الانتقال المتوسط الموسمية مكون

تنفيذ جدول البيانات من التعديل الموسمي والتجانس الأسي فمن السهل إجراء تعديل موسمي وتناسب نماذج التمهيد الأسي باستخدام إكسيل. يتم أخذ صور الشاشة والرسوم البيانية أدناه من جدول بيانات تم إعداده لتوضيح التعديل الموسمي الموسمي والتجانس الأسي الخطي على بيانات المبيعات الفصلية التالية من أوتبوارد مارين: للحصول على نسخة من ملف جدول البيانات نفسه، انقر هنا. نسخة من التجانس الأسي الخطي التي سيتم استخدامها هنا لأغراض مظاهرة هو Brown8217s الإصدار، لمجرد أنه يمكن تنفيذها مع عمود واحد من الصيغ وهناك واحد فقط ثابت تمهيد لتحسين. عادة فمن الأفضل استخدام الإصدار Holt8217s التي لديها ثوابت تمهيد منفصلة للمستوى والاتجاه. وتنتقل عملية التنبؤ على النحو التالي: '1' أولا تعدل البيانات موسميا '2'، ثم تنشأ التنبؤات للبيانات المعدلة موسميا عن طريق التمهيد الأسي الخطي؛ '3' وأخيرا، فإن التنبؤات المعدلة موسميا هي عبارة عن تنبؤات متوقعة موسميا للحصول على تنبؤات للمسلسل الأصلي . يتم إجراء عملية التعديل الموسمية في الأعمدة من D إلى G. الخطوة الأولى في التعديل الموسمية هي حساب المتوسط ​​المتحرك المركزة (يتم القيام به هنا في العمود D). ويمكن القيام بذلك عن طريق الأخذ بمتوسط ​​متوسطين على مدى سنة واحدة تقابلهما فترة واحدة بالنسبة لبعضهما البعض. (وهناك حاجة إلى مزيج من متوسطين للمقاصة بدلا من متوسط ​​واحد للأغراض المركزية عندما يكون عدد المواسم). والخطوة التالية هي حساب النسبة إلى المتوسط ​​المتحرك - أي. البيانات الأصلية مقسومة على المتوسط ​​المتحرك في كل فترة - والتي يتم تنفيذها هنا في العمود هاء (ويسمى هذا أيضا مكون كوتريند-سيكليكوت للنمط، بقدر ما يمكن اعتبار التأثيرات ودورات الأعمال على أنها كلها لا يزال بعد متوسطه على مدى سنوات كاملة من البيانات، وبطبيعة الحال، من شهر إلى آخر التغييرات التي لا تعود إلى الموسمية يمكن تحديدها من قبل العديد من العوامل الأخرى، ولكن متوسط ​​12 شهرا ينعم عليهم إلى حد كبير.) ذي يتم حساب المؤشر الموسمية المقدر لكل موسم من خلال متوسط ​​متوسط ​​جميع النسب لهذا الموسم المحدد، والذي يتم في الخلايا G3-G6 باستخدام صيغة أفيراجيف. ثم يتم تعديل النسب المتوسطة بحيث تصل إلى 100 مرة بالضبط عدد الفترات في الموسم، أو 400 في هذه الحالة، والذي يتم في الخلايا H3-H6. أسفل العمود F، يتم استخدام صيغ فلوكوب لإدراج قيمة الفهرس الموسمية المناسبة في كل صف من جداول البيانات، وفقا لربع السنة الذي يمثله. وينتهي المتوسط ​​المتحرك المركب والبيانات المعدلة موسميا على النحو التالي: لاحظ أن المتوسط ​​المتحرك يشبه عادة نسخة أكثر سلاسة من السلسلة المعدلة موسميا، وهو أقصر على كلا الطرفين. وتظهر ورقة عمل أخرى في نفس ملف إكسيل تطبيق نموذج تمهيد الأسي الخطي على البيانات المعدلة موسميا، بدءا من العمود G. وتدخل قيمة ثابت التمهيد (ألفا) فوق عمود التنبؤ (هنا في الخلية H9) و من أجل الراحة يتم تعيين اسم النطاق كوتAlpha. quot (يتم تعيين الاسم باستخدام الأمر كوتينسنامكراتيكوت). يتم تهيئة نموذج ليس عن طريق تعيين أول اثنين من التوقعات مساوية للقيمة الفعلية الأولى للسلسلة