Bruker Of Moving Average In Time Serien

Hva er et glidende gjennomsnitt Det første glidende gjennomsnittet er 4310, som er verdien av den første observasjonen. (I tidsserieanalyse beregnes det første tallet i den bevegelige gjennomsnittsserien ikke, det er en manglende verdi.) Neste glidende gjennomsnitt er gjennomsnittet av de to første observasjonene (4310 4400) 2 4355. Det tredje glidende gjennomsnittet er gjennomsnittlig observasjon 2 og 3, (4400 4000) 2 4200, og så videre. Hvis du vil bruke et glidende gjennomsnitt på lengde 3, blir tre verdier i gjennomsnitt i stedet for to. Opphavsrett 2016 Minitab Inc. Alle rettigheter reservert. Ved å bruke dette nettstedet godtar du bruk av informasjonskapsler for analyse og tilpasset innhold. Les vår policy6.2 Flytende gjennomsnitt, ma 40 elecsales, rekkefølge 5 41 I den andre kolonnen i denne tabellen vises et glidende gjennomsnitt av rekkefølge 5, noe som gir et estimat av trendsyklusen. Den første verdien i denne kolonnen er gjennomsnittet av de fem første observasjonene (1989-1993). Den andre verdien i 5-MA kolonnen er gjennomsnittet av verdiene 1990-1994 og så videre. Hver verdi i 5-MA kolonnen er gjennomsnittet av observasjonene i femårsperioden sentrert på tilsvarende år. Det er ingen verdier for de to første årene eller de siste to årene fordi vi ikke har to observasjoner på hver side. I formelen ovenfor inneholder kolonne 5-MA verdiene for hatten med k2. For å se hva trendsyklusestimatet ser ut, plotter vi det sammen med de opprinnelige dataene i figur 6.7. plot 40 elecsales, main quotResidential electricity salesquot, ylab quotGWhquot. xlab quotYearquot 41 linjer 40 ma 40 elecsales, 5 41. col quotredquot 41 Legg merke til hvordan trenden (i rødt) er jevnere enn de opprinnelige dataene og fanger hovedrørelsen til tidsseriene uten alle de små svingningene. Den bevegelige gjennomsnittlige metoden tillater ikke estimater av T hvor t er nær seriens ender, derfor strekker den røde linjen ikke til kantene på grafen på hver side. Senere vil vi bruke mer sofistikerte metoder for trendsyklusestimering som gjør det mulig å anslå estimater nær endepunktene. Ordren av det bevegelige gjennomsnittet bestemmer glattheten i trend-syklusestimatet. Generelt betyr en større ordre en jevnere kurve. Følgende graf viser effekten av å endre rekkefølgen på det bevegelige gjennomsnittet for el-salgsdata for bolig. Enkle bevegelige gjennomsnitt som disse er vanligvis av merkelig rekkefølge (f. eks. 3, 5, 7 osv.) Dette er slik at de er symmetriske: I et bevegelige gjennomsnitt av rekkefølge m2k1 er det k tidligere observasjoner, k senere observasjoner og midtobservasjonen som er i gjennomsnitt. Men hvis m var jevn, ville det ikke lenger være symmetrisk. Flytte gjennomsnitt av glidende gjennomsnitt Det er mulig å bruke et glidende gjennomsnitt til et glidende gjennomsnitt. En grunn til å gjøre dette er å lage en jevn rekkefølge som beveger gjennomsnittlig symmetrisk. For eksempel kan vi ta et glidende gjennomsnitt på rekkefølge 4, og deretter bruke et annet glidende gjennomsnitt av rekkefølge 2 til resultatene. I tabell 6.2 er dette gjort for de første årene av australske kvartalsvise ølproduksjonsdata. beer2 lt - window 40 ausbeer, start 1992 41 ma4 lt 40 øl2, ordre 4. senter FALSK 41 ma2x4 lt 40 øl2, orden 4. senter SANN 41 Notatet 2times4-MA i den siste kolonnen betyr en 4-MA etterfulgt av en 2-MA. Verdiene i siste kolonne er oppnådd ved å ta et glidende gjennomsnitt av rekkefølge 2 av verdiene i forrige kolonne. For eksempel er de to første verdiene i 4-MA-kolonnen 451,2 (443410420532) 4 og 448,8 (410420532433) 4. Den første verdien i kolonnen 2times4-MA er gjennomsnittet av disse to: 450,0 (451.2448.8) 