R - الحركة - متوسط - توقعات

متحرك متوسط ​​التنبؤ التنبؤ. كما قد تخمن أننا نبحث في بعض من أكثر الأساليب بدائية للتنبؤ. ولكن نأمل أن تكون هذه مقدمة مفيدة على الأقل لبعض قضايا الحوسبة المتعلقة بتنفيذ التنبؤات في جداول البيانات. في هذا السياق سوف نستمر من خلال البدء في البداية والبدء في العمل مع توقعات المتوسط ​​المتحرك. نقل متوسط ​​التوقعات. الجميع على دراية بتحرك توقعات المتوسط ​​بغض النظر عما إذا كانوا يعتقدون أنهم. جميع طلاب الجامعات القيام بها في كل وقت. فكر في درجاتك االختبارية في الدورة التي ستحصل فيها على أربعة اختبارات خالل الفصل الدراسي. لنفترض أنك حصلت على 85 في الاختبار الأول. ما الذي يمكن أن تتنبأ به لنتيجة الاختبار الثانية ما رأيك بأن معلمك سوف يتنبأ بنتيجة الاختبار التالية ما رأيك في أن أصدقائك قد يتنبأون بنتيجة الاختبار التالية ما رأيك في توقع والديك لنتيجة الاختبار التالية بغض النظر عن كل بلابينغ كنت قد تفعل لأصدقائك وأولياء الأمور، هم ومعلمك من المرجح جدا أن نتوقع منك الحصول على شيء في مجال 85 كنت حصلت للتو. حسنا، الآن دعونا نفترض أنه على الرغم من الترويج الذاتي الخاص بك إلى أصدقائك، وكنت أكثر من تقدير نفسك والشكل يمكنك دراسة أقل للاختبار الثاني وحتى تحصل على 73. الآن ما هي جميع المعنيين وغير مدرك الذهاب إلى توقع أن تحصل على الاختبار الثالث هناك اثنين من المرجح جدا النهج بالنسبة لهم لوضع تقدير بغض النظر عما إذا كانوا سوف تقاسمها معك. قد يقولون لأنفسهم، هذا الرجل هو دائما تهب الدخان حول ذكائه. هيس الذهاب للحصول على آخر 73 إذا هيس محظوظا. ربما كان الوالدان يحاولان أن يكونا أكثر داعما ويقولان: كوتيل، حتى الآن حصلت على 85 و 73، لذلك ربما يجب أن تحصل على حوالي (85 73) 2 79. أنا لا أعرف، ربما لو كنت أقل من الحفلات و ويرنت يهزان في كل مكان في جميع أنحاء المكان، وإذا كنت بدأت تفعل الكثير من الدراسة يمكنك الحصول على أعلى score. quot كل من هذه التقديرات تتحرك في الواقع متوسط ​​التوقعات. الأول يستخدم فقط أحدث درجاتك للتنبؤ بأدائك المستقبلي. وهذا ما يطلق عليه توقعات المتوسط ​​المتحرك باستخدام فترة واحدة من البيانات. والثاني هو أيضا متوسط ​​التوقعات المتحركة ولكن باستخدام فترتين من البيانات. دعونا نفترض أن كل هؤلاء الناس خرق على العقل العظيم لديك نوع من سكران قبالة لكم وتقرر أن تفعل بشكل جيد على الاختبار الثالث لأسباب خاصة بك ووضع درجة أعلى أمام كوتاليسكوت الخاص بك. كنت تأخذ الاختبار ودرجاتك هو في الواقع 89 الجميع، بما في ذلك نفسك، وأعجب. حتى الآن لديك الاختبار النهائي للفصل الدراسي القادمة وكالمعتاد كنت تشعر بالحاجة إلى غواد الجميع في جعل توقعاتهم حول كيف ستفعل على الاختبار الأخير. حسنا، نأمل أن ترى هذا النمط. الآن، ونأمل أن تتمكن من رؤية هذا النمط. ما الذي تعتقده هو صافرة الأكثر دقة بينما نعمل. الآن نعود إلى شركة التنظيف الجديدة