المعدلة موسميا. الصيغة المستخدمة هنا لتوقعات ليس هي النموذج المعادلة وحيد المعادلة من طراز Brown8217s: يتم إدخال هذه الصيغة في الخلية المقابلة للفترة الثالثة (هنا، الخلية H15) ونسخها من هناك. لاحظ أن توقعات ليس للفترة الحالية تشير إلى الملاحظات السابقة واثنين من أخطاء التنبؤ السابقة، فضلا عن قيمة ألفا. وهكذا، فإن صيغة التنبؤ الواردة في الصف 15 تشير فقط إلى البيانات التي كانت متاحة في الصف 14 وما قبله. (بطبيعة الحال، إذا أردنا استخدام تمهيد أسي بسيط بدلا من خطي أسي، يمكننا استبدال صيغة سيس هنا بدلا من ذلك، ويمكننا أيضا استخدام هولت 8217s بدلا من طراز براون 8217s ليس، والذي سيتطلب عمودين إضافيين من الصيغ لحساب المستوى والاتجاه التي تستخدم في التنبؤ.) وتحسب الأخطاء في العمود التالي (هنا، العمود J) بطرح التوقعات من القيم الفعلية. ويحسب خطأ متوسط ​​الجذر التربيعي باعتباره الجذر التربيعي للتباين في الأخطاء بالإضافة إلى مربع الوسط. (ويأتي ذلك من الهوية الرياضية: مس فاريانس (أخطاء) (أفيراج (أخطاء))). في حساب متوسط ​​وتفاوت الأخطاء في هذه الصيغة، يتم استبعاد الفترتين الأوليين لأن النموذج لا يبدأ فعلا التنبؤ حتى الفترة الثالثة (الصف 15 في جدول البيانات). يمكن العثور على القيمة المثلى ألفا إما عن طريق تغيير ألفا يدويا حتى يتم العثور على الحد الأدنى رمز، وإلا يمكنك استخدام كوتسولفيركوت لإجراء التقليل الدقيق. قيمة ألفا التي وجدت سولفر وجدت هنا (alpha0.471). وعادة ما تكون فكرة جيدة هي رسم أخطاء النموذج (في الوحدات المحولة)، وكذلك حساب ورسم مؤثراتهم الذاتية عند فترات تأخر تصل إلى موسم واحد. هنا هو مؤامرة سلسلة زمنية من الأخطاء (المعدلة موسميا): يتم حساب أوتوكوريلاتيونس خطأ باستخدام الدالة كوريل () لحساب الارتباطات من الأخطاء مع أنفسهم تأخرت من قبل واحد أو أكثر من فترات - يتم عرض التفاصيل في نموذج جدول البيانات . هنا هو مؤامرة من أوتوكوريلاتيونس من الأخطاء في الفترات الخمسة الأولى: و أوتوكوريلاتيونس في الفترات من 1 إلى 3 قريبة جدا من الصفر، ولكن الارتفاع في تأخر 4 (الذي هو 0.35) هو مزعجة قليلا - فإنه يشير إلى أن عملية التعديل الموسمية لم تكن ناجحة تماما. ومع ذلك، فإنه في الواقع هامشية فقط. 95 لفحص ما إذا كانت أوتوكوريلاتيونس تختلف اختلافا كبيرا عن الصفر تقريبا زائدا أو ناقص 2SQRT (n-k)، حيث n هو حجم العينة و k هو الفارق الزمني. هنا n هو 38 و k يختلف من 1 إلى 5، وبالتالي فإن مربع الجذر من-ن-ناقص-ك حوالي 6 للجميع، وبالتالي حدود لاختبار الأهمية الإحصائية للانحرافات من الصفر هي تقريبا زائد - أو ناقص 26، أو 0.33. إذا قمت بتغيير قيمة ألفا باليد في هذا النموذج إكسيل، يمكنك مراقبة تأثير على سلسلة زمنية ومؤامرات الارتباط الذاتي من الأخطاء، وكذلك على الخطأ الجذر متوسط ​​التربيع، والتي سيتم توضيحها أدناه. في الجزء السفلي من جدول البيانات، يتم إعداد صيغة التنبؤات في المستقبل عن طريق استبدال التنبؤات بالقيم الفعلية فقط عند النقطة التي يتم فيها نفاد البيانات الفعلية. حيث تبدأ كوتوركوتلكوت. (وبعبارة أخرى، في كل خلية حيث تحدث قيمة بيانات مستقبلية، يتم إدراج مرجع الخلية الذي يشير