تتحرك من المتوسط ألفا

لدي سلسلة زمنية بمتوسط ​​متحرك أسي وأريد حساب عائد متحرك لل إما خلال الفترات m الأخيرة شيء مثل عائد متحرك سلس. t هي قيمة السلاسل الزمنية في الفترة الزمنية تس t هي القيمة من إما من Y في الفترة الزمنية t. Now R t هو عودة إما خلال الفترات الزمنية m الماضية. سؤالي هو كم عدد الفترات الزمنية يجب أن تستخدم حساب إما لحساب معين معين على وجه التحديد، إذا تم حساب إما باستخدام S t ألفا Y t 1-ألفا S t-1 و ألفا يتم تعيينه بواسطة 2 N 1، فكيف ينبغي أن يعتمد N على مي m بافتراض أن N ينبغي أن يكون أقل بما فيه الكفاية من m لمنع تراكب قيم Y المستخدمة في الحساب من S تي و S تم. أي نظريات أو أفضل الممارسات حول هذا. هذا هو في الواقع مشكلة معقدة نوعا ما هناك بعض الاتجاهات التي يمكن أن ننظر إلى طريقة واحدة، الموصى بها عادة في الأدب التنبؤ، هو لتحسين للخطأ التنبؤ. إذا لديك تطبيق معين في الاعتبار يمكنك تحديد وظيفة التكلفة الخاصة بك لاختيار imise. A وجهة نظر مختلفة على هذا هو أن ننظر إلى إوما كنموذج فضاء الدولة، ثم المشكلة هي ما يعادل إعداد مرشح كالمان المناسب الذي يمكنك القيام به مع مل، انظر على سبيل المثال تحليل سلسلة الوقت من قبل الدولة سباس Methods. There هي الاتجاهات الأخرى التي يمكن أن تذهب، ولكن أعتقد أن هذا سوف تعطيك فكرة. لدي قيمة مستمرة التي أود أن حساب المتوسط ​​المتحرك الأسي عادة أنا مجرد استخدام الصيغة القياسية لهذا this. where S ن هو الجديد متوسط، هو ألفا، Y هو العينة، و S ن -1 هو المتوسط ​​السابق. لسوء الحظ، نظرا لقضايا مختلفة أنا لا ر لديك عينة ثابتة الوقت قد أعرف أنني يمكن أن العينة على الأكثر، ويقول مرة واحدة في ميلي ثانية واحدة ، ولكن نظرا لعوامل خارج عن سيطرتي، وأنا قد لا تكون قادرة على أخذ عينة لعدة ميلي ثانية في وقت وهناك حالة أكثر شيوعا المرجح، ومع ذلك، هو أنني بسيطة عينة قليلا في وقت مبكر أو في وقت متأخر بدلا من أخذ العينات في 0، 1 و 2 مللي ثانية أعتبرها في 0 و 0 و 9 1 مس أتوقع أنه بغض النظر عن التأخيرات، فإن سامبلي سوف نغ تردد تكون بعيدة، أعلى بكثير من الحد نيكيست، وبالتالي لا داعي للقلق حول aliasing. I احسب أنني يمكن التعامل مع هذا بطريقة أكثر أو أقل معقولة من خلال تغيير ألفا بشكل مناسب، على أساس طول الوقت منذ العينة الأخيرة. جزء من المنطق الذي سأفترضه هو أن هذا العمل هو أن إما استيفاء خطيا بين نقطة البيانات السابقة والحالية واحدة إذا أخذنا في الاعتبار حساب إما من القائمة التالية من العينات على فترات t 0،1،2،3 ، 4 يجب أن نحصل على نفس النتيجة إذا استخدمنا الفاصل الزمني 2t، حيث تصبح المدخلات 0،2،4، يمين إذا افترضت إما أنه عند t 2 كانت القيمة 2 منذ t 0 التي ستكون هي نفسها الفاصل t حساب حساب على 0،2،2،4،4، والتي لا تفعل أو لا معنى له على الإطلاق. يمكن أن يقول لي أحدهم كيفية تغيير ألفا بشكل مناسب يرجى إظهار عملك أنا ه تبين لي الرياضيات التي تثبت أن الأسلوب الخاص بك هو حقا يفعل الشيء الصحيح. اسكنت يونيو 21 09 في 13 05.You شولن ر الحصول على نفس إما لمختلف المدخلات T هينك إما كما مرشح، أخذ العينات في 2t ما يعادل إلى أسفل أخذ العينات، والمرشح هو الذهاب الى إعطاء انتاج مختلفة هذا واضح بالنسبة لي منذ 0،2،4 يحتوي على مكونات تردد أعلى من 0،1،2،3،4 ما لم يكن السؤال هو، كيف يمكنني تغيير فلتر على الطاير لجعله يعطي نفس الانتاج ربما أنا في عداد المفقودين شيء فريسباس يونيو 21 09 في 15 52.ولكن المدخلات ليست مختلفة، انها مجرد عينات أقل في كثير من الأحيان 0،2 ، 4 على فترات 2t هو مثل 0، 2،، 4 على فترات t، حيث يشير إلى أن يتم تجاهل العينة كيرت سامبسون يونيو 21 09 في 23 45.This الجواب على أساس الفهم الجيد للمرشحات منخفضة تمريرة المتوسط ​​المتحرك الأسي هو في الحقيقة مجرد مرشح لوباس واحد القطب، ولكن بلدي فهم ضبابي ما كنت تبحث عن أعتقد أن ما يلي هو ما تريد. أولا، يمكنك تبسيط المعادلة الخاصة بك تبدو قليلا أكثر تعقيدا ولكن من الأسهل في التعليمات البرمجية أنا م الذهاب إلى استخدام Y للإخراج و X للإدخال بدلا من S للإخراج و Y للإدخال، كما كنت قد فعلت. ثانيا، فال إي من هنا يساوي 1-e - t حيث t هو الوقت بين