Ruch średnia do usunięcia sezonowości

Wdrażanie arkusza korygowania sezonowego i wygładzania wykładniczego Jest proste w obsłudze korekt sezonowych i dopasowuje modele wygładzania wykładniczego za pomocą programu Excel. Poniższe wykresy i wykresy są pobierane z arkusza kalkulacyjnego, który został przedstawiony w celu zilustrowania multiplikatywnej korekty sezonowej i wyrównywania wykładniczości liniowej na następujących kwartalnych danych o sprzedaży firmy Outboard Marine: Aby uzyskać kopię pliku arkusza kalkulacyjnego, kliknij tutaj. Wersja liniowego wyrównywania wykładniczego, który będzie używany tutaj do celów demonstracyjnych to wersja Brown8217s, tylko dlatego, że może być zaimplementowana w pojedynczej kolumnie o wzorach i tylko jedna stała wygładzania jest optymalizowana. Zazwyczaj lepiej jest używać wersji Holt8217s, która ma oddzielne stałe wygładzania dla poziomu i tendencji. Proces prognozowania nastąpił następująco: (i) po pierwsze dane są korygowane sezonowo (ii), a następnie wygenerowane są prognozy dla danych skorygowanych sezonowo przez liniowe wyrównanie wykładnicze i (iii) wreszcie prognozy skorygowane sezonowo są uzasadnione w celu uzyskania prognoz dotyczących pierwotnej serii . Proces dostosowania sezonowego odbywa się w kolumnach od D do G. Pierwszym krokiem w korekcie sezonowej jest wyliczenie średniej ruchomej średniej (przeprowadzonej tutaj w kolumnie D). Można to zrobić biorąc średnio dwa średnie roczne, które są przesunięte o jeden okres względem siebie. (Połączenie dwóch średnic offsetowych zamiast jednej średniej jest potrzebne do celów centrowania, gdy liczba sezony jest równa.) Następnym krokiem jest obliczenie stosunku do średniej ruchomej --i. e. oryginalne dane podzielone przez średnią ruchoma w każdym okresie - wykonywane tutaj w kolumnie E. (Jest to również nazywany sekwencją cyklicznie-cykliczną wzorca, o ile trend i skutki cyklu koniunkturalnego mogą być uznane za wszystkie utrzymuje się po uśrednieniu w ciągu całego roku wartości danych. Oczywiście zmiany w skali miesięcznej, które nie wynikają z sezonowości, mogą być określone przez wiele innych czynników, ale średnia w ciągu 12 miesięcy przewyższa ich w znacznej mierze.) szacowany sezonowy indeks dla każdego sezonu obliczany jest poprzez uśrednienie wszystkich wskaźników dla danego sezonu, które wykonywane jest w komórkach G3-G6 przy użyciu formuły AVERAGEIF. Średnie wskaźniki są następnie przeskalywane tak, że sumują dokładnie 100 razy liczbę okresów w danym sezonie lub 400 w tym przypadku, które wykonywane są w komórkach H3-H6. Poniżej kolumny F, formuły VLOOKUP służą do wstawienia odpowiedniej wartości indeksu sezonowego w każdym wierszu tabeli danych, zgodnie z kwartałem, który reprezentuje. Wyśrodkowana średnia ruchoma i dostosowane sezonowo dane wyglądają tak: Należy pamiętać, że średnia ruchoma zazwyczaj wygląda jak gładsza wersja sezonowo dostosowanych serii i krótsze w obu końcach. Inny arkusz roboczy w tym samym pliku Excel pokazuje zastosowanie liniowego modelu wygładzania wykładniczego do danych skorygowanych sezonowo, zaczynając od kolumny G. Wartość powyżej stołu wygładzania (alpha) jest wpisywana powyżej kolumny prognozy (tutaj w komórce H9) i dla wygody przypisana jest nazwa zakresuAlpha. quot (Nazwa została przypisana przy użyciu polecenia quotInsertNameCreatequot.) Model LES jest inicjowany przez ustawienie pierwszych dwóch prognoz równych pierwszej rzeczywistej wartości sezonowych skorygowanych serii. Zastosowana tutaj formuła dla prognozy LES to rekursywna forma modelu pojedynczego równania modelu Brown8217: Ta formuła jest wprowadzana do komórki odpowiadającej trzeciej (tu komórce H15) i skopiowana stamtąd. Zauważ, że prognoza LES dla bieżącego okresu odnosi się do dwóch poprzednich obserwacji i dwóch poprzednich błędów prognozy, a także do wartości alfa. Tak więc formuła prognozowania w wierszu 15 odnosi się tylko do danych, które były dostępne w rzędzie 14 i starszych. (Oczywiście gdybyśmy chcieli używać prostych zamiast