إلى التوقعات التي تم إجراؤها لتلك الفترة.) يتم نسخ جميع الصيغ الأخرى ببساطة من أسفل: لاحظ أن الأخطاء للتنبؤات من يتم حساب كل المستقبل ليكون صفر. وهذا لا يعني أن الأخطاء الفعلية ستكون صفرا، بل إنها تعكس مجرد حقيقة أنه لأغراض التنبؤ، نفترض أن البيانات المستقبلية ستساوي التوقعات في المتوسط. وتظهر توقعات ليس على البيانات المعدلة موسميا على النحو التالي: مع هذه القيمة الخاصة ألفا، وهو الأمثل للتنبؤات قبل فترة واحدة، فإن الاتجاه المتوقع هو أعلى قليلا، مما يعكس الاتجاه المحلي الذي لوحظ على مدى العامين الماضيين أو هكذا. وبالنسبة لقيم ألفا الأخرى، يمكن الحصول على إسقاط اتجاه مختلف جدا. وعادة ما تكون فكرة جيدة لمعرفة ما يحدث لإسقاط الاتجاه على المدى الطويل عندما يكون ألفا متنوعا، لأن القيمة الأفضل للتنبؤ على المدى القصير لن تكون بالضرورة أفضل قيمة للتنبؤ بالمستقبل البعيد. على سبيل المثال، هنا هي النتيجة التي يتم الحصول عليها إذا تم تعيين قيمة ألفا يدويا إلى 0.25: الاتجاه المتوقع على المدى الطويل هو الآن سلبي بدلا من إيجابي مع قيمة أصغر من ألفا، نموذج يضع المزيد من الوزن على البيانات القديمة في وتقديره للمستوى الحالي واتجاهه الحالي، وتنبؤاته الطويلة الأجل تعكس الاتجاه التنازلي الذي لوحظ خلال السنوات الخمس الماضية بدلا من الاتجاه التصاعدي الأحدث. ويوضح هذا المخطط أيضا بوضوح كيف أن النموذج مع قيمة أصغر من ألفا أبطأ للرد على نقاط كوتورنينغكوت في البيانات وبالتالي يميل إلى جعل خطأ من نفس علامة لعدة فترات متتالية. وأخطاء التنبؤ المتوقعة من خطوة واحدة أكبر في المتوسط ​​من تلك التي تم الحصول عليها من قبل (رمز 34.4 بدلا من 27.4) وترتبط ارتباطا إيجابيا قويا. ويتجاوز الترابط الذاتي المتخلف 1،56 قيمة 0،33 المحسوبة أعلاه لانحراف ذي دلالة إحصائية عن الصفر. وكبديل لتخفيض قيمة ألفا من أجل إدخال مزيد من التحفظ في التنبؤات طويلة الأجل، يضاف أحيانا عامل التخميد المعتدل إلى النموذج من أجل جعل الاتجاه المتوقع يتسطح بعد بضع فترات. وتتمثل الخطوة الأخيرة في بناء نموذج التنبؤات في التنبؤ بالتنبؤات المتوقعة من خلال ضربها بالمؤشرات الموسمية المناسبة. ومن ثم فإن التنبؤات المعاد تشكيلها في العمود الأول هي ببساطة نتاج المؤشرات الموسمية في العمود F وتوقعات ليس الموضوعة موسميا في العمود ح. ومن السهل نسبيا حساب فترات الثقة للتنبؤات من خطوة واحدة إلى الأمام التي يقدمها هذا النموذج: أولا حساب الخطأ المتوسط ​​التربيعي (رمز)، وهو مجرد الجذر التربيعي للمشروعات المتوسطة والصغيرة (مس)، ثم حساب فاصل الثقة للتنبؤ المعدل موسميا من خلال جمع وطرح مرتين من رمز. (عموما فاصل الثقة 95 للتنبؤ بفترة زمنية واحدة يساوي تقريبا نقطة التنبؤ زائد أو ناقص ضعف الانحراف المعياري المقدر لأخطاء التنبؤ، على افتراض أن توزيع الخطأ طبيعي تقريبا وحجم العينة هي كبيرة بما فيه الكفاية، ويقول 20 أو أكثر. هنا، رمزز بدلا من العينة الانحراف المعياري للأخطاء هو أفضل تقدير للانحراف المعياري للأخطاء التوقعات المستقبلية لأنه يأخذ التحيز وكذلك عشوائية الاختلافات في الاعتبار.) حدود الثقة من أجل التنبؤ المعدل موسميا ثم ريساوناليزد. إلى