العينات، وهو ثابت الوقت لمرشح تمرير منخفض أقول متساوي في يقتبس لأن هذا يعمل بشكل جيد عندما t صغيرة بالمقارنة مع 1، e - ت ولكن ليس صغيرا جدا سوف تقوم بتجريب المسائل كميا، وما لم تلجأ إلى بعض التقنيات الغريبة تحتاج عادة إلى N بت إضافية من القرار في متغير الدولة S، حيث N-لوغ 2 للحصول على قيم أكبر من t تأثير الترشيح يبدأ في تختفي، حتى تحصل على النقطة التي هي قريبة من 1 وكنت إعادة أساسا مجرد تعيين المدخلات إلى الإخراج. هذا يجب أن تعمل بشكل صحيح مع قيم متفاوتة من t تباين t ليست مهمة جدا طالما ألفا هو صغير ، وإلا سوف تعمل في بعض القضايا نيكيست غريبة بدلا التعرج الخ، وإذا كنت تعمل على المعالج حيث الضرب هو أرخص من الانقسام، أو قضايا نقطة ثابتة مهمة، بريكالكوليت 1، والنظر في محاولة لتقريب صيغة for. If كنت تريد حقا أن نعرف كيفية اشتقاق فو rmula. then النظر في مصدر المعادلة التفاضلية. وهذا عندما X هو وظيفة خطوة وحدة، لديه الحل Y 1 - e - t لقيم صغيرة من ر، ويمكن تقريب المشتقة من قبل تي تي، العائد. واستقراء 1 - e - t يأتي من محاولة لمطابقة السلوك مع وحدة وظيفة الخطوة حالة. هل يمكن أن يرجى توضيح على محاولة لمطابقة الجزء السلوك أنا أفهم الحل الخاص بك الوقت المستمر Y 1 - إكس - t وتعميمها ل تحجيم وظيفة الخطوة مع حجم س والحالة الأولية ص 0 ولكن أنا م لا نرى كيفية وضع هذه الأفكار معا لتحقيق النتيجة الخاصة بك ريس أولريش 4 مايو 13 في 22 34.This ليس إجابة كاملة، ولكن قد يكون بداية واحدة من ذلك s بقدر ما حصلت مع هذا في ساعة أو نحو ذلك من اللعب أنا م نشره كمثال على ما أنا أبحث عنه، وربما مصدر إلهام للآخرين الذين يعملون على المشكلة. أبدأ مع S 0 وهو متوسط ​​الناتج من المتوسط ​​السابق S -1 والعينة Y 0 المأخوذة عند t 0 t 1 - t 0 هي عينة بيني فال ويتم تعيين على كل ما هو مناسب لتلك الفاصل الزمني العينة والفترة التي أود أن المتوسط. أعتبر ما يحدث إذا أفتقد العينة في ر 1 وبدلا من ذلك يجب أن تجعل مع العينة Y 2 تؤخذ في ر 2 حسنا ، يمكننا أن نبدأ من خلال توسيع المعادلة لنرى ما كان يمكن أن يحدث لو كان لدينا Y 1.I لاحظ أن سلسلة يبدو أن تمتد بلا حدود بهذه الطريقة، لأننا يمكن أن تحل محل S ن في الجانب الأيمن إلى أجل غير مسمى. أو ك، حتى انها ليست حقا متعدد الحدود سخيفة لي، ولكن إذا كنا مضاعفة المدى الأولي من قبل واحد، ونحن بعد ذلك نرى نمط. هو انها سلسلة الأسية كيل مفاجأة تخيل أن الخروج من معادلة لمتوسط ​​متحرك أسي. على أي حال، لدي هذا x 0 × 1 × 2 × 3 شيء الذهاب، وأنا متأكد من أنني أنا رائحة e أو اللوغاريتم الطبيعي الركل هنا، ولكن لا أستطيع أن أتذكر أين كنت تتجه المقبل قبل أن نفد من time. Any الجواب على هذا السؤال، أو أي دليل على صحة مثل هذا الجواب، يعتمد إلى حد كبير على البيانات التي إعادة قياس إذا تم أخذ العينات الخاصة بك في t 0 0ms t 1 0 9ms و t 2 2 1ms ولكن اختيارك هو على أساس 1-مس فترات، وبالتالي كنت ترغب في تعديلها محليا ن إثبات صحة الاختيار يعني معرفة قيم العينة في t 1ms و t 2ms. هذا يؤدي إلى السؤال هل يمكنك استيفاء البيانات الخاصة بك ريسونابلي أن يكون التخمينات عاقل من ما بين القيم قد تكون أو يمكنك حتى إنتيربولات المتوسط ​​نفسه. إذا لم يكن أي من هذه ممكنة، ثم بقدر ما أرى ذلك، فإن الخيار المنطقي للقيمة الفاصلة بين t t هو المتوسط ​​المحسوب الأخير أي y t s n حيث n هو ماكسميال بحيث يكون t t. هذا الخيار له نتيجة بسيطة ترك وحده، بغض النظر عن ما هو الفرق الزمني. إذا كان، من ناحية أخرى، فمن الممكن لاستيفاء القيم الخاصة بك، ثم وهذا سوف تعطيك عينات ثابت فاصل زمني أخيرا، إذا كان من الممكن حتى لاستيفاء المتوسط ​​نفسه، من شأنها أن تجعل السؤال بلا معنى. view يونيو 21 09 أت 15 08.balpha 27 2k 10 87 118. سأفعل أعتقد أنني يمكن أن استيفاء البيانات الخاصة بي نظرا لأنني أخذ العينات على فترات منفصلة، ​​وأنا بالفعل القيام بذلك مع معيار إما على أي حال، نفترض أنني بحاجة إلى إثبات أن يظهر أنه يعمل فضلا عن إما القياسية، والتي أيضا سوف تنتج نتيجة غير صحيحة إذا كانت القيم لا تتغير بسلاسة إلى حد ما بين فترات العينة كيرت سامبسون يونيو 21 09 في 15 21. ولكن ذلك ق ما أنا أقول إذا كنت تعتبر إما استيفاء القيم الخاصة بك، يمكنك القيام به إذا تركت ألفا كما هو لأن إدراج أحدث المتوسط ​​كما Y لا تغير المتوسط ​​إذا كنت تقول أنك بحاجة إلى شيء يعمل وكذلك معيار إما - ما هو الخطأ مع الأصلي ما لم يكن لديك المزيد من المعلومات حول البيانات التي إعادة قياس، أي تعديلات المحلية إلى ألفا سيكون في أحسن الأحوال بالفا التعسفي يونيو 21 09 في 15 31.I سوف تترك قيمة ألفا وحدها، وملء البيانات المفقودة. منذ كنت لا تعرف ما يحدث خلال الوقت الذي يمكنك ر عينة، يمكنك ملء تلك عينات مع 0S، أو عقد الخامس السابق ألو مستقرة واستخدام تلك القيم ل إما أو بعض الاستيفاء إلى الوراء مرة واحدة لديك عينة جديدة، وملء القيم المفقودة، وإعادة حساب إما. ما أحاول الحصول عليه هو لديك إدخال شن التي لديها ثقوب لا يوجد طريقة للتغلب على حقيقة كنت في عداد المفقودين البيانات حتى تتمكن من استخدام ترتيب الصفر عقد، أو تعيينه إلى الصفر، أو نوع من الاستيفاء بين شن و شن M حيث M هو عدد من العينات المفقودة و ن بداية الفجوة ربما حتى استخدام القيم قبل n. resp يونيو 21 09 في 13 35.من قضاء ساعة أو نحو ذلك التقليل قليلا مع الرياضيات لهذا، وأعتقد أن ببساطة تغيير ألفا سوف تعطيني فعلا الاستيفاء الصحيح بين نقطتين أن تتحدث عن ذلك، ولكن بطريقة أبسط بكثير وعلاوة على ذلك، وأعتقد أن تختلف ألفا سوف أيضا التعامل بشكل صحيح مع العينات التي اتخذت بين فترات أخذ العينات القياسية وبعبارة أخرى، أنا م تبحث عن ما وصفته، ولكن في محاولة لاستخدام الرياضيات لمعرفة طريقة بسيطة للقيام بذلك كيرت سامبسون يونيو 21 09 أت 14 07.I دون أن أعتقد أن هناك مثل هذا الوحش كما الاستيفاء الصحيح أنت ببساطة لا تعرف ما حدث في الوقت الذي لم يكن أخذ العينات الاستيفاء الجيد والسيئ يعني بعض المعرفة ما فاتك، لأنك تحتاج إلى قياس ضد أن الحكم على ما إذا كان الاستيفاء جيدة أو سيئة على الرغم من أن قال، يمكنك وضع القيود، أي مع أقصى تسارع، والسرعة، وما إلى ذلك أعتقد إذا كنت لا تعرف كيفية نموذج البيانات المفقودة، ثم كنت مجرد نموذج البيانات المفقودة، ثم تطبيق خوارزمية إما مع أي تغيير، بدلا من تغيير ألفا فقط بلدي 2C فريسباس يونيو 21 09 في 14 17. هذا هو بالضبط ما كنت الحصول على في بلدي تحرير على السؤال قبل 15 دقيقة كنت ببساطة لا أعرف ما حدث في ذلك الوقت كنت لا أخذ العينات، ولكن هذا صحيح حتى لو كنت عينة في كل فترة زمنية محددة وبالتالي بلدي نيكيست التأمل طالما كنت تعرف شكل موجة لا تغيير الاتجاهات أكثر من كل زوجين من العينات، لا ينبغي أن الفاصل الزمني الفعلي عينة من المهم، وينبغي يكون عاء e لتختلف معادلة إما يبدو لي بالضبط لحساب كما لو تغير شكل الموجي خطيا من قيمة العينة الأخيرة إلى واحد الحالي كيرت سامبسون يونيو 21 09 في 14 26. أنا لا أعتقد أن هذا صحيح تماما نظرية نيكيست s يتطلب الحد الأدنى من 2 عينات لكل فترة لتكون قادرة على تحديد فريد إشارة إذا كنت لا تفعل ذلك، يمكنك الحصول على التعرج سيكون نفس أخذ العينات كما fs1 لبعض الوقت، ثم fs2، ثم العودة إلى fs1، وتحصل على التعرج في البيانات عند عينة مع fs2 إذا fs2 أقل من الحد نيكيست أنا أيضا يجب أن أعترف أنا لا أفهم ما تقصده التغييرات الموجي خطيا من العينة الأخيرة إلى الحالية واحدة هل يمكن أن تفسر هتافات ستيف فريسباس يونيو 21 09 في 14 36.This هو مماثل لمشكلة مفتوحة على بلدي قائمة تودو لدي مخطط واحد عملت إلى حد ما ولكن لم يكن لديك العمل الرياضي لدعم هذا الاقتراح بعد. ملخص التحديث أود أن الحفاظ على عامل التمهيد ألفا مستقلة عن عامل التعويض الذي أشير إلى بيتا هنا جا ابن ق الإجابة ممتازة قبلت بالفعل هنا يعمل كبيرة بالنسبة لي. إذا كنت يمكن أيضا قياس الوقت منذ أخذت العينة الأخيرة في مضاعفات مدورة من الوقت أخذ العينات المستمر الخاص بك - لذلك 7 8 مللي ثانية منذ آخر عينة سيكون 8 وحدات، يمكن أن يكون تستخدم لتطبيق تجانس عدة مرات تطبيق الصيغة 8 مرات في هذه الحالة لقد جعلت على نحو فعال منحازة التحيز أكثر نحو القيمة الحالية. لتحسين أفضل، ونحن بحاجة إلى قرص ألفا أثناء تطبيق الصيغة 8 مرات في الحالة السابقة. ماذا هذا التجانس تقريب miss. It قد غاب بالفعل 7 عينات