linearnego wyrównywania wykładników, moglibyśmy zastąpić formułę SES zamiast tego, zamiast tego moglibyśmy użyć modelu LES firmy Holt8217 zamiast Brown8217s, co wymagałoby jeszcze dwóch kolumn o formułach obliczania poziomu i tendencji które są używane w prognozie). Błędy są obliczane w następnej kolumnie (tutaj, kolumnie J), ​​odejmując prognozy od rzeczywistych wartości. Podstawowy kwadratowy błąd jest obliczany jako pierwiastek kwadratowy wariancji błędów plus kwadrat średniej. (Wynika to z identyczności matematycznej: wariantu MSE (błędy) (średnia (błędy)) 2.) Przy obliczaniu średniej i odchylenia błędów w tej formule pierwsze dwa okresy są wykluczone, ponieważ model nie zaczyna prognozować aż do trzeci okres (wiersz 15 w arkuszu kalkulacyjnym). Optymalną wartość alfa można znaleźć ręcznie zmieniając alfa, aż zostanie znaleziona minimalna wartość RMSE, albo można użyć kwotSolverquot, aby wykonać dokładną minimalizację. Wartość alfa, którą znalazł Solver jest tutaj pokazany (alpha0.471). Zwykle dobrym pomysłem jest wykreślenie błędów modelu (w transformowanych jednostkach), a także obliczenie i sporządzenie ich autokorelacji z opóźnieniami do jednego sezonu. Oto wykres szeregów czasowych błędów (skorygowanych sezonowo): autokorelacje błędów są obliczane za pomocą funkcji CORREL () w celu obliczenia korelacji błędów z opóźnieniem przez jeden lub więcej okresów - szczegóły są przedstawione w modelu arkusza kalkulacyjnego . Oto spisek autokorelacji błędów w pierwszych pięciu opóźnieniach: Autokorelacje z opóźnieniami od 1 do 3 są bardzo zbliżone do zera, ale skok o opóźnieniu 4 (którego wartość wynosi 0,35) jest nieco kłopotliwy - sugeruje, że sezonowy proces dostosowania nie zakończył się w pełni. Jest to jednak tylko marginalnie istotne. 95 pasm istotności w celu sprawdzenia, czy autokorelacje różnią się znacząco od zera, to w przybliżeniu plusa lub minus 2SQRT (n-k), gdzie n jest wielkością próbki, a k jest opóźnieniem. Tutaj n wynosi 38 i k zmienia się od 1 do 5, a więc pierwiastek-korzeń-n-minus-k wynosi około 6 dla wszystkich, a zatem granice testowania statystycznego znaczenia odchyleń od zera są przybliżone plus - lub-minus 26 lub 0.33. Jeśli zmienisz wartość alfa ręcznie w tym modelu programu Excel, możesz zaobserwować wpływ na szeregy czasowe i wykresy autokorelacji błędów, a także na błąd średniej kwadratowej, który zostanie zilustrowany poniżej. W dolnej części arkusza kalkulacyjnego formuła prognozowana jest wciągana w przyszłość, zastępując prognozy rzeczywistymi wartościami w momencie, kiedy faktycznie skończą się dane - tzn. gdzie zaczyna się cytat. (Innymi słowy, w każdej komórce, w której przyszła wartość danych, wystąpi odwołanie do komórki, co wskazuje na przewidywaną prognozę dla tego okresu). Wszystkie inne formuły są po prostu skopiowane z góry: Zauważ, że błędy prognoz przyszłość jest obliczana jako zero. To nie znaczy, że rzeczywiste błędy będą zerowe, ale raczej odzwierciedla jedynie fakt, że w celu przewidywania zakładamy, że przyszłe dane będą równe prognozom średnim. Wynikające z tego prognozy LES dla danych skorygowanych sezonowo wyglądają następująco: przy tej szczególnej wartości alfa, która jest optymalna dla prognoz jednomodowych, przewidywana tendencja jest nieznacznie wyższa, odzwierciedlając lokalny trend obserwowany w ciągu ostatnich 2 lat albo tak. Dla innych wartości alfa, można uzyskać bardzo inny trend. Zwykle dobrym pomysłem jest sprawdzenie, co się dzieje w przypadku długoterminowej prognozy trendu, gdy alfa jest zróżnicowana, ponieważ wartość, która najlepiej sprawdza się w krótkoterminowej prognozie, niekoniecznie musi być najlepszą wartością przewidującą dalszą przyszłość. Na przykład wynik jest uzyskany, jeśli wartość alfa jest ustawiana ręcznie na 0,25: przewidywana długookresowa tendencja jest obecnie ujemna, a nie pozytywna. Przy mniejszej wartości alfa, model przywiązuje większą wagę do starszych danych w jego prognozowanie obecnego poziomu i tendencji, a długoterminowe prognozy