جانب التوقعات، بضربها بالمؤشرات الموسمية المناسبة. وفي هذه الحالة، يساوي الرمز رمز 27.4 والتوقعات المعدلة موسميا للفترة المقبلة الأولى (ديسمبر 93) هي 273.2. بحيث تكون فترة الثقة 95 المعدلة موسميا من 273.2-227.4 218.4 إلى 273.2227.4 328.0. مضاعفة هذه الحدود من قبل ديسمرس مؤشر موسمية من 68.61. نحصل على حدود أدنى وأعلى من الثقة 149.8 و 225.0 حول توقعات ديسمبر 93 نقطة من 187.4. ومن المتوقع أن تتسع حدود الثقة للتنبؤات بأكثر من فترة واحدة مع تزايد الأفق المتوقع بسبب عدم اليقين بشأن المستوى والاتجاه فضلا عن العوامل الموسمية، ولكن من الصعب حسابها عموما بطرائق تحليلية. (الطريقة المناسبة لحساب حدود الثقة لتوقعات ليس هي باستخدام نظرية أريما، ولكن عدم اليقين في المؤشرات الموسمية هو مسألة أخرى). إذا كنت ترغب في فترة ثقة واقعية للتنبؤ أكثر من فترة واحدة المقبلة، واتخاذ جميع مصادر في الاعتبار، أفضل رهان هو استخدام طرق تجريبية: على سبيل المثال، للحصول على فترة ثقة لتوقعات من خطوتين إلى الأمام، يمكنك إنشاء عمود آخر في جدول البيانات لحساب توقعات خطوة بخطوة لكل فترة ( من خلال بوتسترابينغ توقعات خطوة واحدة إلى الأمام). ثم حساب رمز من 2-خطوة قبل التوقعات الأخطاء واستخدام هذا كأساس ل 2-خطوة قدما فاصل الثقة. تأخذ مع العنصر الدوري (العشرين في سلسلة) مرحبا بكم في موقعنا ال 20 توقعات الجمعة الجمعة. وكانت الأشهر الأربعة الماضية رحلة كاملة، حيث مررنا بطرق مختلفة من حيث السلاسل الزمنية مثل نماذج المتوسط ​​المتحرك، ونماذج التمهيد الأسي، وتحليل الانحدار، تلتها مناقشات متعمقة للافتراضات وراء تحليل الانحدار والعواقب وسبل الانتصاف مخالفة هذه الافتراضات. اليوم، نستأنف الجوانب العملية أكثر من تحليل السلاسل الزمنية، مع مناقشة لتحلل سلسلة زمنية. إذا كنت تتذكر من 3 مايو وظيفة. تتكون السلسلة الزمنية من أربعة مكونات: مكون الاتجاه مكون موسمي مكون دوري ومكون غير منتظم أو عشوائي. اليوم، وسوف نعرض لكم كيفية عزل والسيطرة على هذه المكونات، وذلك باستخدام مثال وهمية من بيلي بيرتون، صانع سلة هدية لحسابهم الخاص. وقد أحب بيلي بيرتون دائما جعل سلال الهدايا وحزم الرعاية، وتشغيل الشركة الخاصة بها على مدى السنوات ال 10 الماضية. بيلي يعرف أن الأعمال التجارية يبدو أن تتزايد عاما بعد عام، لكنها تعرف أيضا أن أعمالها هي الموسمية. بيلي هو أيضا مؤكد أن الناس دون 8217t شراء العديد من حزم الرعاية وسلال هدية عندما يكون الاقتصاد بطيئا. وهي تحاول تقييم تأثير كل من هذه المكونات على أعمالها. منذ بيلي 8217s الأعمال هو متجر شخص واحد وجميع سلالتها هدية مصنوعة يدويا (انها doesn8217t جعل سلال أو محتوياتها، ولكن تجميعها، يلتف لهم ديكور، وسفن لهم)، وقالت انها أكثر قلقا الآن مع التنبؤ بعدد من بدلا من المبيعات، حتى تتمكن من تقدير عبء عملها. لذلك بيلي تسحب أوامرها الشهرية للسنوات 2005-2009. وهي تبدو كالتالي: مجموع طلبات سلة الهدايا عندما يظهر متغير زيادة أو انخفاضا على المدى الطويل على مدى الزمن، يقال أن هناك اتجاها. بيلاي 8217s أوامر سلة هدية للسنوات الخمس الماضية يحمل على المدى الطويل، الاتجاه التصاعدي، كما هو مبين في مؤامرة