موسمية في الحركة من المتوسط

تنفيذ جدول البيانات من التعديل الموسمي والتجانس الأسي فمن السهل إجراء 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 كوتينسنامكراتيكوت). 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 هولت 8217s بدلا من طراز براون 8217s ليس، الأمر الذي 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 من قبل واحد أو أكثر من فترات - 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 للجميع، 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 فقط عند النقطة التي يتم فيها نفاد البيانات الفعلية. 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 الأخطاء للتنبؤات 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 متوسط ​​مربع الخطأ، الذي هو مجرد الجذر التربيعي للمشاريع الصغيرة والمتوسطة) ومن ثم حساب فترة الثقة للتوقعات المعدلة موسميا عن طريق جمع 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 يكون طبيعيا تقريبا وحجم العينة هي كبيرة بما فيه الكفاية، ويقول 20 أو أكثر. هنا، رمزز 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 بطرائق 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 أخطاء التنبؤ من خطوتين إلى الأمام واستخدام هذا كأساس لفاصل الثقة 2-خطوة قدما. في حالة النمذجة أريما الموسمية، فإن الفرق، والانحدار الذاتي، ومتوسط ​​مشغلي الحركة هي نتاج الحدودية الموسمية وغير الموسمية: حيث s هو عدد الفترات في الموسم. المؤشر الأول على المعاملات هو رقم العامل (1 يشير إلى نونزيسونال، 2 يشير الموسمية) والثاني هو تأخر المصطلح. يظهر مربع الحوار أريما الموسمية عند تحديد الأمر أريما الموسمية. وله نفس عناصر حوار أريما ويضيف عناصر لتحديد ترتيب الانحدار الذاتي الموسمية (P)، والنظام التفاضلي الموسمي (D)، والنظام المتوسط ​​الموسمية (Q). كما يتيح لك مربع الفترات لكل موسم تحديد عدد الفترات لكل موسم (مواسم). ويشار إلى نماذج أريما الموسمية كما أريما الموسمية (ص. د) ف (ق د) س .5.2 تجانس سلسلة الوقت وعادة ما يتم تجانس لمساعدتنا على رؤية أفضل أنماط والاتجاهات على سبيل المثال، في سلسلة زمنية. عموما على نحو سلس خارج خشونة غير منتظمة لرؤية إشارة أكثر وضوحا. بالنسبة للبيانات الموسمية، قد نتجنب الموسمية حتى نتمكن من تحديد هذا الاتجاه. التجانس لا يوفر لنا نموذج، ولكن يمكن أن يكون خطوة أولى جيدة في وصف مختلف مكونات هذه السلسلة. يستخدم مصطلح المصطلح أحيانا لوصف إجراء التجانس. على سبيل المثال، إذا تم حساب القيمة الملساء لوقت معين على أنها مزيج خطي من الملاحظات للأوقات المحيطة، يمكن القول بأننا طبقنا مرشحا خطييا على البيانات (وليس نفس القول بأن النتيجة هي خط مستقيم، من خلال الطريقة). الاستخدام التقليدي للمتوسط ​​المتحرك المدى هو أنه في كل نقطة من الوقت نحدد (المرجح المرجح) متوسطات القيم الملحوظة التي تحيط بوقت معين. على سبيل المثال، في الوقت t. فإن المتوسط ​​المتحرك المركب للطول 3 مع أوزان متساوية سيكون متوسط ​​القيم في بعض