2. Når en 2-MA følger et glidende gjennomsnitt av like rekkefølge (som 4), kalles det et sentrert glidende gjennomsnitt på rekkefølge 4. Dette skyldes at resultatene nå er symmetriske. For å se at dette er tilfelle, kan vi skrive 2times4-MA på følgende måte: start hodes amp frac Bigfrac (y y y y) frac (y y y y) Stor forsterker frac14y frac14y frac14y frac18y. ende Det er nå et veid gjennomsnitt av observasjoner, men det er symmetrisk. Andre kombinasjoner av bevegelige gjennomsnitt er også mulige. For eksempel brukes en 3times3-MA ofte, og består av et glidende gjennomsnitt av rekkefølge 3 etterfulgt av et annet glidende gjennomsnitt av rekkefølge 3. Generelt bør en jevn rekkefølge MA følges av en jevn rekkefølge MA for å gjøre den symmetrisk. På samme måte bør en merkelig ordre MA følges av en merkelig ordre MA. Beregner trendsyklusen med sesongdata Det vanligste bruket av sentrert glidende gjennomsnitt er å estimere trendsyklusen fra sesongdata. Vurder 2times4-MA: hatten frac y frac14y frac14y frac14y frac18y. Når det gjelder kvartalsdata, blir hvert kvartal av året gitt like vekt som de første og siste vilkårene gjelder for samme kvartal i påfølgende år. Følgelig vil sesongvariasjonen bli gjennomsnittet ut, og de resulterende verdiene av hat t vil ha liten eller ingen sesongvariasjon igjen. En lignende effekt ville bli oppnådd ved bruk av en 2 x 8-MA eller en 2 x 12-MA. Generelt er en 2-timers m-MA ekvivalent med et vektet glidende gjennomsnitt av rekkefølge m1 med alle observasjoner som tar vekt 1m unntatt de første og siste vilkårene som tar vekter 1 (2m). Så hvis sesongperioden er jevn og av rekkefølge m, bruk en 2-timers m-MA for å estimere trendsyklusen. Hvis sesongperioden er merkelig og av ordre m, bruk en m-MA for å estimere trendsyklusen. Spesielt kan en 2times 12-MA brukes til å estimere trendsyklusen av månedlige data, og en 7-MA kan brukes til å estimere utviklingssyklusen av daglige data. Andre valg for rekkefølgen av MA vil vanligvis resultere i at trend-syklus estimater blir forurenset av sesongmessigheten i dataene. Eksempel 6.2 Produksjon av elektrisk utstyr Figur 6.9 viser en 2times12-MA anvendt på ordreindeksen for elektrisk utstyr. Legg merke til at den glatte linjen viser ingen sesongmessighet, det er nesten det samme som trend-syklusen vist i figur 6.2, som ble estimert ved hjelp av en mye mer sofistikert metode enn flytende gjennomsnitt. Ethvert annet valg for rekkefølge av glidende gjennomsnitt (unntatt 24, 36, etc.) ville ha resultert i en jevn linje som viser noen sesongmessige svingninger. plott 40 elecequip, ylab quotNew ordre indexquot. Col quotgrayquot, hovedkurselektrisk produksjonsproduksjon (euroområde) kvitt 41 linjer 40 ma 40 elecequip, rekkefølge 12 41. kol quotequot 41 Veidede glidende gjennomsnitt Sammendrag av bevegelige gjennomsnitt resulterer i veide glidende gjennomsnitt. For eksempel er 2x4-MA diskutert ovenfor ekvivalent med en vektet 5-MA med vekter gitt av frac, frac, frac, frac, frac. Generelt kan en vektet m-MA skrives som hat t sum k aj y, hvor k (m-1) 2 og vekter er gitt med a, prikker, ak. Det er viktig at vektene alle summerer til en og at de er symmetriske slik at aj a. Den enkle m-MA er et spesielt tilfelle der alle vekter er lik 1m. En stor fordel ved vektede glidende gjennomsnitt er at de gir et jevnere estimat av trend-syklusen. I stedet for observasjoner som går inn og ut av beregningen i full vekt, økes vektene langsomt og senker sakte ned, noe som resulterer i en jevnere kurve. Noen spesifikke sett med vekter er mye brukt. Noen av disse er gitt i tabell 6.3.OANDA bruker informasjonskapsler for å gjøre våre nettsteder enkle å bruke og tilpasset våre besøkende. Cookies