سلسلة زمنية أدناه: على الرغم من أن الرسم البياني تبدو مشغولة جدا وعرة، يمكنك ان ترى أن Billie8217s أوامر شهرية يبدو أن تتحرك صعودا على بمرور الوقت. لاحظ أننا نأخذ خط مستقيم عبر سلسلة زمنية Billie8217s. هذا هو خط الاتجاه الخطي. في معظم الأحيان، ونحن رسم البيانات في سلسلة زمنية ثم رسم خط مستقيم مباشرة لإظهار ما إذا كان الاتجاه يتزايد أو تناقص. وهناك طريقة أخرى لربط خط الاتجاه مثل تلك التي استخدمتها هنا هي استخدام تحليل الانحدار البسيط، وذلك باستخدام كل فترة زمنية، t، كمتغير مستقل، وترقيم كل فترة بترتيب تسلسلي. ومن ثم، فإن يناير / كانون الثاني 2005 سيكون t1 وديسمبر 2009 سيكون t60. وهذا يشبه إلى حد بعيد النهج الذي ناقشناه في مشاركتنا في مدونة 27 مايو عندما أظهرنا كيف يمكن لسيدات الأعمال الأخريات، سو ستون، توقع مبيعاتها. في استخدام تحليل الانحدار، لتناسب خط الاتجاه لدينا، فإننا سوف تحصل على المعادلة التالية: منذ ميل من خط الاتجاه هو إيجابي، ونحن نعلم أن الاتجاه هو التصاعدي. يبدو أن أوامر بيلي 8217s تزداد بنسبة تزيد قليلا عن نصف أمر كل شهر، في المتوسط. ومع ذلك، عندما ننظر إلى R 2. نحصل فقط .313، مما يشير إلى خط الاتجاه do887t تناسب البيانات الفعلية بشكل جيد. ولكن هذا هو بسبب الموسمية جذرية في مجموعة البيانات، والتي سنتناولها قريبا. في الوقت الراهن، ونحن على الأقل نعرف أن هذا الاتجاه آخذ في الازدياد. عندما تظهر سلسلة زمنية نمط مكرر مع مرور الوقت، وعادة خلال نفس الوقت من السنة، وهذا النمط هو المعروف باسم العنصر الموسمية في السلاسل الزمنية. بعض السلاسل الزمنية لديها أكثر من فترة واحدة في السنة التي الموسمية قوية الآخرين لا موسمية. إذا نظرتم إلى كل نقطة من نقاط كانون الثاني (يناير)، فإنك لاحظت 8217ll أنها أقل بكثير من كانون الأول (ديسمبر) السابق و شباط (فبراير) التالي. أيضا، إذا نظرتم في كل ديسمبر، you8217ll نرى أنه هو أعلى نقطة من أوامر لكل عام. وهذا يوحي بقوة بالموسمية في البيانات. ولكن ما هو تأثير الموسمية نكتشف من خلال عزل المكون الموسمي وخلق مؤشر موسمية، والمعروفة باسم النسبة إلى المتوسط ​​المتحرك. حساب النسبة إلى المتوسط ​​المتحرك هو عملية مكونة من أربع خطوات: أولا، أخذ المتوسط ​​المتحرك للسلسلة بما أن بياناتنا شهرية، سنأخذ متوسطا متحركا لمدة 12 شهرا. إذا كانت بياناتنا ربع سنوية، فسنفعل متوسطا متحركا يبلغ 4. W8217ve فعلت ذلك أساسا في العمود الثالث من الجدول أدناه. بعد ذلك، نركز المتوسطات المتحركة عن طريق أخذ متوسط ​​كل زوج متعاقب من المتوسطات المتحركة، وتظهر النتيجة في العمود الرابع. ثالثا، حساب النسبة إلى المتوسط ​​المتحرك للحصول على النسبة إلى المتوسط ​​المتحرك، قم بتقسيم عدد الطلبات لشهر معين على المتوسط ​​المتحرك المتمركز لمدة 12 شهرا والذي يتوافق مع ذلك الشهر. لاحظ أن شهر تموز (يوليو) 2005 هو الشهر الأول الذي يكون فيه المتوسط ​​المتحرك المركز لمدة 12 شهرا. وذلك لأننا نفقد نقاط البيانات عندما نأخذ متوسطا متحركا. في يوليو 2005، نقوم بتقسيم عدد أوامرها، 12، بمتوسط ​​متحرك مدته 12 شهرا، 21.38، والحصول على .561 (العدد 8217s مضروبا في 100 للنسب المئوية، في