تركزت الحركة المتوسط - eviews

عند حساب متوسط ​​متحرك تشغيل، وضع المتوسط ​​في الفترة الزمنية الوسطى منطقي. في المثال السابق قمنا بحساب متوسط ​​الفترات الزمنية 3 الأولى ووضعه بجانب الفترة 3 كنا قد وضعت المتوسط ​​في منتصف الفاصل الزمني لثلاث فترات، أي ما يقارب الفترة 2 وهذا يعمل بشكل جيد مع الفترات الزمنية الفردية، ولكن ليس جيدا حتى لفترات زمنية حتى إذا وضعنا المتوسط ​​المتحرك الأول عند M 4. من الناحية الفنية، فإن المتوسط ​​المتحرك سينخفض ​​عند t 2 5، 3 5. لتجنب هذه المشكلة نحن على نحو سلس على ما s باستخدام m 2 وهكذا نحن على نحو سلس قيم ممهدة. إذا كنا متوسط ​​عدد حتى من المصطلحات، نحن بحاجة إلى تسهيل السلس القيم. ويبين الجدول التالي النتائج باستخدام M تنفيذ 4.Spreadsheet من التعديل الموسمي والتجانس الأسي. فمن المباشر لإجراء تعديل موسمي وتناسب نماذج التمهيد الأسي باستخدام إكسيل يتم أخذ الصور الشاشة والرسوم البيانية أدناه من جدول البيانات التي تم إعدادها لتوضيح م تعديل موسمية أولتيبليكاتيف والخطي الأسي تمهيد على بيانات المبيعات الفصلية التالية من أوتبوارد مارين. للحصول على نسخة من ملف جدول البيانات نفسه، انقر هنا إصدار التجانس الأسي الخطي الذي سيتم استخدامه هنا لأغراض مظاهرة هو نسخة براون s، مجرد لأنه يمكن تنفيذها مع عمود واحد من الصيغ وهناك واحد فقط ثابت تمهيد لتحسين وعادة ما يكون من الأفضل استخدام النسخة هولت التي لديها ثوابت تمهيد منفصلة لمستوى و trend. The عملية الترجيع العائدات على النحو التالي أنا أولا البيانات هي معدلة موسميا 2 ثم يتم توليد التنبؤات للبيانات المعدلة موسميا عن طريق تمهيد الأسي الخطي، وأخيرا وأخيرا يتم تعديل التنبؤات المعدلة موسميا للحصول على تنبؤات لسلسلة الأصلية تتم عملية التعديل الموسمية في الأعمدة D من خلال G. الخطوة الأولى في الموسمية التعديل هو حساب متوسط ​​متحرك مركز يتم القيام به هنا في العمود D ث يمكن أن يتم عن طريق أخذ متوسط ​​اثنين من المتوسطات على مدى سنة واحدة تقابلها فترة واحدة بالنسبة لبعضها البعض وهناك حاجة إلى مزيج من متوسطين إزاحة بدلا من متوسط ​​واحد لأغراض مركز عندما يكون عدد المواسم حتى و فإن الخطوة التالية هي حساب النسبة إلى المتوسط ​​المتحرك - أي البيانات الأصلية مقسومة على المتوسط ​​المتحرك في كل فترة - والتي يتم تنفيذها هنا في العمود E ويسمى هذا أيضا مكون دورة الاتجاه للنمط، يمكن اعتبار تأثيرات دورة الأعمال على أنها كل ما تبقى بعد حساب المتوسط ​​على مدى سنة كاملة من قيمة البيانات وبطبيعة الحال، من شهر إلى شهر التغييرات التي ليست بسبب الموسمية يمكن تحديدها من قبل العديد من العوامل الأخرى، ولكن 12 شهرا متوسط ​​النعومة عليها إلى حد كبير ويحسب مؤشر الموسمية المقدر لكل موسم من خلال متوسط ​​متوسط ​​جميع النسب لهذا الموسم معين، والذي يتم في الخلايا G3-G6 باستخدام صيغة أفيراجيف ثم يتم تعديل نسب المتوسط ​​لذلك أن مجموعها بالضبط 100 مرة عدد الفترات في الموسم، أو 400 في هذه الحالة، والذي يتم في الخلايا H3-H6 أدناه في العمود F، يتم استخدام صيغ فلوكوب لإدراج قيمة الفهرس الموسمية المناسبة في كل صف من جدول البيانات، وفقا لربع العام الذي يمثله المتوسط ​​المتحرك المركز والبيانات المعدلة موسميا في نهاية المطاف تبدو مثل هذا. لاحظ أن المتوسط ​​المتحرك يبدو عادة نسخة أكثر سلاسة من سلسلة المعدلة موسميا، وأقصر على حد سواء تنتهي ورقة العمل الأخرى