kan ikke brukes til å identifisere deg personlig. Ved å besøke vår nettside samtykker du i OANDA8217s bruk av informasjonskapsler i samsvar med vår personvernpolicy. For å blokkere, slette eller administrere informasjonskapsler, vennligst besøk aboutcookies. org. Begrensning av informasjonskapsler forhindrer at du drar nytte av noen av funksjonaliteten til nettstedet vårt. Last ned vår Mobile Apps åpne en konto ampltiframe src4489469.fls. doubleclickactivityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 mcesrc4489469.fls. doubleclickactivityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 bredde1 høyde1 frameborder0 styledisplay: ingen mcestyledisplay: noneampgtampltiframeampgt Lesson 1: glidende gjennomsnitt Typer Moving Gjennomsnitts Det finnes flere typer av glidende gjennomsnitt er tilgjengelige for å møte ulike markedsanalyse behov . De vanligste handelshandlerne inkluderer følgende: Enkel Flytte Gjennomsnittvektet Flytende Gjennomsnittlig Eksponentiell Flytende Gjennomsnitt Enkel Flytende Gjennomsnitt (SMA) Et enkelt glidende gjennomsnitt er den mest grunnleggende typen bevegelige gjennomsnitt. Det beregnes ved å ta en rekke priser (eller rapporteringsperioder), legge disse prisene sammen og deretter dele summen med antall datapunkter. Denne formelen bestemmer gjennomsnittet av prisene og beregnes på en måte som kan justeres (eller flyttes) som svar på de nyeste dataene som brukes til å beregne gjennomsnittet. Hvis du for eksempel bare inkluderer de siste 15 valutakursene i gjennomsnittlig beregning, blir den eldste prisen automatisk falt hver gang en ny pris blir tilgjengelig. I virkeligheten flyttes gjennomsnittet da hver ny pris inngår i beregningen og sikrer at gjennomsnittet kun er basert på de siste 15 prisene. Med en liten prøve og en feil, kan du bestemme et glidende gjennomsnitt som passer til din handelsstrategi. Et godt utgangspunkt er et enkelt glidende gjennomsnitt basert på de siste 20 prisene. Vektet flytende gjennomsnitt (WMA) Et vektet glidende gjennomsnitt beregnes på samme måte som et enkelt glidende gjennomsnitt, men bruker verdier som er lineært vektet for å sikre at de siste prisene har større innvirkning på gjennomsnittet. Dette betyr at den eldste prisen som inngår i beregningen mottar en vektning på 1, den neste eldste verdien mottar en vektning på 2, og den neste eldste verdien mottar en veiing på 3 helt til den siste satsen. Noen handelsfolk finner denne metoden mer relevant for trendbestemmelse, spesielt i et rasktflyttende marked. Ulempen med å bruke et vektet glidende gjennomsnitt er at den resulterende gjennomsnittslinjen kan være choppier enn et enkelt glidende gjennomsnitt. Dette kan gjøre det vanskeligere å skille ut en markedsutvikling fra en svingning. Av denne grunn foretrekker noen handelsmenn å plassere både et enkelt glidende gjennomsnitt og et vektet glidende gjennomsnitt på samme prisdiagram. Lysestake-prisdiagram med enkel flytende gjennomsnittlig og vektet flytende gjennomsnittlig eksponentiell flytende gjennomsnitt (EMA) Et eksponentielt glidende gjennomsnitt ligner et enkelt bevegelige gjennomsnitt, men mens et enkelt glidende gjennomsnitt fjerner de eldste prisene da nye priser blir tilgjengelige, beregner et eksponentielt glidende gjennomsnitt gjennomsnittet av alle historiske områder, som begynner på det punktet du angir. Når du for eksempel legger til et nytt eksponentielt flytende gjennomsnittlig overlegg til et prisdiagram, tilordner du antall rapporteringsperioder som skal inkluderes i beregningen. La oss anta at du angir at de siste 10 prisene skal inkluderes. Denne første beregningen vil være nøyaktig den samme som et enkelt glidende gjennomsnitt også