هذا المثال). لدينا بالضبط 48 شهرا من النسب لدراسة. يتيح رسم كل سنة 8217s النسب على الرسم البياني: للوهلة الأولى، يبدو أن هناك فقط سطرين على الرسوم البيانية، تلك لمدة ثلاث سنوات وأربعة. ومع ذلك، يتم تمثيل جميع السنوات الأربع على هذا الرسم البياني. و إيت 8217s فقط أن جميع نقاط التحول هي نفسها، ونسبة إلى المتوسطات المتحركة لكل شهر متطابقة تقريبا. والفارق الوحيد هو في السنة الثالثة (تموز / يوليه 2007 إلى حزيران / يونيه 2008). لاحظ كيف الخط الأخضر لمدة ثلاثة doesn8217t تتبع نفس النمط كما في السنوات الأخرى، من فبراير إلى أبريل. نسبة السنة 38217 إلى المتوسط ​​المتحرك هي أعلى فعليا لشهر مارس مما كانت عليه في جميع السنوات السابقة، وأدنى لشهر أبريل. وذلك لأن عيد الفصح سقط في أواخر مارس 2008، لذلك تم نقل موسم سلة هدية عيد الفصح قبل بضعة أسابيع من السنوات السابقة. وأخيرا، حساب متوسط ​​المؤشر الموسمية لكل شهر لدينا الآن نسبة إلى المتوسطات المتحركة لكل شهر. Let8217s متوسط ​​لهم: راتيو للتحرك أفيراجيس وبالتالي، فإننا نرى أن شهر أغسطس هو شهر عادي (متوسط ​​المؤشر الموسمية 1). ومع ذلك، ننظر في كانون الأول / ديسمبر. مؤشرها الموسمية هو 1.75. وهذا يعني أن أوامر بيلي 8217s هي عموما أعلى بنسبة 175 في المئة من المتوسط ​​الشهري في ديسمبر كانون الاول. وبالنظر إلى هدية عيد الميلاد إعطاء الموسم، أن 8217s المتوقع في Billie8217s هدية سلة الأعمال. نلاحظ أيضا ارتفاع المؤشرات الموسمية في نوفمبر تشرين الثاني (عندما يبدأ موسم التسوق عيد الميلاد)، فبراير (Valentine8217 يوم)، وفي أبريل (عيد الفصح). وتميل الأشهر الأخرى إلى أن تكون أقل من المتوسط. لاحظ أن نيسان هو 8217t عالية بشكل رائع فوق خط الأساس، وأن مارس كان عاما واحدا حيث كان مؤشر 8217s 1.25 (عندما كان في السنوات الأخرى كان تحت 0.80). أن 8217s لأن عيد الفصح في بعض الأحيان يقع في أواخر مارس. أشياء مثل هذا مهم لتتبع، لأنه يمكن أن تؤثر بشكل كبير التخطيط. أيضا، إذا كان شهر معين لديه خمسة عطلة نهاية الأسبوع سنة واحدة فقط 4 عطلة نهاية الأسبوع المقبل أو إذا سنة كبيسة يضيف يوم واحد في فبراير كل أربع سنوات، وهذا يتوقف على عملك، وهذه الأحداث يمكن أن تحدث فرقا كبيرا في دقة التوقعات الخاصة بك. المكونات الدورية وغير النظامية بعد أن قمنا بمعالجة الاتجاه والمكونات الموسمية، فإننا نعلم أن أوامر بيلي 8217 تظهر اتجاها متزايدا وأن الأوامر تميل إلى أن تكون أعلى من المتوسط ​​خلال شهري نوفمبر وديسمبر وفبراير وأبريل. الآن نحن بحاجة لعزل المكونات الدورية والموسمية. الاختلافات الدورية don8217t تكرار أنفسهم في نمط منتظم، لكنها ليست الاختلافات العشوائية سواء. ويمكن التعرف على الأنماط الدورية، ولكنها تتفاوت دائما تقريبا من حيث الكثافة (الارتفاع من الذروة إلى الحوض الصغير) والتوقيت (التردد الذي تحدث فيه القمم والأحواض). وبما أنه لا يمكن التنبؤ بها بدقة، فإنها غالبا ما يتم تحليلها مع المكونات غير النظامية. الطريقة التي نعزل بها المكونات الدورية وغير النظامية هي أولا عزل الاتجاه والمكونات الموسمية كما فعلنا أعلاه. لذلك نحن نأخذ لدينا معادلة الانحدار الاتجاه من