في ملف إكسيل نفسه بتطبيق نموذج تمهيد الأسي الخطي على البيانات المعدلة موسميا، بدءا من قيمة العمود غا بالنسبة إلى ألفا ثابت التجانس يتم إدخاله فوق عمود التوقعات هنا، في الخلية H9 ومن أجل توفير الراحة تعيين اسم النطاق ألفا يتم تعيين الاسم باستخدام الأمر إنزيرت نيم كريت يتم تهيئة نموذج ليس بتعيين أول تنبؤين يساويان القيمة الفعلية الأولى للإعلان الموسمية سلسلة جوستيد الصيغة المستخدمة هنا للتوقعات ليس هو نموذج المعادلة أحادية المعادلة من نموذج براون s. ويتم إدخال هذه الصيغة في الخلية المقابلة للفترة الثالثة هنا، H15 الخلية ونسخ أسفل من هناك لاحظ أن توقعات ليس ل تشير الفترة الحالية إلى المالحظتين السابقتين وأخطاء التنبؤ السابقة، وكذلك إلى قيمة ألفا وهكذا، فإن صيغة التنبؤ الواردة في الصف 15 تشير فقط إلى البيانات التي كانت متوفرة في الصف 14 وما قبله وبطبيعة الحال، إذا كنا نرغب في استخدام بسيط بدلا من التجانس الأسي الخطي، يمكننا استبدال صيغة سيس هنا بدلا من ذلك يمكننا أيضا استخدام هولت s بدلا من براون s ليس نموذج، الأمر الذي يتطلب اثنين من الأعمدة أكثر من الصيغ لحساب المستوى والاتجاه المستخدمة في التوقعات. يتم حساب الأخطاء في العمود التالي هنا، العمود J من خلال طرح التوقعات من القيم الفعلية يتم حساب الخطأ المربع التربيعي الجذر باعتباره الجذر التربيعي للتباين في الأخطاء بالإضافة إلى سكوا إعادة المتوسط ​​يعني ذلك من الهوية الرياضية أخطاء مس فاريانس أفيراج إرورس 2 عند حساب متوسط ​​وتفاوت الأخطاء في هذه الصيغة، يتم استبعاد الفترتين الأوليتين لأن النموذج لا يبدأ بالفعل التنبؤ حتى الصف الثالث 15 على التوالي جدول البيانات يمكن العثور على القيمة المثلى ألفا إما عن طريق تغيير ألفا يدويا حتى يتم العثور على الحد الأدنى رمز، وإلا يمكنك استخدام حلالا لأداء التقليل الدقيق قيمة ألفا أن سولفر وجدت هو موضح هنا ألفا 0 471.It وعادة ما تكون فكرة جيدة لرسم أخطاء النموذج في وحدات المحولة وأيضا لحساب ورسم أوتوكوريلاتيونس بهم في فترات تأخر تصل إلى موسم واحد هنا هو مؤامرة سلسلة زمنية من الأخطاء المعدلة موسميا. يتم حساب الخطأ أوتوكوريلاتيونس باستخدام كوريل لحساب الارتباطات من الأخطاء مع أنفسهم تأخرت بفترة واحدة أو أكثر - وترد التفاصيل في نموذج جدول البيانات هنا هو مؤامرة من أوتوكوريلاتيونس من الأخطاء في التأخرات الخمسة الأولى. أوتوكوريلاتيونس في الفترات من 1 إلى 3 قريبة جدا من الصفر، ولكن الارتفاع في تأخر 4 الذي هو قيمة 0 35 هو مزعجة قليلا - فإنه يشير إلى أن عملية التعديل الموسمية لم تكن ناجحة تماما ومع ذلك، فإنه في الواقع هامشية فقط 95 العصابات أهمية لاختبار ما إذا كانت أوتوكوريلاتيونس تختلف اختلافا كبيرا عن الصفر هي تقريبا زائد أو ناقص 2 سرت نك، حيث ن هو حجم العينة و k هو تأخر هنا ن هو 38 و k يختلف من 1 إلى 5، وبالتالي فإن مربع الجذر من-ن-ناقص-ك حوالي 6 للجميع، وبالتالي حدود لاختبار أهمية إحصائية الانحرافات من الصفر هي تقريبا زائد أو ناقص 2 6، أو 0 33 إذا كنت تختلف 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. أ والجزء السفلي من جدول البيانات، صيغة التنبؤ بوتستراب (د) إلى المستقبل عن طريق مجرد استبدال التنبؤات بالقيم الفعلية عند النقطة التي تنفد فيها البيانات الفعلية - أي حيث يبدأ المستقبل - وبعبارة أخرى، في كل خلية تحدث فيها قيمة بيانات مستقبلية، تدرج إشارة خلية تشير إلى التوقعات التي