ชี้แจง เคลื่อนไหว เฉลี่ย Stata

Stata: การวิเคราะห์ข้อมูลและซอฟต์แวร์ทางสถิติ Nicholas J. Cox, Durham University, UK Christopher Baum, Boston College egen, ma () และข้อ จำกัด Statarsquos คำสั่งที่ชัดเจนที่สุดในการคำนวณค่าเฉลี่ยเคลื่อนที่คือฟังก์ชัน ma () ของ egen ให้นิพจน์สร้างค่าเฉลี่ยเคลื่อนที่ของการแสดงออกดังกล่าว โดยค่าเริ่มต้นจะถูกนำมาเป็น 3 ต้องเป็นเลขคี่ อย่างไรก็ตามเนื่องจากรายการคู่มือระบุว่า egen, ma () อาจไม่สามารถรวมเข้ากับ varlist ได้:. และด้วยเหตุนี้เพียงอย่างเดียวจึงไม่สามารถใช้กับข้อมูลแผงได้ ในกรณีใด ๆ มันยืนอยู่นอกชุดของคำสั่งที่เขียนโดยเฉพาะสำหรับชุดเวลาดูชุดเวลาสำหรับรายละเอียด วิธีการทางเลือกวิธีการคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับข้อมูลแผงมีอย่างน้อยสองทางเลือก ทั้งสองขึ้นอยู่กับชุดข้อมูลที่ได้รับก่อนหน้า tsset นี่เป็นสิ่งที่ควรค่ามาก: ไม่เพียง แต่ช่วยให้คุณสามารถกำหนดตัวแปรตัวแปรและตัวแปรตามเวลาได้อย่างสม่ำเสมอ แต่ Stata จะทำงานอย่างชาญฉลาดสำหรับช่องว่างในข้อมูล 1. เขียนนิยามของคุณเองโดยใช้การสร้างใช้ตัวดำเนินการแบบอนุกรมเช่น L. และ F. ให้นิยามค่าเฉลี่ยเคลื่อนที่เป็นอาร์กิวเมนต์ที่สร้างขึ้น ถ้าคุณทำเช่นนี้คุณจะเป็นธรรมชาติไม่ จำกัด เพียงค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางซึ่งถ่วงน้ำหนักเท่ากัน (unweighted) ที่คำนวณโดย egen, ma () ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่สามช่วงที่ถ่วงน้ำหนักเท่ากันจะถูกกำหนดโดยและคุณสามารถระบุน้ำหนักได้โดยง่าย: คุณสามารถระบุนิพจน์เช่น log (myvar) แทนชื่อตัวแปรเช่น myvar ข้อได้เปรียบอย่างหนึ่งของแนวทางนี้คือ Stata จะทำสิ่งที่ถูกต้องสำหรับข้อมูลแผง: ค่าชั้นนำและค่าปกคลุมด้วยวัตถุฉนวนจะถูกสร้างขึ้นภายในแผงควบคุมเช่นเดียวกับตรรกะที่พวกเขาควรจะเป็น ข้อเสียที่โดดเด่นที่สุดคือบรรทัดคำสั่งจะยาวขึ้นถ้าค่าเฉลี่ยเคลื่อนที่เกี่ยวข้องกับข้อกำหนดหลายข้อ อีกตัวอย่างหนึ่งคือค่าเฉลี่ยเคลื่อนที่ด้านเดียวขึ้นอยู่กับค่าก่อนหน้าเท่านั้น สิ่งนี้อาจเป็นประโยชน์ในการสร้างความคาดหวังในการปรับตัวของตัวแปรที่จะอิงกับข้อมูลในปัจจุบันเท่านั้น: อะไรที่สามารถคาดการณ์ได้สำหรับช่วงเวลาปัจจุบันตามค่าที่ผ่านมาสี่โดยใช้รูปแบบการถ่วงน้ำหนักคงที่ (ความล้าหลัง 4 ช่วงเวลาอาจเป็น 2. ใช้ egen, filter () จาก SSC ใช้ตัวกรอง egen function ที่ผู้ใช้เขียนไว้ () จากแพคเกจ egenmore บน SSC ใน Stata 7 (อัพเดตหลังจาก 14 พฤศจิกายน 2544) คุณสามารถติดตั้งแพคเกจนี้ได้โดยหลังจากที่ช่วยให้ egenmore ชี้ไปที่รายละเอียดเกี่ยวกับ filter () ทั้งสองตัวอย่างข้างต้นจะแสดงผล (ในการเปรียบเทียบวิธีการสร้างนี้อาจโปร่งใสกว่า แต่เราจะเห็นตัวอย่างของสิ่งที่ตรงกันข้ามในชั่วระยะเวลาหนึ่ง) ความล่าช้าคือ numlist นำไปสู่ความล่าช้าเชิงลบ: ในกรณีนี้ -11 ขยายเป็น -1 0 1 หรือนำ 1, ล่าช้า 0, ล้าหลัง 1. Coef ficients, numlist อื่นคูณ lagging ที่สอดคล้องกันหรือนำรายการ: ในกรณีนี้รายการเหล่านี้คือ F1.myvar . myvar และ L1.myvar ผลสัมฤทธิ์ของตัวเลือกปกติคือการปรับค่าสัมประสิทธิ์แต่ละตัวโดยรวมของค่าสัมประสิทธิ์เพื่อให้ coef (1 1) เป็น normalize เท่ากับค่าสัมประสิทธิ์ของ 13 13 13 และ coef (1 2 1) normalize เท่ากับสัมประสิทธิ์ของ 14 12 14 คุณต้องระบุไม่เพียง แต่ความล่าช้า แต่ยังค่าสัมประสิทธิ์ เนื่องจากตัวชี้วัด () ให้กรณีที่ถ่วงน้ำหนักอย่างเท่าเทียมกันเหตุผลหลักสำหรับ egen, filter () คือการสนับสนุนกรณีถ่วงน้ำหนักที่ไม่เท่ากันซึ่งคุณต้องระบุค่าสัมประสิทธิ์ นอกจากนี้ยังอาจกล่าวได้ว่าการบังคับให้ผู้ใช้ระบุค่าสัมประสิทธิ์เป็นแรงกดดันเล็กน้อยต่อพวกเขาที่จะคิดถึงค่าสัมประสิทธิ์ที่ต้องการ เหตุผลหลักสำหรับน้ำหนักที่เท่ากันคือเราคาดเดาความเรียบง่าย แต่น้ำหนักเท่ากันมีคุณสมบัติโดเมนความถี่ที่ไม่ดีนักกล่าวถึงการพิจารณาเพียงอย่างเดียว ตัวอย่างที่สามข้างต้นสามารถเป็นได้ทั้งที่เป็นเพียงเกี่ยวกับที่ซับซ้อนเป็นวิธีการสร้าง มีกรณีที่ egen, filter () ให้สูตรที่เรียบง่ายกว่าการสร้าง ถ้าคุณต้องการตัวกรองแบบทวินามระยะยาวเก้าตัวซึ่งนักภูมิอากาศวิทยาหาประโยชน์แล้วอาจดูน่ากลัวกว่าและง่ายกว่าเช่นเดียวกับวิธีการสร้าง egen ตัวกรอง () ทำงานได้ดีกับข้อมูลของแผง ในความเป็นจริงตามที่ระบุไว้ข้างต้นจะขึ้นอยู่กับชุดข้อมูลที่ได้รับก่อนหน้า tsset ปลายกราฟฟิกหลังจากคำนวณค่าเฉลี่ยเคลื่อนที่ของคุณแล้วคุณอาจต้องการดูกราฟ คำสั่งที่ผู้ใช้เขียนด้วย tsgraph เป็นสมาร์ทเกี่ยวกับชุดข้อมูล tsset ติดตั้งใน Stata 7 ที่อัปเดตโดย ssc inst tsgraph สิ่งที่เกี่ยวกับการเซตย่อยด้วยถ้าไม่มีตัวอย่างข้างต้นใช้ประโยชน์จากข้อ จำกัด ในความเป็นจริง egen, ma () จะไม่อนุญาตถ้ามีการระบุ บางครั้งคนต้องการใช้ถ้าคำนวณค่าเฉลี่ยเคลื่อนที่ แต่การใช้งานมีความซับซ้อนมากกว่าปกติ คุณคาดหวังอะไรจากค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ถ้า ให้เราระบุสองความเป็นไปได้: การตีความอ่อนแอ: ฉันไม่ต้องการเห็นผลใด ๆ สำหรับข้อสังเกตที่ยกเว้น การตีความที่แข็งแกร่ง: ฉันไม่ต้องการให้คุณใช้ค่าสำหรับข้อสังเกตที่ยกเว้น นี่คือตัวอย่างที่เป็นรูปธรรม สมมติว่าเป็นผลมาจากสภาพถ้าเงื่อนไขข้อสังเกต 1-42 รวมอยู่ด้วย แต่ไม่สังเกต 43 แต่ค่าเฉลี่ยเคลื่อนที่เฉลี่ย 42 จะขึ้นอยู่กับค่าสังเกต 43 ถ้าค่าเฉลี่ยถอยหลังไปข้างหน้าและมีความยาวอย่างน้อย 3 และจะขึ้นอยู่กับข้อสังเกตบางข้อในบางสถานการณ์ในบางกรณี เราคาดเดาได้ว่าคนส่วนใหญ่จะไปตีความอ่อนแอ แต่ไม่ว่าจะถูกต้อง egen ตัวกรอง () ไม่สนับสนุนหรือไม่ถ้าอย่างใดอย่างหนึ่ง คุณสามารถละเว้นสิ่งที่คุณ donrsquot ต้องการหรือแม้กระทั่งการตั้งค่าที่ไม่พึงประสงค์ให้หายไปหลังจากนั้นโดยใช้แทน หมายเหตุเกี่ยวกับผลลัพธ์ที่หายไปที่ส่วนท้ายของชุดเนื่องจากค่าเฉลี่ยเคลื่อนที่คือหน้าที่ของความล่าช้าและโอกาสในการขาย egen, ma () ก่อให้เกิดความสูญเสียในกรณีที่ไม่มีความล่าช้าและโอกาสในการขายที่จุดเริ่มต้นและจุดสิ้นสุดของชุดข้อมูล ตัวเลือก nomiss บังคับให้คำนวณค่าเฉลี่ยเคลื่อนที่ที่สั้นลงโดยไม่ได้วัดสำหรับหาง ในทางตรงกันข้ามไม่สร้างหรือ egen, filter () ไม่หรืออนุญาตอะไรพิเศษเพื่อหลีกเลี่ยงผลลัพธ์ที่ขาดหายไป หากไม่มีค่าที่จำเป็นสำหรับการคำนวณหายไปผลลัพธ์ที่ได้จะหายไป ขึ้นอยู่กับผู้ใช้ในการตัดสินใจว่าจะต้องมีการผ่าตัดแก้ไขและจำเป็นต้องมีข้อสังเกตอย่างใดอย่างหนึ่งอาจเป็นไปได้ว่าหลังจากดูที่ชุดข้อมูลและพิจารณาวิทยาศาสตร์ต้นแบบใด ๆ ที่สามารถนำไปสู่ความสำเร็จได้การปรับโมเดลให้มีความเรียบและเฉลี่ยเป็นขั้นตอนแรกในการก้าวไปไกลกว่าค่าเฉลี่ย โมเดล, แบบจำลองการเดินแบบสุ่มและแบบจำลองเชิงเส้นแนวโน้มและรูปแบบที่ไม่เป็นทางการและแนวโน้มสามารถถูกคาดการณ์ได้โดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบ สมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นที่มีค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ ดังนั้นเราจึงใช้ค่าเฉลี่ยเคลื่อนที่ (ท้องถิ่น) เพื่อประมาณค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ ซึ่งถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการเลื่อนลอย กลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่า quotsmoothedquot version ของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิม โดยการปรับระดับการทำให้เรียบ (ความกว้างของค่าเฉลี่ยเคลื่อนที่) เราสามารถคาดหวังให้เกิดความสมดุลระหว่างประสิทธิภาพของโมเดลแบบเฉลี่ยและแบบสุ่ม รูปแบบเฉลี่ยที่ง่ายที่สุดคือ ค่าเฉลี่ยของค่าเฉลี่ยของ Y ที่เวลา t1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่แท้จริงของการสังเกตการณ์ m ล่าสุด: (ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ 8220Y-hat8221 เพื่อยืน สำหรับการคาดการณ์ของชุดข้อมูล Y เวลาที่เร็วที่สุดเท่าที่เป็นไปได้ก่อนวันที่โดยรูปแบบที่กำหนด) ค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - (m1) 2 ซึ่งหมายความว่าการประมาณค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าจริง ค่าเฉลี่ยของท้องถิ่นโดยประมาณ (m1) 2 ช่วงเวลา ดังนั้นเราจึงกล่าวว่าอายุโดยเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ (m1) 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ: นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูล . ตัวอย่างเช่นถ้าคุณคิดค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเห โปรดทราบว่าถ้า m1 โมเดลเฉลี่ยเคลื่อนที่โดยเฉลี่ย (SMA) เทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า m มีขนาดใหญ่มาก (เทียบกับความยาวของระยะเวลาประมาณ) รูปแบบ SMA จะเท่ากับรูปแบบเฉลี่ย เช่นเดียวกับพารามิเตอร์ใด ๆ ของรูปแบบการคาดการณ์การปรับค่าของ k จะเป็นเรื่องปกติที่จะได้รับข้อมูลที่ดีที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ย นี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ อันดับแรกให้ลองพอดีกับรูปแบบการเดินแบบสุ่มซึ่งเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอม: รูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จะทำให้ได้คำที่ไม่เหมาะสมใน ข้อมูล (ความผันผวนแบบสุ่ม) รวมทั้ง quotsignalquot (ค่าเฉลี่ยในท้องถิ่น) หากเราลองใช้ค่าเฉลี่ยเคลื่อนที่ 5 ข้อโดยทั่วไปเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่า: ค่าเฉลี่ยเคลื่อนที่ 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้ อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 3 ((51) 2) ดังนั้นจึงมีแนวโน้มที่จะล่าช้ากว่าจุดหักเหภายในสามช่วงเวลา (ตัวอย่างเช่นการชะลอตัวน่าจะเกิดขึ้นในช่วง 21 แต่การคาดการณ์ไม่ได้ผกผันไปหลายช่วงเวลาภายหลัง) สังเกตว่าการคาดการณ์ระยะยาวจากแบบจำลอง SMA เป็นแนวเส้นตรงเช่นเดียวกับการเดินแบบสุ่ม แบบ ดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูล อย่างไรก็ตามในขณะที่การคาดการณ์จากรูปแบบการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตได้ล่าสุดการคาดการณ์จากรูปแบบ SMA จะเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุด วงเงินความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากระยะขอบพยากรณ์อากาศเพิ่มขึ้น เห็นได้ชัดว่าไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีทฤษฎีทางสถิติพื้นฐานที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไร อย่างไรก็ตามไม่ยากที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ระยะยาวของเส้นขอบฟ้า ตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตที่จะใช้โมเดล SMA เพื่อคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าวเป็นต้นภายในตัวอย่างข้อมูลที่ผ่านมา จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในขอบฟ้าพยากรณ์แต่ละครั้งและสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสม ถ้าเราลองค่าเฉลี่ยเคลื่อนที่ 9 วันเราจะได้รับการคาดการณ์ที่ราบรื่นขึ้นและผลกระทบที่ปกคลุมด้วยวัตถุฉนวน: อายุเฉลี่ยอยู่ที่ 5 ช่วงเวลา ((91) 2) ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ในระยะ 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10: สังเกตว่าแท้จริงแล้วการคาดการณ์ในขณะนี้ล้าหลังจุดหักเหประมาณ 10 รอบ นี่คือตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขาซึ่งรวมถึงค่าเฉลี่ยระยะยาว 3 คำ: Model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลตอบแทนน้อยที่สุดของ RMSE โดยมีขอบเล็กกว่า 3 ค่าเฉลี่ยระยะสั้นและระยะ 9 และสถิติอื่น ๆ ของพวกเขาเกือบจะเท่ากัน ดังนั้นในแบบจำลองที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าจะต้องการการตอบสนองเล็กน้อยหรือมีความเรียบขึ้นเล็กน้อยในการคาดการณ์หรือไม่ (ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักที่ชี้แจง) แบบจำลองค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายที่กล่าวมาข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะถือว่าข้อสังเกตสุดท้ายของ k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตทั้งหมดก่อนหน้านี้ โดยนัยข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นตัวอย่างเช่นข้อสังเกตล่าสุดควรมีน้ำหนักมากกว่า 2 ครั้งล่าสุดและครั้งที่ 2 ล่าสุดควรมีน้ำหนักน้อยกว่า 3 ครั้งล่าสุดและ อื่น ๆ แบบเรียบง่าย (SES) ทำให้สำเร็จได้ ให้ 945 แสดงถึงค่าคงที่ quotsmoothing (ตัวเลขระหว่าง 0 ถึง 1) วิธีหนึ่งในการเขียนแบบจำลองคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบัน (นั่นคือค่าเฉลี่ยในท้องถิ่น) ของชุดข้อมูลดังกล่าวโดยประมาณจากข้อมูลจนถึงปัจจุบัน ค่าของ L ในเวลา t คำนวณจากค่าก่อนหน้าของตัวเองเช่นนี้ดังนั้นค่าที่เรียบนวลในปัจจุบันเป็นค่า interpolation ระหว่างค่าที่ได้จากการเรียบก่อนหน้าและการสังเกตการณ์ในปัจจุบันโดยที่ 945 ควบคุมความใกล้ชิดของค่าที่ถูก interpolation ไปเป็นค่าล่าสุด การสังเกต การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ได้รับการปรับปรุงในปัจจุบัน: เทียบเท่าเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้าในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ ในรุ่นแรกการคาดการณ์คือการแก้ไขระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้: ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าด้วยจำนวนเศษ 945 ข้อผิดพลาดเกิดขึ้นที่ เวลา t ในรุ่นที่สามการคาดการณ์คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกระดับ (เช่นลด) โดยมีปัจจัยการลดราคา 1-945: สูตรการคาดการณ์เวอร์ชันแก้ไขเป็นวิธีที่ง่ายที่สุดในการใช้งานหากคุณใช้โมเดลในสเปรดชีต: เหมาะกับรูปแบบ เซลล์เดียวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้การสังเกตก่อนหน้าและเซลล์ที่เก็บค่า 945 ไว้ โปรดทราบว่าถ้า 945 1 รูปแบบ SES จะเทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า 945 0 รูปแบบ SES จะเท่ากับโมเดลเฉลี่ยโดยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ย (กลับไปด้านบนสุดของหน้า) อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์การเรียบอย่างง่ายและชี้แจงคือ 1 945 เทียบกับระยะเวลาที่คาดการณ์การคำนวณ (นี้ไม่ควรจะเป็นที่เห็นได้ชัด แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์.) ดังนั้นการคาดการณ์เฉลี่ยเคลื่อนที่ง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหประมาณ 1 945 รอบระยะเวลา ตัวอย่างเช่นเมื่อ 945 0.5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 945 0.2 ความล่าช้าเป็น 5 ช่วงเวลาที่ 945 0.1 ความล่าช้าเป็น 10 ช่วงเวลาและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุ (เช่นจำนวนเงินที่ล่าช้า) การคาดการณ์การทำให้การทำให้ลื่นไหลเรียบแบบสมมุติแบบง่าย (SES) ค่อนข้างดีกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) เนื่องจากมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - คือ มีการเปลี่ยนแปลงมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา ตัวอย่างเช่นโมเดล SMA ที่มี 9 คำและแบบ SES ที่มี 945 0.2 มีอายุเฉลี่ยอยู่ที่ 5 สำหรับข้อมูลในการคาดการณ์ แต่แบบจำลอง SES จะให้น้ำหนักมากกว่า 3 ค่าที่มากกว่าแบบจำลอง SMA และที่ ในเวลาเดียวกันมันไม่ได้ 8220forget8221 เกี่ยวกับค่ามากกว่า 9 งวดเก่าดังที่แสดงในแผนภูมินี้ข้อได้เปรียบที่สำคัญอีกประการหนึ่งของโมเดล SES ในรูปแบบ SMA คือรูปแบบ SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่อง โดยใช้อัลกอริธึม quotsolverquot เพื่อลดข้อผิดพลาดกำลังสองเฉลี่ย ค่าที่เหมาะสมที่สุดของ 945 ในแบบจำลอง SES สำหรับชุดข้อมูลนี้จะเท่ากับ 0.2961 ดังแสดงในที่นี้อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 10.2961 3.4 งวดซึ่งใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะสั้น การคาดการณ์ระยะยาวจากแบบจำลอง SES เป็นแนวเส้นตรง เช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโต อย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับรูปแบบการเดินแบบสุ่ม แบบจำลอง SES อนุมานว่าชุดนี้ค่อนข้างจะคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่ม แบบจำลอง SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีสถิติของแบบจำลอง ARIMA จึงเป็นพื้นฐานที่ใช้ในการคำนวณระยะเวลาความเชื่อมั่นสำหรับแบบจำลอง SES โดยเฉพาะอย่างยิ่งแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งข้อ MA (1) เทอมและไม่มีระยะคงที่ หรือที่เรียกว่าโควต้า (0,1,1) โดยไม่มีค่าคงที่ ค่าสัมประสิทธิ์ MA (1) ในรูปแบบ ARIMA สอดคล้องกับจำนวน 1-945 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณพอดีกับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA (1) โดยประมาณจะเท่ากับ 0.7029 ซึ่งเกือบจะเท่ากับ 0.2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES ในการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งและเทอม MA (1) ที่มีค่าคงที่นั่นคือ ARIMA (0,1,1) โดยมีค่าคงที่ การคาดการณ์ในระยะยาวจะมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมด คุณไม่สามารถดำเนินการนี้ควบคู่กับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มแนวโน้มการชี้แจงในระยะยาวที่คงที่สำหรับแบบจำลองการทำให้เรียบแบบเลขแจงที่เรียบง่าย (โดยมีหรือไม่มีการปรับฤดูกาล) โดยใช้ตัวเลือกการปรับค่าเงินเฟ้อในขั้นตอนการคาดการณ์ อัตราการเติบโตของอัตราแลกเปลี่ยน (quotation) ในแต่ละช่วงเวลาสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลร่วมกับการแปลงลอการิทึมตามธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาว . (กลับมาที่ด้านบนสุดของหน้า) Browns Linear (เช่น double) Exponential Smoothing โมเดล SMA และ SES สมมุติว่าไม่มีแนวโน้มใด ๆ ในข้อมูล (โดยปกติแล้วจะเป็นอย่างน้อยหรืออย่างน้อยก็ไม่เลวสำหรับ 1- การคาดการณ์ล่วงหน้าเมื่อข้อมูลมีเสียงดังมาก) และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นคงที่ดังที่แสดงไว้ข้างต้น สิ่งที่เกี่ยวกับแนวโน้มระยะสั้นหากชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นอย่างชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องคาดการณ์มากกว่า 1 รอบระยะเวลาล่วงหน้าการประมาณแนวโน้มในท้องถิ่นอาจเป็นไปได้ ปัญหา แบบจำลองการทำให้เรียบเรียบง่ายสามารถสรุปเพื่อให้ได้รูปแบบการเรียบแบบเสวนาเชิงเส้น (LES) ซึ่งจะคำนวณการประมาณระดับท้องถิ่นและระดับแนวโน้ม รูปแบบแนวโน้มที่แตกต่างกันตามเวลาที่ง่ายที่สุดคือรูปแบบการเรียบแบบเสแสร้งแบบสีน้ำตาลของ Browns ซึ่งใช้ชุดการประมวลผลแบบเรียบสองแบบที่ต่างกันออกไปซึ่งมีศูนย์กลางอยู่ที่จุดต่างๆในเวลา สูตรพยากรณ์ขึ้นอยู่กับการอนุมานของเส้นผ่านทั้งสองศูนย์ (รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt8217s ถูกกล่าวถึงด้านล่าง) รูปแบบพีชคณิตของ Brown8217s เชิงเส้นแบบเรียบเช่นเดียวกับรูปแบบการเรียบง่ายชี้แจงสามารถแสดงในรูปแบบที่แตกต่างกัน