odzwierciedlają tendencję spadkową obserwowaną w ciągu ostatnich 5 lat, a nie ostatnia tendencja wzrostowa. Ten wykres wyraźnie ilustruje również, jak model z małą wartością alfa jest wolniejszy, aby odpowiadać na punkty quotering w danych, a zatem często przez wiele lat z rzędu popełnia błąd tego samego znaku. Błędy prognozowane na jeden krok naprzód są średnio większe niż te uzyskane wcześniej (RMSE 34,4, a nie 27,4) i silnie pozytywnie autocorrelated. Autokorelacja lag-1 wynosząca 0,56 znacznie przekracza wartość 0,33 obliczoną powyżej w przypadku statystycznie istotnego odchylenia od zera. Alternatywą dla zmniejszenia wartości alfa w celu wprowadzenia bardziej konserwatywności do długoterminowych prognoz, do modelu jest czasami dodawany współczynnik tłumienia w wycięciu, aby przewidywana tendencja spłaszczała się po kilku okresach. Ostatnim krokiem w budowaniu modelu prognozowania jest zintensyfikowanie wniosków LES przez pomnożenie ich przez odpowiednie wskaźniki sezonowe. Tak więc prognozy reasekurowane w kolumnie I są po prostu iloczynem wskaźników sezonowych w kolumnie F i sezonowo dostosowanych prognoz LES w kolumnie H. Stosunkowo łatwe jest obliczenie przedziałów ufności dla prognoz jednoetapowych przewidzianych w tym modelu: pierwszy obliczyć błąd RMSE (średnio kwadratowy, który jest tylko pierwiastkiem kwadratowym MSE), a następnie obliczyć przedział ufności dla sezonowo dostosowanej prognozy przez dodanie i odjęcie dwóch razy RMSE. (Ogólnie 95 przedział ufności dla prognozy na jeden okres jest mniej więcej równe prognozom punktowym plus lub minus dwa razy szacunkowe odchylenie standardowe prognozowanych błędów, zakładając, że dystrybucja błędów jest w przybliżeniu norma i rozmiar próbki jest wystarczająco duża, powiedzmy, 20 lub więcej. Tutaj RMSE, a nie standardowe odchylenie próbek błędów, jest najlepszym oszacowaniem standardowego odchylenia przyszłych błędów prognozowanych, ponieważ uwzględnia się zarówno różnice losowe, jak i losowe.) dla sezonowo skorygowanej prognozy są następnie ponownie uzasadnione. wraz z prognozą, pomnożąc je przez odpowiednie wskaźniki sezonowe. W tym przypadku wartość RMSE wynosi 27,4, a prognoza sezonowa dla pierwszego przyszłego okresu (grudzień 93) wynosi 273,2. więc sezonowo dostosowany 95 przedział ufności wynosi od 273.2-227.4 218.4 do 273.2227.4 328.0. Mnożąc te limity według Decembers indeksu sezonowego 68,61. otrzymujemy dolne i górne granice ufności 149.8 i 225.0 wokół prognozy na grudzień-93 na 187.4. Limity zaufania dla prognoz więcej niż jednego okresu naprzód będą ogólnie wzrastać wraz ze wzrostem horyzontu prognozy, ze względu na niepewność co do poziomu i tendencji oraz czynników sezonowych, ale trudno im wyliczyć je ogólnie metodami analitycznymi. (Odpowiednim sposobem obliczania wartości granicznych ufności dla prognozy LES jest zastosowanie teorii ARIMA, ale niepewność w wskaźnikach sezonowych to inna sprawa). Jeśli chcesz przewidzieć realny przedział ufności dla prognozy więcej niż jednego okresu, biorąc wszystkie źródła Jeśli chodzi o błąd, najlepszym rozwiązaniem jest użycie metod empirycznych: na przykład w celu uzyskania przedziału ufności dla prognozy dwuetapowej przedziału, możesz utworzyć inną kolumnę w arkuszu kalkulacyjnym, aby obliczyć prognozę na 2 kroki przed każdym okresem ( przez uruchomienie wstępnej prognozy jednostopniowej). Następnie obliczyć wartość RMSE błędów prognoz dwuetapowych i wykorzystać je jako podstawę przedziału ufności 2-krok przed. 