في المثال أعلاه. وقد تم تقريب هذا في الخطوة 1 مع بالارض إعادة تطبيق القيمة الحالية 7 مرات إضافية. إذا حددنا عامل تقريبي بيتا التي ستكون يطبق جنبا إلى جنب مع ألفا كما بيتا ألفا بدلا من ألفا فقط، ونحن سوف نفترض أن 7 عينات غاب تتغير بسلاسة بين قيم العينة السابقة والحالية. جيب يونيو 21 09 في 13 35. أنا لم أفكر في ثي s، ولكن قليلا من الخداع حول مع الرياضيات حصلت لي إلى النقطة التي أعتقد أنه بدلا من تطبيق الصيغة ثماني مرات مع قيمة العينة، ويمكنني أن أفعل حساب ألفا جديد من شأنها أن تسمح لي لتطبيق الصيغة مرة واحدة، وتعطيني نفس النتيجة وعلاوة على ذلك، وهذا سوف تتعامل تلقائيا مع قضية عينات تعويض من عينة عينة بالضبط كورت سامبسون يونيو 21 09 في 13 47.The تطبيق واحد على ما يرام ما أنا لست متأكدا حتى الآن هو كيف جيدة هو التقريب من 7 القيم المفقودة إذا الحركة المستمرة يجعل غضب قيمة الكثير عبر 8 ميلي ثانية، قد تكون تقريبية تماما قبالة الواقع ولكن إذا كنت أخذ العينات في 1ms أعلى قرار باستثناء العينات المتأخرة كنت قد برزت بالفعل غضب ضمن 1MS ليست ذات صلة هل هذا المنطق العمل بالنسبة لك ما زلت أحاول إقناع نفسي نيك يونيو 21 09 في 14 08.Right هذا هو بيتا عامل من وصفي سيتم حساب عامل بيتا على أساس الفاصل الزمني الفرق والعينات الحالية والسابقة سيكون ألفا الجديد بيتا ألفا ولكن سيتم استخدامه فقط لتلك العينة بينما يبدو أنك تتحرك ألفا في الصيغة، أنا أميل نحو عامل التجانس ألفا المستمر وعامل ضبط بيتا المحسوبة بشكل مستقل أن يعوض عن عينات غاب الآن نيك يونيو 21 09 في 15 23. المتوسط ​​المتحرك ونماذج التمهيد الأسي. كخطوة أولى في التحرك ما وراء النماذج المتوسطة، ونماذج المشي العشوائي، ونماذج الاتجاه الخطي، أنماط غير مواضيعية والاتجاهات يمكن استقراء باستخدام تحريك نموذج المتوسط ​​أو التمهيد الافتراض الأساسي وراء نماذج المتوسط ​​والتجانس هو أن السلاسل الزمنية ثابتة محليا بمتوسط ​​متغير ببطء وبالتالي فإننا نأخذ متوسطا محليا متحركا لتقدير القيمة الحالية للمتوسط ​​ومن ثم استخدامه كمؤشر ل في المستقبل القريب ويمكن اعتبار هذا بمثابة حل وسط بين النموذج المتوسط ​​ونموذج المشي العشوائي دون الانجراف ويمكن استخدام نفس الاستراتيجية لتقدير واستقراء المحلي تري و غالبا ما يطلق على المتوسط ​​المتحرك نسخة ممهدة من السلسلة الأصلية لأن المتوسط ​​في المدى القصير له تأثير على إزالة المطبات في السلسلة الأصلية من خلال تعديل درجة تمهيد عرض المتوسط ​​المتحرك، يمكننا أن نأمل في ضرب بعض نوع من التوازن الأمثل بين أداء المتوسط ​​و نماذج المشي العشوائية أبسط نوع من نموذج المتوسط ​​هو. سيمبل المتوسط ​​المتحرك بالتساوي المرجح. التنبؤ لقيمة Y في الوقت t 1 الذي يتم في وقت t يساوي بسيطة متوسط ​​آخر الملاحظات م. هنا وفي أماكن أخرى سأستخدم الرمز Y-هات للوقوف على توقعات للسلسلة الزمنية Y التي تم إجراؤها في أقرب موعد ممكن من قبل نموذج معين ويتركز هذا المتوسط ​​في الفترة t 1 1، مما يعني أن تقدير فإن المتوسط ​​المحلي سيميل إلى التخلف عن القيمة الحقيقية للمتوسط ​​المحلي بحوالي m 2 2 وبالتالي فإننا نقول أن متوسط ​​عمر البيانات في المتوسط ​​المتحرك البسيط هو m 1 2 بالنسبة إلى الفترة التي يتم فيها حساب التنبؤ هذا هو مقدار الوقت الذي من شأنه أن التنبؤات تميل إلى تخلف نقاط تحول في البيانات على سبيل المثال، إذا كنت متوسط ​​القيم 5 الماضية، فإن التوقعات ستكون حوالي 3 فترات في وقت متأخر من الاستجابة لنقاط تحول لاحظ أنه إذا م 1، متوسط ​​نموذج المتوسط ​​المتحرك المتوسط ​​البسيط يساوي نموذج المشي العشوائي بدون نمو إذا كانت m كبيرة جدا مقارنة بطول فترة التقدير، فإن نموذج سما يعادل النموذج المتوسط ​​كما هو الحال مع أي معلمة لنموذج التنبؤ، لضبط قيمة كي n للحصول على أفضل ملاءمة للبيانات، أي أصغر أخطاء التنبؤ في المتوسط. هنا هو مثال لسلسلة التي يبدو أن تظهر تقلبات عشوائية حول متوسط ​​ببطء متغير أولا، دعونا نحاول لتناسب ذلك مع المشي العشوائي نموذج، وهو ما يعادل متوسط ​​متحرك بسيط من 1 term. The نموذج المشي العشوائي يستجيب بسرعة كبيرة للتغيرات في هذه السلسلة، ولكن في ذلك يفعل ذلك يختار الكثير من الضوضاء في البيانات تقلبات عشوائية، فضلا عن إشارة المحلية يعني إذا حاولنا بدلا من ذلك متوسط ​​متحرك بسيط من 5 مصطلحات، نحصل على مجموعة أكثر سلاسة من التوقعات. المتوسط ​​المتحرك البسيط لمدة 5 سنوات ينتج أخطاء أقل بكثير من نموذج المشي العشوائي في هذه الحالة متوسط ​​عمر البيانات في هذا التنبؤ هو 3 5 1 2، بحيث يميل إلى التخلف عن نقاط التحول بنحو ثلاث فترات على سبيل المثال، يبدو أن الانكماش قد حدث في الفترة 21، ولكن التنبؤات لا تتحول حتى عدة فترات في وقت لاحق. لاحظ أن المدى الطويل، والتنبؤات طويلة الأجل من وزارة الدفاع سما إل هي خط أفقي مستقيم، تماما كما في نموذج المشي العشوائي وهكذا، يفترض نموذج سما أنه لا يوجد اتجاه في البيانات ومع ذلك، في حين أن التوقعات من نموذج المشي العشوائي هي ببساطة مساوية لقيمة الملاحظة الأخيرة، والتنبؤات من فإن نموذج سما يساوي المتوسط ​​المرجح للقيم الأخيرة. حدود الثقة التي تحسبها ستاتغرافيكس للتنبؤات طويلة الأجل للمتوسط ​​المتحرك البسيط لا تتسع مع زيادة أفق التنبؤ هذا من الواضح أنه ليس صحيحا للأسف، النظرية الإحصائية التي تخبرنا كيف يجب أن تتسع فترات الثقة لهذا النموذج ومع ذلك، ليس من الصعب جدا حساب التقديرات التجريبية لحدود الثقة لتوقعات الأفق الأطول على سبيل المثال، يمكنك إعداد جدول بيانات فيه نموذج سما سوف تستخدم للتنبؤ بخطوتين إلى الأمام و 3 خطوات إلى الأمام وما إلى ذلك ضمن عينة البيانات التاريخية. يمكنك بعد ذلك حساب الانحرافات المعيارية للعينة في كل توقعات h أوريزون، ومن ثم بناء فترات الثقة للتنبؤات الأطول أجلا عن طريق جمع وطرح مضاعفات الانحراف المعياري المناسب. إذا حاولنا متوسط ​​متحرك بسيط لمدة 9 سنوات، نحصل على توقعات أكثر سلاسة وأكثر تأثيرا متخلفا. الآن 5 فترات 9 1 2 إذا أخذنا متوسط ​​متحرك لمدة 19 عاما، فإن متوسط ​​العمر يزداد إلى 10.لاحظ أن التوقعات في الواقع تتخلف الآن عن نقاط التحول بنحو 10 فترات. كما أن كمية التجانس هي الأفضل لهذه السلسلة في ما يلي جدول يقارن إحصاءات الخطأ الخاصة بهم، بما في ذلك أيضا متوسط ​​3 فترات. نموذج C، المتوسط ​​المتحرك لمدة 5 سنوات، ينتج أدنى قيمة ل رمز بهامش صغير على متوسطات المدى 3 و 9، إحصائياتهم الأخرى متطابقة تقريبا لذلك، من بين نماذج مع إحصاءات الخطأ مشابهة جدا، يمكننا أن نختار ما إذا كنا نفضل أكثر قليلا من الاستجابة أو أكثر قليلا نعومة في التوقعات العودة إلى أعلى الصفحة. الألوان s الأسي بسيط تمهيد أضعافا مضاعفة أضعافا مضاعفة متوسط ​​المتوسط ​​المتحرك البسيط الموضح أعلاه يحتوي على الخاصية غير المرغوب فيها التي يتعامل معها ملاحظات k الأخيرة بالتساوي وبشكل كامل يتجاهل جميع الملاحظات السابقة بشكل حدسي، يجب أن يتم خصم البيانات السابقة بطريقة أكثر تدرجية - على سبيل المثال، والحصول على أكثر من ذلك بقليل من الوزن الثاني من أحدث، والثاني الأكثر حداثة يجب الحصول على وزن أكثر قليلا من 3 أحدث، وهلم جرا بسيطة الأسي تمهيد نموذج سيس ينجز هذا. لاحظ يدل على ثابت تمهيد عدد بين 0 و 1 طريقة واحدة لكتابة النموذج هو تحديد سلسلة L التي تمثل المستوى الحالي أي القيمة المتوسطة المحلية للسلسلة كما يقدر من البيانات حتى الوقت الحاضر يتم حساب قيمة L في الوقت t بشكل متكرر من قيمته السابقة مثل هذا. وهكذا، فإن القيمة الملساء الحالية هي الاستكمال الداخلي بين القيمة الملساء السابقة والمراقبة الحالية، حيث تسيطر على القرب من قيمة محرف إلى أكثر إعادة سينت المراقبة التوقعات للفترة القادمة هي ببساطة قيمة ممهدة الحالية. على العكس من ذلك، يمكننا التعبير عن التوقعات القادمة مباشرة من حيث التوقعات السابقة والملاحظات السابقة، في أي من الإصدارات المكافئة التالية في النسخة الأولى، والتنبؤ هو الاستيفاء بين التوقعات السابقة والملاحظة السابقة. في النسخة الثانية، يتم الحصول على التوقعات القادمة عن طريق ضبط التوقعات السابقة في اتجاه الخطأ السابق عن طريق كمية كسور. is الخطأ المحرز في الوقت t في النسخة الثالثة، والتنبؤ هو أي المتوسط ​​المتحرك المخصوم مع معامل الخصم 1. إن نسخة الاستكمال الداخلي لصيغة التنبؤ هي أبسط الاستخدامات إذا كنت تنفذ النموذج على جدول بيانات يناسبه في خلية واحدة ويحتوي على مراجع خلية تشير إلى التنبؤ السابق، الملاحظة، والخلية حيث يتم تخزين قيمة. ملاحظة أنه إذا كان 1، نموذج سيس ما يعادل نموذج المشي سيرا على الأقدام عشوائي نمو هوت إذا كان نموذج سيس يساوي النموذج المتوسط، على افتراض أن القيمة الملساء الأولى تم تعيينها مساوية لمتوسط ​​العائد إلى أعلى الصفحة. متوسط ​​عمر البيانات في التنبؤات الأسية البسيطة - تمهيد هو 1 النسبية إلى الفترة التي يتم حساب التنبؤ بها ليس من المفترض أن تكون واضحة، ولكن يمكن بسهولة أن تظهر من خلال تقييم سلسلة لانهائية وبالتالي، فإن متوسط ​​التوقعات المتحركة البسيطة يميل إلى التخلف عن نقاط التحول بنحو 1 فترات على سبيل المثال، عند 0 5 الفاصل الزمني هو فترتين عندما يكون 0 2 الفارق الزمني 5 فترات عندما يكون 0 1 الفارق الزمني 10 فواصل وهكذا بالنسبة لعمر متوسط ​​معين أي مقدار الفارق الزمني فإن التنبؤ الأسي البسيط للتلطيف سيس متفوق إلى حد ما على التحرك البسيط متوسط ​​توقعات سما لأنه يضع وزنا أكبر نسبيا على الملاحظة الأخيرة - فهو أكثر استجابة قليلا للتغيرات التي تحدث في الماضي القريب على سبيل المثال، نموذج سما مع 9 شروط ونموذج سيس مع 0 2 على حد سواء لديها متوسط ​​العمر من 5 ل دا تا في توقعاتها، ولكن نموذج سيس يضع وزنا أكبر على القيم 3 الماضية مما يفعل نموذج سما، وفي الوقت نفسه فإنه لا ننسى تماما القيم أكثر من 9 فترات القديمة، كما هو مبين في هذا الرسم البياني. أية ميزة أخرى من فإن نموذج سيس على نموذج سما هو أن نموذج سيس يستخدم معلمة تمهيد تتغير باستمرار بحيث يمكن تحسينها بسهولة باستخدام خوارزمية حلالا لتقليل متوسط ​​الخطأ الوسطي وتبين القيمة المثلى لنموذج سيس لهذه السلسلة أن يكون 0 2961، كما هو مبين هنا. متوسط ​​عمر البيانات في هذه التوقعات هو 1 0 2961 3 4 فترات، وهو مماثل للمتوسط ​​المتحرك البسيط لمدة 6. التوقعات على المدى الطويل من نموذج سيس هي خط مستقيم أفقي كما هو الحال في نموذج سما ونموذج المشي العشوائي دون نمو ومع ذلك، لاحظ أن فترات الثقة التي يحسبها ستاتغرافيكس الآن تتباعد بطريقة معقولة المظهر، وأنها هي أضيق بكثير من فترات الثقة للراند أوم نموذج المشي يفترض أن سلسلة يمكن التنبؤ بها إلى حد ما أكثر من نموذج المشي العشوائي. نموذج سيس هو في الواقع حالة خاصة من نموذج أريما حتى نظرية إحصائية نماذج أريما يوفر أساسا سليما لحساب فترات الثقة ل نموذج سيس على وجه الخصوص، نموذج سيس هو نموذج أريما مع اختلاف واحد غير منطقي، وهو مصطلح 1 ما، وليس هناك مصطلح ثابت يعرف باسم أريما 0،1،1 نموذج دون ثابت معامل ما 1 في نموذج أريما يتوافق مع الكمية 1 في نموذج سيس على سبيل المثال، إذا كنت تناسب أريما 0،1،1 نموذج دون ثابت لسلسلة تحليلها هنا، فإن معامل ما 1 المقدرة تبين أن 0 7029، وهو تقريبا تقريبا واحد ناقص 0 2961. ومن الممكن إضافة افتراض اتجاه خطي ثابت غير صفري إلى نموذج سيس للقيام بذلك، ما عليك سوى تحديد نموذج أريما بفروق نونزاسونال واحدة ومدة ما 1 مع ثابت، أي نموذج أريما 0،1،1 مع ثابت سوف التوقعات على المدى الطويل ثم يكون الاتجاه الذي يساوي الاتجاه المتوسط ​​لوحظ على مدى فترة التقدير بأكملها لا يمكنك القيام بذلك جنبا إلى جنب مع التعديل الموسمية، لأن خيارات التعديل الموسمية يتم تعطيل عندما يتم تعيين نوع النموذج إلى أريما ومع ذلك، يمكنك إضافة ثابت طويلة إلى نموذج بسيط للتجانس الأسي مع أو بدون تعديل موسمية باستخدام خيار تعديل التضخم في إجراء التنبؤ يمكن تقدير معدل النمو المناسب لنسبة التضخم في كل فترة على أنه معامل الانحدار في نموذج اتجاه خطي مجهز بالبيانات في جنبا إلى جنب مع التحول اللوغاريتم الطبيعي، أو أنه يمكن أن تستند إلى معلومات أخرى مستقلة بشأن آفاق النمو على المدى الطويل العودة إلى أعلى الصفحة. الخطية s الخطي أي ضعف الأسي تمهيد. نماذج سما ونماذج سيس تفترض أنه لا يوجد أي اتجاه من أي نوع في البيانات التي عادة ما تكون موافق أو على الأقل ليست سيئة جدا ل 1-خطوة قبل التوقعات عندما تكون البيانات نوي نسبيا ويمكن تعديلها لدمج اتجاه خطي ثابت كما هو مبين أعلاه ماذا عن الاتجاهات قصيرة الأجل إذا كانت سلسلة يعرض معدل نمو متفاوت أو نمط دوري الذي يبرز بوضوح