التي بدأتها شقيقة نصف استدارة دعا صافرة بينما نعمل. لديك بعض بيانات المبيعات السابقة التي يمثلها القسم التالي من جدول بيانات. نعرض البيانات لأول مرة لتوقعات المتوسط ​​المتحرك لمدة ثلاث سنوات. يجب أن يكون إدخال الخلية C6 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C7 إلى C11. لاحظ كيف يتحرك المتوسط ​​على أحدث البيانات التاريخية ولكنه يستخدم بالضبط ثلاث فترات أحدث متاحة لكل تنبؤ. يجب أن تلاحظ أيضا أننا لسنا بحاجة حقا لجعل التنبؤات للفترات الماضية من أجل تطوير أحدث توقعاتنا. وهذا يختلف بالتأكيد عن نموذج التجانس الأسي. وشملت إيف التنبؤات كوتاباستكوت لأننا سوف استخدامها في صفحة الويب التالية لقياس صحة التنبؤ. الآن أريد أن أعرض النتائج المماثلة لمتوسطين توقعات المتوسط ​​المتحرك. يجب أن يكون إدخال الخلية C5 الآن يمكنك نسخ صيغة الخلية هذه إلى الخلايا الأخرى من C6 إلى C11. لاحظ كيف الآن فقط اثنين من أحدث القطع من البيانات التاريخية تستخدم لكل التنبؤ. مرة أخرى لقد قمت بتضمين التنبؤات اقتباسا لأغراض التوضيح واستخدامها لاحقا في التحقق من صحة التوقعات. بعض الأمور الأخرى التي من الأهمية أن تلاحظ. وبالنسبة للمتوسط ​​المتحرك للمتوسط ​​m، لا يتوقع إلا أن تستخدم معظم قيم البيانات الأخيرة في التنبؤ. لا شيء آخر ضروري. وبالنسبة للتنبؤ المتوسط ​​المتحرك للمتوسط ​​m، عند التنبؤ بالتنبؤات، لاحظ أن التنبؤ الأول يحدث في الفترة m 1. وستكون هاتان المسألتان مهمتين جدا عند تطوير الشفرة. تطوير المتوسط ​​المتحرك المتحرك. الآن نحن بحاجة إلى تطوير رمز لتوقعات المتوسط ​​المتحرك التي يمكن استخدامها أكثر مرونة. تتبع التعليمات البرمجية. لاحظ أن المدخلات هي لعدد الفترات التي تريد استخدامها في التوقعات ومصفوفة القيم التاريخية. يمكنك تخزينه في أي المصنف الذي تريده. وظيفة موفينغافيراج (تاريخي، نومبروفريودس) كما واحد إعلان وتهيئة المتغيرات ديم البند كما متغير عداد خافت كما عدد صحيح تراكم خافت كما أحادي ديم تاريخي الحجم كما عدد صحيح تهيئة المتغيرات عداد 1 تراكم 0 تحديد حجم الصفيف التاريخي تاريخ سيز التاريخية. الكونت كونتر 1 إلى نومبروفريودس تجميع العدد المناسب من أحدث القيم التي تمت ملاحظتها سابقا تراكم تراكم تاريخي (تاريخي - عدد نومبريوفريودس عداد) موفينغافيراج تراكوم نومبروفريودس سيتم شرح التعليمات البرمجية في الصف. تريد وضع الوظيفة على جدول البيانات بحيث تظهر نتيجة الحساب حيث ترغب في التالي. R - نهج التنبؤ بالتنبؤ بتحرير أريما (المتوسط ​​المتحرك المتكامل أوتوريغريزيف) إتس (نموذج أسي ستاتينغ ستاتينغ ستات) سنناقش كيف تلك الأساليب العمل وكيفية استخدامها. نظرة عامة على حزمة التوقعات تحرير تعديل التمدد الأسي أسماء أكا: المتوسط ​​المتحرك المرجح أضعافا متساوية (أوما) يعادل نموذج أريما (0،1،1) بدون مصطلح ثابت يستخدم للبيانات الملساء للعرض يجعل التنبؤات المتوسط ​​المتحرك البسيط: التجانس: يعين الأوزان المتناقصة أضعافا مضاعفة بمرور الوقت الصيغة شت - تسلسل تسلسل البيانات الخام - خرج خوارزمية التمهيد الأسي (تقدير القيمة التالية x) - عامل التجانس. 