เฉลี่ยเคลื่อนที่ เปรียบ พยากรณ์

ข้อดีและข้อเสียหลักของการใช้ Simple Moving Average SMA. การสำรวจโดย US Bureau of Labor Statistics เพื่อช่วยในการวัดตำแหน่งงานว่างเก็บข้อมูลจากนายจ้างจำนวนเงินสูงสุดที่สหรัฐอเมริกาสามารถยืมได้ ถูกสร้างขึ้นภายใต้พระราชบัญญัติเสรีภาพตราสารหนี้ครั้งที่สองอัตราดอกเบี้ยที่สถาบันรับฝากเงินยืมเงินไว้ที่ Federal Reserve ไปยังสถาบันรับฝากเงินแห่งอื่น 1 มาตรการทางสถิติของการกระจายตัวของผลตอบแทนสำหรับการรักษาความปลอดภัยที่กำหนดหรือดัชนีตลาดความผันผวนสามารถวัดได้ การกระทำรัฐสภาคองเกรสผ่านในปีพ. ศ. 2476 ตามพระราชบัญญัติการธนาคารซึ่งห้ามไม่ให้ธนาคารพาณิชย์เข้าร่วมในการลงทุนการจ่ายเงินเดือนของ Nonfarm หมายถึงงานนอกฟาร์มครัวเรือนเอกชนและภาคผลประโยชน์ US Bureau of Labor. MOVE Forecasting Average บทนำเนื่องจากคุณอาจคาดเดาได้ว่าเรากำลังมองหาวิธีการดั้งเดิมที่สุดในการคาดการณ์ แต่หวังว่าอย่างน้อยนี้ ในหลอดเลือดดำนี้เราจะดำเนินต่อโดยการเริ่มต้นที่จุดเริ่มต้นและเริ่มทำงานกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่การคาดการณ์เฉลี่ยโดยเฉลี่ยทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อว่าพวกเขาหรือไม่ เป็นนักศึกษาวิทยาลัยทุกคนทำตลอดเวลาคิดเกี่ยวกับคะแนนการทดสอบของคุณในหลักสูตรที่คุณจะมีสี่การทดสอบในช่วงภาคการศึกษา Let s สมมติคุณมี 85 ในการทดสอบครั้งแรกของคุณสิ่งที่คุณจะคาดการณ์สำหรับคะแนนการทดสอบที่สองของคุณ คุณคิดอย่างไรว่าครูของคุณคาดการณ์คะแนนทดสอบต่อไปคุณคิดว่าเพื่อนของคุณอาจคาดการณ์คะแนนทดสอบต่อไปคุณคิดว่าพ่อแม่ของคุณอาจคาดการณ์คะแนนการทดสอบต่อไปของคุณได้โดยไม่ต้องพูดถึงการทำร้ายทั้งหมดที่คุณอาจทำ กับเพื่อนและพ่อแม่ของพวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 คุณเพิ่งได้ดีตอนนี้ขอให้สมมติว่าทั้งๆที่โย ur ตัวเองโปรโมชั่นให้เพื่อนของคุณคุณมากกว่าประมาณการตัวเองและตัวเลขที่คุณสามารถศึกษาได้น้อยลงสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73.Now ทุกสิ่งที่มีความกังวลและไม่แยแสไปคาดหวังว่าคุณจะได้รับในการทดสอบที่สามของคุณมี เป็นสองแนวทางที่น่าจะเป็นประโยชน์สำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงถึงว่าพวกเขาจะแบ่งปันกับคุณหรือไม่พวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับสมาร์ทของเขาเขาจะได้รับอีก 73 ถ้าเขาโชคดี พ่อแม่จะพยายามสนับสนุนมากขึ้นและพูดว่า "ดีแล้วคุณเคยได้รับ 85 และ 73 แล้วบางทีคุณอาจคิดเกี่ยวกับการได้รับ 85 73 2 79 ฉันไม่ทราบบางทีถ้าคุณไม่ปาร์ตี้และไม่ได้ การพุ่งตัวพังพอนไปทั่วสถานที่และถ้าคุณเริ่มทำมากขึ้นการศึกษาที่คุณจะได้รับคะแนนที่สูงขึ้นทั้งสองของการประมาณการเหล่านี้เป็นจริงการคาดการณ์เฉลี่ยโดยเฉลี่ยก่อนใช้เฉพาะคะแนนล่าสุดของคุณในการคาดการณ์ประสิทธิภาพในอนาคตของคุณ การคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้หนึ่งครั้ง iod ของข้อมูลที่สองคือการคาดการณ์เฉลี่ยเคลื่อนที่ แต่ใช้สองช่วงของ data. Let s สมมติว่าทุกคนเหล่านี้ busting ในใจที่ดีของคุณมีการจัดเรียงของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามของคุณเอง เหตุผลและใส่คะแนนที่สูงขึ้นในด้านหน้าของพันธมิตรของคุณคุณจะทดสอบและคะแนนของคุณเป็นจริง 89 ทุกคนรวมทั้งตัวคุณเองเป็นที่ประทับใจดังนั้นตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคการศึกษาขึ้นมาและตามปกติคุณรู้สึกต้องการ เพื่อกระตุ้นให้ทุกคนคาดการณ์เกี่ยวกับวิธีที่คุณจะทำในการทดสอบครั้งสุดท้ายดีหวังว่าคุณจะได้เห็นรูปแบบตอนนี้หวังว่าคุณจะเห็นรูปแบบที่คุณเชื่อว่าเป็นสิ่งที่ถูกต้องที่สุดขณะที่เรากำลังทำงานอยู่ตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดใหม่ที่เริ่มต้นโดยน้องสาวที่แยกกันอยู่ของคุณที่ชื่อนกหวีดขณะที่เราทำงานคุณมีข้อมูลการขายในอดีตที่แสดงโดยส่วนต่อไปนี้จากสเปรดชีตเรานำเสนอข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยย้อนหลัง 3 ช่วงเวลาสำหรับ C6 เซลล์ควรเป็นตอนนี้ คุณ สามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11.Notice ค่าเฉลี่ยของการย้ายข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้ระยะเวลาสามงวดล่าสุดสำหรับการคาดการณ์แต่ละครั้งนอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำ การคาดการณ์สำหรับช่วงเวลาที่ผ่านมาเพื่อที่จะพัฒนาการคาดการณ์ล่าสุดของเรานี่คือสิ่งที่แตกต่างจากแบบจำลองการทำให้เรียบที่อธิบายได้ในอดีตเนื่องจากเราจะใช้ข้อมูลเหล่านี้ในหน้าเว็บถัดไปเพื่อวัดความถูกต้องในการคาดการณ์ตอนนี้ฉันต้องการนำเสนอการเปรียบเทียบแบบเดียวกัน ผลลัพธ์สำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วงเวลารายการสำหรับเซลล์ C5 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรของเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11.Notice ตอนนี้มีเพียงข้อมูลล่าสุดสองชิ้นล่าสุดที่ถูกนำมาใช้ในการคาดการณ์เท่านั้น อีกครั้งฉันได้รวมการคาดการณ์ที่ผ่านมาเพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบความถูกต้องของการพยากรณ์สิ่งอื่น ๆ ที่มีความสำคัญต่อการสังเกตสำหรับระยะเวลา m - verage คาดการณ์เฉพาะ m ล่าสุดค่าข้อมูลที่ใช้ในการทำนายไม่มีอะไรเป็นสิ่งที่จำเป็นสำหรับ M - ระยะเวลาการคาดการณ์เฉลี่ยเคลื่อนที่เมื่อทำการคาดการณ์ที่ผ่านมาสังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1.Both ปัญหาเหล่านี้จะ มีความสำคัญมากเมื่อเราพัฒนาโค้ดของเราการพัฒนาฟังก์ชัน Average Moving ตอนนี้เราจำเป็นต้องพัฒนาโค้ดสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้นโค้ดต่อไปนี้สังเกตว่าอินพุตเป็นจำนวนงวดที่คุณต้องการใช้ การคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์คุณสามารถจัดเก็บไว้ในสมุดงานที่คุณต้องการใด ๆ ฟังก์ชัน MovingAverage Historical, NumberOfPeriods เป็น Single Declaring และ initializing ตัวแปร Dim Item เป็นตัวนับ Dim Variant เป็นจำนวนเต็ม Integer มซำเป็น Single Dim HistoricalSize As Integer Initializing variables Counter 1 Accumulation 0 การกำหนดขนาดของ Historical HistoricalSize. For Counter จำนวน 1 ต่อ NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้สะสมสะสมข้อมูลประวัติ HistoricalSize - NumberOfPeriods Counter. MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในชั้นเรียนคุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลลัพธ์ของการคำนวณปรากฏขึ้นที่ควร เช่นเดียวกับต่อไปนี้ในทางปฏิบัติค่าเฉลี่ยเคลื่อนที่จะให้ค่าประมาณที่ดีของค่าเฉลี่ยของชุดข้อมูลเวลาหากค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนแปลงในกรณีค่าคงที่ค่าคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าสัมบูรณ์ หมายถึงระยะเวลาการสังเกตนานกว่าจะเฉลี่ยผลกระทบของความแปรปรวนวัตถุประสงค์ของการให้ m ที่มีขนาดเล็กเพื่อให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิงเพื่อแสดงให้เรานำเสนอชุดข้อมูลที่ประกอบด้วยการเปลี่ยนแปลงในค่าเฉลี่ยของ ชุดข้อมูลเวลาภาพแสดงชุดข้อมูลเวลาที่ใช้ในการแสดงร่วมกับความต้องการโดยเฉลี่ยจากการที่ se ries ถูกสร้างขึ้นค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละงวดจนกว่าจะถึงค่า 20 ที่เวลา 30 แล้วมันจะกลายเป็นค่าคงที่อีกครั้งข้อมูลจะถูกจำลองโดยการเพิ่มค่าเฉลี่ย a เสียงสุ่มจากการแจกแจงแบบปกติกับศูนย์ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน 3 ผลของการจำลองจะถูกปัดเศษให้เป็นจำนวนเต็มใกล้ที่สุดตารางแสดงการสังเกตแบบจำลองที่ใช้ตัวอย่างเช่นเมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตาม, เฉพาะข้อมูลที่ผ่านมาเท่านั้นที่รู้จักกันดีการประมาณค่าพารามิเตอร์ของโมเดลสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงร่วมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่างรูปที่แสดงการประมาณค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่ การคาดการณ์การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลาหนึ่งข้อสรุปคือทันทีที่เห็นได้ชัดจากตัวเลขสำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่จะล่าช้ากว่าแนวโน้มเชิงเส้นโดยมีความล่าช้าเพิ่มขึ้น