ضد الضوضاء، وإذا كان هناك حاجة إلى وتوقع أكثر من 1 فترة المقبلة، ثم تقدير الاتجاه المحلي قد يكون أيضا قضية ويمكن تعميم نموذج التمهيد الأسي بسيط للحصول على خطية الأسية تمهيد نموذج ليس الذي يحسب التقديرات المحلية من كل من المستوى والاتجاه. أبسط الاتجاه متغيرة الوقت النموذج هو نموذج تمهيد الأسي الخطي براون، والذي يستخدم اثنين من سلسلة سلسة مختلفة التي تتمحور في نقاط مختلفة في الوقت المحدد ويستند صيغة التنبؤ على استقراء خط من خلال المركزين وهناك نسخة أكثر تطورا من هذا النموذج، هولت s، هو نوقشت أدناه. يمكن التعبير عن شكل جبري من براون s الخطي الأسي تمهيد نموذج، مثل ذلك من نموذج تمهيد الأسي بسيط، في عدد من مختلف ولكن ه الأشكال المتكافئة عادة ما يعبر عن الشكل القياسي لهذا النموذج على النحو التالي تدل S تدل على سلسلة سلسة منفردة التي تم الحصول عليها عن طريق تطبيق تمهيد الأسي بسيط لسلسلة Y وهذا هو، وتعطى قيمة S في الفترة t من قبل. أذكر أنه في ظل تمهيد الأسي بسيط، وهذا سيكون التنبؤ ل Y في الفترة ر 1 ثم اسمحوا S تدل على سلسلة سلسة تم الحصول عليها عن طريق تطبيق تمهيد الأسي بسيط باستخدام نفسه لسلسلة S. Finally، والتوقعات ل يك تك لأي k 1. ويعطي هذا العائد e 1 0 أي غش قليلا، والسماح للتنبؤ الأول يساوي الملاحظة الأولى الفعلية، و e 2 Y 2 Y 1 وبعد ذلك يتم توليد التنبؤات باستعمال المعادلة أعلاه ينتج هذا القيم المجهزة نفسها كما الصيغة التي تستند إلى S و S إذا تم بدء هذه الأخيرة باستخدام S 1 S 1 Y 1 يستخدم هذا الإصدار من النموذج في الصفحة التالية التي توضح مجموعة من التجانس الأسي مع التعديل الموسمي. الخطي S الخطي الأسي Smoothing. Brown s يحسب التقديرات المحلية من المستوى والاتجاه من خلال تمهيد البيانات الأخيرة، ولكن حقيقة أن يفعل ذلك مع معلمة تمهيد واحد يضع قيدا على أنماط البيانات التي هي قادرة على تناسب المستوى والاتجاه لا يسمح لها أن تختلف في معدلات مستقلة هولت s ليس نموذج يتناول هذه المسألة من خلال تضمين اثنين من ثوابت تمهيد، واحدة لمستوى واحد للاتجاه في أي وقت t، كما هو الحال في نموذج براون s، وهناك تقدير L ر من المستوى المحلي وتقدير T t للاتجاه المحلى هنا يتم حسابها بشكل متكرر من قيمة Y الملاحظة فى الوقت t والتقديرات السابقة لمستوى واتجاه المعادلتين اللتين تنطبقان على تمهيد أسي لها بشكل منفصل. إذا كان المستوى المقدر والاتجاه في الوقت t-1 هما T t 1 و T t-1 على التوالي، فإن التنبؤات Y t التي كان من الممكن أن تكون قد أجريت في الوقت t-1 تساوي L t-1 T t-1 عندما يلاحظ القيمة الفعلية، يتم حساب المستوى بشكل متكرر عن طريق الاستكمال الداخلي بين Y t والتنبؤ به L t-1 T t-1 باستخدام الأوزان و 1. ويمكن تفسير التغير في المستوى المقدر وهو L t L 1 على أنه قياس صاخب ل الاتجاه في الوقت t يتم حساب التقدير المحدث للاتجاه بشكل متكرر عن طريق الاستكمال الداخلي بين L t L t 1 والتقدير السابق للاتجاه T t-1 باستخدام أوزان و 1. إن تفسير ثابت تجانس الاتجاه يشبه ثابت ثابت التمهيد. النماذج ذات القيم الصغيرة تفترض تغير الاتجاه فقط ببطء شديد مع مرور الوقت، في حين أن النماذج ذات الحجم الأكبر تفترض أنها تتغير بسرعة أكبر ويعتقد نموذج مع كبير أن المستقبل البعيد غير مؤكد جدا، لأن الأخطاء في تقدير الاتجاه تصبح مهمة جدا عند التنبؤ أكثر من فترة واحدة قبل العودة إلى أعلى من ثوابت التجانس ويمكن تقديرها بالطريقة المعتادة من خلال تقليل متوسط ​​الخطأ المئوي للتنبؤات ذات الخطوة الأولى عندما يتم ذلك في ستاتغرافيكس، تشير التقديرات إلى أن 03048 و 0 008 القيمة الصغيرة جدا يعني أن النموذج يفترض تغير طفيف جدا في الاتجاه من فترة إلى أخرى، وذلك أساسا هذا النموذج هو محاولة لتقدير الاتجاه على المدى الطويل قياسا على فكرة متوسط ​​عمر البيانات المستخدمة في تقدير t هو المستوى المحلي للسلسلة، متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي يتناسب مع 1، وإن لم يكن يساوي بالضبط في هذه الحالة التي تبين أن يكون 1 0 006 125 هذا هو إس عدد دقيق جدا حيث أن دقة تقدير إيسن t حقا 3 المنازل العشرية، ولكن من نفس الترتيب العام من حجم حجم العينة من 100، لذلك هذا النموذج هو