريقة كيني و دوربين. شيسكين إت. (1967) الأوزان غير المتماثلة الأصلية للمتوسط ​​المتحرك هندرسون التي تستخدم داخل حزم X11. للحصول على معلومات حول اشتقاق الأوزان غير المتماثلة، انظر القسم 5.3 من ملاحظات سلسلة الوقت الدورة. النظر في سلسلة زمنية حيث تحدث آخر نقطة البيانات التي لوحظت في الوقت N. ثم لا يمكن تطبيق مرشح 13 متناظرة هندرسون مصطلح لنقاط البيانات التي تقاس في أي وقت بعد وبما في ذلك الوقت N-5. لكل هذه النقاط، يجب استخدام مجموعة غير متماثلة من الأوزان. الجدول التالي يعطي نمط الترجيح غير المتماثل للمتوسط ​​المتحرك 13 هندرسون. الفاصل الزمني غير المتماثل 13 مرشحات هندرسون لا إزالة أو تثبيط نفس الدورات مثل متماثل 13 مصطلح مرشح هندرسون. في الواقع نمط الترجيح غير المتماثلة المستخدمة لتقدير الاتجاه في الملاحظة الأخيرة تضخيم قوة 12 دورات الفترة. أيضا الفلاتر غير المتماثلة تنتج بعض التحول مرحلة الوقت. ما هي التحركات الموسمية يحدث تقريبا جميع البيانات التي تم التحقيق فيها بواسطة عبس لها خصائص موسمية. وبما أن متوسطات هندرسون المتحركة المستخدمة لتقدير سلسلة الاتجاه لا تلغي الموسمية، يجب أن يتم تعديل البيانات موسميا أولا باستخدام الفلاتر الموسمية. المرشح الموسمية له الأوزان التي يتم تطبيقها على نفس الفترة مع مرور الوقت. مثال على نمط الترجيح لمرشح موسمي هو: (13، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 13، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 13) حيث، على سبيل المثال، يتم تطبيق وزن الثلث على ثلاثة يناير متتالية. ضمن X11، مجموعة من المرشحات الموسمية المتاحة للاختيار من بينها. هذه هي المتوسط ​​المتحرك المرجح لمدة 3 (أماه) S 3X1. 5 أمتار مرجحة S 3x3. مرجح 7 أماه S 3X5. و 11 أمتار مرجحة S 3X9. هيكل الترجيح للمتوسطات المتحركة المرجحة للنموذج، S نكسم. هو أن متوسط ​​بسيط من المصطلحات المحسوبة، ومن ثم يتم تحديد متوسط ​​متحرك n من هذه المتوسطات. وهذا يعني أن مصطلحات نم-1 تستخدم لحساب كل قيمة نهائية ممهدة. على سبيل المثال، لحساب 11-S S 3X9. يتم تطبيق وزن 19 على نفس الفترة في 9 سنوات متتالية. ثم يتم تطبيق متوسط ​​متحرك بسيط لمدة 3 عبر القيم المتوسطة: يعطي هذا نمط الترجيح النهائي (127، 227، 19، 19، 19، 19، 19، 19، 19، 227، 127). وظيفة الكسب لمرشح موسمي 11 مصطلح، S 3x9. يشبه: الشكل 10: وظيفة كسب لمدة 11 الفصل (S 3X9) تصفية الموسمية تطبيق مرشح موسمي للبيانات سوف تولد تقديرا للمكون الموسمية من السلاسل الزمنية، كما أنه يحافظ على قوة التوافقيات الموسمية ويخفف دورات من غير - أطوال موسمية. وتستخدم الفلاتر الموسمية غير المتماثلة في نهايات السلسلة. ويمكن العثور على الأوزان غير المتماثلة لكل من الفلاتر الموسمية المستخدمة في X11 في القسم 5.4 من سلسلة الوقت ملاحظات الدورة. لماذا يتم مراجعة التقديرات المنقحة في نهاية السلسلة الزمنية الحالية، لا يمكن استخدام المرشحات المتماثلة لتقدير الاتجاه بسبب مشكلة نقطة النهاية. بدلا من ذلك، تستخدم المرشحات غير المتماثلة لإنتاج تقديرات الاتجاه المؤقتة. ومع ذلك، ومع توفر المزيد من البيانات، يمكن إعادة حساب الاتجاه باستخدام المرشحات المتماثلة وتحسين التقديرات الأولية. ويعرف ذلك بتنقيح الاتجاه. البيانات الكمية المطلوبة للحصول على تقديرات مقبولة مقبولة سنويا إذا كانت السلاسل الزمنية تظهر موسمية مستقرة نسبيا ولا يسيطر عليها العنصر غير النظامي، فإن 5 سنوات من البيانات يمكن اعتبارها طول مقبول لاستخلاص التقديرات المعدلة موسميا من. لسلسلة التي تظهر الموسمية قوية ومستقرة بشكل خاص، ويمكن إجراء تعديل الخام مع 3 سنوات من البيانات. ومن المفضل عموما أن يكون هناك 7 سنوات على الأقل من البيانات لسلسلة زمنية عادية، لتحديد الأنماط الموسمية بدقة، يوم التداول وتأثيرات العطلات المتحركة، الاتجاه والفواصل الموسمية، فضلا عن القيم المتطرفة. أدفانسد كيفية المقارنة بين فلسفات التكيف الموسمية اثنين تسمح المقاربات القائمة على النماذج بالخصائص العشوائية (العشوائية) من السلسلة قيد التحليل، بمعنى أنها تقوم بتخصيص أوزان الفلتر بناء على طبيعة السلسلة. ويمكن تقييم قدرة النموذج 8217s لوصف سلوك السلسلة بدقة، والاستنتاجات الإحصائية للتقديرات متاحة استنادا إلى افتراض أن المكون غير المنتظم هو ضوضاء بيضاء. تعتمد الأساليب المستندة إلى التصفية بشكل أقل على الخصائص العشوائية للسلاسل الزمنية. ومن مسؤولية سلسلة الوقت 8217s المسؤولية لتحديد المرشح الأنسب من مجموعة محدودة لسلسلة معينة. وليس من الممكن إجراء فحوص صارمة على مدى كفاية النموذج الضمني، كما أن التدابير الدقيقة للدقة والاستدلال الإحصائي غير متوفرة. ولذلك، لا يمكن بناء فترة الثقة حول التقدير. وتقارن الرسوم البيانية التالية وجود كل مكون من مكونات النموذج عند الترددات الموسمية لفلسفات التكيف الموسمية. المحور العاشر هو طول فترة الدورة والمحور y يمثل قوة الدورات التي تتكون من كل مكون: الشكل 11: مقارنة بين فلسفات التعديل الموسمية اثنين تصفية الطرق القائمة تفترض أن كل مكون موجود فقط أطوال دورة معينة. وتشكل الدورات الأطول الاتجاه، ويوجد المكون الموسمي عند الترددات الموسمية ويعرف العنصر غير النظامي بأنه دورات من أي طول آخر. وبموجب الفلسفة القائمة على نموذج، فإن الاتجاه، المكون الموسمية وغير النظامية موجودة على جميع أطوال دورة. العنصر غير النظامي هو من قوة ثابتة، والقمم المكون الموسمية في الترددات الموسمية ومكون الاتجاه هو الأقوى في دورات أطول. نشرت هذه الصفحة لأول مرة في 14 نوفمبر 2005، آخر تحديث 25 يوليو 2008