0160lt160160lt1601.Choosing الحق لا يمكن استخدام طريقة رسمية لاختيار تقنية إحصائية لتحسين قيمة (على سبيل المثال أولس) أكبر إغلاق يحصل على التنبؤ ساذجة (نفس المنافذ سلسلة الأصلي مع تأخر فترة واحدة) مزدوجة الأسي تجانس تحرير بسيطة الأسس التمهيد لا تفعل جيدا عندما يكون هناك اتجاه (سيكون هناك دائما التحيز) ضعف الأسي تمهيد هو مجموعة من الأساليب التعامل مع المشكلة هولت الشتاء الشتاء الأسي تعديل تحرير و t غ 1 من حيث هو عامل تجانس البيانات. 0160lt160160lt1601، وهو عامل تجانس الاتجاه. 0160lt160160lt1601. الناتج F تم - تقدير قيمة x في الوقت تم، mgt0 استنادا إلى البيانات الخام حتى الوقت t الثلاثي الأسي تعديل تمهيد يأخذ في الاعتبار التغيرات الموسمية وكذلك الاتجاهات المقترحة لأول مرة من قبل هولتس طالب، بيتر وينترس، في عام 1960 الإدخال شت - تسلسل البيانات الخام للمراقبة t 1601600 L طول دورة التغيير الموسمية تحسب الطريقة: خط اتجاه للمؤشرات الموسمية للبيانات التي تزن القيم في خط الاتجاه استنادا إلى النقطة التي تقع فيها هذه النقطة الزمنية في دورة الطول L. s t تمثل القيمة الملساء للجزء الثابت للوقت t. بت تمثل تسلسل أفضل التقديرات للاتجاه الخطي التي يتم فرضها على التغيرات الموسمية كت هو تتابع عوامل التصحيح الموسمية كت هي النسبة المتوقعة للاتجاه المتوقع في أي وقت t مود L في الدورة التي تأخذها الملاحظات إلى تهيئة المؤشرات الموسمية c تل يجب أن يكون هناك دورة كاملة واحدة على الأقل في البيانات يتم كتابة خرج الخوارزمية مرة أخرى كما F تم. تقدير قيمة x في الوقت تم، mgt0 استنادا إلى البيانات الخام حتى الوقت t. وتعطى التجانس الأسي الثلاثي من الصيغ حيث هو عامل تمهيد البيانات. 0160lt160160lt1601، هو عامل تمهيد الاتجاه. 0160lt160160lt1601، وهو عامل تغيير التغيير الموسمية. 0160lt160160lt1601. والصيغة العامة لتقدير الاتجاه الأولي b 0 هي: وضع التقديرات الأولية للمؤشرات الموسمية i i i i 1،2. L هو أكثر قليلا المشاركة. إذا كان N هو عدد الدورات الكاملة الموجودة في البيانات الخاصة بك، ثم: لاحظ أن A j هو متوسط ​​قيمة x في الدورة j من البيانات الخاصة بك. إيتس تعديل المعلمات المتغيرة تحرير 8.4 نماذج المتوسط ​​المتحرك بدلا من استخدام القيم السابقة للمتغير المتوقع في الانحدار، يستخدم نموذج المتوسط ​​المتحرك أخطاء التنبؤ السابقة في نموذج تشبه الانحدار. y c ثيت e ثيتا e دوتس ثيتا e، وير إت إس وايت نويز. ونشير إلى هذا على أنه نموذج ما (q). بالطبع، نحن لا نلاحظ قيم إت، لذلك فإنه ليس حقا الانحدار بالمعنى المعتاد. لاحظ أن كل قيمة يت يمكن اعتبارها كمتوسط ​​متحرك مرجح لأخطاء التنبؤ القليلة الماضية. ومع ذلك، ينبغي عدم