แต่ที่เท่าเทียมกัน รูปแบบมาตรฐานของแบบจำลองนี้มักจะแสดงดังนี้: ให้ S หมายถึงชุดแบบเดี่ยวที่เรียบง่ายได้โดยใช้การเรียบง่ายแบบเลขยกตัวอย่างให้เป็นชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย: (จำได้ว่าภายใต้หลักการง่ายๆ exponential smoothing นี่คือการคาดการณ์ของ Y ที่ระยะเวลา t1) จากนั้นให้ Squot แสดงชุดที่มีการคูณทวีคูณขึ้นโดยใช้การเรียบแบบเลขแจงธรรมดา (ใช้แบบเดียวกัน 945) กับชุด S: สุดท้ายการคาดการณ์สำหรับ Y tk สำหรับ kgt1 ใด ๆ ให้โดย: ผลตอบแทนนี้ e 1 0 (เช่นโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกจริง) และ e 2 Y 2 8211 Y 1 หลังจากที่คาดการณ์จะถูกสร้างโดยใช้สมการข้างต้น ค่านี้จะให้ค่าพอดีกับสูตรตาม S และ S ถ้าค่าเริ่มต้นใช้ S 1 S 1 Y 1 รุ่นของรุ่นนี้ใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบแบบเสวนากับการปรับฤดูกาลตามฤดูกาล Holt8217s Linear Exponential Smoothing Brown8217s แบบจำลอง LES คำนวณการประมาณระดับท้องถิ่นและแนวโน้มโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์เรียบเพียงอย่างเดียวจะกำหนดข้อ จำกัด ของรูปแบบข้อมูลที่สามารถพอดีกับระดับและแนวโน้มได้ ไม่ได้รับอนุญาตให้เปลี่ยนแปลงในอัตราที่เป็นอิสระ แบบจำลอง LES ของ Holt8217s กล่าวถึงปัญหานี้ด้วยการรวมค่าคงที่ที่ราบเรียบสองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ทุกเวลา t เช่นเดียวกับในรุ่น Brown8217s มีการประมาณการ L t ของระดับท้องถิ่นและประมาณการ T t ของแนวโน้มในท้องถิ่น ที่นี่พวกเขาจะได้รับการคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การอธิบายแบบเอกซ์โพเน็นเชียลให้เรียบขึ้น หากระดับและแนวโน้มโดยประมาณของเวลา t-1 คือ L t82091 และ T t-1 ตามลำดับจากนั้นคาดว่า Y tshy ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณระดับที่ปรับปรุงใหม่จะถูกคำนวณโดยการ interpolating ระหว่าง Y tshy และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของ 945 และ 1-945 การเปลี่ยนแปลงระดับโดยประมาณ, คือ L t 8209 L t82091 สามารถตีความได้ว่าเป็นสัญญาณรบกวนของแนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดยการ interpolating ระหว่าง L t 8209 L t82091 และประมาณการก่อนหน้าของแนวโน้ม T t-1 โดยใช้น้ำหนักของ 946 และ 1-946: การตีความค่าคงที่การทรงตัวของกระแส 946 มีความคล้ายคลึงกับค่าคงที่การปรับให้เรียบระดับ 945 โมเดลที่มีค่าน้อย 946 ถือว่าแนวโน้มมีการเปลี่ยนแปลงเพียงอย่างช้าๆเมื่อเวลาผ่านไป ใหญ่กว่า 946 สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็ว แบบจำลองที่มีขนาดใหญ่ 946 เชื่อว่าในอนาคตอันใกล้นี้มีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการคาดการณ์แนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วง (กลับไปด้านบนสุดของหน้า) ค่าคงที่ที่ราบเรียบ 945 และ 946 สามารถประมาณได้ตามปกติโดยลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอน เมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 945 0.3048 และ 946 0.008 ค่าที่น้อยมากของ 946 หมายความว่ารูปแบบสมมติว่ามีการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรุ่นหนึ่งดังนั้นโดยทั่วไปโมเดลนี้กำลังพยายามประมาณแนวโน้มในระยะยาว โดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณระดับท้องถิ่นของชุดข้อมูลอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 946 แม้ว่าจะไม่เท่ากันก็ตาม . ในกรณีนี้ที่กลายเป็น 10.006 125 นี่เป็นตัวเลขที่แม่นยำมากที่สุดเท่าที่ความถูกต้องของค่าประมาณ 946 isn8217t จริง ๆ 3 ตำแหน่งทศนิยม แต่มันก็เป็นเรื่องธรรมดาของขนาดตามตัวอย่างขนาด 100 ดังนั้น รุ่นนี้มีค่าเฉลี่ยมากกว่าค่อนข้างมากของประวัติศาสตร์ในการประมาณแนวโน้ม พล็อตการคาดการณ์ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นในวงกว้างขึ้นเล็กน้อยที่ส่วนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่ในแบบจำลอง SEStrend นอกจากนี้ค่าประมาณของ 945 เกือบจะเหมือนกันกับที่ได้จากการปรับรุ่น SES ที่มีหรือไม่มีแนวโน้มดังนั้นเกือบจะเป็นแบบเดียวกัน ตอนนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับโมเดลที่ควรจะประเมินแนวโน้มในระดับท้องถิ่นดูเหมือนว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของชุดข้อมูลสิ่งที่เกิดขึ้นพารามิเตอร์ของรุ่นนี้ ได้รับการประเมินโดยการลดข้อผิดพลาดสี่เหลี่ยมของการคาดการณ์ล่วงหน้า 1 ขั้นตอนไม่ใช่การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนัก หากสิ่งที่คุณกำลังมองหาคือข้อผิดพลาด 1 ขั้นตอนคุณจะไม่เห็นภาพใหญ่ของแนวโน้มในช่วง 10 หรือ 20 ครั้ง