ng กับ m ความล่าช้าคือระยะห่างระหว่างรูปแบบกับการประมาณค่าในมิติเวลาเนื่องจากความล่าช้าค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ต่ำกว่าการสังเกตการณ์เมื่อค่าเฉลี่ยเพิ่มขึ้นค่าความลำเอียงของตัวประมาณคือความแตกต่างในเวลาที่กำหนดในค่าเฉลี่ย ของแบบจำลองและค่าเฉลี่ยที่คาดการณ์ไว้โดยค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นค่าลบสำหรับค่าเฉลี่ยที่ลดลงค่าอคติเป็นบวกความล่าช้าในเวลาและความอคติที่นำมาใช้ในการประมาณค่านี้เป็นหน้าที่ของ m ค่าที่มากกว่า m มีขนาดของความล่าช้าและความลำเอียงที่ใหญ่ขึ้นสำหรับชุดที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้มที่ค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่างเส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างเป็น ไม่เพิ่มขึ้นอย่างต่อเนื่องค่อนข้างจะเริ่มต้นเป็นค่าคงที่การเปลี่ยนแปลงแนวโน้มแล้วจะกลายเป็นค่าคงที่อีกครั้งนอกจากนี้ยังมีเส้นโค้งตัวอย่างที่ได้รับผลกระทบโดยเสียงการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ของงวดในอนาคต จะแสดงโดยการขยับเส้นโค้งไปทางขวาความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วนสมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงของช่วงคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดลอีกครั้งสูตรเหล่านี้เป็นชุดเวลาที่มีแนวโน้มเชิงเส้นคงที่ เราไม่ควรแปลกใจที่ผลลัพธ์นี้ค่าประมาณค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับสมมติฐานค่าเฉลี่ยคงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงในระหว่างช่วงเวลาการศึกษาเนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐาน ของรูปแบบใด ๆ เราควรจะเตรียมไว้สำหรับผลดังกล่าวเรายังสามารถสรุปได้จากรูปที่ความแปรปรวนของเสียงที่มีผลกระทบที่ใหญ่ที่สุดสำหรับขนาดเล็ก m ประมาณการมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ของ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจากเสียงรบกวนและลด m เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงในค่าเฉลี่ยความผิดพลาดคือ di fference ระหว่างข้อมูลที่เกิดขึ้นจริงกับค่าคาดการณ์ถ้าชุดข้อมูลเวลาเป็นค่าคงที่มูลค่าที่คาดไว้ของข้อผิดพลาดคือศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็นฟังก์ชันของและคำที่สองซึ่งเป็นความแปรปรวน ของเสียงระยะแรกเป็นความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกต m สมมติว่าข้อมูลมาจากประชากรที่มีค่าคงที่เฉลี่ยระยะนี้จะลดลงโดยการทำให้ m เป็นขนาดใหญ่ที่สุด m ทำให้การพยากรณ์อากาศไม่ตอบสนอง การเปลี่ยนแปลงช่วงเวลาอ้างอิงเพื่อให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงได้เราต้องการให้ m มีขนาดเล็กที่สุดเท่าที่จะเป็นไปได้ 1 แต่จะเพิ่มความแปรปรวนของข้อผิดพลาดการคาดการณ์ในทางปฏิบัติต้องใช้ค่าที่เป็นกลางการแสดงผลด้วย Excel การคาดการณ์ add-in จะดำเนินการย้าย สูตรด้านล่างตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B 10 ข้อสังเกตแรกมีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนระยะเวลา ind มีการเปลี่ยนแปลงโดย -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 MA 10 คอลัมน์ C แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ค่าเฉลี่ยเคลื่อนที่ของ m อยู่ในเซลล์ C3 Fore 1 คอลัมน์ D แสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคตช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นตัวเลขที่มีขนาดใหญ่ตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลง Err 1 คอลัมน์ E แสดงความแตกต่างระหว่างการสังเกต และการคาดการณ์ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ได้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11 1 ข้อผิดพลาดคือ -5 1 ค่าเบี่ยงเบนมาตรฐานและ Mean Mean Deviation MAD คำนวณในเซลล์ E6 และ E7 ตามลำดับ .