basert på 10 rapporteringsperioder, men når den neste prisen blir tilgjengelig, beholder den nye beregningen de opprinnelige 10 prisene, pluss den nye prisen, for å komme til gjennomsnittet. Dette betyr at det nå er 11 rapporteringsperioder i eksponentiell glidende gjennomsnittlig beregning mens det enkle glidende gjennomsnittet alltid vil være basert på bare de siste 10 satsene. Bestemme hvilken flytende gjennomsnittlig å bruke For å bestemme hvilket glidende gjennomsnitt som passer best for deg, må du først forstå dine behov. Hvis hovedmålet ditt er å redusere støyen fra konsekvent svingende priser for å bestemme en samlet markedsretning, kan et enkelt glidende gjennomsnitt av de siste 20 eller så prisene gi detaljnivået du trenger. Hvis du vil ha det bevegelige gjennomsnittet for å legge større vekt på de siste prisene, er et vektet gjennomsnitt mer hensiktsmessig. Vær imidlertid oppmerksom på at fordi vektede bevegelige gjennomsnitt påvirkes mer av de siste prisene, kan formen på den gjennomsnittlige linjen bli forvrengt, noe som kan føre til generering av falske signaler. Når du arbeider med vektede glidende gjennomsnitt, må du være forberedt på større volatilitet. Enkel Flytte Gjennomsnittvektet Flytende Gjennomsnitt 169 1996 - 2017 OANDA Corporation. Alle rettigheter reservert. OANDA, FxTrade og OANDAs fx familie av varemerker eies av OANDA Corporation. Alle andre varemerker som vises på denne nettsiden tilhører deres respektive eiere. Leveraged trading i valutakontrakter eller andre valutamarkedsprodukter på margen har høy risiko og kan ikke være egnet for alle. Vi anbefaler deg å nøye vurdere om handel passer for deg i lys av dine personlige forhold. Du kan miste mer enn du investerer. Informasjon på dette nettstedet er generelt i naturen. Vi anbefaler at du søker uavhengig finansiell rådgivning og sørger for at du fullt ut forstår de risikoene som er involvert før handel. Trading via en online plattform medfører ytterligere risiko. Se vår juridiske seksjon her. Spredningsbudgivning er kun tilgjengelig for OANDA Europe Ltd kunder som bor i Storbritannia eller Republikken Irland. CFDs, MT4 sikringsegenskaper og innflytelsesforhold på over 50: 1 er ikke tilgjengelige for amerikanske innbyggere. Informasjonen på dette nettstedet er ikke rettet mot innbyggere i land hvor distribusjonen, eller bruk av noen, ville være i strid med lokal lovgivning eller regulering. OANDA Corporation er en registrert handels - og detaljhandelsforhandler for Futures Commission med Commodity Futures Trading Commission og er medlem av National Futures Association. Nei: 0325821. Vennligst referer til NFAs FOREX INVESTOR ALERT når det er aktuelt. OANDA (Canada) Corporation ULC-kontoer er tilgjengelig for alle som har en kanadisk bankkonto. OANDA (Canada) Corporation ULC er regulert av Canadian Investment Investment Regulatory Organization (IIROC), som inkluderer IIROCs online rådgiver sjekk database (IIROC AdvisorReport), og kundekontoer er beskyttet av det kanadiske investorbeskyttelsesfondet innenfor angitte grenser. En brosjyre som beskriver naturen og begrensningene for dekning er tilgjengelig på forespørsel eller på cipf. ca. OANDA Europe Limited er et selskap registrert i England nummer 7110087, og har sitt hovedkontor på Floor 9a, Tower 42, 25 Old Broad St, London EC2N 1HQ. Den er autorisert og regulert av the160Financial Conduct Authority. Nr. 542574. OANDA Asia Pacific Pte Ltd (Selskapsreg. Nr. 200704926K) har en kapitalmarkedsservice lisens utstedt av Singapores monetære myndighet og er også lisensiert av International Enterprise Singapore. OANDA Australia Pty Ltd 160is regulert av Australian Securities and Investments Commission ASIC (ABN 26 