822 To jest sezonowość Twoich danych Kilka postów z powrotem, sprawdziłem prostą technikę używania wykładniczego ruchu średnią (EMA) dla danych z serii czasowych. Ma to tę zaletę, że wygładzanie danych przy jednoczesnym zachowaniu 8220memory8221 wszystkich poprzednich wartości metryki, które pojawiły się wcześniej. Ma to również zaletę, że łatwiej jest uaktualniać, gdy nowe dane będą dostępne. Tym razem chcę pokazać Ci technikę ustalania kolejnego wspólnego problemu z serii czasowych: sezonowości. Tak, Twoje dane spadły w styczniu, ale jest to, że zwykły spadek sprzedaży po wakacjach Lub jest to początek prawdziwej tendencji spadkowej, którą musisz mieć na oku Ten artykuł ilustruje szybki i prosty sposób na wyeliminowanie sezonowości dane. Let8217 pracują nad przykładem krok po kroku: Wyobraźmy sobie, że pracujemy w firmie programistycznej, w której produkt na poziomie przedsiębiorstwa ma dość długi cykl sprzedaży, a nasze dane są rzeczywistymi, surowymi konwersjami w ciągu kwartału. Jeśli spojrzymy na dane dotyczące konwersji sprzedaży na powyższym wykresie, jak się ostatnio wybierasz? Lepiej niż w 2017 r. Tak dobre, jak w 2017 r. Here8217we surowe dane: Krok 1: Zbieranie danych dotyczących danych metra co najmniej 3 okresy pełnego cyklu Dla większości ludzi, oznacza to kwartalne lub miesięczne dane pochodzące z trzech lat. Tak, możesz używać danych tygodniowych lub dziennych, chociaż ty zazwyczaj chcesz wygładzić te dane (cha-ching. Kolejny wielki użytek dla wykładniczej średniej ruchomej). I to nie musi być w ciągu całego roku, jeśli 8220zasoby8221 Twoje dane przechodzą przez isn8217t mierzone w miesiącach kalendarzowych 8212, więc jeśli you8217re patrzeć na danych z dnia na dzień, powiedzmy, aby porównać, jak Twoi klienci działają w poniedziałek w porównaniu do czwartku, to dobre 8-12 tygodni danych byłoby mądrym minimum. Krok 2: Porównaj jak przedziały czasowe jak okresy czasu Na przykład spójrz na wszystkie styczniki lub wszystkie wtorki i oblicz średnią. Używam prostej średniej, a nie EMA. Ponieważ EMA ma być użyteczny w porównaniu z kolejnym wierszem 8212 w porównaniu z lutym do stycznia, który pojawił się przed nim 8212, a my nie robimy tego tu raczej, traktujemy dane jako czyste dane, a naszym końcowym celem jest wyodrębnij sezonowy szereg czasowy. Krok 3: Normalizacja Porównanie wszystkich tych średnich ze sobą i dzielenie każdego ze średnich na średnią średnią, co w średnim okresie powoduje porównanie sezonowego czynnika z tym okresem, w porównaniu do wartości normalnej, określanej jako 8220normalizacja.8221 To jest sposób, w jaki porównujemy 8220apple do jabłka8221 przez wiele lat iw kontekście całego efektu sezonowego. Krok 4: dzielenie każdego oryginalnego punktu danych według jego sezonowo dopasowanego współczynnika To daje skuteczną wartość dla tego metryki z usunięciem elementu sezonowego. Krok 5: Rysuj konkluzje Spójrz na te nowe zdematerializowane dane i wyciągnij wnioski, jeśli takie istnieją. Teraz, gdy weźmiemy pod uwagę sezonowość sprzedaży, są jakieś wnioski innych Patrząc na czerwone, nieudane dane, wygląda na to, że niski poziom z 2017 roku jest nawet niższy niż pod koniec 2017 r., A rok 2017 jest prawie tak wysoki, jak w 2017 roku. Powinno to spowodować konsternację na następnym spotkaniu sprzedażowym. Oczywiście, tu są miliardowcy. Czy dane są nawet sezonowe w pierwszej kolejności Patrząc na niebieską linię, najlepiej możemy powiedzieć 8220maybe8221 8212 it8217d świetnie, aby mieć więcej danych. Być może miesięczne zestawienie danych zamiast kwartalnych. Innym zastrzeżeniem może być cykliczny 8212, jeśli cykl koniunkturalny dominuje w Twoim cyklu sprzedaży, to może łatwo zdusić składnik sezonowy 8212, ale jeśli tak się dzieje, dlaczego niższe niższe w 2017 roku sprzedaż Więc moje pytanie w tym miesiącu: kiedy spojrzysz na swoje dane , czy uwzględnisz sezonowość czy po prostu sprawdź, czy liczby są 8220up8221 w najnowszym raporcie może nie masz podstawowego wglądu. Niektóre opinie wyrażone w tym artykule mogą być takie, jakiegoś zaproszonego autora, a nie koniecznie Marketing Land. Autorzy pracują tutaj. O autorze John Quarto-vonTivadar jest jednym z twórców architektury perswazji i regularnie walczy z niezliczoną liczbą sprzedawców w popularnej serii Math for Marketers. Najlepszy sprzedawca Johns 2008, Always Be Testing, napisany z partnerem biznesowym Bryan Eisenberg, był standardowym referencyjnym narzędziem optymalizacji konwersji w trakcie testów od jego wydania i wykorzystywanym zarówno do prowadzenia zajęć