Tidsserie Analyse Moving Average Ppt

Introduksjon til tidsserieanalyse - PowerPoint PPT-presentasjon Transkripsjon og presentasjonsnotater Tittel: Introduksjon til tidsserieanalyse 1 Introduksjon til tidsserieanalyse 2 Regresjon vs tidsserieanalyse I regresjonsanalyse estimerer vi modeller som forsøker å forklare bevegelsen i en variabel av relaterer det til et sett med forklarende variabler Tidsrekkefølgeanalyse forsøker å identifisere egenskapene til en tidsserievariabel og bruke modeller til å forutsi den fremtidige banen til variabelen basert på sin tidligere oppførsel Eksempel Hvordan går aksjekursene gjennom tiden Fama (1965) hevdet at de identifiserer med random walk-prosessen. 3 Regresjon vs Tidsserieanalyse. Flere regresjonsanalyser med tidsseriedata kan også føre til problemet med falsk regresjon. Eksempel Anta at vi anslår følgende modell med tidsseriedata. Den estimerte regresjonen kan vise seg å ha en høy R-sq, selv om det ikke er noe underliggende årsakssammenheng De to variablene kan ganske enkelt ha samme underliggende trend (flytte sammen gjennom tid) 4 En enkel tidsserie modell Den tilfeldige turmodellen Hvordan kan vi modellere oppførselen til økonomiske data som aksjekurser, valutakurser, råvarepriser En enkel modell som begynner med er tilfeldig gangmodellen gitt av Denne modellen sier at nåverdien av variabel y avhenger av Variabelenes verdi i forrige periode En stokastisk feilperiode som antas å ha gjennomsnittlig null og konstant varianse 5 En enkel tidsserie modell Den tilfeldige gangmodellen Hva gjør denne modellen antyder om en prognose av en fremtidig verdi av variabel y Ifølge modellen Derfor er den forventede fremtidige verdien av variabel y gitt at forventet verdi av feilperioden er null. 6 En enkel tidsseriemodell Den tilfeldige gangsmodellens implikasjon Den beste prognosen for Den fremtidige verdien av variabel y er dens nåværende verdi. Hvis variabel y følger en tilfeldig spasertur, kan den bevege seg i hvilken som helst retning uten tendens til å gå tilbake til nåverdien. Hvis vi skriver om random walk-modell som følger da refererer vi til en tilfeldig spasertur med en drift, noe som betyr en trend (oppover eller nedover). 7 Hvitstøyprosess Anta at variablen y er modellert som følger hvor t er en tilfeldig variabel med gjennomsnittlig null, konstant varians og null korrelasjon mellom suksessive observasjoner Denne variabelen følger det som kalles en hvit støyprosess, noe som innebærer at vi ikke kan prognose fremtidige verdier av denne variabelen. 8 Stasjonaritet i tidsserien I tidsserieanalyse forsøker vi å forutsi den fremtidige banen til en variabel basert på informasjon på sin tidligere oppførsel, noe som betyr at variabelen utviser noen regulariteter. En verdifull måte å identifisere slike regulariteter på, er ved hjelp av begrepet stationaritet. Vi sier at en tidsserievariabel Yt er stasjonær hvis Variabelen har et konstant gjennomsnitt på alle tidspunkter. Variabelen har en konstant varians på alle tidspunkter Korrelasjonen mellom Yt og Yt-k avhenger av lengden på lag (k), men ikke på noen annen variabel 9 Stationarit y i tidsserie Hvilken type variabel av en tidsserie viser denne oppførselen En variabel som beveger seg av og til vekk fra sin gjennomsnittlige (på grunn av et tilfeldig støt), men til slutt kommer tilbake til sin gjennomsnittlige (utviser gjennomsnittlig reversering) Et sjokk i variabelen i strømmen perioden vil bli reflektert i verdien av variabelen i fremtidige perioder, men virkningen reduseres når vi beveger seg bort fra den nåværende perioden. Eksempel Variabelen i