الخلط بين متوسطات النماذج المتحركة مع تمهيد المتوسط ​​المتحرك الذي ناقشنااه في الفصل 6. ويستخدم نموذج المتوسط ​​المتحرك للتنبؤ بالقيم المستقبلية في حين يستخدم متوسط ​​التحريك المتوسط ​​لتقدير دورة اتجاه القيم السابقة. الشكل 8.6: مثالان للبيانات المستمدة من النماذج المتوسطة المتحركة بمعلمات مختلفة. يسار: ما (1) مع y t 20e t 0.8e t-1. رايت: ما (2) مع y t t - e t-1 0.8e t-2. وفي كلتا الحالتين، يوزع e t عادة الضوضاء البيضاء مع متوسط ​​الصفر والتباين الأول. ويبين الشكل 8.6 بعض البيانات من نموذج ما (1) ونموذج ما (2). تغيير المعلمات theta1، النقاط، نتائج ثيتاق في أنماط سلسلة زمنية مختلفة. كما هو الحال مع نماذج الانحدار الذاتي، والتباين من مصطلح الخطأ وسوف تغير فقط حجم السلسلة، وليس الأنماط. ومن الممكن كتابة أي نموذج أر (p) ثابتة كنموذج ما (إنفتي). على سبيل المثال، باستخدام الاستبدال المتكرر، يمكننا أن نبرهن على ذلك لنموذج أر (1): يبدأ يت أمب phi1y و أمب phi1 (phi1y e) و أمب phi12y phi1 e و أمب phi13y phi12e phi1 e و أمبتكست إند المقدم -1 لوت phi1 لوت 1، فإن قيمة phi1k الحصول على أصغر كما يحصل ك أكبر. حتى في نهاية المطاف نحصل على إيت و phi1 ه phi12 ه phi13 e كدوتس، وهو ما (إنفتي) العملية. النتيجة العكسية تحمل إذا فرضنا بعض القيود على المعلمات ما. ثم يسمى نموذج ما عكسية. وهذا هو، أننا يمكن أن يكتب أي ماه (q) عملية لا يمكن عكسها باعتبارها أر (إنفتي) العملية. نماذج لا تقلب ليست ببساطة لتمكيننا من تحويل نماذج ما إلى نماذج أر. لديهم أيضا بعض الخصائص الرياضية التي تجعلها أسهل للاستخدام في الممارسة العملية. إن قيود العوائق مماثلة لقيود المحطات. للحصول على نموذج ما (1): -1lttheta1lt1. للحصول على نموذج ما (2): -1lttheta2lt1، theta2theta1 غ-1، theta1 - theta2 لوت 1. ظروف أكثر تعقيدا عقد ل qge3. ومرة أخرى، سوف يعنى R بهذه القيود عند تقدير النماذج. يشير التنبؤ التنبؤي إلى عملية استخدام اإلجراءات اإلحصائية للتنبؤ بالقيم المستقبلية لسلسلة زمنية استنادا إلى االتجاهات التاريخية. وبالنسبة للشركات، فإن قياس النتائج المتوقعة لفترة زمنية معينة أمر ضروري لإدارة التسويق والتخطيط والمالية. على سبيل المثال، قد ترغب وكالة إعلانات في استخدام توقعات المبيعات لتحديد الأشهر المقبلة التي قد تتطلب زيادة نفقات التسويق. ويمكن للشركات أيضا استخدام التنبؤات لتحديد الأشخاص الذين حققوا المبيعات أهدافهم المتوقعة للربع المالي. وهناك عدد من التقنيات التي يمكن استخدامها لتوليد تنبؤات كمية. بعض الطرق بسيطة إلى حد ما في حين أن البعض الآخر أكثر قوة وتضم عوامل خارجية. بغض النظر عن ما يتم استخدامه، يجب أن تكون الخطوة الأولى دائما لتصور البيانات باستخدام الرسم البياني الخط. كنت تريد أن تأخذ في الاعتبار كيف يتغير المقياس بمرور الوقت، سواء كان هناك اتجاه واضح، أو إذا كانت هناك أنماط متميزة