الأحيان t -1. t. و t1. ولأخذ الموسمية من سلسلة، حتى نتمكن من رؤية الاتجاه بشكل أفضل، سنستخدم متوسطا متحركا بطول موسمي. وهكذا في سلسلة سلسة، تم متوسط ​​كل قيمة ممهدة في جميع الفصول. ويمكن القيام بذلك من خلال النظر في متوسط ​​متحرك من جانب واحد حيث يمكنك متوسط ​​جميع القيم للسنوات السابقة بقيمة البيانات أو المتوسط ​​المتحرك المتمركز الذي تستخدم القيم قبل وبعد الوقت الحالي. بالنسبة للبيانات ربع السنوية، على سبيل المثال، يمكن أن نحدد قيمة سلسة للوقت t (x t x t-1 x t-2 x t-3) 4، متوسط ​​هذا الوقت والأرباع الثلاثة السابقة. في R كود هذا سيكون مرشح من جانب واحد. يخلق المتوسط ​​المتحرك المركز قليلا من الصعوبة عندما يكون لدينا عدد من الفترات الزمنية في الفترة الموسمية (كما نفعل عادة). لتسهيل الموسمية بعيدا في البيانات الفصلية. من أجل تحديد الاتجاه، والاتفاقية المعتادة هي استخدام المتوسط ​​المتحرك ممهدة في الوقت ر هو لتسهيل الموسمية بعيدا في البيانات الشهرية. من أجل تحديد الاتجاه، والاتفاقية المعتادة هي استخدام المتوسط ​​المتحرك تمهيد في الوقت t هو وهذا هو، ونحن تطبيق الوزن 124 إلى القيم في بعض الأحيان t6 و t6 والوزن 112 لجميع القيم في جميع الأوقات بين t5 و t5. في الأمر R فيلتر، حدد مرشح من جانبين جيدا عندما نريد استخدام القيم التي تأتي قبل وبعد الوقت الذي تم تمهيد. تجدر الإشارة إلى أنه في الصفحة 71 من كتابنا، فإن المؤلفين يطبقون أوزانا متساوية عبر المتوسط ​​المتحرك الموسمية المركز. هذا حسنا أيضا. على سبيل المثال، يمكن تمهيد سلاسة ربع سنوية في الوقت t هو فراك x فراك x فراك شت فراك x فراك x الشهري أكثر سلاسة قد تطبق وزن 113 لجميع القيم من مرات t-6 إلى t6. يستفيد الرمز الذي يستخدمه المؤلفون في الصفحة 72 من أمر المكرر الذي يكرر قيمة عدد معين من المرات. لا يستخدمون عامل تصفية عامل التصفية ضمن أمر التصفية. مثال 1 إنتاج البيرة بشكل ربع سنوي في أستراليا في الدرسين الأول والدرس 4، نظرنا في سلسلة من إنتاج البيرة ربع السنوي في أستراليا. يخلق رمز R التالية سلسلة سلسة التي تمكننا من رؤية نمط الاتجاه، والمؤامرات هذا النمط الاتجاه على نفس الرسم البياني مثل سلسلة زمنية. الأمر الثاني يخلق ويخزن سلسلة ممهدة في الكائن يسمى تريندباترن. لاحظ أنه ضمن أمر التصفية، فإن المعامل المسمى بالفلتر يعطي معاملات لتلطيف وجوانبنا 2 يسبب ناعمة مركزا ليتم حسابها. (بايربرود)، مرشح c (18، 14، 14، 14، 18)، side2) مؤامرة (بيربرود، نوع b، الرئيسية تتحرك متوسط ​​الاتجاه السنوي) خطوط (تريندباترن) هيريس النتيجة: نحن قد طرح نمط الاتجاه من قيم البيانات للحصول على نظرة أفضل في الموسمية. هيريس كيفية القيام بذلك: الموسمية بيربرود - تريندباترن مؤامرة (الموسمية، نوع ب، الرئيسية نمط موسمي لإنتاج البيرة) والنتيجة يليها: إمكانية أخرى لتسلسل سلسلة لرؤية الاتجاه هو مرشح من جانب واحد مرشح filterpattern2 (بيربرود، فلتر ج (14، 14، 14، 14)، سيديس 1) مع هذا، فإن قيمة ممهدة هو متوسط ​​العام الماضي. المثال 