akademickich, jak i szkoleń korporacyjnych. Tematy pokrewneUdoskonalenie obsługi klienta online Usuwanie codziennych sezonów Usuwanie sezonów dziennych Podczas gdy ogólnie zaczynam patrzeć na dane dotyczące analizy stron internetowych na poziomie tygodniowym lub miesięcznym, są chwile, kiedy warto posłuchać codziennie. Może to być podczas sprawdzania przyczyny zmiany danych lub po prostu sprawdzenia skuteczności poprzedniego dnia. Ale pojawia się problem, który może utrudnić interpretację i wyciągnąć przydatne informacje z danych dziennych. Większość danych, które są wyświetlane na poziomie dziennym, zawierają formę dziennej sezonowości. Jest to najbardziej oczywiste w danych, takich jak odwiedziny, odsłon lub sprzedaż, które są liczbami bezwzględnymi. W ciągu tygodnia pojawiają się powtarzające się szczyty i przecięcia w tych samych dniach każdego tygodnia. Przykład tego wzoru można zobaczyć na rysunku 1 poniżej. Chociaż to sprawia, że ​​każdy wykres dość do obejrzenia, utrudnia to naprawdę identyfikację trendów lub skoków danych. Czy punkt danych jest wysoki, ponieważ był skok lub ponieważ był poniedziałek To święta szkolne, ale jeśli liczba odwiedzin tej Sat naprawdę będzie taka niska I oczywiście, w którym dniu zaczęliśmy zauważać spadek ruchu i ile zmiana jest naprawdę Jedyną metodą stosowaną do usuwania sezonowej sezonowości jest wygładzenie linii przy użyciu średniej ruchomej. Ponieważ jest to wzór tygodniowy, średnia siedmiopunktowa średnia ruchoma powinna sprawić, że ładna gładka linia. Niestety, jak widać na rysunku 2, oznacza to uzyskanie ładnej linii gładkiej, ukrywającej większość interesujących skoków i zmian kroku oraz ogólnych trendów danych. Możesz zobaczyć ogólne trendy, ale nie możesz określić konkretnych dni, kiedy nastąpiła zmiana. Trudno też wyraźnie zidentyfikować zmianę, ponieważ każdy dzień stanowi zaledwie jedną siódmą dla każdego punktu danych. To, co radzę, polega na usunięciu dziennej sezonowości z każdego punktu danych, co powoduje, że linia, na którą dzień tygodnia jest niezmieniony. Korzystanie z tej metody oznacza, że ​​jest jasne, czy wydajność każdego dnia była dobra czy zła. Na przykład na rysunku 3 widać, że stosunkowo najgorszym dniem w podróży było 25 sierpnia, chociaż wizyty w tym dniu były wyższe niż w innych dniach w okresie sprawozdawczym. Technika usuwania sezonowej sezonowości może być stosowana każdego dnia, co oznacza, że ​​można natychmiast zidentyfikować i zareagować na zmianę wyników. Trudność to obliczenie dziennej sezonowości przez tydzień. Można to zrobić prawidłowo przy użyciu SPSS lub podobnego narzędzia, ale używam szybkiego obejścia problemu w programie Excel, który mimo że nie jest 100 dokładny dostaje zadanie. Kroki służące do obliczania dziennej sezonowości dla metryki (przy użyciu przykładów wizyt) są następujące: przykłady pokazane na rysunku 4: Wyodrębnij historyczne dane o odwiedzinach dziennych. Będziesz potrzebować co najmniej 6 tygodni, jeśli okres zawiera wiele znanych czynników, które mogą mieć wpływ na ruch, np. święta szkolne, święta państwowe, publikacje produktów, kampanie marketingowe itd. Zmień kolejność danych, tak aby każda kolumna zawierała jeden tydzień, a każdy wiersz zawiera tylko dane na określony dzień tygodnia. Utwórz ponownie tę tabelę, ale zamiast tego wymieniać wizyty na każdy dzień z tymi odwiedzinami na ten dzień, przyczyniły się do łącznych odwiedzin na ten tydzień. Dodaj kolejne kolumny do obliczania średniej i mediany dla każdego wiersza danych. Usuń wszystkie tygodnie, które zawierają dni, które don8217t odzwierciedlają wzór ogólny. W tym przykładzie usunięto tygodnie 5 i 6. W tym momencie średnia i mediana powinny być względnie podobne w każdym dniu tygodnia. Dzienna forma sezonowości jest uzyskiwana poprzez pomnożenie średniej dziennej na 7. Ta codzienna forma sezonowości może być wykorzystana do usuwania sezonowej aktywności danego metryki na dowolny dzień. Wystarczy podzielić wartość na każdy dzień według odpowiedniej dziennej sezonowości