جديرة بالملاحظة. هناك العديد من المفاهيم الأساسية التي يجب أن ندركها عند وصف بيانات السلاسل الزمنية. وستسترشد هذه الخصائص بكيفية معالجة البيانات المسبقة وتحديد أسلوب النمذجة والمعلمات المناسبة. في نهاية المطاف، والهدف هو تبسيط أنماط في البيانات التاريخية عن طريق إزالة مصادر معروفة من التباين وجعل أنماط أكثر اتساقا عبر مجموعة البيانات بأكملها. وستؤدي الأنماط الأبسط عموما إلى تنبؤات أكثر دقة. الاتجاه: يوجد اتجاه عندما يكون هناك زيادة أو نقصان طويل الأجل في البيانات. موسمية: يحدث نمط موسمي عندما تتأثر سلسلة زمنية بعوامل موسمية مثل وقت السنة أو يوم من أيام الأسبوع. الارتباط الذاتي: يشير إلى الظواهر حيث تتأثر قيم Y في الوقت t بالقيم السابقة لل Y في t-i. للعثور على بنية تأخر الصحيح وطبيعة القيم المترابطة السيارات في البيانات الخاصة بك، استخدم مؤامرة وظيفة الارتباط الذاتي. القرطاسية: يقال إن السلسلة الزمنية ثابتة إذا لم يكن هناك اتجاه منتظم، ولا يوجد تغيير منهجي في التباين، وإذا لم تكن هناك اختلافات دورية أو موسمية بشكل دوري، فإن تقنيات التنبؤ الكمي تعتمد عادة على تحليل الريسيون أو تقنيات السلاسل الزمنية. تدرس مقاربات الانحدار العلاقة بين المتغيرات المتوقعة والمتغيرات التفسيرية الأخرى باستخدام البيانات المقطعية. وتستخدم نماذج السلاسل الزمنية بيانات هزلية تم جمعها 8217 على فترات منتظمة على مر الزمن بهدف تغيير القيم المستهدفة في المستقبل. هناك وقت 8217t لتغطية النظرية وراء كل من هذه النهج في هذا المنصب، لذلك I8217ve اختارت لتغطية المفاهيم عالية المستوى وتوفير رمز لأداء سلسلة زمنية التنبؤ في R. أقترح بشدة فهم نظرية إحصائية وراء تقنية قبل تشغيل التعليمات البرمجية. أولا، يمكننا استخدام الدالة ما في حزمة التنبؤات لتنفيذ التنبؤ باستخدام طريقة المتوسط ​​المتحرك. وتقدر هذه التقنية القيم المستقبلية في الوقت t من خلال حساب متوسط ​​السلاسل الزمنية ضمن الفترات k من t. عندما تكون السلاسل الزمنية ثابتة، يمكن أن يكون المتوسط ​​المتحرك فعالا جدا حيث تكون الملاحظات قريبة من الزمن. بسيطة الأسية اطلاق النار هو أيضا جيدة عندما البيانات لا يوجد لديه اتجاه أو أنماط الموسمية. وخلافا للمتوسط ​​المتحرك، فإن هذه التقنية تعطي وزنا أكبر لملاحظات أحدث السلاسل الزمنية. في حزمة التوقعات، هناك وظيفة التنبؤ التلقائي التي سيتم تشغيلها من خلال النماذج الممكنة واختيار النموذج الأنسب إعطاء البيانات. يمكن أن يكون هذا نموذجا رجعية للسيارات من أول أودر (أر (1))، وهو نموذج أريما مع القيم الصحيحة لل p، d، و q، أو أي شيء آخر هو أنسب. هناك تذهب، مقدمة أساسية غير التقنية للتنبؤ. هذا ينبغي أن تحصل على دراية واحدة المفاهيم الأساسية وكيفية تنفيذ بعض التنبؤ الأساسي في R لا يفوتون التحديث الاشتراك في المدونين R لتلقي رسائل البريد الإلكتروني مع أحدث المشاركات R. (لن ترى هذه الرسالة مرة أخرى.)