المتوسط ​​على مدى الكثير جدا من التاريخ في تقدير الاتجاه مؤامرة التوقعات ويبين الشكل أدناه أن نموذج ليس يقدر اتجاها محليا أكبر قليلا في نهاية السلسلة من الاتجاه الثابت المقدر في نموذج الاتجاه سيس، كما أن القيمة المقدرة تكاد تكون مطابقة للاتجاه الذي يتم الحصول عليه عن طريق تركيب نموذج سيس مع الاتجاه أو بدونه ، لذلك هذا هو تقريبا نفس النموذج. الآن، هل هذه تبدو وكأنها توقعات معقولة لنموذج من المفترض أن يكون تقدير الاتجاه المحلي إذا كنت مقلة العين هذه المؤامرة، يبدو كما لو أن الاتجاه المحلي قد تحول إلى أسفل في نهاية سلسلة و في حدث وقد تم تقدير المعلمات من هذا النموذج عن طريق تقليل الخطأ التربيعي من 1-خطوة إلى الأمام التنبؤات، وليس التنبؤات على المدى الطويل، وفي هذه الحالة الاتجاه لا تجعل الكثير من الفرق إذا كان كل ما كنت تبحث في 1 - step قبل الأخطاء، كنت لا ترى الصورة الأكبر من الاتجاهات على القول 10 أو 20 فترات من أجل الحصول على هذا النموذج أكثر في تناغم مع استقراء العين مقلة العين من البيانات، يمكننا ضبط ثابت الاتجاه تجانس يدويا بحيث يستخدم خط أساس أقصر لتقدير الاتجاه على سبيل المثال، إذا اخترنا تعيين 0 1، فإن متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي هو 10 فترات، مما يعني أننا نحسب متوسط ​​الاتجاه خلال الفترات العشرين الأخيرة أو نحو ذلك هنا s ما يبدو مؤامرة توقعات إذا وضعنا 0 1 مع الحفاظ على 0 3 وهذا يبدو بديهية معقولة لهذه السلسلة، على الرغم من أنه من المحتمل أن خطورة لاستقراء هذا الاتجاه أي أكثر من 10 فترات في المستقبل. ماذا عن إرور ستاتس هنا مقارنة نموذجية f أو النموذجين المبينين أعلاه فضلا عن ثلاثة نماذج سيس تبلغ القيمة المثلى لنموذج سيس حوالي 0 3، ولكن يتم الحصول على نتائج مماثلة مع استجابة أكثر قليلا أو أقل على التوالي مع 0 5 و 0 2. A هولت إكس خطي تجانس مع ألفا 0 3048 وبيتا 0 008. B هولت خ الخطية تجانس مع ألفا 0 3 وبيتا 0 1. C تمهيد الأسي بسيطة مع ألفا 0 5. D تمهيد الأسي بسيط مع ألفا 0 3. E تمهيد الأسي بسيط مع ألفا 0 2 . احصائيات هي متطابقة تقريبا، لذلك نحن حقا يمكن أن تجعل ر الاختيار على أساس 1-خطوة قبل توقعات الأخطاء داخل عينة البيانات علينا أن نراجع مرة أخرى على اعتبارات أخرى إذا كنا نعتقد بقوة أنه من المنطقي أن قاعدة الحالية تقدير الاتجاه على ما حدث على مدى ال 20 فترة الماضية أو نحو ذلك، يمكننا أن نجعل حالة لنموذج ليس مع 0 3 و 0 1 إذا أردنا أن نكون ملحدين حول ما إذا كان هناك اتجاه محلي، ثم واحدة من نماذج سيس قد يكون من الأسهل أن يفسر، وسوف يعطي أيضا المزيد من ميدل التنبؤات على الطريق على مدى 5 أو 10 فترات القادمة العودة إلى أعلى الصفحة. أي نوع من الاستقراء الاتجاه هو أفضل الأفقي أو الخطي تشير الأدلة التجريبية أنه إذا كانت البيانات قد تم تعديلها إذا لزم الأمر للتضخم، ثم قد يكون من غير الحكمة استقراء الاتجاهات الخطية قصيرة الأجل بعيدا جدا في الاتجاهات المستقبلية قد تتراجع اليوم بوضوح في المستقبل بسبب أسباب مختلفة مثل تقادم المنتج وزيادة المنافسة والانكماش الدوري أو التحولات في صناعة لهذا السبب، الأسي بسيط فإن التنعيم غالبا ما يؤدي إلى خروج عينة أفضل مما يمكن توقعه على خلاف ذلك، على الرغم من استقراء الاتجاه الأفقي الساذج. وغالبا ما تستخدم تعديلات الاتجاه المعاكسة لنموذج تمهيد الأسي الخطي في الممارسة العملية لإدخال ملاحظة المحافظة على توقعات اتجاهها الاتجاه المعاكسة يمكن تطبيق نموذج ليس كحالة خاصة لنموذج أريما، على وجه الخصوص، نموذج أريما 1،1،2.ومن الممكن حساب فترات الثقة أرو والتنبؤات الطويلة الأجل التي تنتجها نماذج التمهيد الأسي من خلال اعتبارها حالات خاصة لنماذج أريما حذار ليس كل البرامج بحساب فترات الثقة لهذه النماذج بشكل صحيح عرض فترات الثقة يعتمد على i خطأ رمز من النموذج، إي نوع من تمهيد بسيطة أو خطية إي قيمة s من ثابت التمهيد ق و الرابع عدد الفترات المقبلة كنت التنبؤ بشكل عام، والفواصل انتشرت بشكل أسرع كما يحصل أكبر في نموذج سيس وانتشرت بشكل أسرع بكثير عندما الخطية بدلا من بسيطة تمهيد يتم مناقشة هذا الموضوع أكثر في قسم نماذج أريما من الملاحظات العودة إلى أعلى الصفحة.