w celu jej usunięcia. Zazwyczaj robię to używając vlookup w stosunku do dnia tygodnia dla każdej daty. Wracając do analizy analityki internetowej, można użyć tej techniki do czyszczenia danych, dzięki czemu można błyskawicznie zidentyfikować dobre i złe dni, niezależnie od tego, czy są to dane historyczne, czy tylko za poprzedni dzień. Jeśli używasz danych historycznych, możesz zidentyfikować interesujące dni, by dalej zbadać (gra z segmentowaniem). Jeśli używasz na bieżąco, możesz natychmiast sprawdzić, jaka była wydajność poprzedniego dnia, a jeśli jest taka potrzeba, sprawdź i odpowiednio reaguj na zmianę. Obecnie, aby móc przeprowadzić taką analizę, musisz wyodrębnić dane do programu Excel. Mam nadzieję, że pewnego dnia narzędzia analityki internetowej umożliwiają przesyłanie dziennego wzorca sezonowości dla danych, dzięki czemu można wyświetlać dane dzienne z usuniętą sezonowością. I moje marzenie jest narzędziem, które włączy zdolność do automatycznego tworzenia wzoru dla dowolnego wybranego metryki (z manualnym przejażdżką w celu poprawienia kursu). Drugim kluczowym zastosowaniem, jaki znalazłem w codziennym schemacie sezonowości jest możliwość prognozowania dziennych ruchów. Jeśli możesz przewidzieć, jaki jest ruch w tygodniu8217, możesz to pomnożyć przy użyciu codziennego wzoru sezonowości, aby prognozować ruch na poziomie dziennym. Kopię pliku Excel zawierającego wszystkie dane, wykresy i wzory użyte w powyższych przykładach można pobrać tutaj 8211 Daily Seasonality File Ten post był pierwotnie opublikowany na stronie AussieWebAnalys t w dniu 26 listopada 821708 r. Post navigationTime Analiza serii: Metody dostosowywania sezonowego Jak działają metody stylu X11 Jakie są niektóre pakiety używane do wykonywania korekt sezonowych Jakie są techniki stosowane przez system ABS do obsługi z sezonową korektą Jak działa SEASABS Jak inne agencje statystyczne zajmują się dostosowywaniem sezonowym HOW DO X11 METODY STYLOWE Metody filtrowania opartych na filtrowaniu sezonowym są często znane jako metody stylu X11. Opierają się one na 8216ratio na przeprowadzce średniej 8217 procedury opisanej w 1931 r. Przez Fredricka R. Macaulaya z Narodowego Biura Badań Ekonomicznych w USA. Procedura składa się z następujących kroków: 1) oszacować tendencję za pomocą średniej ruchomej 2) usunąć tendencję pozostawiającą składniki sezonowe i nieregularne 3) oszacować składnik sezonowy za pomocą średnich kroczących, aby wyeliminować nieprawidłowości. Sezonowość zazwyczaj nie może być zidentyfikowana, dopóki trend nie jest znany, niemniej nie można dokonać dobrego oszacowania tendencji, dopóki serie nie zostaną skorygowane sezonowo. Dlatego X11 wykorzystuje iteracyjne podejście do oszacowania składników szeregów czasowych. Jako domyślny przyjmuje model multiplikatywny. Aby zilustrować podstawowe kroki związane z X11, rozważyć rozkład miesięcznej serii czasowej w modelu multiplikatywnym. Krok 1: Wstępne oszacowanie trendu Do symulacji średniookresowej 13 (2x12) zastosowano średnioroczną serię czasu O t. do wstępnego oszacowania tendencji T t. Trend jest następnie usuwany z oryginalnych serii, aby dać oszacowanie składników sezonowych i nieregularnych. Sześć wartości na każdym końcu serii jest tracona w wyniku problemu z punktem końcowym - używane są tylko filtry symetryczne. Krok 2: Wstępna ocena składnika sezonowego Można wstępnie oszacować składnik sezonowy, stosując średnio ważoną średnią ruchową 5-dniową (S 3x3) do serii S tII dla każdego miesiąca osobno. Chociaż filtr ten jest domyślny w ramach X11, system ABS stosuje 7 średnich ruchów średnich (S 3x5). Składniki sezonowe są korygowane, aby dodać do 12 w przybliżeniu przez okres 12 miesięcy, tak że ich średnia wynosiła 1, aby zapewnić, że składnik sezonowy nie zmienia poziomu serii (nie ma wpływu na tę tendencję). Brakujące wartości na końcach składnika sezonowego zastępuje się powtórzeniem wartości z poprzedniego roku. Krok 3: Wstępne oszacowanie danych skorygowanych Przybliżenie sezonowych skorygowanych serii można znaleźć, dzieląc prognozę sezonowości z poprzedniego etapu na serie oryginalne: Krok 4: Lepsze oszacowanie tendencji Termin 9, 13 lub 23 Średnia średnica ruchoma Hendersona jest stosowana do wartości skorygowanych sezonowo, w zależności od zmienności serii (bardziej lotna seria wymaga dłuższej średniej ruchomej), aby uzyskać lepsze oszacowanie tendencji. Wynikowa seria trendów jest podzielona na oryginalne serie, aby dać drugie oszacowanie składników sezonowych i nieregularnych. Filtry asymetryczne są stosowane na końcach szeregu, dlatego nie występują żadne brakujące wartości, jak w kroku 1. Krok 5: Ostateczne oszacowanie składnika sezonowego Krok drugi jest powtarzany w celu uzyskania końcowego oszacowania składnika sezonowego. Krok 6: Ostateczne oszacowanie danych skorygowanych Ostateczne sezonowe skorygowane serie można znaleźć przez podzielenie drugiego oszacowania sezonu z poprzedniego etapu na pierwotną serię: Krok 7: Ostateczne oszacowanie tendencji 9, 13 lub 23 termin Henderson przenoszący się średnią stosuje się do końcowego oszacowania sezonowo skorygowanej serii, która została skorygowana o ekstremalne wartości. Daje to lepsze i ostateczne oszacowanie tendencji. W bardziej zaawansowanych wersjach X11 (takich jak X12ARIMA i SEASABS) można używać dowolnej średniej ruchomej Hendersona. Krok 8: Ostateczne oszacowanie składnika nieregularnego Nierównomierne szacunki można następnie oszacować przez podzielenie szacunków trendu na dane skorygowane sezonowo. Oczywiście te kroki zależą od tego, który model (multiplikatywny, dodatkowy i pseudodekodujący) został wybrany w obrębie X11. Istnieją małe różnice w krokach w X11 między różnymi wersjami. Dodatkowym krokiem w szacowaniu czynników sezonowych jest poprawa solidności procesu uśredniania poprzez modyfikację wartości SI dla skrajności. Więcej informacji na temat najważniejszych kroków można znaleźć w sekcji 7.2 dokumentu Informacje: wstępny kurs analizy czasowej - dostawa elektroniczna. CZYM JEDNOSTKI PAKIETÓW WYKORZYSTANYCH DO REGULACJI SEZONOWEJ Najczęściej stosowanymi pakietami sezonowych dostosowań są rodziny z rodziny X11. X11 został opracowany przez Biuro Spisu Powszechnego Stanów Zjednoczonych i rozpoczął działalność w Stanach Zjednoczonych w 1965 roku. Niedługo potem został on przyjęty przez wiele agencji statystycznych na całym świecie, w tym ABS. Został on zintegrowany z szeregiem komercyjnych pakietów oprogramowania, takich jak SAS i STATISTICA. Używa filtrów, aby sezonowo dostosować dane i oszacować składniki serii czasowej. Metoda X11 polega na zastosowaniu symetrycznych średnic ruchomych do serii czasowych w celu oszacowania trendu, sezonowych i nieregularnych składników. Jednak na końcu serii nie ma wystarczających danych, aby zastosować symetryczne obciążniki 8211 problem 8216end-point8217. W konsekwencji stosuje się albo wagi asymetryczne, albo serię należy ekstrapolować. Metoda X11ARIMA, opracowana przez Statistics Canada w 1980 roku i zaktualizowana w 1988 roku w firmie X11ARIMA88, wykorzystuje modele Box RMS do automatycznego regresji ruchomej (Box Jenkins AutoRegressive Integrated Moving Average - ARIMA) w celu przedłużenia serii czasowej. Zasadniczo użycie modelu ARIMA w oryginalnych seriach pozwala zredukować zmiany w serii skorygowanej sezonowo, tak że efekt problemu końcowego jest ograniczony. X11ARIMA88 różni się także od oryginalnej metody X11 w leczeniu ekstremalnych wartości. Można je uzyskać, kontaktując się z Statistics Canada. W późnych latach 90-tych lat 90. XIX w. Biuro Powszechne Stanów Zjednoczonych wydało X12ARIMA. Używa modeli regARIMA (modeli regresji z błędami ARIMA), aby umożliwić użytkownikowi przedłużenie cyklu o prognozy i wstępnie dostosować serie do efektów zewnętrznych i kalendarza, zanim nastąpi sezonowa korekta. X12ARIMA można uzyskać w Prezydium, który jest dostępny bezpłatnie i można go pobrać ze strony census. govsrdwwwx12a. Opracowany przez Victora Gomeza i Augusta Maravalla, SEATS (Ekstrakcja sygnału w serii ARIMA Time) jest programem, który ocenia i prognozuje trend, sezonowe i nieregularne składniki serii czasowej, wykorzystując techniki ekstrakcji sygnału stosowane do modeli ARIMA. TRAMO (regresja serii czasowej z hałasem ARIMA, brakujące obserwacje i wykryte) jest programem towarzyszącym do szacowania i prognozowania modeli regresji z błędami ARIMA i wartościami brakującymi. Służy do wstępnego dopasowania serii, która będzie następnie regulowana sezonowo przez SEATS. Aby bezpłatnie pobrać dwa programy z Internetu, skontaktuj się z Bankiem Hiszpanii. bde. eshomee. htm Eurostat skupia się na dwóch sezonowych metodach dostosowania: TramoSeats i X12Arima. Wersje tych programów zostały wdrożone w jednym interfejsie, zwanym kwotą DEMETRAquot. Ułatwia to stosowanie tych technik do dużych serii serii czasowych. DEMETRA zawiera dwa główne moduły: sezonową korektę i oszacowanie tendencji zautomatyzowaną procedurą (np. Dla niedoświadczonych użytkowników lub dla dużych serii serii czasowych) oraz dzięki przyjaznej dla użytkownika procedurze szczegółowej analizy pojedynczych serii czasowych. Można go pobrać ze strony forum. europa. eu. intircdsiseurosaminfodatademetra. htm. CZYM JEST TECHNIKI ZABEZPIECZONE PRZEZ ABS DO ZGROMADZENIA Z REGULACJAMI SEZONAMI Głównym narzędziem stosowanym w Australijskim Biurze Statystycznym jest SEASABS (analiza SEASON, normy ABS). SEASABS to pakiet oprogramowania do dostosowywania sezonowego z podstawowym systemem przetwarzania opartym na X11 i X12ARIMA. SEASABS jest systemem opartym na wiedzy, który może pomóc analitykom serii czasowych w podejmowaniu trafnych i prawidłowych ocen w analizie serii czasowych. SEASABS jest częścią systemu sezonowego dostosowania ABS. Inne składniki obejmują ABSDB (magazyn informacji ABS) i FAME (środowisko prognozowania, analizy i modelowania, służące do przechowywania i przetwarzania danych serii czasowej). SEASABS wykonuje cztery główne funkcje: Przegląd danych Przegląd rezonansowy serii czasowych Badanie szeregów czasowych Utrzymanie wiedzy o szeregach czasowych SEASABS umożliwia zarówno ekspertom, jak i klientom korzystanie z metody X11 (która znacznie wzmocniła system ABS). Oznacza to, że użytkownik nie potrzebuje szczegółowej wiedzy na temat pakietu X11, aby odpowiednio sezonowo dostosować serię czasu. Inteligentny interfejs pomaga użytkownikom w procesie analizy sezonowej, dokonując odpowiednich wyborów parametrów i metod dostosowywania, przy niewielkim lub niezbyt wskazanym wytycznych użytkownika. Podstawowym procesem iteracyjnym związanym z SEASABS jest: 1) sprawdzenie poprawności przerw w pracy. 2) Sprawdź i usuń duże kolce danych. 3) Sprawdź, czy poprawne przerwy trendu. 4) Sprawdź i skoryguj wartości ekstremalne w celu dostosowania sezonowego. 5) oszacować obecność danego dnia obrotowego. 6) Wstawianie lub zmiana przemieszczających się korekt. 7) Sprawdź średnie kroczące (średni wzrost tendencji, a następnie sezonowe średnie ruchome). 8) Uruchom X11. 9) Zakończ dostosowanie. SEASABS prowadzi rejestry poprzedniej analizy serii, dzięki czemu może porównać diagnostykę X11 z upływem czasu i wiedzieć, jakie parametry doprowadziły do ​​akceptowalnej korekty w ostatniej analizie. Określa i koryguje trendy, przerwy sezonowe oraz ekstremalne wartości, w razie potrzeby wstawia czynniki dotyczące dni handlowych, jeśli to konieczne, i umożliwia przemieszczanie korekt świąt. SEASABS jest dostępny bezpłatnie dla innych organizacji rządowych. Skontaktuj się z czasem. series. analysisabs. gov. au, aby uzyskać więcej informacji. JAK INNE AGENCJE STATYSTYCZNE ZAWIERAJĄCE REGULOWANIE SEZONOWE Statystyki Nowa Zelandia używa X12-ARIMA, ale nie korzysta z możliwości pakietu ARIMA. Biuro Statystyki Narodowej w Wielkiej Brytanii korzysta z X11ARIMA88 Statystyki Kanady korzysta z biura X11-ARIMA88 w Stanach Zjednoczonych korzysta z oprogramowania X12-ARIMA Eurostat korzysta z SEATSTRAMO Ta strona została opublikowana po raz pierwszy w dniu 14 listopada 2005, ostatnio aktualizowana 10 września 2008