ข้อดี และ ข้อ จำกัด ของ การเคลื่อนไหว ค่าเฉลี่ย - วิธีการ ของ แนวโน้ม กระชับ

ข้อดี และ ข้อ จำกัด ของ การเคลื่อนไหว ค่าเฉลี่ย - วิธีการ ของ แนวโน้ม กระชับ

Forex   จำหน่าย ใน   Navi - มุมไบ
ไบนารี ตัวเลือก การจัดการความเสี่ยง
4d - อัตราแลกเปลี่ยน


ทำ ที่คุณ ได้รับการ เก็บภาษี เมื่อ คุณ ออกกำลังกาย หุ้น ตัวเลือก ฟรี -forex- สัญญาณ -forex- วิเคราะห์ คาดการณ์ Cd - Belajar - อัตราแลกเปลี่ยน Forex- รูปแบบไฟล์ PDF อ่าน ฟรีดาวน์โหลด Forex- สัมมนา ปี 2015 Forex- RCL - ROP

ขั้นตอนในการเลือกรูปแบบการคาดการณ์รูปแบบการคาดการณ์ของคุณควรมีคุณลักษณะที่สามารถรวบรวมคุณสมบัติเชิงคุณภาพที่สำคัญทั้งหมดของข้อมูล ได้แก่ รูปแบบการเปลี่ยนแปลงในระดับและแนวโน้มผลกระทบของอัตราเงินเฟ้อและฤดูกาลความสัมพันธ์ระหว่างตัวแปร ฯลฯ นอกจากนี้ยังมีสมมติฐานที่อ้างอิงถึง รุ่นที่เลือกควรเห็นด้วยกับสัญชาตญาณของคุณว่าซีรีส์มีแนวโน้มที่จะปฏิบัติตนในอนาคตได้อย่างไร เมื่อปรับรุ่นคาดการณ์คุณมีทางเลือกต่อไปนี้: ตัวเลือกเหล่านี้จะอธิบายไว้ด้านล่างสั้น ๆ ดูแผนภูมิการพยากรณ์การพยากรณ์อากาศสำหรับมุมมองภาพของกระบวนการระบุรูปแบบและดูกลับไปที่แผงข้อมูลจำเพาะของ Statgraphics เพื่อดูว่ามีการเลือกคุณสมบัติของโมเดลในซอฟต์แวร์อย่างไร การลดภาวะถดถอยหากตัวเลขแสดงการเติบโตของอัตราเงินเฟ้อภาวะเงินฝืดจะช่วยให้เกิดการเติบโตและลดความคลาดเคลื่อนในส่วนที่เหลือ คุณสามารถ (i) ยุบข้อมูลที่ผ่านมาและเพิ่มการคาดการณ์ในระยะยาวด้วยอัตราการสันนิษฐานคงที่หรือ (ii) ยุบข้อมูลที่ผ่านมาโดยใช้ดัชนีราคาเช่นดัชนีราคาผู้บริโภคและปรับประมาณการการคาดการณ์ระยะยาวโดยใช้ การคาดการณ์ของดัชนีราคา ตัวเลือก (i) เป็นวิธีที่ง่ายที่สุด ใน Excel คุณสามารถสร้างคอลัมน์ของสูตรเพื่อแบ่งค่าเดิมโดยใช้ปัจจัยที่เหมาะสม ตัวอย่างเช่นถ้าข้อมูลเป็นรายเดือนและคุณต้องการยุบในอัตรา 5 ต่อ 12 เดือนคุณจะหารด้วยปัจจัย (1.05) (k12) โดยที่ k คือดัชนีแถว (หมายเลขสังเกตการณ์) RegressIt และ Statgraphics มีเครื่องมือในตัวที่จะทำเช่นนี้ให้คุณโดยอัตโนมัติ หากคุณไปเส้นทางนี้โดยปกติจะเป็นอัตราที่ดีที่สุดในการกำหนดอัตราเงินเฟ้อที่สมมุติให้เท่ากับอัตราการคาดการณ์ที่ดีที่สุดของอัตราปัจจุบันโดยเฉพาะอย่างยิ่งหากคุณคาดการณ์ล่วงหน้ามากกว่าหนึ่งรอบ ถ้าคุณเลือกตัวเลือก (ii) ก่อนอื่นคุณต้องบันทึกการคาดการณ์ที่ลดลงและขีดจำกัดความเชื่อมั่นในสเปรดชีตข้อมูลของคุณจากนั้นสร้างและบันทึกการคาดการณ์สำหรับดัชนีราคาและคูณคอลัมน์ที่เหมาะสมเข้าด้วยกัน (กลับไปด้านบนของหน้า.) การแปลงลอการิทึมหากชุดแสดงการเติบโตของสารประกอบและหรือรูปแบบตามฤดูกาลแบบคูณการแปลงลอการิทึมอาจเป็นประโยชน์หรือทำให้เกิดภาวะเงินฝืด การบันทึกข้อมูลจะไม่ทำให้รูปแบบการเติบโตของเงินเฟ้อลดลง แต่จะตรงออกเพื่อให้สามารถใช้โมเดลเชิงเส้น (เช่นการเดินแบบสุ่มหรือรูปแบบ ARIMA ที่มีการเติบโตคงที่หรือแบบจำลองการให้ความเรียบแบบเชิงเส้น) นอกจากนี้การเข้าสู่ระบบจะแปลงรูปแบบตามฤดูกาลแบบทวีคูณเป็นรูปแบบ additive ดังนั้นหากคุณทำการปรับเปลี่ยนตามฤดูกาลหลังบันทึกคุณควรใช้ประเภท additive การบันทึกข้อตกลงกับอัตราเงินเฟ้อในลักษณะโดยนัยหากคุณต้องการจำลองอัตราเงินเฟ้ออย่างชัดเจนเช่น ถ้าคุณต้องการให้อัตราเงินเฟ้อเป็นพารามิเตอร์ที่มองเห็นได้ของแบบจำลองหรือถ้าคุณต้องการดูพล็อตข้อมูลที่หลุดออก - คุณควรยุบตัวแทนที่จะบันทึก การใช้งานที่สำคัญอีกอย่างหนึ่งสำหรับการแปลง log คือความสัมพันธ์เชิงเส้นระหว่างตัวแปรในโหมดการถดถอย l ยกตัวอย่างเช่นถ้าตัวแปรอิสระเป็นตัวคูณมากกว่าฟังก์ชัน additive