avkastningen på Boeing viser egenskapene til stasjonaritet 10 Boeings månedlige avkastning (1984-2003) 11 Stasjonar i tidsserie En variabel som ikke oppfyller en eller flere av egenskapene til stasjonaritet er en ikke-stationær variabel. Hva er implikasjonen av ikke-stationaritet for oppførselen til tidsserievariabelen. Et sjokk i variabelen i den nåværende perioden dør aldri bort og forårsaker årsaker en permanent avvik i variabelenes tidsvei Beregning av middelverdien og variansen til en slik variabel, vi ser at gjennomsnittet er udefinert og variansen er uendelig Eksempel The SP 500-indeksen (i motsetning til avkastningen på SP-indeksen som viser stasjonaritet) 12 SP 500-indeksen viser ikke-stationaritet 13 Returene på SP 500-utstillingsstasjonariteten 14 Virkningen av ikke-stationaritet på regresjonsanalyse Den største effekten av ikke-stationaritet for regresjonsanalyse er falsk regresjon Hvis de avhengige og forklarende variablene er ikke-stationære, vil vi oppnå høy R-sq og t-statistikk, noe som betyr at modellen vår gjør en god jobb for å forklare dataene. Den sanne årsaken til den gode modellen passer er at variablene har en felles trend En enkel korrigering av ikke-stationaritet er å ta de første variablene for variabler (Yt Yt-1), noe som skaper en stasjonær variabel. 15 Testing for nonstationarity En vanlig måte å oppdage ikke-stationaritet på er å utføre en Dickey-Fuller-test test anslår følgende modell og test følgende ensidige hypotese 16 Testing for nonstationarity Hvis estimatet på 1 er betydelig mindre enn null, så rejter vi ect null-hypotesen om at det er nonstationaritet (som betyr at variabel Y er stasjonær) Merk Kritiske verdier av t-statistikken for Dickey-Fuller-testen er vesentlig høyere enn de i tabellene til t-fordelen Eksempel For n 120, er kritisk t-statistikken fra tabellene er nær 2,3, mens den tilsvarende verdien fra tabellene Dickey-Fuller er 3,43 17 Karakterisering av tidsserievariabler Autokorrelasjonsfunksjonen (ACF) ACF er et veldig nyttig verktøy fordi det gir en beskrivelse av den underliggende prosessen til en tidsserievariabel ACF forteller oss hvor mye korrelasjon det er mellom nabopunktene i en tidsserievariabel Yt ACF for lag k er korrelasjonskoeffisienten mellom Yt og Yt-k over alle slike par i datasettet 18 Karakteriserende tidsserievariabler Autokorrelasjonen Funksjon (ACF) I praksis bruker vi prøven ACF (basert på vår prøve av observasjoner fra tidsserien variabel) for å estimere ACF av prosessen som beskriver s variabelen Prøveautokorrelasjonene til en tidsserievariabel kan presenteres i en graf kalt korrelogrammet. Undersøkelsen av korrelogrammet gir svært nyttig informasjon som gjør at vi kan forstå strukturen i en tidsserie 19 Karakteriserende tidsserievariabler Autokorrelasjonsfunksjonen (ACF) Eksempel Viser ACF av en stasjonær serie et bestemt mønster som kan detekteres ved å studere korrelogrammet For en stasjonær serie blir autokorrelasjonene mellom to punkter i tid, t og tk, mindre da k øker Med andre ord faller ACF av ganske raskt som k øker For en ikke-stationær serie er dette vanligvis ikke tilfellet, da ACF forblir stor da k øker 20 Korrelogram og ACF av SP indeksvariabel Merk at etter hvert som antall lags (k) øker, faller ACF, men i svært lav hastighet Dette er en indikator på en ikke-stationær variabel Sammenlign dette resultatet med grafen for nivået på SP-indeksen som er vist tidligere 21 Korrelogram og A CF av retur på SP-indeksen En undersøkelse av korrelogrammet av returvariabelen på SP-indeksen viser at denne variabelen viser stasjonar. ACF synker veldig raskt, noe