152 088 349, AFSL nr. 412981) og er utsteder av produkter og tjenester på denne nettsiden. Det er viktig for deg å vurdere den nåværende Financial Service Guide (FSG). Produktopplysningserklæring (PDS). Kontovilkår og andre relevante OANDA-dokumenter før du foretar økonomiske investeringsbeslutninger. Disse dokumentene finner du her. OANDA Japan Co Ltd Første Type I Finansielle Instrumenter Forretningsdirektør for Kanto Lokale Finansielle Bureau (Kin-sho) Nr. 2137 Institutt for Financial Futures Association Abonnentnummer 1571. Trading FX andor CFDs på margin er høy risiko og ikke egnet for alle. Tap kan overstige investment.5.2 Smoothing Time Series Smoothing er vanligvis gjort for å hjelpe oss med å se mønstre, trender for eksempel i tidsserier. Vanligvis jevne ut uregelmessig grovhet for å se et klarere signal. For sesongdata kan vi jevne ut sesongmessigheten slik at vi kan identifisere trenden. Utjevning gir oss ikke en modell, men det kan være et godt første skritt i å beskrive ulike komponenter i serien. Termen filter er noen ganger brukt til å beskrive en utjevning prosedyre. For eksempel, hvis den glatte verdien for en bestemt tid beregnes som en lineær kombinasjon av observasjoner for omgivende tider, kan det sies at vi har anvendt et lineært filter på dataene (ikke det samme som å si at resultatet er en rett linje, ved veien). Den tradisjonelle bruken av begrepet glidende gjennomsnitt er at vi ved hvert tidspunkt bestemmer (muligens vektet) gjennomsnitt av observerte verdier som omgir en bestemt tid. For eksempel, på tidspunktet t. et sentrert glidende gjennomsnitt av lengde 3 med likevekter ville være gjennomsnittet av verdier til tider t -1. t. og t1. For å ta bort sesongbestemte fra en serie, så vi bedre kan se trenden, ville vi bruke et glidende gjennomsnitt med en lengde sesongkurs. Således i den glatte serien har hver glatt verdi vært gjennomsnittsvis over alle årstider. Dette kan gjøres ved å se på et ensidig glidende gjennomsnitt der du gjennomsnittlig alle verdier for de foregående årene er verdt data eller et sentrert glidende gjennomsnitt der du bruker verdier både før og etter gjeldende tid. For kvartalsdata kan vi for eksempel definere en glatt verdi for tiden t som (x t x t-1 x t-2 x t-3) 4, gjennomsnittet av denne tiden og de foregående 3 kvartaler. I R-kode vil dette være et ensidig filter. Et sentrert glidende gjennomsnitt skaper litt vanskelig når vi har et jevnt antall tidsperioder i sesongperioden (som vi vanligvis gjør). Å glatte bort sesongmessige forhold i kvartalsdata. For å identifisere trenden, er den vanlige konvensjonen å bruke det glidende gjennomsnittet jevnt på tiden. For å glatte bort sesongmessigheten i månedlige data. For å identifisere trenden er den vanlige konvensjonen å bruke det glidende gjennomsnittet jevnet på tidspunktet t. Det er at vi bruker vekt 124 til verdier til tider t6 og t6 og vekt 112 til alle verdier til enhver tid mellom t5 og t5. I R-filter-kommandoen, velg et tosidig filter når vi vil bruke verdier som kommer både før og etter tiden som ble utjevning. Merk at på side 71 i vår bok gjelder forfatterne likevekt over et sentrert sesongmessig glidende gjennomsnitt. Det er ok også. For eksempel kan en kvartalsvisere glattes på tidspunktet t er frac x frac x frac xt frac x frac x En månedlig glattere kan legge vekt på 113 til alle verdier fra tidene t-6 til t6. Koden forfatterne bruker på side 72 utnytter en rep-kommando som gjentar en verdi et visst antall ganger. De bruker ikke filterparameteren i filterkommandoen. Eksempel 1 Kvartalsbierproduksjon i Australia I både Leksjon 1 og Leksjon 4 så vi på en serie kvartalsvis ølproduksjon i Australia. Følgende R-kode skaper