2. البطالة الشهرية في الولايات المتحدة في الواجبات المنزلية للأسبوع 4 نظرت إلى سلسلة شهرية من البطالة في الولايات المتحدة لعام 1948-1978. هيريس تمهيد القيام به للنظر في هذا الاتجاه. (تريندونيمبلوي، ستارت c (1948،1)، فريق 12) مؤامرة (ترندونيمبلوي، مينترند في الولايات المتحدة البطالة، 1948-1978، زلاب يار) يتم رسم الاتجاه السلس فقط. يحدد الأمر الثاني خصائص وقت التقويم للسلسلة. وهذا يجعل المؤامرة لديها محور أكثر وضوحا. وتأتي هذه المؤامرة. لسلسلة غير الموسمية، كنت أرينت ملزمة لتسهيل على مدى أي فترة معينة. للتجانس يجب تجربة مع المتوسطات المتحركة من نطاقات مختلفة. ويمكن أن تكون تلك الفترات الزمنية قصيرة نسبيا. والهدف من ذلك هو ضرب قبالة حواف خشنة لمعرفة ما الاتجاه أو نمط قد يكون هناك. طرق التمهيد الأخرى (القسم 2.4) يصف القسم 2.4 العديد من البدائل المتطورة والمفيدة لتمهيد المتوسط ​​المتحرك. قد تبدو التفاصيل مبهمة، ولكن هذا بخير لأننا لا نريد الحصول على تعثرت في الكثير من التفاصيل لتلك الأساليب. من الطرق البديلة الموصوفة في القسم 2.4، قد يكون لويس (الانحدار المرجح محليا) الأكثر استخداما. مثال 2 تابع المخطط التالي هو تمهيد خط الاتجاه لسلسلة البطالة في الولايات المتحدة، وجدت باستخدام لويس أكثر سلاسة حيث ساهم مبلغ كبير (23) في كل تقدير سلس. لاحظ أن هذا تمهيد السلسلة بشكل أكثر قوة من المتوسط ​​المتحرك. وكانت الأوامر المستخدمة هي البطالة (بدء التشغيل، بدء c (1948،1)، freq12) مؤامرة (لويس (ونيمبلوي، f 23)، الرئيسية لويس تمهيد لاتجاه الولايات المتحدة البطالة) واحد الأسي تمهيد معادلة التنبؤ الأساسية للتجانس الأسي واحد في كثير من الأحيان (1-ألفا) نص نتوقع أن تكون قيمة x في الوقت t1 مجموعة مرجحة من القيمة الملاحظة في الوقت t والقيمة المتوقعة في الوقت t. على الرغم من أن الطريقة تسمى طريقة التجانس، وهي تستخدم أساسا للتنبؤ على المدى القصير. وتسمى قيمة ثابت التمهيد. لأي سبب من الأسباب، 0.2 هو الخيار الافتراضي الشعبي من البرامج. وهذا يضع وزنا من 0.2 على الملاحظة الأخيرة ووزن 1 0.2 .8 على أحدث التوقعات. مع قيمة صغيرة نسبيا، فإن تمهيد تكون أكثر شمولا نسبيا. مع قيمة كبيرة نسبيا، والتجانس هو أقل نسبيا واسعة كما سيتم وضع المزيد من الوزن على القيمة الملحوظة. هذا هو بسيط من خطوة واحدة إلى الأمام طريقة التنبؤ الذي للوهلة الأولى يبدو لا يتطلب نموذجا للبيانات. في الواقع، هذا الأسلوب هو ما يعادل استخدام أريما (0،1،1) نموذج مع عدم وجود ثابت. الإجراء الأمثل هو لتناسب نموذج أريما (0،1،1) إلى مجموعة البيانات المرصودة واستخدام النتائج لتحديد قيمة. هذا هو الأمثل بمعنى خلق أفضل للبيانات التي لوحظت بالفعل. على الرغم من أن الهدف هو تمهيد والتنبؤ خطوة واحدة إلى الأمام، فإن التكافؤ إلى أريما (0،1،1) نموذج لا تثير نقطة جيدة. لا ينبغي لنا تطبيق عمياء تمهيد الأسي لأن العملية الكامنة قد لا تكون على غرار جيدا من قبل أريما (0،1،1). أريما (0،1،1) ومعادل التماسك الأسي يعتبر أريما (0،1،1) بمتوسط ​​0 للفروق الأولى، شت - x t-1: يبدأ قبعة أمب شت theta1 وت أمب أمب شت theta1 (شت - t t) أمبير أمبير (1 theta1) شت - theta1hat تميل. إذا تركنا (1 1) وهكذا - (1) 1، نرى التكافؤ في المعادلة (1) أعلاه. لماذا يتم استدعاء الأسلوب تمهيد أسي ينتج عن ما يلي: بدء تشغيل أمب أمب ألفا شت (1 ألفا) ألفا x (ألفا) قبعة أمبير أمبير ألفا شت ألفا (1-ألفا) س (1-ألفا) 2hat نهاية متابعة في هذه الطريقة عن طريق استبدال تباعا للقيمة المتوقعة على الجانب الأيمن من المعادلة. وهذا يؤدي إلى: ألف ألفا شت ألفا (1-ألفا) x ألفا (1-ألفا) 2 × النقاط ألفا (1-ألفا) جك النقاط ألفا (1-ألفا) x1 تشير المعادلة 2 إلى أن القيمة المتوقعة هي المتوسط ​​المرجح من جميع القيم السابقة للسلسلة، مع الأوزان المتغيرة بشكل كبير ونحن نعود إلى الوراء في هذه السلسلة. الأمثل الأسي تجانس في R في الأساس، ونحن فقط تناسب أريما (0،1،1) للبيانات وتحديد معامل. يمكننا فحص تناسب السلس من خلال مقارنة القيم المتوقعة إلى السلسلة الفعلية. تميل الأسي يميل إلى أن تستخدم أكثر كأداة التنبؤ من أكثر سلاسة، لذلك كانوا يبحثون لمعرفة ما إذا كان لدينا مناسبا. المثال 3. ن 100 رصد شهري لوغاريتم مؤشر أسعار النفط في الولايات المتحدة. سلسلة البيانات هي: أن أريما (0،1،1) تناسب في R أعطى ما (1) معامل 0.3877. وهكذا (1 1) 1.3877 و 1- -0.3877. معادلة التنبؤ الأسي للتنبؤ هي قبعة 1.3877xt - 0.3877hat t في الوقت 100، القيمة الملاحظة للسلسلة هي x 100 0.86601. القيمة المتوقعة لسلسلة في ذلك الوقت هو وبالتالي التوقعات للوقت 101 هو قبعة 1.3877x - 0.3877hat 1.3877 (0.86601) -0.3877 (0.856789) 0.8696 وفيما يلي مدى سلاسة يناسب سلسلة. انها مناسبة جيدة. ثاتس علامة جيدة للتنبؤ، والغرض الرئيسي لهذا أكثر سلاسة. وفيما يلي الأوامر المستخدمة لتوليد الإخراج لهذا المثال: أويليندكس مسح (oildata. dat) مؤامرة (أويليندكس، نوع ب، السجل الرئيسي من مؤشر النفط سلسلة) إكسسموثفيت أريما (أويليندكس، النظام ج (0،1،1)) إكسسموثفيت لمعرفة نتائج أريما تتنبأ أويليندكس - توقعت إكسسموثفيترزيدوالس القيم مؤامرة (أويليندكس، تيب، الأسي الرئيسي تمهيد سجل مؤشر النفط) خطوط (تنبؤات) 1.3877oilindex100-0.3877predicteds100 توقعات للوقت 101 ضعف الأسي التمويه ضعف الأسي تمهيد يمكن أن تستخدم عندما ثيريس الاتجاه (إما المدى الطويل أو المدى القصير)، ولكن ليس موسميا. وبشكل أساسي، تخلق هذه الطريقة توقعات من خلال الجمع بين التقديرات الملموسة أضعافا للاتجاه (ميل الخط المستقيم) والمستوى (أساسا، اعتراض خط مستقيم). يتم استخدام اثنين من الأوزان المختلفة، أو تمهيد المعلمات، لتحديث هذين المكونين في كل مرة. مستوى ممسود هو أكثر أو أقل يعادل تعادل الأسي بسيط من قيم البيانات والاتجاه السلس هو أكثر أو أقل يعادل تمهيد الأسي بسيط من الاختلافات الأولى. هذا الإجراء هو ما يعادل تركيب أريما (0،2،2) نموذج، مع عدم وجود ثابت يمكن القيام بها مع أريما (0،2،2) مناسبا. (1-B) 2 شت (1theta1B theta2B2) بالوزن. التنقل