أعلاه، والمكونات في كل رقم تسلسل month8217s للحصول على قيمة الاتجاه. ثم نقوم بضربه بحلول ذلك الشهر 8217s متوسط ​​النسبة الموسمية إلى المتوسط ​​المتحرك لاستخلاص المعطيات الإحصائية. لاستخلاص المكون الدوري الدوري، نقوم بتقسيم الأوامر الفعلية لهذا الشهر عن طريق الإحصاء الطبيعي. ويبين الجدول التالي لنا كيف: مؤشر الموسمية نسبة دوري 8211 مكون غير النظامية () في معظم الأحيان، يبدو أوامر PEie8217s don8217t تظهر الكثير من السلوك الدوري أو غير النظامية. وفي معظم األشهر، تكون نسبة المكونات الدورية غير النظامية قريبة جدا من 100. وبالنظر إلى نوع نشاطها التجاري، فإننا نعلم أن ذلك لن يكون صحيحا أو حظا، ألن الركود الذي شهده عام 2008 حتى عام 2009 من شأنه أن يعني على األرجح خفض الطلبيات. في معظم هذه الأشهر، نتوقع أن نرى نسبة أقل بكثير من 100. ونحن نرى أنه في معظم عام 2005، والمكون الدوري غير النظامية لأوامر سلة هدية بيلي 8217s هي أعلى بكثير من 100. ومن المرجح جدا أنه في هذه السنوات، وكان عمل بيلي 8217s رؤية نمط دوري إيجابي. ثم نرى أنماط غير منتظمة في مارس وأبريل من سنوات لاحقة، حيث المكون الدوري غير النظامية هو أيضا أعلى بكثير 100. أن 8217s مرة أخرى عدم انتظام عندما يسقط عيد الفصح. ليس من المستغرب أن عيد الفصح على حد سواء عنصر موسمي وغير النظامية هذا لا يعني أن بيلي يمكن ركلة قدميها وتطمئن مع العلم أن أعمالها don8217t تعاني كثيرا من أنماط دورية أو غير النظامية. يمكن لتعمق الركود أن يغرق في نهاية المطاف أوامرها بأن الحرب يمكن أن تقطع المواد التي تستخدم لإنتاج سلال الهدايا لها نقص أو زيادة كبيرة في الأسعار في المواد التي تستخدمها يمكن أيضا فرض أسعارها أعلى، الأمر الذي يخفض لها أوامر لها ورشة عمل يمكن تدميرها في الفيضان أو النار وهلم جرا. للتعامل مع بعض هذه الأنماط غير النظامية التي يكاد يكون من المستحيل أن تخطط لبيلي شراء التأمين. معرفة تكوين السلاسل الزمنية هو عنصر هام للتنبؤ. يساعد تحليل السلاسل الزمنية صناع القرار على معرفة وشرح التباين في بياناتهم، وكم من ذلك يعزوها إلى مكونات اتجاهية وموسمية ودورية وغير منتظمة. في الأسبوع المقبل توقعات 8217s الجمعة الجمعة، we8217ll مناقشة كيفية التنبؤ باستخدام البيانات التي يتم تعديلها موسميا. السماح مشاركات جديدة تعال لك الفئاتالمكونات الأساسية (للبيانات سلسلة زمنية) البيانات سلسلة الزمنية التي تمت إزالة العنصر الموسمية. في البيانات المعدلة موسميا تم إزالة تأثير الظواهر الموسمية العادية. وسلسلة سلسة T C وسلسلة المعدلة موسميا T C I. الإحصائيات قدمت الدراسة الاستقصائية الاقتصادية للصناعة في نيوزيلندا البيانات التالية عن الإيرادات التشغيلية الفعلية لقطاع الصناعات التحويلية في نيوزيلندا. تم حساب وسائل التحريك التي تتمركز. أما بالنسبة للأرباع ذات الحركة المتحركة، فيحسب التأثير الموسمية الفردي من خلال: الدخل التشغيلي (البيانات الخام) نداش (محورها) المتوسط ​​المتحرك يقدر التأثير الموسمية الكلي لكل ربع من خلال تقدير متوسط ​​التأثيرات الموسمية الفردية. التأثيرات الموسمية الفردية لكل من أرباع آذار / مارس هي ndash588.125 و ndash561.75. متوسط ​​هذه القيم 2 هو ndash574.938. وتظهر الآثار الموسمية الإجمالية الأخرى في الجدول الثاني أدناه. يتم احتساب البيانات المعدلة موسميا من قبل: الدخل التشغيلي (البيانات الخام) ندش تقدير الأثر الموسمي الكلي الحساب للربع مار-05 هو 17322 نداش (ndash574.938) 17896.938 17322 17696 17060 18046 17460 19034 18245 18866 18174 19464 18633 20616 17548.250 17732.750 18048.125 18298.750 18490.500 18633.500 18735.750 19003.000 17896.938 17097.875 17426.875 17773.125 18034.938 18435.875 18611.875 18593.125 18748.938 18865.875 18999.875 20343.125 يتم عرض البيانات الخام والبيانات المعدلة موسميا أدناه. ويلاحظ أن الأرقام M و J و S و D تشير إلى سنوات ربع سنوية تنتهي في آذار / مارس وحزيران / يونيه وأيلول / سبتمبر وكانون الأول / ديسمبر على التوالي. لا توجد حاليا أية مشاركات في هذه الفئة. تظهر السلسلة التي تعرض عنصرا موسميا نمطا يكرر كل فترات عديدة. على سبيل المثال، إذا نظرنا إلى متوسط ​​درجة الحرارة الشهرية في مدينة ايوا، يا، ونحن نتوقع أن سلسلة أن يكون لها نمط موسمي. ترتفع درجة الحرارة وتندرج في نمط يمكن التنبؤ به على مدار العام. منذ تكرار نمط كل اثني عشر شهرا، والفترة الموسمية (أو طول الموسمية) هو 12. هناك العديد من الطرق المختلفة لإنشاء نموذج من سلسلة زمنية موسمية. هنا، أنا أصف نموذجين مختلفين، والمضافة والنموذج المضاعف. نموذج المضافة هنا، نضيف المكون الموسمية لمكون الاتجاه: خذ درجة الحرارة كمثال، ونفترض أن درجة الحرارة ليس لديها اتجاه، لذلك دعونا نفترض أن متوسط ​​درجة الحرارة في ولاية ايوا هي 50 درجة، وبالتالي فإن تقدير ثابت، هو 50. إذا كان العامل الموسمية في فبراير هو -22، ثم فبراير هو 22 درجة برودة من المتوسط ​​ودرجة الحرارة المتوقعة في فبراير هو 50-22 درجة 28. إذا كان العامل الموسمية في يونيو هو 12، ثم يونيو هو 12 درجة أكثر دفئا من المتوسط ​​ودرجة الحرارة المتوقعة في يونيو هو 50 12 62 درجة. نموذج نموذج المضاعف مع عدم وجود اتجاه: نموذج مع الاتجاه الخطي: في نموذج المضاعف، والمكون الموسمية تضاعف اعتراض إذا كان هناك أي اتجاه، ويضاعف إنتيرسيبترند إذا كان هناك اتجاه. وكمثال على ذلك، فكر في مثال درجة الحرارة. دعونا نفترض متوسط ​​درجة الحرارة في مدينة ايوا هو 50 درجة، وبالتالي فإن اعتراض يساوي 50 ويفترض أنه لا يوجد اتجاه. إذا كان العامل الموسمية في فبراير هو 0.45، ثم القيمة المتوقعة لشهر فبراير هو 0.4550 في الأساس، فبراير هو 55 أكثر برودة من المتوسط. إذا كان العامل الموسمية في يونيو هو 1.10، ثم يونيو هو 10 أكثر دفئا من المتوسط ​​ودرجة الحرارة المتوقعة في يونيو هو 501.10 55 درجة. هناك العديد من الطرق المختلفة لتقدير العوامل الموسمية. ويقدر مينيتاب العوامل الموسمية بالنسبة لمتوسط ​​(وليس متوسط) السلسلة. لدي مجموعة بيانات من متوسط ​​درجات الحرارة الشهرية في ولاية ايوا، ابتداء من يناير 1930 وتنتهي في يناير 2011. خلال هذه الفترة، كان متوسط ​​درجة الحرارة في ولاية ايوا 49.8 درجة. وقدرت نموذجا موسمية مضاعفة لبيانات درجة الحرارة (بدون اتجاه) وحصلت على العوامل الموسمية المقدرة التالية: