Führen Sie eine Zeitreihenanalyse mit dem Linear Moving Averages-Verfahren durch. Sie können diese Methode mit einer Zeitreihe verwenden, die einen Trend und gleitende Durchschnittsschemata mit mehr als zwei gleitenden Durchschnitten aufweist. Zuerst berechnen und speichern Sie den gleitenden Durchschnitt der Originalreihe. Dann berechnen und speichern Sie den gleitenden Durchschnitt der zuvor gespeicherten Spalte, um einen zweiten gleitenden Durchschnitt zu erhalten. Um den gleitenden Durchschnitt zu berechnen und zu speichern, wählen Sie Stat gt Time Series gt Moving Average. Schließen Sie das Dialogfeld, wählen Sie Speicher. Und wählen Sie Verschieben. Copyright 2016 Minitab Inc. Alle Rechte vorbehalten. Durch die Nutzung dieser Website erklären Sie sich mit der Verwendung von Cookies für Analytics und personalisiertem Content einverstanden. Lesen Sie unsere policySmoothing Daten entfernt zufällige Variation und zeigt Trends und zyklische Komponenten Inhärent in der Sammlung von Daten über die Zeit genommen ist eine Form der zufälligen Variation. Es gibt Methoden zur Verringerung der Aufhebung der Wirkung aufgrund zufälliger Variation. Eine häufig verwendete Technik in der Industrie ist Glättung. Diese Technik zeigt, wenn sie richtig angewendet wird, deutlicher den zugrunde liegenden Trend, saisonale und zyklische Komponenten. Es gibt zwei verschiedene Gruppen von Glättungsmethoden Mittelungsmethoden Exponentielle Glättungsmethoden Mittelwertbildung ist der einfachste Weg, um Daten zu glätten Wir werden zunächst einige Mittelungsmethoden untersuchen, z. B. den einfachen Mittelwert aller vergangenen Daten. Ein Manager eines Lagers möchte wissen, wie viel ein typischer Lieferant in 1000-Dollar-Einheiten liefert. Heshe nimmt eine Stichprobe von 12 Lieferanten zufällig an und erhält die folgenden Ergebnisse: Der berechnete Mittelwert oder Mittelwert der Daten 10. Der Manager entscheidet, dies als Kostenvoranschlag für die Ausgaben eines typischen Lieferanten zu verwenden. Ist dies eine gute oder schlechte Schätzung Mittel quadratischen Fehler ist ein Weg, um zu beurteilen, wie gut ein Modell ist Wir berechnen die mittlere quadratische Fehler. Der Fehler true Betrag verbraucht minus die geschätzte Menge. Der Fehler quadriert ist der Fehler oben, quadriert. Die SSE ist die Summe der quadratischen Fehler. Die MSE ist der Mittelwert der quadratischen Fehler. MSE Ergebnisse zum Beispiel Die Ergebnisse sind: Fehler und quadratische Fehler Die Schätzung 10 Die Frage stellt sich: Können wir das Mittel verwenden, um Einkommen zu prognostizieren, wenn wir einen Trend vermuten Ein Blick auf die Grafik unten zeigt deutlich, dass wir dies nicht tun sollten. Durchschnittliche Gewichtungen alle früheren Beobachtungen gleich In Zusammenfassung, wir sagen, dass die einfache Mittelwert oder Mittelwert aller früheren Beobachtungen ist nur eine nützliche Schätzung für die Prognose, wenn es keine Trends. Wenn es Trends, verwenden Sie verschiedene Schätzungen, die den Trend berücksichtigen. Der Durchschnitt wiegt alle früheren Beobachtungen gleichermaßen. Zum Beispiel ist der Durchschnitt der Werte 3, 4, 5 4. Wir wissen natürlich, dass ein Durchschnitt berechnet wird, indem alle Werte addiert werden und die Summe durch die Anzahl der Werte dividiert wird. Ein anderer Weg, den Durchschnitt zu berechnen, besteht darin, daß jeder Wert durch die Anzahl von Werten geteilt wird, oder 33 43 53 1 1.3333 1.6667 4. Der Multiplikator 13 wird als Gewicht bezeichnet. Allgemein: bar frac sum links (frac rechts) x1 links (frac rechts) x2,. ,, Links (frac rechts) xn. Die (linke (frac rechts)) sind die Gewichte und natürlich die Summe zu 1.Methoden für die Analyse der Zeitreihen Minitab bietet mehrere Analysen, mit denen Sie Zeitreihen analysieren können. Diese