en glatt serie som lar oss se trendmønsteret, og plotter dette trendmønsteret på samme graf som tidsserien. Den andre kommandoen lager og lagrer den glatte serien i objektet som kalles trendpattern. Vær oppmerksom på at i filterkommandoen gir parameteren som heter filteret koeffisientene for utjevning og side 2 forårsaker en sentrert glatt å beregnes. ølprodskanning (beerprod. dat) trendpatternfilter (ølprod, filter c (18, 14, 14, 14, 18), sider2) plot (ølprod, type b, hovedgjenværende gjennomsnittlig årlig trend) linjer (trendpattern) Heres resultatet: Vi kan trekke trendmønsteret fra dataverdiene for å få bedre koll på seasonality. Heres hvordan det skulle gjøres: årstidens ølprod - trendpattern plot (årstid, type b, viktigste sesongmønster for ølproduksjon) Resultatet følger: En annen mulighet for utjevning av serier for å se trenden er filteret Trendpattern2 filter (ølprod, filter c (14, 14, 14, 14), sider1) Med denne er den glatte verdien gjennomsnittet for det siste året. Eksempel 2. US Månedlig Arbeidsledighet I leksene for uke 4 så du på en månedlig serie av arbeidsledighet i USA for 1948-1978. Heres en utjevning gjort for å se på trenden. trendunemployfilter (unemployed, filterc (124,112,112,112,112,112,112,112,112,112,112,112,124), sider2) trendunemploy ts (trendunemploy, start c (1948,1), freq 12) plot (trendunemploy, mainTrend i USAs arbeidsledighet, 1948-1978, xlab Year) Bare den glatte trenden er plottet. Den andre kommandoen identifiserer kalendertidskarakteristikkene til serien. Det gjør at plottet har en mer meningsfull akse. Plottet følger. For ikke-sesongbaserte serier, er du bundet til å glatte over et bestemt spekter. For utjevning bør du eksperimentere med bevegelige gjennomsnitt av forskjellige spenner. Disse tidsforløpene kan være relativt korte. Målet er å slå av grove kanter for å se hvilken trend eller mønster som kan være der. Andre utjevningsmetoder (Avsnitt 2.4) Avsnitt 2.4 beskriver flere sofistikerte og nyttige alternativer for å flytte gjennomsnittlig utjevning. Detaljer kan virke sketchy, men det er greit fordi vi ikke ønsker å bli skrudd ned i mange detaljer for disse metodene. Av de alternative metodene som er beskrevet i avsnitt 2.4, kan lowess (lokalt vektet regresjon) være den mest brukte. Eksempel 2 Fortsatt Følgende tomt er en jevn trendlinje for den amerikanske arbeidsledighetsserien, funnet ved hjelp av en lavest jevnere hvor en betydelig mengde (23) bidro til hvert glatt estimat. Legg merke til at dette jevnet serien mer aggressivt enn det bevegelige gjennomsnittet. Kommandoene som ble brukt var arbeidsledige (arbeidsløs, start c (1948,1), freq12) plot (lowess (unemployed, f 23), den viktigste Lowess utjevning av USAs arbeidsledighetstrend) Enkelt eksponensiell utjevning Den grunnleggende prognose-ligningen for enkelt eksponensiell utjevning er ofte gitt som hat alfa xt (1-alfa) hat t-tekst Vi forutsier verdien av x på tidspunktet t1 som en vektet kombinasjon av den observerte verdien ved tid t og den prognostiserte verdien ved tid t. Selv om metoden kalles en utjevningsmetode, brukes den hovedsakelig til prognose for korttid. Verdien av kalles utjevningskonstanten. Uansett grunn er 0,2 et populært standardvalg av programmer. Dette legger en vekt på .2 på den siste observasjonen og en vekt på 1, 2, 8 på den siste prognosen. Med en relativt liten verdi vil utjevningen bli relativt mer omfattende. Med en relativt stor verdi er utjevningen relativt mindre omfattende, da mer vekt vil bli lagt på den observerte verdien. Dette er en enkel fremgangsmetode for fremgangsmåtene som ved første øyekast ikke ser ut til å kreve en modell for dataene. Faktisk svarer denne metoden til bruk av en ARIMA (0,1,1) modell uten konstant. Den optimale prosedyren er å passe en ARIMA (0,1,1) modell til det observerte datasettet og bruke resultatene til å bestemme verdien av. Dette er optimalt i den hensikt å skape det beste for dataene som allerede er observert. Selv om målet er utjevning og ett steg fremover prognoser, gir ekvivalensen til ARIMA (0,1,1) - modellen et godt poeng. Vi bør ikke blindt bruke eksponensiell utjevning fordi den underliggende prosessen kanskje ikke er godt modellert av en ARIMA (0,1,1). ARIMA (0,1,1) og eksponensiell utjevningseffektivitet Vurder en ARIMA (0,1,1) med gjennomsnittlig 0 for de første forskjellene, xt - x t-1: start hatten amp amp xt theta1 wt amp amp xt theta1 (xt - som t) amp amp (1 theta1) xt-theta1hat tendens. Hvis vi lar (1 1) og dermed - (1) 1, ser vi ekvivalensen til ligning (1) ovenfor. Hvorfor metoden kalles eksponensiell utjevning Dette gir følgende: start hodes amp amp alpha xt (1-alfa) alpha x (1-alfa) hue forsterker forsterker alfa xt alfa (1-alfa) x (1-alfa) på denne måten ved suksessivt å erstatte den prognostiserte verdien på høyre side av ligningen. Dette fører til: hat alfa xt alfa (1-alfa) x alfa (1-alfa) 2 x prikker alfa (1-alfa) jx prikker alfa (1-alfa) x1-tekst Ekvation 2 viser at prognosen er et veid gjennomsnitt av alle tidligere verdier av serien, med eksponentielt endrede vekter når vi beveger oss tilbake i serien. Optimal eksponensiell utjevning i R I utgangspunktet passer vi bare en ARIMA (0,1,1) til dataene og bestemmer koeffisienten. Vi kan undersøke passformen til glatt ved å sammenligne de anslåtte verdiene til den faktiske serien. Eksponensiell utjevning har en tendens til å bli brukt mer som et prognoseverktøy enn en ekte glattere, så var ser for å se om vi har en god passform. Eksempel 3. n 100 månedlige observasjoner av logaritmen til en oljeprisindeks i USA. Datarien er: En ARIMA (0,1,1) passform i R ga en MA (1) koeffisient 0,3877. Dermed (11) 1.3877 og 1-0.3877. Den eksponensielle utjevningsprognosekvasjonen er hue 1.3877xt - 0.3877hat t Ved tid 100 er den observerte verdien av serien x 100,86601. Forventet verdi for serien på den tiden er dermed prognosen for tid 101 er lue 1.3877x - 0.3877hat 1.3877 (0.86601) -0.3877 (0.856789) 0.8696 Følgende er hvor bra den jevnere passer til serien. Det er en god passform. Det er et godt tegn på prognoser, hovedformålet med dette jevnere. Her er kommandoene som brukes til å generere produksjonen for dette eksempelet: oilindex scan (oildata. dat) plot (oilindex, type b, hovedlogg for oljeindeksserie) expsmoothfit arima (oilindex, rekkefølge c (0,1,1)) expsmoothfit for å se arima-resultatene forutsetter oljeprisen - expsmoothfitresiduals predicted values ​​plot (oilindex, typeb, hoved eksponensiell utjevning av logg av oljeindeks) linjer (forutsigbar) 1.3877oilindex100-0.3877predicteds100 prognose for tid 101 Dobbelt eksponensiell utjevning Dobbelt eksponensiell utjevning kan brukes når det er trend (enten langsiktig eller kort sikt), men ingen sesongmessighet. I hovedsak oppretter metoden en prognose ved å kombinere eksponentielt glattestimater av trenden (helling av en rett linje) og nivået (i utgangspunktet avskjæringen av en rett linje). To forskjellige vekter eller utjevningsparametere brukes til å oppdatere disse to komponentene hver gang. Det glatte nivået er mer eller mindre ekvivalent med en enkel eksponensiell utjevning av dataverdiene, og den glatte trenden er mer eller mindre ekvivalent med en enkel eksponensiell utjevning av de første forskjellene. Prosedyren svarer til å montere en ARIMA (0,2,2) modell, uten konstant det kan utføres med en ARIMA (0,2,2) passform. (1-B) 2 xt (1 teta1B theta2B2) vekt. Navigasjon