som betyr at det er svært lav korrelasjon mellom observasjoner i perioder t og tk som k øker 22 Karakteristiske tidsserier Variabler Autokorrelasjonsfunksjonen (ACF) For å evaluere kvaliteten på informasjonen fra korrelogrammet, vurderer vi størrelsen på prøveautokorrelasjonene ved å sammenligne dem med noen grenser. Vi kan vise at prøvenautokorrelasjoner normalt fordeles med en standardavvik på 1 (n) 12 I dette tilfellet ville vi forvente at bare 5 av prøveautokorrelasjoner ville ligge utenfor et konfidensintervall på. 2 standardavvik 23 Karakteriserende tidsserievariabler Autokorrelasjonsfunksjonen (ACF) Gitt at korrelogrammet viser verdier av autokorrelasjoner, kan disse verdiene ikke ligge utenfor intervallet. 1 Etter hvert som antall observasjoner i tidsseriene øker over 40-50, blir grensene for konfidensintervallet gitt av standardavvikene mindre. Praktisk sett, hvis prøveautokorrelasjonene ligger utenfor konfidensintervallene gitt av korrelogrammet, er prøveautokorrelasjonene forskjellig fra null ved tilsvarende signifikansnivå 24 Korrelogrammer og konfidensintervaller for prøveautokorrelasjoner 25 Fra prøvedata til inferanse om en tidsserie Genererende modelleksempeldataeksempler Autokorrelasjoner Befolkningsautokorrelasjonsgenererende modell 26 Linjære tidsseriemodeller I tidsserieanalyse er målet å utvikle en modell som gir en rimelig nær tilnærming til den underliggende prosessen som genererer tidsseriedataene. Denne modellen kan da brukes til å forutsi fremtidige verdier av tidsserievariabelen. En innflytelsesrik ramme for denne analysen er bruk av klassen modeller som kalles autoregressiv Integrerte Moving Average (ARIMA) modeller dev (1970) 27 Autoregressive (AR) Modeller I en AR-modell er den avhengige variabelen en funksjon av tidligere verdier. En enkel AR-modell er Dette er et eksempel på en autoregressiv modell av rekkefølge 1 eller en AR (1) ) Modell Generelt vil en autoregressiv modell av ordre p eller AR (p) - modellen inkludere p-lag av den avhengige variabelen som forklarende variabler 28 Autoregressive (AR) Modeller Det er mulig å konkludere at en tidsserie følger en AR (p) modell ved å se på korrelogrammet Eksempel Anta at en serie følger AR (1) modellen ACF av AR (1) - modellen begynner med verdien av 1 og deretter synker eksponentielt. Implikasjonen av dette faktum er at dagens verdi av tidsserier variabel avhenger av alle tidligere verdier, selv om størrelsen på denne avhengigheten avtar med tiden. PowerShow er et ledende presentasjonslisensdisplayings nettsted. Om din søknad er forretning, hvordan, utdanning, medisin, skole, kirke, salg, markedsføring, nettbasert trening eller bare for moro skyld, er PowerShow en god ressurs. Og best av alt er de fleste av sine kule funksjoner gratis og enkle å bruke. Du kan bruke PowerShow til å finne og laste ned eksempel online PowerPoint ppt-presentasjoner på omtrent hvilket som helst emne du kan forestille deg, slik at du kan lære å forbedre dine egne lysbilder og presentasjoner gratis. Eller bruk den til å finne og laste ned høykvalitets PowerPoint ppt-presentasjoner med illustrert eller animert lysbilder som vil lære deg hvordan du gjør noe nytt, også gratis. Eller bruk den til å laste opp dine egne PowerPoint-lysbilder, slik at du kan dele dem med lærere, klasser, studenter, sjefer, ansatte, kunder, potensielle investorer eller verden. Eller bruk den til å lage virkelig kule bildeserier - med 2D - og 3D-overganger, animasjon og musikkvalg - som du kan dele med Facebook-vennene dine eller Google-kretsene. Det er alt gratis også. For en liten avgift kan du