تم الحصول عليها لتلك الفترة يتم نسخ جميع الصيغ الأخرى ببساطة من فوق. لاحظ أن أخطاء التنبؤات المستقبلية كلها محسوبة لتكون صفر هذا لا يعني أن الأخطاء الفعلية ستكون صفرا، وإنما هو مجرد يعكس حقيقة أنه لأغراض التنبؤ نحن نفترض أن البيانات المستقبلية سوف تساوي التوقعات في المتوسط ​​ويبدو أن توقعات ليس الناتجة عن البيانات المعدلة موسميا مثل هذا. مع هذه القيمة بالذات ألفا، وهو الأمثل لتوقعات فترة واحدة قبل التوقعات، و الاتجاه المتوقع صعودا طفيفا، مما يعكس الاتجاه المحلي الذي لوحظ على مدى العامين الماضيين أو نحو ذلك وبالنسبة لقيم ألفا الأخرى، يمكن الحصول على إسقاط اتجاه مختلف جدا وهو عادة ما يكون فكرة جيدة أ لمعرفة ما يحدث لإسقاط الاتجاه على المدى الطويل عندما ألفا متنوعة، لأن القيمة التي هي الأفضل للتنبؤ على المدى القصير لن تكون بالضرورة أفضل قيمة للتنبؤ مستقبل أكثر بعدا على سبيل المثال، وهنا هي النتيجة التي هي إذا تم تحديد 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 تقديرها للمستوى الحالي والاتجاه ، وتنبؤاتها على المدى الطويل تعكس الاتجاه التنازلي لوحظ على مدى السنوات الخمس الماضية بدلا من الاتجاه التصاعدي أحدث هذا الرسم البياني يوضح أيضا بوضوح كيف النموذج مع قيمة أصغر من ألفا أبطأ للرد على نقاط التحول في البيانات وبالتالي يميل إلى جعل خطأ من نفس العلامة لفترات عديدة على التوالي أخطاء التنبؤ خطوة واحدة إلى الأمام هي أكبر في المتوسط ​​من تلك التي تم الحصول عليها قبل رمز من 34 4 بدلا من 27 4 وذات علاقة إيجابية بشكل إيجابي تأخر -1 الترابط الذاتي البالغ 0 56 يتجاوز كثيرا قيمة 0 33 المحسوبة أعلاه لانحراف ذي دلالة إحصائية عن الصفر كبديل لتدوير قيمة ألفا من أجل إدخال قدر أكبر من المحافظة على التنبؤات الطويلة الأجل، إضافة إلى النموذج من أجل جعل الاتجاه المتوقع تتسطح بعد بضع فترات. الخطوة الأخيرة في بناء نموذج التنبؤ هو أن يعيد التنبؤات ليس بضرب لهم من خلال المؤشرات الموسمية المناسبة وهكذا، فإن التنبؤات رياسوناليزد في العمود الأول هي ببساطة نتاج المؤشرات الموسمية في العمود F وتوقعات ليس المعدلة موسميا في العمود H. ومن السهل نسبيا حساب فترات الثقة للتنبؤات خطوة واحدة إلى الأمام التي يقوم بها هذا النموذج أولا حساب الخطأ رمس متوسط ​​الجذر التربيعي، الذي هو مجرد الجذر التربيعي للمشروعات المتوسطة والصغيرة ومن ثم حساب فترة الثقة للتوقعات المعدلة موسميا من خلال جمع وطرح مرتين من رمز بشكل عام فإن فاصل الثقة 95 للتنبؤ بفترة زمنية واحدة يساوي تقريبا نقطة التنبؤ زائد أو ناقص ضعف الانحراف المعياري المقدر لأخطاء التنبؤ، بافتراض أن توزيع الأخطاء يكون عاديا تقريبا وحجم العينة كبير بما فيه الكفاية ، على سبيل المثال، 20 أو أكثر هنا، رمز بدلا من الانحراف المعياري العينة للأخطاء هو أفضل تقدير للانحراف المعياري لأخطاء التنبؤ المستقبلية لأنه يأخذ التحيز وكذلك عشوائية الاختلافات في الاعتبار حدود الثقة للتوقعات المعدلة موسميا هي ثم يعاد حسابها إلى جانب التنبؤات بضربها بالمؤشرات الموسمية المناسبة في هذه الحالة يساوي رمز رمز 27 4 ويكون التنبؤ المعدل موسميا للفترة المقبلة الأولى ديسمبر 93 هو 273 2 بحيث تكون فترة الثقة 95 المعدلة موسميا من 273 2-2 27 4 218 4 إلى 273 2 2 27 4 328 0 ضرب هذه الحدود بحلول كانون الأول / ديسمبر مؤشر موسمية ديسمبر 68 61 نحصل على الحدود الدنيا والعليا الثقة 149 8 و 225 0 حول توقعات النقطة في ديسمبر / كانون الأول لعام 187. 