ของตัวแปรอิสระหรือถ้าความสัมพันธ์ระหว่างตัวแปรอิสระกับตัวแปรอิสระเป็นเชิงเส้นในแง่ของการเปลี่ยนแปลงเปอร์เซ็นต์แทนที่จะเป็นการเปลี่ยนแปลงสัมบูรณ์จากนั้นใช้การแปลง log เป็นตัวแปรหนึ่งหรือหลายตัวแปร อาจจะเหมาะสมเช่นเดียวกับในตัวอย่างการขายเบียร์ (ซีรีส์) การปรับฤดูกาลหากชุดมีรูปแบบฤดูกาลที่แข็งแกร่งซึ่งคาดว่าจะคงที่ตลอดปีการปรับฤดูกาลอาจเป็นวิธีที่เหมาะสมในการประมาณและคาดการณ์รูปแบบ ข้อดีของการปรับฤดูกาลคือการจัดรูปแบบตามฤดูกาลอย่างชัดเจนเพื่อให้คุณมีตัวเลือกในการศึกษาดัชนีตามฤดูกาลและข้อมูลที่ปรับฤดูกาล ข้อเสียคือต้องมีการประมาณค่าพารามิเตอร์เพิ่มเติมจำนวนมาก (โดยเฉพาะข้อมูลรายเดือน) และไม่มีเหตุผลสำหรับการคำนวณระยะเวลาความเชื่อมั่นที่ถูกต้อง การตรวจสอบตัวอย่างนอกกลุ่มตัวอย่างมีความสำคัญอย่างยิ่งในการลดความเสี่ยงในการปรับข้อมูลที่ผ่านมาโดยการปรับฤดูกาล หากข้อมูลมีฤดูกาลมาก แต่คุณไม่ได้เลือกการปรับฤดูกาลตามฤดูกาลทางเลือกคือ (i) ใช้รูปแบบ ARIMA ตามฤดูกาล ซึ่งโดยนัยจะคาดการณ์รูปแบบตามฤดูกาลโดยใช้ความล่าช้าตามฤดูกาลและความแตกต่างหรือ (2) ใช้แบบจำลองการทำให้เป็นฤดูฝนแบบฤดูฝนของ Winters ซึ่งประมาณการดัชนีฤดูกาลที่เปลี่ยนแปลงไปตามฤดูกาล หากมีชุดเวลาอื่น ๆ ที่คุณเชื่อว่ามีอำนาจอธิบายในส่วนที่คุณสนใจ (เช่นตัวบ่งชี้ทางเศรษฐกิจหรือตัวแปรทางนโยบายชั้นนำเช่นราคาการโฆษณาการส่งเสริมการขายเป็นต้น) คุณ อาจต้องการพิจารณาการถดถอยเป็นแบบจำลองของคุณ คุณต้องการพิจารณาการถดถอยหรือไม่คุณยังต้องพิจารณาถึงความเป็นไปได้ที่จะกล่าวถึงข้างต้นเพื่อเปลี่ยนตัวแปรของคุณ (ภาวะเงินฝืดการเข้าสู่ระบบการปรับฤดูกาลและบางทีอาจจะแตกต่างไป) เพื่อใช้ประโยชน์จากมิติเวลาและสร้างความสัมพันธ์เชิงเส้น แม้ว่าคุณจะไม่ได้เลือกการถดถอยในตอนนี้คุณอาจต้องการเพิ่ม regressors ในภายหลังเป็นแบบจำลองแบบเวลา (เช่นแบบจำลอง ARIMA) ถ้าส่วนที่เหลือมีความสัมพันธ์ระหว่างตัวแปรกับตัวแปรอื่น ๆ (กลับไปด้านบนสุดของหน้า) การปรับให้เรียบลงโดยเฉลี่ยหรือการเดินแบบสุ่มหากคุณเลือกที่จะปรับข้อมูลตามฤดูกาล - หรือถ้าข้อมูลไม่ได้เป็นตามฤดูกาลให้เริ่มต้นด้วย - คุณอาจต้องการใช้รูปแบบเฉลี่ยหรือการปรับให้เรียบ พอดีกับรูปแบบ nonseasonal ซึ่งยังคงอยู่ในข้อมูล ณ จุดนี้ แบบเรียบง่ายหรือแบบเรียบง่ายเพียงแค่คำนวณค่าเฉลี่ยของข้อมูล ณ สิ้นชุดโดยสมมติว่านี่เป็นค่าที่ดีที่สุดในการประเมินค่าเฉลี่ยปัจจุบันที่ข้อมูลมีความผันผวน (แบบจำลองเหล่านี้สมมุติว่าค่าเฉลี่ยของซีรี่ส์มีการเปลี่ยนแปลงอย่างช้าๆและแบบสุ่มโดยไม่มีแนวโน้มแบบถาวร) การเรียบง่ายชี้แจงเป็นที่ต้องการโดยทั่วไปสำหรับค่าเฉลี่ยเคลื่อนที่แบบง่ายๆเนื่องจากค่าเฉลี่ยถ่วงน้ำหนักแบบทวีคูณเป็นงานที่มีเหตุผลมากยิ่งขึ้นในการลดข้อมูลที่เก่ากว่า (alpha) เป็นไปอย่างต่อเนื่องและสามารถปรับให้เหมาะสมได้ง่ายและเนื่องจากมีพื้นฐานทางทฤษฎีสำหรับการคำนวณช่วงความเชื่อมั่น หากการทำให้ราบเรียบหรือค่าเฉลี่ยไม่เป็นประโยชน์ ถ้าตัวทำนายที่ดีที่สุดของค่าถัดไปของชุดข้อมูลเวลาเป็นเพียงค่าก่อนหน้าของมัน - แล้วรูปแบบการเดินแบบสุ่มจะถูกระบุ ในกรณีนี้ตัวอย่างเช่นถ้าจำนวนคำที่เหมาะสมที่สุดในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะเป็น 1 หรือถ้าค่าที่เหมาะสมที่สุดของ alpha ในการเรียบง่ายแบบเอ็กซ์โพเนนเชียลจะเป็น 0.9999 Browns การเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นสามารถใช้เพื่อให้พอดีกับชุดที่มีแนวโน้มเชิงเส้นที่ต่างกันไปในระยะเวลาที่ช้า แต่ควรระมัดระวังในการคาดการณ์แนวโน้มดังกล่าวในอนาคตที่ไกลมาก (ช่วงความเชื่อมั่นที่กว้างขึ้นอย่างรวดเร็วสำหรับโมเดลนี้เป็นการยืนยันถึงความไม่แน่นอนเกี่ยวกับอนาคตอันไกล) การปรับเส้นตรงของ Holts ยังประมาณการแนวโน้มที่เปลี่ยนแปลงไปตามเวลา