få bransjens beste online personvern eller offentlig markedsføre presentasjoner og lysbildefremvisninger med topprangeringer. Men bortsett fra det er det gratis. Du kan også konvertere presentasjoner og lysbildefremvisninger til det universelle Flash-formatet med all sin originale multimedia-herlighet, inkludert animasjon, 2D - og 3D-overgangseffekter, innebygd musikk eller annen lyd, eller til og med video innebygd i lysbildene. Alt gratis. De fleste presentasjoner og lysbildefremvisninger på PowerShow er gratis å vise, mange er også gratis å laste ned. (Du kan velge om du vil tillate folk å laste ned de opprinnelige PowerPoint-presentasjonene og bildediagrammer mot en avgift eller gratis eller ikke.) Sjekk ut PowerShow i dag - GRATIS. Det er virkelig noe for alle presentasjoner gratis. Eller bruk den til å finne og laste ned høykvalitets PowerPoint ppt-presentasjoner med illustrert eller animert lysbilder som vil lære deg hvordan du gjør noe nytt, også gratis. Eller bruk den til å laste opp dine egne PowerPoint-lysbilder, slik at du kan dele dem med lærere, klasser, studenter, sjefer, ansatte, kunder, potensielle investorer eller verden. Eller bruk den til å lage virkelig kule bildeserier - med 2D - og 3D-overganger, animasjon og musikkvalg - som du kan dele med Facebook-vennene dine eller Google-kretsene. Det er alt gratis også. For en liten avgift kan du få bransjens beste online personvern eller offentlig markedsføre presentasjoner og lysbildefremvisninger med topprangeringer. Men bortsett fra det er det gratis. Du kan også konvertere presentasjoner og lysbildefremvisninger til det universelle Flash-formatet med all sin originale multimedia-herlighet, inkludert animasjon, 2D - og 3D-overgangseffekter, innebygd musikk eller annen lyd, eller til og med video innebygd i lysbildene. Alt gratis. De fleste presentasjoner og lysbildefremvisninger på PowerShow er gratis å vise, mange er også gratis å laste ned. (Du kan velge om du vil tillate folk å laste ned de opprinnelige PowerPoint-presentasjonene og bildediagrammer mot en avgift eller gratis eller ikke.) Sjekk ut PowerShow i dag - GRATIS. Det er virkelig noe for alle. Tidsserier - PowerPoint PPT-presentasjon Transkripsjon og presentatører Notater 1 Tidsserier 2 (Ingen transkripsjon) 3 Egenskaper Ikke-uavhengige observasjoner (korrelasjonsstruktur) Systematisk variasjon innen ett år (sesongmessige effekter) Langsiktig økende eller redusert nivå ( trend) Uregelmessig variasjon av liten størrelse (støy) 4 Hvor kan tidsserier bli funnet? Økonomiske indikatorer Salgstall, sysselsettingsstatistikk, børsindekser, Meteorologisk datautfelling, temperatur, Miljøovervåkningskonsentrasjoner av næringsstoffer og forurensende stoffer i luftmasser, elver, havbunn , 5 Tidsserieanalyse Formål Estimere ulike deler av en tidsserie for å forstå historisk mønsterdommer på gjeldende status, gjør prognoser for fremtidig utvikling 6 Metodologier 7 Tidsserieregresjon La yt (Observert) verdi av tidsserier ved tidspunktspunkt t og antar at et år er delt inn i L sesonger Regession-modellen (med lineær trend) yt 0 1tj sj xj, tt hvor xj, t1 hvis yt tilhører sesong j og 0 ellers antas j1, L-1 og t å ha nullmiddel og konstant varians (2) 8 Parametrene 0. 