4 - سوف 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 حساب بشكل عام من خلال الطرق التحليلية 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، مع الأخذ جميع مصادر الخطأ في الاعتبار، أفضل رهان الخاص بك هو استخدام أساليب تجريبية على سبيل المثال، للحصول على فترة الثقة لتوقعات 2 خطوة إلى الأمام، يمكنك إنشاء عمود آخر على جدول البيانات لحساب توقعات 2-خطوة قبل كل من خلال بوتسترابينغ توقعات خطوة واحدة قبل ذلك ثم حساب رمز من 2-خطوة قبل التوقعات الأخطاء واستخدام هذا كأساس لفاصل الثقة 2-خطوة قبل. تحليل سلسلة الوقت و عملية التكيف الموسمية. ما هي الفلسفات الرئيسية اثنين من التعديل الموسمية. ما هو مرشح. ما هي مشكلة نهاية نقطة. كيف يمكننا أن تقرر أي مرشح لاستخدام. ما هي وظيفة كسب. ما هو التحول المرحلة. ما هي هندرسون تتحرك المتوسطات. كيف نتعامل مع مشكلة نهاية نقطة. ما هي المعدلات المتحركة الموسمية. لما هي تقديرات الاتجاه المنقحة. كمية البيانات المطلوبة للحصول على تقديرات مقبولة موسميا المعدلة. كيف تفعل اثنين من الفلسفات التكيف الموسمية مقارنة. ما هي اثنين من الفلسفات الرئيسية لتعديل الموسم. الفلسفات الرئيسية اثنين من التعديل الموسمية هي الطريقة القائمة على أسلوب وطريقة القائم على مرشح. الطريقة القائمة على الفلتر. وهذه الطريقة تطبق مجموعة من المرشحات الثابتة تتحرك المتوسطات لتتحلل سلسلة زمنية في الاتجاه، الموسمية و العنصر غير النظامي. الفكرة الأساسية هي أن البيانات الاقتصادية تتكون من مجموعة من الدورات، بما في ذلك دورات الأعمال الاتجاه والدورات الموسمية الموسمية والضوضاء العنصر غير النظامية A مرشح يزيل أساسا أو يقلل من قوة بعض الدورات من البيانات المدخلات. لإنتاج سلسلة معدلة موسميا من البيانات التي تم 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 الموسمية الترددات 1 و 2 و 3 و 4 و 5 و 6 دورات في السنة وتعتبر الدورات غير الموسمية الأطول جزءا من هذا الاتجاه وتشكل الدورات غير الموسمية الأقصر غير منتظمة ولكن الحدود بين الاتجاه والدورات غير المنتظمة تختلف مع طول المرشح المستخدم للحصول على الاتجاه في عبس التعديل الموسمية، والدورات التي تساهم بشكل كبير في الاتجاه عادة ما تكون أكبر من حوالي 8 أشهر لسلسلة شهرية و 4 أرباع لسلسلة ربع سنوية. الاتجاه، المكونات الموسمية وغير النظامية لا في حاجة إلى نماذج فردية صريحة يتم تعريف العنصر غير النظامية على أنها ما تبقى بعد أن تمت إزالة الاتجاه والمكونات الموسمية من قبل المرشحات غير النظامية لا تعرض خصائص الضوضاء البيضاء. الفلتر على أساس وغالبا ما تعرف الطرق أساليب X11 نمط وتشمل هذه X11 التي وضعتها الولايات المتحدة مكتب التعداد، X11ARIMA التي وضعتها هيئة الإحصاء الكندية، X12ARIMA التي وضعتها الولايات المتحدة مكتب التعداد، المحكمة الخاصة بلبنان، سابل و سيسابس الحزمة المستخدمة من قبل الاختلافات التبعية بين أساليب مختلفة في الأسرة X11 هي أساسا نتيجة تقنيات مختلفة تستخدم في نهايات السلاسل الزمنية على سبيل المثال، بعض الأساليب تستخدم الفلاتر غير المتماثلة في نهايات، في حين أن أساليب أخرى استقراء السلاسل الزمنية وتطبيق مرشحات متماثلة لسلسلة موسعة. الطرق القائمة على الأساليب. وهذا النهج يتطلب الاتجاه ، والمكونات الموسمية وغير النظامية من السلاسل الزمنية ليتم نمذجة بشكل منفصل ويفترض أن العنصر غير النظامي هو الضوضاء البيضاء - وهذا هو كل أطوال دورة ممثلة على قدم المساواة و غير النظامية لها صفر يعني والتباين المستمر العنصر الموسمية له عنصر الضوضاء الخاصة بها. وتستخدم حزم البرمجيات التي تطبق أساليب نموذج القائم هي ستامب ومقاعد ترامو التي وضعتها بنك اسبانيا. الأمور الكبرى الاختلافات الحسابية بين الطرق المختلفة القائمة على النموذج عادة ما تكون بسبب مواصفات النموذج في بعض الحالات، يتم تصميم المكونات بطريقة مباشرة تتطلب الطرق الأخرى التسلسل الزمني الأصلي ليتم نمذجه أولا، ونماذج المكونات المتحللة من ذلك. للمقارنة بين الفلسفات على مستوى أكثر تقدما، انظر كيف يمكن للفلسفات التكيف الموسمية اثنين مقارنة. WAT هو مرشح مرشحات يمكن استخدامها لتحليل سلسلة زمنية في اتجاه، الموسمية وغير النظامية المكونات المتوسطات المتحركة هي نوع من المرشحات التي على التوالي متوسط ​​وقت التحول مجموعة من البيانات من أجل إنتاج تقدير سلس لسلاسل زمنية يمكن اعتبار هذه السلسلة الميسرة مستمدة من خلال تشغيل سلسلة مدخلات من خلال عملية تفرز فيها دورات معينة وبالتالي، غالبا ما يشار إلى المتوسط ​​المتحرك بفلتر . وتتضمن العملية الأساسية تحديد مجموعة من أوزان الطول m 1 m 2 1 كما تلاحظ مجموعة متماثلة من الأوزان m m 2 و وو-جا A f حيث يمكن حساب قيمة t في الوقت t. حيث يصف t قيمة السلسلة الزمنية في الوقت t. على سبيل المثال، والنظر في السلسلة التالية. باستخدام مرشح 3 متماثل بسيط المدى إيم 1 م 2 1 وجميع الأوزان هي 1 3 ، يتم الحصول على المصطلح الأول للسلسلة المسطحة بتطبيق الأوزان على أول ثلاث فترات من السلسلة الأصلية. تم إنتاج القيمة الثانية الملساء بتطبيق الأوزان على المصطلحات الثانية والثالثة والرابعة في السلسلة الأصلية. إند بوينت ProbleEM. Reconsider السلسلة. هذه السلسلة تحتوي على 8 مصطلحات ومع ذلك، وسلسلة سلس تم الحصول عليها عن طريق تطبيق مرشح متماثل إلى البيانات الأصلية يحتوي على 6 فقط المصطلحات. هذا لأن هناك بيانات كافية في نهايات سلسلة 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 المركز على المدى الأول من السلسلة الأصلية كبيانات قبل هذه النقطة غير متوفر وبالمثل، لا يمكن حساب المتوسط ​​المرجح المركزة على آخر فترة من السلسلة، حيث لا توجد بيانات بعد هذه النقطة. لهذا السبب، لا يمكن استخدام المرشحات المتماثلة في أي من نهاية سلسلة من المعروف هذا كمشكلة نقطة النهاية يمكن لمحللي السلاسل الزمنية استخدام المرشحات غير المتماثلة لإنتاج تقديرات سلسة في هذه المناطق وفي هذه الحالة يتم حساب القيمة الملساء خارج المركز مع تحديد المتوسط ​​باستخدام المزيد من البيانات من جانب واحد من النقطة عن الأخرى وفقا ل ما هو متاح بدلا من ذلك، قد تستخدم تقنيات النمذجة لاستقراء السلاسل الزمنية ومن ثم تطبيق مرشحات متماثلة لسلسلة موسعة. كيف نحدد أي مرشح لاستخدام. المحلل سلسلة الوقت يختار مرشح المناسب على أساس خصائصه، مثل التي دورات تصفية يزيل عند تطبيق خصائص مرشح يمكن التحقيق باستخدام الدالة الكسب. وتستخدم وظائف غين لفحص تأثير فلتر في تردد معين y على اتساع دورة لسلاسل زمنية معينة لمزيد من التفاصيل حول الرياضيات المرتبطة بوظائف الكسب، يمكنك تحميل سلسلة الوقت ملاحظات الدورة، دليل تمهيدي لتحليل السلاسل الزمنية التي نشرها قسم تحليل سلسلة الوقت من المرجع عبس إلى القسم 4 4. الرسم التخطيطي التالي هو دالة الكسب للمرشح المتناظر 3 المدى الذي