Analysen umfassen einfache Prognose - und Glättungsmethoden, Korrelationsanalysemethoden und ARIMA-Modellierung. Obwohl die Korrelationsanalyse getrennt von der ARIMA-Modellierung durchgeführt werden kann, stellt Minitab die Korrelationsmethoden als Teil der ARIMA-Modellierung vor. Einfache Prognose - und Glättungsmethoden Die einfachen Prognose - und Glättungsmethoden modellieren Komponenten in einer Serie, die meist einfach in einem Zeitreihenplot der Daten zu beobachten ist. Dieser Ansatz zerlegt die Daten in ihre Bestandteile und erweitert dann die Schätzungen der Komponenten in die Zukunft, um Prognosen zu liefern. Sie können zwischen den statischen Methoden der Trendanalyse und - zerlegung oder den dynamischen Methoden der gleitenden mittleren, einfachen und doppelten Exponentialglättung und der Winters-Methode wählen. Statische Methoden haben Muster, die sich nicht im Laufe der Zeit ändern dynamische Methoden haben Muster, die sich im Laufe der Zeit ändern und Schätzungen werden mit benachbarten Werten aktualisiert. Sie können zwei Methoden in Kombination verwenden. Das heißt, Sie können eine statische Methode zum Modellieren einer Komponente und eine dynamische Methode zum Modellieren einer anderen Komponente auswählen. Beispielsweise können Sie einen statischen Trend mit Trendanalyse anpassen und die saisonale Komponente in den Resten dynamisch mit der Winters-Methode dynamisch modellieren. Oder Sie können ein statisches Saisonmodell mit Zerlegung und dynamisch modellieren die Trendkomponente in den Residuen mit doppelter exponentieller Glättung. Sie können auch eine Trendanalyse und Zerlegung gemeinsam anwenden, so dass Sie die erweiterte Auswahl an Trendmodellen der Trendanalyse nutzen können. Ein Nachteil der Kombinationsmethoden ist, dass die Konfidenzintervalle für Prognosen nicht gültig sind. Für jede der Methoden liefert die folgende Tabelle eine Zusammenfassung und ein Diagramm der Anpassungen und Prognosen von gemeinsamen Daten. Trendanalyse Passt ein allgemeines Trendmodell zu Zeitreihen. Wählen Sie zwischen den linearen, quadratischen, exponentiellen Wachstums - oder Zerfalls - und S-Kurven-Trendmodellen. Verwenden Sie dieses Verfahren, um Trend zu installieren, wenn es keine saisonale Komponente in Ihrer Serie. Prognose: Länge: lang Profil: Erweiterung der Trendlinie Zerlegung Trennt die Zeitreihe in lineare Trendkomponenten, saisonale Komponenten und den Fehler. Entscheiden Sie, ob die saisonale Komponente additiv oder multiplikativ mit dem Trend ist. Verwenden Sie dieses Verfahren, um zu prognostizieren, wenn es eine saisonale Komponente in Ihrer Serie oder wenn Sie die Art der Komponenten prüfen möchten. Prognosen: Länge: lang Profil: Trend mit saisonalem Muster Moving Average Glättet Ihre Daten durch Mittelung aufeinander folgender Beobachtungen in einer Serie. Sie können dieses Verfahren verwenden, wenn Ihre Daten keine Trendkomponente haben. Wenn Sie eine saisonale Komponente haben, stellen Sie die Länge des gleitenden Durchschnitts auf die Länge des Saisonzyklus ein. Prognosen: Länge: kurz Profil: flach Line Single Exponential Smoothing Glättet Ihre Daten mit der optimalen Prognoseformel ARIMA (0,1,1). Dieses Verfahren funktioniert am besten ohne eine Trend - oder Saisonkomponente. Die einzige dynamische Komponente in einem gleitenden Durchschnittsmodell ist das Niveau. Prognosen: Länge: kurz Profil: flach line Double Exponentielle Glättung Glättet Ihre Daten mit der optimalen Prognoseformel ARIMA (0,2,2). Dieses Verfahren kann gut funktionieren, wenn es einen Trend gibt, aber es kann auch als eine allgemeine Glättungsmethode dienen. Double Exponential Smoothing berechnet dynamische Schätzungen für zwei Komponenten: Ebene und Trend. Prognosen: Länge: kurz Profil: gerade Linie mit