แต่ใช้พารามิเตอร์ที่แยกต่างหากเพื่อทำให้ระดับและแนวโน้มเรียบขึ้นซึ่งโดยปกติจะให้ข้อมูลที่ถูกต้องเหมาะสมยิ่งขึ้น กว่ารุ่น Brown8217s การคำนวณหาค่าความละเอียดที่เป็นไปได้ของ Q uadratic พยายามประมาณแนวโน้มกำลังสองที่แปรปรวนตามเวลาและไม่ควรใช้จริง (ซึ่งสอดคล้องกับรูปแบบของ ARIMA ที่มีลำดับความแตกต่างกันสามคำ) การเรียบลื่นในเชิงเส้นด้วยแนวโน้มที่ชื้น (นั่นคือแนวโน้มที่แผ่ออกไปในขอบเขตอันไกลโพ้น) มักเป็นคำแนะนำในสถานการณ์ที่อนาคตไม่แน่นอน แบบจำลองการปรับรูปแบบเลขแจงต่างๆเป็นกรณีพิเศษของรูปแบบ ARIMA (อธิบายด้านล่าง) และสามารถติดตั้งซอฟต์แวร์ ARIMA ได้ โดยเฉพาะอย่างยิ่งรูปแบบการเรียบง่ายชี้แจงเป็นแบบ ARIMA (0,1,1), แบบจำลองการเรียบราบเรียบ Holt8217s เป็นแบบ ARIMA (0,2,2) และโมเดลแนวโน้มการยุบตัวคือ ARIMA (1,1,2) ) แบบจำลอง สรุปสมการที่ดีของแบบจําลองการแจกแจงแบบต่างๆได้จากหน้าเว็บนี้ในเว็บไซต์ SAS (มีการแสดงเมนู SAS สำหรับระบุรูปแบบของชุดข้อมูลเวลาด้วยเช่นกัน) พวกเขาคล้ายกับ Statgraphics) Linear, Quadratic หรือ exponential trend line models เป็นตัวเลือกอื่น ๆ สำหรับการคาดการณ์ชุดแบบมีเหตุผล แต่ไม่ค่อยมีผลดีกว่าการเดินสุ่มเรียบหรือ ARIMA โมเดลเกี่ยวกับข้อมูลทางธุรกิจ (ฤดูใบไม้ผลิฤดูร้อน) เป็นส่วนขยายของการเรียบแบบเสวนาที่พร้อมกันประมาณระดับเวลาแนวโน้มที่แตกต่างกันและปัจจัยตามฤดูกาลโดยใช้สมการ recursive (ดังนั้นหากคุณใช้โมเดลนี้คุณจะไม่ต้องปรับข้อมูลตามฤดูกาลเป็นครั้งแรก) ปัจจัยฤดูกาลของวินเทอร์อาจเป็นได้ทั้งแบบคูณหรือแบบผสม: ปกติคุณควรเลือกตัวเลือกการคูณด้วยตัวเองเว้นแต่คุณจะได้บันทึกข้อมูลไว้ แม้ว่ารูปแบบของฤดูหนาวจะฉลาดและใช้งานได้ง่าย แต่ก็อาจเป็นเรื่องยากที่จะนำมาใช้ในทางปฏิบัติ: มีพารามิเตอร์การปรับให้เรียบสามแบบคืออัลฟาเบต้าและแกมมาสำหรับการปรับระดับปัจจัยแนวโน้มและฤดูกาลตามลำดับซึ่งจะต้องประมาณ พร้อมกัน การกำหนดค่าเริ่มต้นสำหรับดัชนีตามฤดูกาลสามารถทำได้โดยการใช้อัตราส่วนเฉลี่ยต่อการเคลื่อนไหวของการปรับฤดูกาลตามฤดูกาลเป็นส่วนหนึ่งหรือทั้งหมดของซีรีส์และโดยการสำรองข้อมูล อัลกอริทึมการประมาณค่าที่ Statgraphics ใช้สำหรับพารามิเตอร์เหล่านี้บางครั้งไม่สามารถให้ค่าที่รวมกันและให้ค่าพยากรณ์ที่น่าอัศจรรย์และช่วงความเชื่อมั่นดังนั้นผมจึงขอแนะนำให้ระมัดระวังเมื่อใช้โมเดลนี้ ARIMA หากคุณไม่ได้เลือกการปรับตามฤดูกาล (หรือหากข้อมูลไม่เป็นตามฤดูกาล) คุณอาจต้องการใช้กรอบรูปแบบ ARIMA แบบจำลอง ARIMA เป็นโมเดลทั่วไปที่มีการเดินสุ่มแนวโน้มแบบสุ่มเรียบและแบบจำลองอัตถิภาวนิยมเป็นกรณีพิเศษ ภูมิปัญญาดั้งเดิมคือชุดที่เป็นผู้สมัครที่ดีสำหรับรูปแบบ ARIMA ถ้า (i) มันสามารถ stationarized โดยการรวมกันของการแปลงทางคณิตศาสตร์ differencing และอื่น ๆ เช่นการเข้าสู่ระบบและ (ii) คุณมีจำนวนมากของข้อมูลที่จะทำงานกับ : อย่างน้อย 4 ฤดูกาลเต็มในกรณีของข้อมูลตามฤดูกาล (ถ้าชุดไม่สามารถจัดเก็บได้อย่างเหมาะสมโดยการแยกแยะ - เช่นถ้ามีความผิดปกติหรือดูเหมือนว่าจะเปลี่ยนพฤติกรรมตามช่วงเวลาหรือถ้าคุณมีข้อมูลน้อยกว่า 4 ฤดูกาลคุณอาจจะดีกว่ากับแบบจำลอง ที่ใช้การปรับฤดูกาลและค่าเฉลี่ยหรือเรียบเรียบง่าย) โมเดล ARIMA มีการกำหนดชื่อโดย Box และ Jenkins (p, d, q) แบบ ARIMA โดยที่ d คือจำนวนของความแตกต่างที่ไม่เหมือนกัน p คือจำนวนของเงื่อนไข autoregressive (ความล่าช้าของ differenced ชุด) และ q คือจำนวนของการเคลื่อนไหว - (ความล่าช้าในการคาดการณ์ข้อผิดพลาด) ในสมการทำนาย แบบ ARIMA ตามฤดูกาลจัดเป็น ARIMA (p, d, q) x (P, D, Q) โดยที่ D, P และ Q เป็นจำนวนความแตกต่างตามฤดูกาลเงื่อนไขเชิงอัตรกรรมตามฤดูกาล (ความล่าช้าของชุด differenced ที่ทวีคูณของช่วงเวลาตามฤดูกาล) และค่าเฉลี่ยเคลื่อนที่ตามฤดูกาล (ความล่าช้าในการคาดการณ์ข้อผิดพลาดที่ทวีคูณของฤดูกาล ระยะเวลา) ขั้นตอนแรกในการติดตั้งแบบจำลอง ARIMA คือการกำหนดลำดับที่เหมาะสมของความแตกต่างที่จำเป็นในการตั้งค่าชุดและลบคุณลักษณะขั้นต้นของฤดูกาล ซึ่งเทียบเท่ากับการกำหนดรูปแบบการสุ่มหรือการสุ่มแบบสุ่มตัวอย่างแบบ quotnaivequot ให้จุดเริ่มต้นที่ดีที่สุด อย่าพยายามใช้คำสั่งซื้อทั้งหมดมากกว่า 2 คำที่แตกต่างกัน (ไม่ใช่ฤดูกาลและตามฤดูกาลรวมกัน) และอย่าใช้ความแตกต่างตามฤดูกาลมากกว่า 1 รายการ ขั้นตอนที่สองคือการกำหนดว่าจะรวมคำคงที่ไว้ในแบบจำลองหรือไม่โดยปกติแล้วคุณจะมีคำคงที่ถ้าลำดับทั้งหมดของ differencing เท่ากับ 1 หรือน้อยกว่านั้นคุณ dont ในแบบจำลองที่มีลำดับความแตกต่างอย่างหนึ่งคำที่มีค่าคงที่หมายถึงแนวโน้มโดยเฉลี่ยในการคาดการณ์ ในแบบจำลองที่มีสองคำสั่งของ differencing แนวโน้มในการคาดการณ์จะถูกกำหนดโดยแนวโน้มในท้องถิ่นที่สังเกตในตอนท้ายของชุดเวลาและระยะคงที่หมายถึงแนวโน้มในแนวโน้มเช่นความโค้งของระยะยาว - การคาดการณ์ระยะยาว โดยปกติการคาดการณ์แนวโน้มในเทรนด์เป็นสิ่งที่อันตรายดังนั้นคุณจึงควรระงับข้อตกลงในกรณีนี้ไว้ ขั้นตอนที่สามคือการเลือกตัวเลขของค่าเฉลี่ยอัตรกรรรณาและค่าเฉลี่ยเคลื่อนที่ (p, d, q, P, D, Q) ที่จำเป็นเพื่อขจัดความสัมพันธ์ใด ๆ ที่ยังหลงเหลืออยู่ในส่วนที่เหลือของแบบจำลองที่ไร้เดียงสา เพียงความแตกต่าง) ตัวเลขเหล่านี้กำหนดจำนวนล่าช้าของชุดข้อมูลที่แตกต่างกันและมีข้อผิดพลาดในการพยากรณ์ที่รวมอยู่ในสมการพยากรณ์ ถ้าไม่มีความสัมพันธ์กับส่วนที่เหลือในจุดนี้ให้ทำตามขั้นตอนต่อไปนี้ STOP คุณได้ทำแบบจำลองที่ดีที่สุดคือแบบไร้เดียงสาหากมีความสัมพันธ์กันอย่างมีนัยสำคัญที่ lags 1 หรือ 2 คุณควรลองตั้งค่า q1 ถ้าข้อใดข้อหนึ่งต่อไปนี้ใช้: i) มีความแตกต่างที่ไม่ใช่ฤดูกาลในโมเดล (ii) ความสัมพันธ์กับความสัมพันธ์ที่ล่าช้าเป็นลบ andor (iii) พล็อตอิสระที่เหลืออยู่เป็นรูปลักษณ์ที่สะอาด (น้อยลงและมีความโดดเดี่ยวมากขึ้น) มากกว่าแผนภาพความสัมพันธ์อิสระบางส่วนที่เหลือ ถ้าไม่มีรูปแบบที่แตกต่างกันตามฤดูกาลในโมเดลและหรือความสัมพันธ์กันในทางกลับกันที่ล้าหลังเป็นบวกและส่วนที่เหลือของ autocorrelation ส่วนที่เหลือจะดูสะอาดกว่านั้นลองใช้ p1 (บางครั้งกฎเหล่านี้สำหรับการเลือกระหว่างข้อพิพาท p1 กับ q1 ซึ่งในกรณีนี้อาจไม่ได้สร้างความแตกต่างมากนักในกรณีนี้ลองใช้ทั้งสองแบบและเปรียบเทียบ) หากมีความสัมพันธ์กันที่ล้าหลัง 2 ซึ่งไม่ได้ถูกเอาออกโดยการตั้งค่า p1 หรือ q1 จากนั้นคุณสามารถลอง p2 หรือ q2 หรือบางครั้ง p1 และ q1 น้อยมากที่คุณอาจพบสถานการณ์ที่ p2 หรือ 3 และ q1 หรือในทางกลับกันให้ผลลัพธ์ที่ดีที่สุด ขอแนะนำอย่างยิ่งว่าคุณจะไม่ใช้ pgt1 และ qgt1 ในรุ่นเดียวกัน โดยทั่วไปเมื่อเหมาะสมกับโมเดล ARIMA คุณควรหลีกเลี่ยงความซับซ้อนของรูปแบบที่เพิ่มขึ้นเพื่อให้ได้รับการปรับปรุงเพิ่มเติมเพียงเล็กน้อยในสถิติข้อผิดพลาดหรือลักษณะของแปลง ACF และ PACF นอกจากนี้ในรูปแบบที่มีทั้ง pgt1 และ qgt1 มีความเป็นไปได้ที่จะเกิดความซ้ำซ้อนและไม่ซ้ำกันระหว่าง AR และ MA ด้านข้างของแบบจำลองดังที่อธิบายไว้ในหมายเหตุเกี่ยวกับโครงสร้างทางคณิตศาสตร์ของ ARIMA model s โดยปกติจะเป็นการดีกว่าที่จะดำเนินการในขั้นตอนต่อไปแทนที่จะเป็นขั้นตอนแบบย้อนหลังเมื่อปรับแต่งข้อกำหนดของแบบจำลอง: เริ่มต้นด้วยแบบจำลองที่เรียบง่ายและเพิ่มเฉพาะเทอมมากขึ้นเท่านั้นหากมีความต้องการที่ชัดเจน กฎเดียวกันนี้ใช้กับคำศัพท์เชิงอัตชีวประคณิตตามฤดูกาล (P) และจำนวนคำศัพท์เชิงอรรถเฉลี่ยตามฤดูกาล (Q) ที่เกี่ยวกับความสัมพันธ์กันในช่วงเวลาตามฤดูกาล (เช่นความล่าช้า 12 สำหรับข้อมูลรายเดือน) ลองใช้ Q1 ถ้ามีความแตกต่างตามฤดูกาลในโมเดลและหรือความสัมพันธ์กันตามฤดูกาลเป็นลบและหรือแผนการตรวจสอบความสัมพันธ์ที่เหลือจะดูสะอาดในบริเวณใกล้เคียงกับความล่าช้าตามฤดูกาลหรือลองใช้ P1 (หากเป็นไปตามตรรกะสำหรับซีรีส์ที่แสดงฤดูกาลที่แข็งแกร่งคุณจะต้องใช้ความแตกต่างตามฤดูกาลมิฉะนั้นรูปแบบตามฤดูกาลจะจางลงเมื่อคาดการณ์ในระยะยาว) บางครั้งคุณอาจต้องการลอง P2 และ Q0 หรือ vice v ersa, หรือ PQ1 อย่างไรก็ตามขอแนะนำอย่างมากว่า PQ ไม่ควรมากกว่า 2. รูปแบบตามฤดูกาลไม่ค่อยมีความสม่ำเสมอที่สมบูรณ์แบบในฤดูกาลที่มีขนาดใหญ่เพียงพอที่จะทำให้สามารถระบุและประเมินค่าพารามิเตอร์ต่างๆได้อย่างน่าเชื่อถือ นอกจากนี้อัลกอริทึม backforecasting ที่ใช้ในการประมาณค่าพารามิเตอร์มีแนวโน้มที่จะก่อให้เกิดผลลัพธ์ที่ไม่น่าเชื่อถือ (หรือบ้า) เมื่อจำนวนของฤดูกาลข้อมูลไม่ใหญ่กว่า PDQ ฉันอยากจะแนะนำไม่น้อยกว่า PDQ2 ฤดูกาลเต็มและอื่น ๆ จะดีกว่า อีกครั้งเมื่อเหมาะสมกับโมเดล ARIMA คุณควรระมัดระวังในการหลีกเลี่ยงข้อมูลที่ผิดพลาดแม้ว่าข้อเท็จจริงจะเป็นเรื่องสนุกเมื่อคุณได้รับการจัดวางไว้ กรณีพิเศษที่สำคัญ: ดังที่ระบุไว้ข้างต้นแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่จะเหมือนกับรูปแบบการเรียบแบบเลขแจงที่เรียบง่ายและสมมติว่ามีระดับลอย (เช่นไม่มีการพลิกกลับค่าเฉลี่ย) แต่มีแนวโน้มในระยะยาวเป็นศูนย์ แบบจำลอง ARIMA (0,1,1) โดยมีค่าคงที่เป็นรูปแบบการเรียบแบบเลขแจงที่เรียบง่ายซึ่งมีรูปแบบเส้นนอกรูปแบบที่ไม่ใช่ศูนย์ แบบ ARIMA (0,2,1) หรือ (0,2,2) โดยไม่มีค่าคงที่คือรูปแบบการทำให้เรียบแบบเสวนาเชิงเส้นซึ่งจะช่วยให้มีแนวโน้มที่แปรผันตามเวลา แบบจำลอง ARIMA (1,1,2) โดยไม่มีค่าคงที่คือแบบจำลองการให้ความเรียบแบบเชิงเส้นซึ่งมีแนวโน้มลดลงนั่นคือแนวโน้มที่จะแผ่ออกไปในการคาดการณ์ในระยะยาว รุ่น ARIMA ตามฤดูกาลที่พบมากที่สุดคือ ARIMA (0,1,1) x (0,1,1) โดยไม่มีค่าคงที่และ ARIMA (1,0,1) x (0,1,1) ด้วยค่าคงที่ อดีตของโมเดลเหล่านี้โดยทั่วไปจะใช้การทำให้เรียบแบบทวีคูณไปทั้งองค์ประกอบตามฤดูกาลและตามฤดูกาลของรูปแบบในข้อมูลในขณะที่อนุญาตให้มีแนวโน้มที่แปรผันตามเวลาและรูปแบบหลังมีลักษณะคล้ายกัน แต่สมมติว่ามีแนวโน้มเป็นเส้นตรงคงที่และดังนั้นจึงยาวขึ้นอีก คาดการณ์ล่วงหน้า คุณควรรวมทั้งสองโมเดลไว้ในกลุ่มผู้ต้องสงสัยของคุณเมื่อต้องการข้อมูลที่สอดคล้องกับรูปแบบตามฤดูกาล หนึ่งในนั้น (อาจมีการเปลี่ยนแปลงเล็กน้อยเช่น p เพิ่มหรือ q โดย 1 andor การตั้งค่า P1 และ Q1) ค่อนข้างบ่อยที่ดีที่สุด (Back to top of page.) การพยากรณ์โดย Smoothing Techniques เว็บไซต์นี้เป็นส่วนหนึ่งของ JavaScript E-labs สำหรับการตัดสินใจในการตัดสินใจ JavaScript อื่น ๆ ในชุดนี้มีการแบ่งประเภทภายใต้พื้นที่ที่แตกต่างของการใช้งานในส่วนของเมนูบนหน้านี้ ชุดเวลาเป็นลำดับของการสังเกตที่มีการสั่งซื้อในช่วงเวลาที่ โดยธรรมชาติในการเก็บรวบรวมข้อมูลดำเนินการในช่วงเวลาที่เป็นรูปแบบของการเปลี่ยนแปลงบางอย่างสุ่ม มีวิธีการลดการยกเลิกผลกระทบเนื่องจากรูปแบบสุ่ม ใช้เทคนิคที่ใช้กันอย่างแพร่หลาย เทคนิคเหล่านี้เมื่อนำมาประยุกต์ใช้อย่างถูกต้องจะแสดงให้เห็นถึงแนวโน้มที่ชัดเจนขึ้นอย่างชัดเจน ป้อนลำดับเวลาชุดข้อมูลเป็นแถวตามลำดับจากมุมซ้ายบนและพารามิเตอร์จากนั้นคลิกปุ่มคำนวณเพื่อขอรับการคาดการณ์ล่วงหน้าหนึ่งรอบ ช่องว่างเปล่าไม่รวมอยู่ในการคำนวณ แต่มีศูนย์อยู่ ในการป้อนข้อมูลของคุณเพื่อย้ายจากเซลล์ไปยังเซลล์ในข้อมูลเมทริกซ์ใช้แป้น Tab ไม่ใช่ลูกศรหรือป้อนคีย์ คุณลักษณะของชุดเวลาซึ่งอาจถูกเปิดเผยโดยการตรวจสอบกราฟ กับค่าคาดการณ์และพฤติกรรมที่เหลือรูปแบบการพยากรณ์สภาพ ค่าเฉลี่ยเคลื่อนที่: การย้ายอันดับเฉลี่ยเป็นหนึ่งในเทคนิคที่ได้รับความนิยมมากที่สุดสำหรับการประมวลผลล่วงหน้าของชุดข้อมูลเวลา ใช้เพื่อกรองสัญญาณรบกวนสีขาวแบบสุ่มจากข้อมูลเพื่อให้ชุดข้อมูลเวลาทำงานราบรื่นขึ้นหรือแม้แต่เพื่อเน้นองค์ประกอบข้อมูลที่มีอยู่ในชุดข้อมูลเวลา Exponential Smoothing: นี่เป็นรูปแบบที่ได้รับความนิยมมากในการผลิต Time Series เรียบ ในขณะที่ Moving Average การสังเกตการณ์ในอดีตมีการถ่วงน้ำหนักเท่ากัน Exponential Smoothing จะกำหนดค่าน้ำหนักที่ลดลงอย่างมากเมื่อการสังเกตมีอายุมากขึ้น กล่าวอีกนัยหนึ่งการสังเกตล่าสุดมีน้ำหนักมากขึ้นในการคาดการณ์มากกว่าการสังเกตที่เก่ากว่า Double Exponential Smoothing ดีกว่าในการจัดการกับแนวโน้ม Triple Exponential Smoothing ดีกว่าในการจัดการแนวโน้มพาราโบลา ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก exponenentially กับราบเรียบคง a. หมายถึงประมาณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยของความยาว (ระยะเวลา) n โดยที่ a และ n มีความสัมพันธ์กันโดย: a 2 (n1) หรือ n (2 - a) a. ดังนั้นตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักที่อธิบายด้วยค่าความยาวคลื่นและค่าคงที่การให้ราบเรียบเท่ากับ 0.1 จะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่ 19 วัน และค่าเฉลี่ยเคลื่อนที่เฉลี่ย 40 วันจะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบทวีคูณและมีค่าคงที่ที่ราบเรียบเท่ากับ 0.04878 การจัดแจงแบบเสียดสีเชิงเส้นของ Holts: สมมติว่าซีรี่ส์เวลาไม่ใช่ตามฤดูกาล แต่ไม่แสดงแนวโน้ม วิธีการของ Holts ประเมินทั้งระดับปัจจุบันและแนวโน้มในปัจจุบัน สังเกตว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นกรณีพิเศษของการทำให้เรียบโดยการตั้งค่าระยะเวลาของค่าเฉลี่ยเคลื่อนที่ไปเป็นส่วนจำนวนเต็มของอัลฟ่า (2 อัลฟ่า) สำหรับข้อมูลธุรกิจส่วนใหญ่พารามิเตอร์อัลฟาที่มีขนาดเล็กกว่า 0.40 มักมีประสิทธิภาพ อย่างไรก็ตามหนึ่งอาจดำเนินการค้นหาตารางพื้นที่พารามิเตอร์ด้วย 0.1 ถึง 0.9 โดยเพิ่มขึ้นเป็น 0.1 จากนั้นอัลฟาที่ดีที่สุดมีค่า Mean Absolute Error (MA Error) น้อยที่สุด วิธีการเปรียบเทียบวิธีการเรียบ: แม้ว่าจะมีตัวบ่งชี้ตัวเลขสำหรับการประเมินความถูกต้องของเทคนิคการคาดการณ์วิธีที่กว้างที่สุดคือการใช้การเปรียบเทียบภาพการคาดการณ์หลายอย่างเพื่อประเมินความถูกต้องและเลือกวิธีการคาดการณ์ต่างๆ ในวิธีนี้ผู้ใช้จะต้องพล็อต (ใช้เช่น Excel) บนกราฟเดียวกันค่าเดิมของตัวแปรชุดเวลาและค่าที่คาดการณ์ไว้จากวิธีการพยากรณ์อากาศต่างๆซึ่งจะช่วยให้สามารถเปรียบเทียบภาพได้ คุณอาจต้องการใช้การคาดการณ์ในอดีตโดยใช้เทคนิคการทำให้เรียบ JavaScript เพื่อรับค่าคาดการณ์ที่ผ่านมาโดยใช้เทคนิคการปรับให้เรียบโดยใช้พารามิเตอร์เพียงอย่างเดียว Holt และ Winters ใช้พารามิเตอร์สองและสามตามลำดับดังนั้นจึงไม่ใช่เรื่องง่ายที่จะเลือกค่าที่ดีที่สุดหรือใกล้เคียงกับค่าทดลองและข้อผิดพลาดของพารามิเตอร์ การเรียบแบบเอกพจน์เป็นแบบเดี่ยวจะเน้นย้ำมุมมองในระยะสั้นที่กำหนดระดับไว้เป็นข้อสังเกตสุดท้ายและขึ้นอยู่กับเงื่อนไขที่ไม่มีแนวโน้ม การถดถอยเชิงเส้นซึ่งเหมาะกับเส้นสี่เหลี่ยมจัตุรัสน้อยที่สุดต่อข้อมูลทางประวัติศาสตร์ (หรือเปลี่ยนข้อมูลทางประวัติศาสตร์) หมายถึงช่วงยาวซึ่งขึ้นอยู่กับแนวโน้มพื้นฐาน การคำนวณหาค่าความละเอียดเชิงเส้นแบบ Holts จับข้อมูลเกี่ยวกับแนวโน้มล่าสุด พารามิเตอร์ในรูปแบบ Holts คือพารามิเตอร์ระดับซึ่งควรจะลดลงเมื่อจำนวนของการแปรปรวนข้อมูลมีขนาดใหญ่และควรเพิ่มพารามิเตอร์ของเทรนด์หากทิศทางแนวโน้มล่าสุดได้รับการสนับสนุนจากสาเหตุบางประการ การคาดการณ์ในระยะสั้น: โปรดสังเกตว่า JavaScript ทุกหน้าจะให้การคาดการณ์ล่วงหน้าเพียงอย่างเดียว เพื่อให้ได้การคาดการณ์ล่วงหน้าสองขั้นตอน เพียงเพิ่มค่าที่คาดการณ์ไว้ในตอนท้ายของข้อมูลชุดข้อมูลตามเวลาและจากนั้นคลิกที่ปุ่ม Calculate เดียวกัน คุณอาจจะทำซ้ำขั้นตอนนี้สักสองสามครั้งเพื่อให้ได้การคาดการณ์ในระยะสั้นที่จำเป็นการปรับรูปแบบการปรับค่าเฉลี่ยและการอธิบายเป็นขั้นตอนแรกในการเคลื่อนย้ายโมเดลแบบจำลองแบบสุ่มและโมเดลแนวโน้มเชิงเส้นรูปแบบและแนวโน้มแบบไม่เป็นทางการ ถูกอนุมานโดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบ 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 ซึ่งหมายความว่าค่าประมาณของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าจริง 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) ถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่ 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 โดยนัยข้อมูลที่ผ่านมาควรจะลดราคาในรูปแบบที่ค่อยๆมากขึ้นตัวอย่างเช่นการสังเกตล่าสุดควรมีน้ำหนักมากกว่า 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 ที่เวลา t คำนวณจากค่าก่อนหน้าของตัวเองเช่นนี้ดังนั้นค่าที่เรียบนวลในปัจจุบันเป็นค่า interpolation ระหว่างค่าที่ได้จากการเรียบก่อนหน้าและการสังเกตการณ์ในปัจจุบันซึ่ง 945 จะควบคุมความใกล้ชิดของค่า interpolation กับค่าล่าสุด การสังเกต การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ได้รับการปรับปรุงในปัจจุบัน: เทียบเท่าเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้าในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ ในรุ่นแรกการคาดการณ์คือการแก้ไขระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้: ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าด้วยจำนวนเศษ 945 ข้อผิดพลาดเกิดขึ้นที่ เวลา t ในรุ่นที่สามการคาดการณ์คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกระดับ (เช่นลด) โดยมีปัจจัยการลดราคา 1-945: สูตรการคาดการณ์เวอร์ชันแก้ไขเป็นวิธีที่ง่ายที่สุดในการใช้งานหากคุณใช้โมเดลในสเปรดชีต: เหมาะกับรูปแบบ เซลล์เดี่ยวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้การสังเกตก่อนหน้าและเซลล์ที่เก็บค่า 945 ไว้ โปรดทราบว่าถ้า 945 1 รูปแบบ SES จะเทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า 945 0 รูปแบบ SES จะเท่ากับโมเดลเฉลี่ยโดยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ย (กลับไปด้านบนสุดของหน้า) อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์การเรียบอย่างง่ายและชี้แจงคือ 1 945 เทียบกับระยะเวลาที่คาดการณ์การคำนวณ (นี้ไม่ควรจะเป็นที่เห็นได้ชัด แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์.) ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหประมาณ 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 จึงเป็นพื้นฐานที่ใช้ในการคำนวณช่วงความเชื่อมั่นสำหรับแบบจำลอง SES โดยเฉพาะอย่างยิ่งแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันหนึ่งคำ MA (1) และไม่มีระยะคงที่ 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 ซึ่งใกล้เคียงกับค่า 0.2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่เป็นศูนย์ให้เป็นรูปแบบ SES ในการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งและเทอม MA (1) ที่มีค่าคงที่นั่นคือ ARIMA (0,1,1) โดยมีค่าคงที่ การคาดการณ์ในระยะยาวจะมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมด คุณไม่สามารถดำเนินการนี้ควบคู่กับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มแนวโน้มการชี้แจงในระยะยาวที่คงที่สำหรับแบบจำลองการทำให้เรียบแบบเลขแจงที่เรียบง่าย (โดยมีหรือไม่มีการปรับฤดูกาล) โดยใช้ตัวเลือกการปรับค่าเงินเฟ้อในขั้นตอนการคาดการณ์ อัตราการเติบโตของอัตราแลกเปลี่ยน (quotation) ในแต่ละช่วงเวลาสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลร่วมกับการแปลงลอการิทึมตามธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาว . (กลับไปด้านบนสุดของหน้า) Browns Linear (เช่น double) Exponential Smoothing โมเดล SMA และ SES สมมุติว่าไม่มีแนวโน้มใด ๆ ในข้อมูล (โดยปกติจะเป็นอย่างน้อยหรืออย่างน้อยก็ไม่เลวสำหรับ 1- การคาดการณ์ล่วงหน้าเมื่อข้อมูลมีเสียงดังมาก) และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นคงที่ดังที่แสดงไว้ข้างต้น สิ่งที่เกี่ยวกับแนวโน้มในระยะสั้นหากซีรี่ส์แสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนเมื่อเทียบกับเสียงรบกวนและหากมีความจำเป็นต้องคาดการณ์ล่วงหน้ามากกว่า 1 รอบการคาดการณ์แนวโน้มในท้องถิ่นอาจเป็นไปได้ ปัญหา แบบจำลองการทำให้เรียบเรียบง่ายสามารถสรุปเพื่อให้ได้รูปแบบการเรียบแบบเสวนาเชิงเส้น (LES) ซึ่งจะคำนวณการประมาณระดับท้องถิ่นและระดับแนวโน้ม รูปแบบแนวโน้มที่แตกต่างกันตามเวลาที่ง่ายที่สุดคือสีน้ำตาลแบบเสแสร้งแบบเสียดสีแบบเรียบซึ่งใช้ทั้งสองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่าง ๆ ในเวลา สูตรพยากรณ์ขึ้นอยู่กับการอนุมานของเส้นผ่านทั้งสองศูนย์ (รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt8217s ถูกกล่าวถึงด้านล่าง) รูปแบบพีชคณิตของ Brown8217s เชิงเส้นแบบเรียบเช่นเดียวกับรูปแบบการเรียบง่ายชี้แจงสามารถแสดงในรูปแบบที่แตกต่างกัน แต่ที่เท่าเทียมกัน รูปแบบมาตรฐานของแบบจำลองนี้มักจะแสดงดังนี้: ให้ S หมายถึงชุดแบบเดี่ยวที่เรียบง่ายได้โดยใช้การเรียบง่ายแบบเลขยกตัวอย่างให้เป็นชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย: (จำได้ว่าภายใต้หลักการง่ายๆ exponential smoothing นี่คือการคาดการณ์ของ Y ในช่วง 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 โดยใช้เครื่องชั่ง 946 และ 1-946 การตีความค่าคงที่การทรงตัวของกระแส 946 มีความคล้ายคลึงกับค่าคงที่ของการปรับให้เรียบระดับ 945 โมเดลที่มีค่าน้อย 946 อนุมานได้ว่าแนวโน้มมีการเปลี่ยนแปลงเพียงอย่างช้าๆเมื่อเวลาผ่านไป 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 หมายความว่ารูปแบบสมมติว่ามีการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบหนึ่งดังนั้นโดยทั่วไปโมเดลนี้กำลังพยายามประมาณแนวโน้มในระยะยาว 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 อาจอธิบายได้ง่ายกว่านี้และจะให้การคาดการณ์ระดับกลางของถนนต่อไปอีก 5 หรือ 10 ครั้ง ชนิดของแนวโน้มการอนุมานที่ดีที่สุดคือแนวนอนหรือเส้นตรงหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าหากข้อมูลได้รับการปรับแล้ว (ถ้าจำเป็น) สำหรับอัตราเงินเฟ้อแล้วก็อาจจะไม่ระมัดระวังในการคาดการณ์ระยะสั้นในเชิงเส้น แนวโน้มที่ไกลมากในอนาคต แนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตอันเนื่องมาจากสาเหตุที่แตกต่างกันเช่นความล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและการชะลอตัวของวัฏจักรหรือการปรับตัวในอุตสาหกรรม ด้วยเหตุนี้การเรียบอย่างง่ายจึงมักจะทำให้ได้ตัวอย่างที่ดีกว่าที่ควรจะเป็นอย่างอื่นแม้จะมีการอนุมานแนวโน้มในแนวนอน 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 (กลับไปที่ด้านบนของหน้า.)
Forex- ธนาคาร   Uppsala   สวีเดน
Forex- นายหน้า - บริษัท   ใน อินเดีย