درسنا في وقت سابق. المواصفات 1 غين فونكتيون فور سيمتريك 3 تيرم فيلتر. المحور الأفقي يمثل طول دورة الإدخال نسبة إلى الفترة بين نقاط المراقبة في السلسلة الزمنية الأصلية حتى يتم الانتهاء من دورة الإدخال من طول 2 في 2 فترات، وهو ما يمثل 2 أشهر لسلسلة شهرية، و 2 أرباع لسلسلة ربع سنوية ويبين المحور الرأسي اتساع دورة الانتاج نسبة إلى دورة الإدخال. هذا مرشح يقلل من قوة من 3 دورات دورة إلى الصفر وهذا هو، فإنه يزيل تماما دورات من هذا الطول تقريبا وهذا يعني أنه لسلسلة زمنية حيث يتم جمع البيانات الشهر لي، سيتم القضاء على أي تأثيرات موسمية التي تحدث كل ثلاثة أشهر من خلال تطبيق هذا الفلتر على سلسلة الأصلي. أزاحة المرحلة هو التحول الزمني بين دورة تصفية والدورة غير المرشحة وهناك تحول المرحلة الإيجابية يعني أن دورة تصفيتها تحولت إلى الوراء وسلبية تحول المرحلة إلى الأمام في الوقت المناسب. تحول المحطة يحدث عندما يتم تشويه توقيت نقاط التحول، على سبيل المثال عندما يتم وضع المتوسط ​​المتحرك خارج المركز من قبل المرشحات غير المتماثلة وهذا هو أنها سوف تحدث إما في وقت سابق أو في وقت لاحق في سلسلة تصفيتها، من في الطول الفردي الأصلي المتوسطات المتحركة المتماثلة كما تستخدم من قبل عبس، حيث يتم وضع النتيجة مركزيا، لا تسبب التحول مرحلة الوقت ومن المهم للمرشحات المستخدمة لاشتقاق الاتجاه للاحتفاظ المرحلة الزمنية، وبالتالي توقيت أي تحول ويبين الشكلان 2 و 3 آثار تطبيق المتوسط ​​المتحرك المتماثل 2x12 الذي هو خارج المركز المنحنيات المستمرة تمثل الدورات الأولية والمنحنيات المكسورة ريبريسن تيسي دورات الإخراج بعد تطبيق المرشح المتوسط ​​المتحرك. الشكل 2 24 دورة الشهر، المرحلة -5 5 أشهر السعة 63.Figure 3 8 دورة شهر، المرحلة -1 5 أشهر السعة 22.WHAT هيندرسون تتحرك AVERAGES. Henderson المتوسطات المتحركة هي المرشحات والتي استمدها روبرت هندرسون في عام 1916 لاستخدامها في التطبيقات الاكتوارية وهي مرشحات الاتجاه، وتستخدم عادة في تحليل سلسلة زمنية لتيسير التقديرات المعدلة موسميا من أجل توليد تقدير الاتجاه أنها 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 وتستمد تقديرات الاتجاه المنشورة من قبل عبس عادة باستخدام مرشح 13 هندرسون مصطلح لسلسلة الشهرية، و 7 مرشح هندرسون على المدى الطويل لسلسلة فصلية. يمكن أن تكون مرشحات هندرسون إما متماثلة أو غير متماثلة يمكن تطبيق المتوسطات المتماثلة متماثلة في النقاط التي إعادة بعيدة بما فيه الكفاية عن نهايات السلاسل الزمنية في هذه الحالة، تحسب القيمة الملساء لنقطة معينة في السلسلة الزمنية من عدد متساو من القيم على جانبي نقطة البيانات. للحصول على الأوزان، ضربت بين السمتين المتوقع عموما من سلسلة الاتجاه هذه هي أن الاتجاه يجب أن تكون قادرة على تمثيل مجموعة واسعة من الانحناءات وأنه ينبغي أن يكون أيضا على نحو سلس قدر الإمكان للحصول على اشتقاق الرياضية من الأوزان، راجع القسم 5 3 من سلسلة الوقت ملاحظات الدورة التي يمكن تحميلها مجانا من موقع على شبكة الإنترنت عبس. وترد أنماط الترجيح لمجموعة من متناظرة هندرسون المتوسطات المتحركة في الجدول التالي. التناظرية نمط الترجيح لمتوسط ​​هندرسون المتحرك. في عام، يعد مرشح الاتجاه ، وأكثر سلاسة الاتجاه الناتج، كما هو واضح من مقارنة وظائف الكسب فوق A 5 المدى هندرسون يقلل دورات من حوالي 2 4 فترات أو أقل بنسبة 80 على الأقل، في حين أن مصطلح 23 هند