เพื่อให้โมเดลนี้สอดคล้องกับการคาดการณ์ข้อมูลลูกตาของเรามากขึ้นเราจึงสามารถปรับค่าคงที่การปรับให้เรียบตามแนวโน้มเพื่อให้ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้ม ตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 946 0.1 แล้วอายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา Here8217s พล็อตการคาดการณ์มีลักษณะอย่างไรถ้าเราตั้งค่า 946 0.1 ขณะเก็บรักษา 945 0.3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะเป็นแนวโน้มที่จะคาดการณ์แนวโน้มดังกล่าวได้ไม่น้อยกว่า 10 งวดในอนาคต สิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือการเปรียบเทียบรูปแบบสำหรับสองรุ่นที่แสดงข้างต้นเช่นเดียวกับสามรุ่น SES ค่าที่เหมาะสมที่สุดคือ 945 สำหรับรุ่น SES มีค่าประมาณ 0.3 แต่ผลการค้นหาที่คล้ายกัน (มีการตอบสนองน้อยหรือน้อยตามลำดับ) จะได้รับค่า 0.5 และ 0.2 (A) Holts linear exp. การให้ความนุ่มนวลด้วย alpha 0.3048 และ beta 0.008 (B) Holts linear exp. การทำให้เรียบด้วยเอ็กซ์พี 0.3 และเบต้า 0.1 (C) การเพิ่มความเรียบง่ายด้วยการอธิบายด้วย alpha 0.5 (D) การทำให้เรียบอย่างง่ายด้วยเอ็กซ์โป 0.3 (E) การเรียบง่ายด้วยเลขแจงอัลฟา 0.2 สถิติของพวกเขาใกล้เคียงกันมากดังนั้นเราจึงสามารถเลือกได้บนพื้นฐาน ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูล เราต้องกลับไปพิจารณาเรื่องอื่น ๆ ถ้าเราเชื่อว่าการคาดการณ์แนวโน้มในปัจจุบันเกี่ยวกับสิ่งที่เกิดขึ้นในระยะเวลา 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 945 0.3 และ 946 0.1 ได้ ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับท้องถิ่นแบบใดแบบหนึ่งของ SES อาจอธิบายได้ง่ายกว่านี้และยังให้การคาดการณ์ระดับกลางของถนนต่อไปในอีก 5 หรือ 10 งวดต่อไป ชนิดของแนวโน้มการอนุมานที่ดีที่สุดคือแนวนอนหรือเส้นตรงหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าหากข้อมูลได้รับการปรับแล้ว (ถ้าจำเป็น) สำหรับอัตราเงินเฟ้อแล้วก็อาจจะไม่ระมัดระวังในการคาดการณ์ระยะสั้นในเชิงเส้น แนวโน้มที่ไกลมากในอนาคต แนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตอันเนื่องมาจากสาเหตุที่แตกต่างกันเช่นความล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและการชะลอตัวของวัฏจักรหรือการปรับตัวในอุตสาหกรรม ด้วยเหตุนี้การเรียบอย่างง่ายจึงมักจะทำให้ได้ตัวอย่างที่ดีกว่าที่คาดคิดไว้ได้แม้จะมีการอนุมานแนวโน้มในแนวนอน การปรับเปลี่ยนรูปแบบการลดลงของรูปแบบการเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นมักใช้ในการปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม โมเดล LES ที่มีแนวโน้มลดลงสามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA (1,1,2) เป็นไปได้ในการคำนวณช่วงความเชื่อมั่นรอบการคาดการณ์ในระยะยาวที่ผลิตโดยแบบจำลองการทำให้เรียบโดยพิจารณาเป็นกรณีพิเศษของรูปแบบ ARIMA ความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ (i) ข้อผิดพลาด RMS ของโมเดล (ii) ประเภทของการปรับให้เรียบ (แบบง่ายหรือแบบเส้นตรง) (iii) ค่า (s) ของคงที่ราบเรียบ (s) และ (iv) จำนวนรอบระยะเวลาที่คุณคาดการณ์ โดยทั่วไปช่วงเวลาจะกระจายออกไปได้เร็วกว่าเมื่อ 945 มีขนาดใหญ่ขึ้นในรูปแบบ SES และแพร่กระจายได้เร็วกว่ามากเมื่อใช้เส้นตรงมากกว่าการเรียบแบบเรียบ หัวข้อนี้จะกล่าวถึงต่อไปในส่วนรูปแบบ ARIMA ของบันทึกย่อ (ย้อนกลับด้านบนของหน้า) วิธีการของชุดข้อมูลเวลาวิธีการแบบอนุกรมเป็นเทคนิคเชิงสถิติที่ใช้ข้อมูลประวัติที่สะสมในช่วงเวลาหนึ่ง วิธีการแบบอนุกรมเวลาสมมติว่าสิ่งที่เกิดขึ้นในอดีตจะยังคงเกิดขึ้นต่อไปในอนาคต เป็นชุดเวลาชื่อแนะนำวิธีการเหล่านี้เกี่ยวข้องกับการคาดการณ์เพียงหนึ่งปัจจัยเวลา ซึ่งรวมถึงค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยที่ชี้แจงและเส้นแนวโน้มเชิงเส้นและเป็นหนึ่งในวิธีที่ได้รับความนิยมมากที่สุดสำหรับการคาดการณ์ในระยะสั้นระหว่าง บริษัท ผู้ให้บริการและ บริษัท ผู้ผลิต วิธีการเหล่านี้สมมติว่ารูปแบบทางประวัติศาสตร์ที่ระบุหรือแนวโน้มสำหรับความต้องการในช่วงเวลาที่จะทำซ้ำตัวเอง Moving Average การคาดการณ์ชุดข้อมูลอนุกรมเวลาอาจทำได้เพียงง่ายๆโดยใช้ความต้องการในช่วงเวลาปัจจุบันเพื่อพยากรณ์ความต้องการในช่วงต่อไป นี่คือบางครั้งเรียกว่าการคาดเดาที่ไร้เดียงสาหรือใช้งานง่าย 4 ตัวอย่างเช่นถ้าความต้องการเป็น 100 หน่วยในสัปดาห์นี้การคาดการณ์สำหรับความต้องการในสัปดาห์หน้าคือ 100 หน่วยถ้าความต้องการเปลี่ยนเป็น 90 หน่วยแทนแล้วความต้องการสัปดาห์ต่อไปคือ 90 หน่วยและอื่น ๆ วิธีการคาดการณ์ประเภทนี้ไม่ได้คำนึงถึงพฤติกรรมความต้องการในอดีตที่ต้องอาศัยความต้องการในช่วงเวลาปัจจุบัน มันตอบสนองโดยตรงกับปกติการเคลื่อนไหวแบบสุ่มในความต้องการ วิธีเฉลี่ยเคลื่อนที่แบบง่ายใช้ค่าความต้องการหลายค่าในช่วงไม่กี่ปีที่ผ่านมาเพื่อพัฒนาการคาดการณ์ นี้มีแนวโน้มที่จะชุบหรือเรียบออกเพิ่มขึ้นสุ่มและลดลงของการคาดการณ์ที่ใช้เวลาเพียงหนึ่ง ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีประโยชน์ในการคาดการณ์ความต้องการที่มีเสถียรภาพและไม่แสดงพฤติกรรมความต้องการที่เด่นชัดเช่นแนวโน้มหรือรูปแบบตามฤดูกาล ค่าเฉลี่ยเคลื่อนที่จะคำนวณเป็นระยะเวลาหนึ่งเช่นสามเดือนหรือห้าเดือนขึ้นอยู่กับระยะเวลาที่นักพยากรณ์ต้องการที่จะราบรื่นข้อมูลความต้องการ ระยะเวลาเฉลี่ยที่ยาวนานขึ้นจะยิ่งนุ่มนวลขึ้น บริษัท เครื่องคิดเลขออฟฟิศออฟฟิศซัพพลายขายและส่งมอบเครื่องใช้สำนักงานไปยัง บริษัท โรงเรียนและหน่วยงานต่างๆภายในรัศมี 50 ไมล์จากคลังสินค้าของ บริษัท ค่าเฉลี่ยคำนวณค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ ธุรกิจจัดหาสำนักงานมีความสามารถในการแข่งขันและความสามารถในการส่งมอบคำสั่งซื้อได้อย่างทันท่วงทีเป็นปัจจัยในการสร้างลูกค้ารายใหม่ ๆ และรักษาความเก่า (สำนักงานมักจะสั่งไม่เมื่อพวกเขาทำงานต่ำในวัสดุสิ้นเปลือง แต่เมื่อพวกเขาหมดสิ้นผลเป็นผลให้พวกเขาต้องการคำสั่งของพวกเขาทันที) ผู้จัดการของ บริษัท ต้องการที่จะมีไดรเวอร์เพียงพอและยานพาหนะพร้อมที่จะส่งมอบคำสั่งซื้อทันทีและ พวกเขามีสต็อคเพียงพอในสต็อก ดังนั้นผู้จัดการต้องการคาดการณ์จำนวนคำสั่งซื้อที่จะเกิดขึ้นในเดือนถัดไป (เช่นคาดการณ์ความต้องการในการจัดส่ง) จากบันทึกคำสั่งซื้อการจัดการได้รวบรวมข้อมูลต่อไปนี้ไว้ในช่วง 10 เดือนที่ผ่านมาซึ่งต้องการคำนวณค่าเฉลี่ยเคลื่อนที่ 3 และ 5 เดือน สมมติว่าเป็นวันสิ้นเดือนตุลาคม การคาดการณ์ที่เกิดจากค่าเฉลี่ยเคลื่อนที่ 3 หรือ 5 เดือนโดยทั่วไปสำหรับเดือนถัดไปตามลำดับซึ่งในกรณีนี้คือเดือนพฤศจิกายน ค่าเฉลี่ยเคลื่อนที่จะคำนวณจากความต้องการคำสั่งซื้อสำหรับงวด 3 เดือนก่อนตามลำดับตามสูตรต่อไปนี้ค่าเฉลี่ยเคลื่อนที่ 5 เดือนคำนวณจากข้อมูลความต้องการ 5 เดือนก่อนหน้าดังนี้ 3- และ 5 เดือน การคาดการณ์ค่าเฉลี่ยเคลื่อนที่สำหรับเดือนทั้งหมดของข้อมูลความต้องการจะแสดงในตารางต่อไปนี้ จริงๆแล้วการคาดการณ์สำหรับเดือนพฤศจิกายนตามความต้องการรายเดือนล่าสุดจะถูกใช้โดยผู้จัดการ อย่างไรก็ตามการคาดการณ์ก่อนหน้านี้สำหรับเดือนก่อน ๆ ช่วยให้เราสามารถเปรียบเทียบการคาดการณ์กับความต้องการที่แท้จริงเพื่อดูว่าวิธีการพยากรณ์ถูกต้องอย่างไรนั่นคือทำได้ดีแค่ไหน ค่าเฉลี่ยทั้งสามและห้าเดือนทั้งสองค่าเฉลี่ยของการคาดการณ์ในตารางด้านบนมีแนวโน้มที่จะทำให้ความแปรปรวนเกิดขึ้นได้ในข้อมูลที่เกิดขึ้นจริง ผลการปรับให้เรียบนี้สามารถสังเกตได้จากตัวเลขต่อไปนี้ซึ่งเป็นข้อมูลเฉลี่ยของ 3 เดือนและ 5 เดือนในกราฟของข้อมูลเดิม: ค่าเฉลี่ยเคลื่อนที่ 5 เดือนในรูปก่อนหน้านี้ช่วยขจัดความผันผวนได้มากกว่า ค่าเฉลี่ยเคลื่อนที่ 3 เดือน อย่างไรก็ตามค่าเฉลี่ยในรอบ 3 เดือนสะท้อนให้เห็นถึงข้อมูลล่าสุดที่มีให้กับผู้จัดการฝ่ายจัดหาสำนักงานมากขึ้น โดยทั่วไปการคาดการณ์โดยใช้ค่าเฉลี่ยเคลื่อนที่ในระยะยาวจะตอบสนองต่อการเปลี่ยนแปลงความต้องการล่าสุดได้ช้ากว่าที่คาดการณ์ไว้โดยใช้ค่าเฉลี่ยเคลื่อนที่ที่สั้นลง ช่วงเวลาที่เพิ่มขึ้นของข้อมูลจะส่งผลต่อความเร็วที่คาดการณ์ไว้ การสร้างจำนวนระยะเวลาที่เหมาะสมเพื่อใช้ในการคาดการณ์โดยเฉลี่ยที่เคลื่อนที่มักต้องการการทดลองใช้และทดสอบข้อผิดพลาดจำนวนมาก ข้อเสียของวิธีเฉลี่ยเคลื่อนที่คือไม่ตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นด้วยเหตุผลเช่นรอบการทำงานและผลตามฤดูกาล ปัจจัยที่ทำให้เกิดการเปลี่ยนแปลงโดยทั่วไปจะถูกเพิกเฉย เป็นวิธีการเชิงกลซึ่งสะท้อนถึงข้อมูลทางประวัติศาสตร์อย่างสม่ำเสมอ อย่างไรก็ตามวิธีเฉลี่ยเคลื่อนที่จะมีข้อดีคือใช้งานง่ายรวดเร็วและไม่แพงนัก โดยทั่วไปวิธีการนี้สามารถให้การคาดการณ์ที่ดีในระยะสั้น แต่ไม่ควรผลักดันให้ไกลเกินไป Weighted Moving Average วิธีถัวเฉลี่ยถ่วงน้ำหนักสามารถปรับเปลี่ยนเพื่อสะท้อนความผันผวนของข้อมูลได้มากขึ้น ในวิธีถัวเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักน้ำหนักจะถูกกำหนดให้กับข้อมูลล่าสุดตามสูตรต่อไปนี้: ข้อมูลความต้องการสำหรับ PM Computer Services (แสดงในตารางสำหรับตัวอย่าง 10.3) ดูเหมือนจะทำตามแนวโน้มเชิงเส้นที่เพิ่มขึ้น บริษัท ต้องการคำนวณเส้นแนวโน้มเชิงเส้นเพื่อดูว่ามีความแม่นยำมากกว่าการคาดการณ์การปรับให้เรียบและชี้แจงที่ได้รับการพัฒนาขึ้นในตัวอย่าง 10.3 และ 10.4 หรือไม่ ค่าที่จำเป็นสำหรับการคำนวณกำลังสองน้อยที่สุดมีดังนี้: ใช้ค่าเหล่านี้พารามิเตอร์สำหรับเส้นแนวโน้มเชิงเส้นคำนวณดังนี้: ดังนั้นสมการเส้นแนวโน้มเส้นคือการคำนวณการคาดการณ์สำหรับรอบระยะเวลา 13 ให้ x 13 ในเส้นตรง เส้นแนวโน้ม: กราฟต่อไปนี้แสดงเส้นแนวโน้มเชิงเส้นเมื่อเทียบกับข้อมูลจริง เส้นแนวโน้มแสดงให้เห็นอย่างใกล้ชิดกับข้อมูลที่เกิดขึ้นจริงนั่นคือเหมาะที่จะเป็นรูปแบบการคาดการณ์ที่ดีสำหรับปัญหานี้ อย่างไรก็ตามข้อเสียของเส้นแนวโน้มคือว่ามันจะไม่ปรับตัวให้เข้ากับการเปลี่ยนแปลงของแนวโน้มเนื่องจากวิธีการคาดการณ์การทำให้ราบเรียบชี้แจงจะเป็นสมมติว่าการคาดการณ์ในอนาคตทั้งหมดจะเป็นไปตามเส้นตรง วิธีนี้ จำกัด การใช้วิธีนี้กับกรอบเวลาที่สั้นกว่าซึ่งคุณสามารถมั่นใจได้ว่าแนวโน้มจะไม่เปลี่ยนแปลง การปรับฤดูกาลเป็นฤดูกาลที่เพิ่มขึ้นและความต้องการลดลง รายการอุปสงค์จำนวนมากแสดงพฤติกรรมตามฤดูกาล ยอดขายเสื้อผ้าเป็นไปตามรูปแบบฤดูกาลประจำปีโดยมีความต้องการเสื้อผ้าอุ่น ๆ เพิ่มขึ้นในช่วงฤดูใบไม้ร่วงและฤดูหนาวและลดลงในช่วงฤดูใบไม้ผลิและฤดูร้อนเนื่องจากความต้องการเสื้อผ้าเพิ่มขึ้น ความต้องการสินค้าปลีกจำนวนมากรวมทั้งของเล่นอุปกรณ์กีฬาเสื้อผ้าเครื่องใช้ไฟฟ้าแฮมตุรกีไวน์และผลไม้เพิ่มขึ้นในช่วงเทศกาลวันหยุด ความต้องการบัตรอวยพรเพิ่มขึ้นควบคู่ไปกับวันพิเศษเช่นวันวาเลนไทน์และวันแม่ รูปแบบตามฤดูกาลอาจเกิดขึ้นได้ทุกเดือนรายสัปดาห์หรือแม้แต่รายวัน ร้านอาหารบางแห่งมีความต้องการสูงกว่าช่วงกลางวันหรือในช่วงสุดสัปดาห์ซึ่งไม่ใช่วันธรรมดา การจราจร - เพราะฉะนั้นการขาย - ที่ห้างสรรพสินค้าหยิบขึ้นมาในวันศุกร์และวันเสาร์ มีหลายวิธีในการสะท้อนรูปแบบตามฤดูกาลในการคาดการณ์ชุดข้อมูลแบบอนุกรม เราจะอธิบายหนึ่งในวิธีที่ง่ายขึ้นโดยใช้ปัจจัยตามฤดูกาล ปัจจัยตามฤดูกาลคือค่าตัวเลขที่คูณด้วยการคาดการณ์ตามปกติเพื่อให้ได้รับการคาดการณ์ตามฤดูกาล วิธีการหนึ่งในการพัฒนาความต้องการปัจจัยตามฤดูกาลคือการแบ่งความต้องการสำหรับแต่ละฤดูกาลตามความต้องการโดยรวมประจำปีตามสูตรต่อไปนี้ปัจจัยฤดูกาลที่เกิดขึ้นระหว่าง 0 ถึง 1.0 เป็นผลส่วนหนึ่งของความต้องการประจำปีทั้งหมดที่กำหนดให้ ในแต่ละฤดูกาล ปัจจัยฤดูกาลเหล่านี้คูณด้วยความต้องการที่คาดการณ์ไว้เป็นประจำทุกปีเพื่อให้ได้ผลตอบแทนที่ปรับตามฤดูกาลในแต่ละฤดูกาล การคำนวณการคาดการณ์ด้วยการปรับฤดูกาลฟาร์ม Wishbone Farm เติบโตขึ้นเพื่อขายไก่งวงให้กับ บริษัท แปรรูปเนื้อสัตว์ตลอดทั้งปี อย่างไรก็ตามในช่วงไตรมาสที่สี่ของปีพฤศจิกาจะมีฤดูกาลสูงสุดในช่วงเดือนตุลาคมถึงธันวาคม Wishbone Farms มีประสบการณ์ความต้องการไก่งวงในช่วง 3 ปีที่ผ่านมาแสดงไว้ในตารางต่อไปนี้เนื่องจากเรามีข้อมูลความต้องการยาวนานถึงสามปีเราจึงสามารถคำนวณหาปัจจัยตามฤดูกาลได้โดยแบ่งความต้องการรายไตรมาสทั้งหมดเป็นเวลาสามปีตามความต้องการทั้งหมดในช่วง 3 ปีที่ผ่านมา : ต่อไปเราต้องการเพิ่มความต้องการที่คาดการณ์ไว้สำหรับปีหน้าในปีพ. ศ. 2543 ตามปัจจัยต่างๆตามฤดูกาลเพื่อให้ได้ความต้องการที่คาดการณ์ไว้สำหรับแต่ละไตรมาส เพื่อให้บรรลุเป้าหมายนี้เราจำเป็นต้องมีการคาดการณ์ความต้องการสำหรับปี 2543 ในกรณีนี้เนื่องจากข้อมูลความต้องการในตารางดูเหมือนจะมีแนวโน้มเพิ่มขึ้นโดยทั่วไปเราคำนวณเส้นแนวโน้มเชิงเส้นเป็นเวลาสามปีของข้อมูลในตารางเพื่อให้ได้ข้อมูลที่หยาบ ประมาณการคาดการณ์: ดังนั้นการคาดการณ์สำหรับปี 2000 คือ 58.17 หรือ 58,170 ไก่งวง เมื่อใช้การคาดการณ์รายปีของอุปสงค์นี้การคาดการณ์ที่ปรับฤดูกาลแล้ว SF i สำหรับปีพ. ศ. 2543 จะเปรียบเทียบการคาดการณ์รายไตรมาสเหล่านี้กับค่าความต้องการที่แท้จริงในตารางซึ่งดูเหมือนว่าจะเป็นประมาณการประมาณการที่ค่อนข้างดีซึ่งสะท้อนถึงความแตกต่างตามฤดูกาลทั้งในข้อมูลและ แนวโน้มทั่วไปขึ้น 10-12 วิธีการเฉลี่ยเคลื่อนที่แบบเดียวกับที่อธิบายได้คือ 10-11 สิ่งที่ส่งผลต่อรูปแบบการทำให้เรียบแบบเลขแจงจะเพิ่มค่าคงที่ที่ราบเรียบได้ 10-14 การปรับความเปรียบต่างที่ปรับเปลี่ยนได้มีความแตกต่างจากการให้ความนุ่มนวลแบบเลขแจง 10-15 สิ่งที่กำหนดทางเลือกของการปรับให้เรียบคงที่สำหรับแนวโน้มในแบบจำลองการปรับรูปแบบเลขแจงแบบปรับ 10-16 ในตัวอย่างบทสำหรับวิธีการแบบอนุกรมเวลาการคาดการณ์เริ่มต้นถือว่าเป็นเช่นเดียวกับความต้องการที่แท้จริงในช่วงแรก แนะนำวิธีอื่น ๆ ที่อาจมีการคาดการณ์เริ่มต้นในการใช้งานจริง 10-17 รูปแบบการคาดการณ์ของเส้นแนวโน้มแบบเส้นแตกต่างจากแบบจำลองการถดถอยเชิงเส้นสำหรับการคาดการณ์ 10-18 ของแบบจำลองชุดเวลาที่นำเสนอในบทนี้รวมทั้งค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักการปรับให้เรียบแบบเอ็กซ์โปเนนเน่นและการปรับความเรียบที่เป็นเอกลัษณ์และเส้นแนวโน้มแบบเส้นตรงซึ่งคุณคิดว่าดีที่สุดทำไม 10-19 ข้อดีของการปรับความเปรียบเชิงเส้นทแยงมุมมีมากกว่าเส้นแนวโน้มเชิงเส้นสำหรับความต้องการที่คาดการณ์ไว้ซึ่งแสดงถึงแนวโน้ม 4 K. B. Kahn และ J. T. Mentzer การพยากรณ์ในตลาดผู้บริโภคและอุตสาหกรรมวารสารการพยากรณ์ธุรกิจ 14 ฉบับที่ 4 2 (ฤดูร้อน 1995): 21-28