Steigung gleich der letzten Trendschätzung Winters-Methode Glättet Ihre Daten durch Holt-Winters Exponentialglättung. Verwenden Sie dieses Verfahren, wenn es Trend und Saisonalität gibt, wobei diese beiden Komponenten entweder additiv oder multiplikativ sind. Winters Method berechnet dynamische Schätzungen für drei Komponenten: Level, Trend und saisonal. Prognosen: Länge: kurz bis mittel Profil: Trend mit saisonalem Muster Korrelationsanalyse und ARIMA-Modellierung Die Modellierung von ARIMA (autoregressive integrierte gleitende Mittelwerte) nutzt auch Muster in den Daten, aber diese Muster sind möglicherweise nicht leicht sichtbar. Stattdessen verwendet die ARIMA-Modellierung die Differenzierung und die Autokorrelation und die partiellen Autokorrelationsfunktionen, um ein akzeptables Modell zu identifizieren. ARIMA-Modellierung kann verwendet werden, um viele verschiedene Zeitreihen mit oder ohne Trend - oder Saisonkomponenten zu modellieren und Prognosen zu liefern. Das Prognoseprofil ist abhängig vom Modell. Der Vorteil der ARIMA-Modellierung gegenüber den einfachen Prognose - und Glättungsmethoden ist, dass sie flexibler in der Anpassung der Daten ist. Jedoch kann das Identifizieren und Anpassen eines Modells zeitaufwendig sein, und die ARIMA-Modellierung ist nicht einfach zu automatisieren. Unterschiede Berechnet und speichert die Unterschiede zwischen den Datenwerten einer Zeitreihe. Wenn Sie ein ARIMA-Modell anpassen möchten, aber Ihre Daten über eine Trend - oder Saisonkomponente verfügen, ist die Differenzierung der Daten ein gemeinsamer Schritt bei der Beurteilung von wahrscheinlichen ARIMA-Modellen. Eine Differenzierung wird verwendet, um die Korrelationsstruktur zu vereinfachen und jedes zugrundeliegende Muster aufzudecken. Lag Berechnet und speichert die Verzögerungen einer Zeitreihe. Wenn Sie eine Zeitreihe verzögern, verschiebt Minitab die ursprünglichen Werte in die Spalte und fügt fehlende Werte am oberen Rand der Spalte ein. Die Anzahl der fehlenden Werte hängt von der Länge der Verzögerung ab. Autokorrelation Berechnet und erzeugt einen Graph der Autokorrelationen einer Zeitreihe. Autokorrelation ist die Korrelation zwischen Beobachtungen einer Zeitreihe, die durch k Zeiteinheiten getrennt sind. Das Diagramm der Autokorrelationen wird Autokorrelationsfunktion (ACK) genannt. Sehen Sie sich die ACF an, um Ihre Wahl der Begriffe in ein ARIMA-Modell aufzunehmen. Partielle Autokorrelation Berechnet und erzeugt einen Graphen der partiellen Autokorrelationen einer Zeitreihe. Partielle Autokorrelationen, wie Autokorrelationen, sind Korrelationen zwischen Mengen von geordneten Datenpaaren einer Zeitreihe. Wie bei partiellen Korrelationen im Regressionsfall messen partielle Autokorrelationen die Stärke der Beziehung mit anderen erklärten Begriffen. Die partielle Autokorrelation bei einer Verzögerung von k ist die Korrelation zwischen Resten zum Zeitpunkt t von einem autoregressiven Modell und Beobachtungen bei Lag k mit Terme für alle dazwischen liegenden Verzögerungen im autoregressiven Modell. Das Diagramm der partiellen Autokorrelationen wird als partielle Autokorrelationsfunktion (PACF) bezeichnet. Sehen Sie sich die PACF an, um Ihre Wahl der Begriffe in ein ARIMA-Modell aufzunehmen. Kreuzkorrelation Berechnet und erzeugt einen Graphen der Korrelationen zwischen zwei Zeitreihen. ARIMA Für eine Box-Jenkins ARIMA Modell zu einer Zeitreihe. In ARIMA beziehen sich autoregressive, integrierte und gleitende Durchschnittswerte auf Filterungsschritte, die bei der Berechnung des ARIMA-Modells vorgenommen wurden, bis nur zufälliges Rauschen verbleibt. Verwenden Sie ARIMA, um Zeitreihenverhalten zu modellieren und Prognosen zu generieren. Copyright 2016 Minitab Inc. Alle Rechte vorbehalten.
No comments:
Post a Comment