رسون يقلل دورات من حوالي 8 فترات أو أقل بنسبة 90 على الأقل في الواقع مرشح 23 هندرسون مصطلح يزيل تماما دورات أقل من 4 فترات. هندرسون تتحرك المتوسطات أيضا يضعف الدورات الموسمية بدرجات متفاوتة ولكن وظائف كسب في أرقام 4-8 تظهر أن الدورات السنوية في السلسلة الشهرية والربع سنوية لا تخفف بدرجة كافية لتبرير تطبيق مرشح هندرسون مباشرة على التقديرات الأصلية وهذا هو السبب في أنها تطبق فقط على سلسلة معدلة موسميا، حيث تمت إزالة الآثار المتعلقة بالتقويم بالفعل مع مرشحات مصممة خصيصا. ويبين الشكل 9 آثار تمهيد تطبيق مرشح هيندرسون لسلسلة. فيغور 9 23-تيرم هندرسون تصفية - قيمة البناء غير السكنية الموافقات. كيف يمكننا التعامل مع مشكلة نقطة النهاية. يمكن تطبيق مرشح هندرسون متماثل فقط إلى مناطق البيانات التي هي بعيدة بما فيه الكفاية من نهايات السلسلة على سبيل المثال معيار 13 هندرسون يمكن أن تطبق فقط على دات الشهري وهو ما لا يقل عن 6 ملاحظات من بداية أو نهاية البيانات وذلك لأن نعومة مرشح السلسلة عن طريق اتخاذ المتوسط ​​المرجح من 6 شروط على جانبي نقطة البيانات وكذلك النقطة نفسها إذا حاولنا تطبيق فإنه إلى نقطة أقل من 6 ملاحظات من نهاية البيانات، ثم لا توجد بيانات كافية متاحة على جانب واحد من نقطة لحساب المتوسط. لتوفير تقديرات اتجاه نقاط البيانات هذه، ومتوسط ​​متحرك معدل أو غير متماثل ويستخدم حساب غير المتناظرة هندرسون المرشحات يمكن أن تتولد من قبل عدد من الطرق المختلفة التي تنتج نتائج مماثلة، ولكن ليست متطابقة الطرق الرئيسية الأربعة هي طريقة مسغريف، والتقليل من أسلوب متوسط ​​مراجعة مربع، وأفضل تقدير خطي غير متحيز الأزرق الأسلوب، و كيني و دوربين طريقة شيسكين وآخرون 1967 اشتقاق الأوزان غير المتماثلة الأصلية للمتوسط ​​المتحرك هندرسون التي تستخدم داخل حزم X11 للحصول على معلومات عن اشتقاق انظر القسم 5 3 من سلسلة الوقت ملاحظات الدورة. النظر في سلسلة زمنية حيث تحدث آخر نقطة البيانات التي لوحظت في الوقت N ثم 13 مرشح متناظرة هندرسون مصطلح لا يمكن تطبيقها على نقاط البيانات التي يتم قياسها في أي وقت بعد بما في ذلك الوقت N-5 لجميع هذه النقاط، يجب استخدام مجموعة غير متماثلة من الأوزان الجدول التالي يعطي نمط الترجيح غير المتماثل لمتوسط ​​متحرك 13 هندرسون متوسط ​​المدة. المرشحات غير المتماثلة 13 مصطلح هندرسون لا تزيل أو تضعف نفس الدورات مثل متماثل 13 مصطلح هندرسون تصفية في الواقع نمط الترجيح غير المتماثلة المستخدمة لتقدير الاتجاه في الملاحظة الأخيرة تضخيم قوة من 12 دورات دورة أيضا مرشحات غير المتماثلة تنتج بعض التحول مرحلة الوقت. ما هي الموسمية تتحرك أفيراجيس. تقريبا جميع البيانات التي تم التحقيق فيها من قبل عبس لها خصائص موسمية منذ هندرسون تتحرك المتوسطات المستخدمة لتقدير سلسلة الاتجاه لا القضاء على الموسمية، يجب أن تكون البيانات الموسمية لي تعديلها أولا باستخدام المرشحات الموسمية. المرشح الموسمية له الأوزان التي يتم تطبيقها على نفس الفترة مع مرور الوقت مثال على نمط الترجيح لمرشح موسمي سيكون. 1، 0، 0، 0، 0، 1، 0، 0، 0، 1 3، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 0، 1 3. حيث، على سبيل المثال، يتم تطبيق وزن الثلث على ثلاثة يناير متتالية. في حين X11، مجموعة من المرشحات الموسمية المتاحة للاختيار من بينها هي المتوسط ​​المرجح 3 الأجل المدى ما S 3X1 المرجح 5 المدى أماه S 3x3 المرجح 7 المدى أماه S 3x5 ومرجح 11 أماه S 3X9. هيكل الترجيح من المتوسطات المتحركة المرجح من النموذج، S نكسم هو أن متوسط ​​بسيط من المصطلحات المحسوبة، ثم متوسط ​​متحرك من n من يتم تحديد هذه المتوسطات وهذا يعني أن n م -1 المصطلحات تستخدم لحساب كل قيمة ممهدة النهائية. على سبيل المثال، لحساب 11 المدى S 3X9 يتم تطبيق وزن 1 9 لنفس الفترة في 9 سنوات متتالية ثم بسيطة يتم تطبيق المتوسط ​​المتحرك المتوسط ​​3 عبر القيم المتوسطة. ويعطي ذلك نمط الترجيح النهائي 1 27، 2 27، 1 9، 1 9، 1 9، 1 9، 1 9، 1 9، 1 9، 2 27، 1 27 وظيفة الكسب لمرشح موسمي 11 مصطلح، S 3x9 تبدو مثل. تكوين 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 أطوال غير الموسمية. استخدام الفلاتر الموسمية غير المتماثلة في نهايات السلسلة الأوزان غير المتماثلة لكل من الفلاتر الموسمية المستخدمة في X11 يمكن العثور عليها في القسم 5 4 من الوقت سلسلة بالطبع ملاحظات. هي هي تريند التقديرات المنقحة. في نهاية الحالية من سلسلة زمنية، فمن غير الممكن لاستخدام مرشحات متماثلة لتقدير الاتجاه بسبب مشكلة نقطة النهاية بدلا من ذلك، تستخدم المرشحات غير المتماثلة لإنتاج تقديرات الاتجاه المؤقتة ومع ذلك، ومع توفر المزيد من البيانات، فمن الممكن إعادة حساب الاتجاه باستخدام المرشحات المتماثلة وتحسين التقديرات الأولية هذا هو والمعروفة باسم مراجعة الاتجاه. كثيرا ما يتطلب بيانات كثيرة للحصول على تقديرات مقبولة مقبولة سنويا. إذا كانت سلسلة زمنية معارض الموسمية مستقرة نسبيا وليس يهيمن عليها يمكن اعتبار 5 سنوات من البيانات 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 الأفضل عموما أن يكون في على الأقل 7 سنوات من البيانات لسلسلة زمنية عادية، لتحديد بدقة أنماط الموسمية، يوم التداول وتأثيرات عطلة تتحرك، الاتجاه والفواصل الموسمية، وكذلك outliers. ADVANCED كيف اثنين من فصول الفلسفة تعديل الموسمية. المناهج القائمة على أساس تسمح ل خصائص العشوائية العشوائية للسلسلة قيد التحليل بمعنى أنها تقوم بتخصيص أوزان التصفية بناء على طبيعة السلسلة يمكن تقييم قدرة النموذج على وصف سلوك السلسلة بدقة، والاستنتاجات الإحصائية للتقديرات متوفرة على افتراض أن العنصر غير النظامي هو الضوضاء البيضاء. الطريقة القائمة على ترشيح أقل اعتمادا على بروستيري عشوائية إس من السلاسل الزمنية ومن مسؤوليات سلسلة الوقت المحلل لتحديد المرشح الأنسب من مجموعة محدودة لسلسلة معينة وليس من الممكن إجراء فحوصات صارمة على كفاية النموذج الضمني والتدابير الدقيقة للدقة والاستدلال الإحصائي غير متوفرة ولذلك لا يمكن بناء فترة ثقة حول التقدير. وتقارن المخططات التالية وجود كل مكون من مكونات النموذج عند الترددات الموسمية لفلسفيتي التعديل الموسمية المحور x هو طول فترة الدورة و y يمثل محور قوة الدورات التي تتألف من كل مكون. فيغور 11 مقارنة بين الفلسفات التكيف الموسمي اثنين. الطريقة القائمة على تصفية نفترض أن كل مكون موجود فقط أطوال دورة معينة دورات أطول تشكل الاتجاه، والمكون الموسمية موجود في الموسمية يتم تعريف الترددات والمكون غير النظامي على أنه دورات من أي طول آخر أوسوفي، والاتجاه، والمكون الموسمية وغير النظامية موجودة على جميع أطوال دورة العنصر غير النظامي هو من قوة ثابتة، والقمم المكون الموسمي في الترددات الموسمية وعنصر الاتجاه هو الأقوى في دورات أطول. وقد نشرت هذه الصفحة لأول مرة 14 نوفمبر 2005، محدثة 25 تموز / يوليه 2008.