1. s1. s, L-1 estimeres ved hjelp av Ordinary Least Squares-metoden (b0, b1, bs1, bs, L-1) argmin (yt (0 1tj sj xj, t) 2 Fordeler Enkel og robust metode Enkelt tolkede komponenter Normal inngang. intervaller, hypotesetesting) direkte anvendelig Ulemper Faste komponenter i modellen (matematisk trendfunksjon og konstante sesongkomponenter) Ingen hensyn til korrelasjonen mellom observasjoner 9 Eksempel Salgstall jan-98 20.33 jan-99 23.58 jan-00 26.09 jan-01 28.4 3 feb -98 20.96 feb-99 24.61 feb-00 26.66 feb-01 29 .92 mar-98 23.06 mar-99 27.28 mar-00 29.61 mar-01 33.44 apr-98 24.48 apr-99 27.69 apr-00 32.12 apr-0 1 34.56 mai-98 25.47 mai-99 29.99 mai-00 34.01 mai -01 34.22 jun-98 28.81 jun-99 30.87 jun-00 32.98 j un-01 38.91 jul-98 30.32 jul-99 32.09 jul-00 36.38 jul-01 41.31 aug -98 29.56 aug-99 34.53 aug-00 35. 90 aug-01 38.89 sep-98 30.01 sep-99 30.85 sep-00 3 6.42 sep-01 40.90 okt-98 26.78 okt-99 30.24 okt-00 34.04 okt-01 38.27 nov-98 23.75 nov-99 27.86 nov-00 31.29 nov-01 32.0 2 dec-98 24.06 desember -99 24.67 de c-00 28.50 des-01 29.78 10 Konstruer sesongindikatorer x1, x2. x12 januar (1998-2001) x1 1, x2 0, x3 0, x12 0 februar (1998-2001) x1 0, x2 1, x3 0. x12 0 etc. desember (1998-2001) x1 0, x2 0, x3 0. x12 1 Bruk 11 indikatorer, f. eks x1 x11 i regresjonsmodellen 11 (Ingen transkripsjon) 12 Regresjonsanalyse salg mot tid, x1,. Regresjonsligningen er salg 18,9 0,233 ganger 0,750 x1 1,42 x2 3,96 x3 5,07 x4 6,01 x5 7,72 x6 9,59 x7 9,02 x8 8,58 x9 6,11 x10 2,24 x11 Predictor Coef SE Coef TP Konstant 18,8583 0,6467 29,16 0.000 tid 0,26314 0,01169 22,51 0,000 x1 0,7495 0,791 0,96 0,343 x2 1.4164 0.7772 1.82 0.077 x3 3.9632 0.7756 5.11 0.000 x4 5.0651 0.7741 6.54 0.000 x5 6.0120 0.7728 7.78 0.000 x6 7.7188 0.7716 10.00 0.000 x7 9.5882 0.7706 12.44 0.000 x8 9.0201 0.7698 11.72 0.000 x9 8.5819 0.7692 11.16 0.000 x10 6.1063 0.7688 7.94 0.000 x11 2.2406 0.7685 2.92 0.006 S 1,087 R-Sq 96,6 R-Sq (adj) 95,5 13 Analyse av variasjonskilde DF SS MS FP-regresjon 12 1179.818 98.318 83.26 0.000 Restfeil 35 41.331 1.181 Totalt 47 1221.150 Kilde DF Seq SS-tid 1 683.542 x1 1 79.515 x2 1 72.040 x3 1 16.541 x4 1 4.873 x5 1 0.204 x6 1 10.320 x7 1 63.284 x8 1 72.664 x9 1 100.570 x10 1 66.226 x11 1 10.039 14 Uvanlige observasjoner Obs tidssalg Passer SE Fit Residual St Resid 12 12.0 24.060 22.016 0.583 2.044 2.23R 21 21.0 3 0,850 32,966 0,548 -2,116 -2,25RR betegner en observasjon med store standardiserte gjenværende Forventede verdier for nye observasjoner Nye Obs Passer SE Fit 95.0 CI 95.0 PI 1 32.502 0.647 (31.189, 33.815) (29.934, 35.069) Verdier av forutsigelser for nye observasjoner Ny Obs tid x1 x2 x3 x4 x5 x6 1 49,0 1,00 0.000000 0.000000 0.000000 0.000000 0.000000 Ny Obs x7 x8 x9 x10 x11 1 0.000000 0.000000 0.000000 0.000000 0.000000 15 Hva med seriell korrelasjon i data 16 Positiv seriell korrelasjon Verdier følger et jevnt mønster Negativ seriell korrelasjon Verdier viser et tornet mønster Hvordan oppnå det Bruk resterne. 17 Restplot fra regresjonsanalysen Glatt eller tornet 18 Durbin Watson test på rester Thumb regel Hvis d 1 eller d gt 3, er konklusjonen at residualer (og orginale data er korrelerte. Bruk figurens form (glatt eller tornet) til bestemme om det er positivt eller negativt) (Mer grundige regler for sammenligninger og beslutninger om positive eller negative korrelasjoner eksisterer.) 19 Durbin-Watson statistikk 2.05 (Kommer i utgangen) Verdi gt 1 og lt 3. Ingen signifikant seriekorrelasjon i residualer 20 Klassisk dekomponering metoder Dekomponere Analyser de observerte tidsseriene i de forskjellige komponentene. Trenddel (TR) Sesongdel (SN) Syklisk del (CL) Uregelmessig del (IR) Syklisk del Statsnivå i økonomiske tidsserier I miljøserier, vanligvis sammen med TR 21 Multiplikativ modell ytTRtSNt CLt IRt Egnet for økonomiske indikatorer Nivå er tilstede i TRt eller i TCt (TRCL) t SNt. IRt (og CLt) fungerer som indekser Sesongvariasjon øker med nivå av yt 22 Tilsetningsmodell ytTRtSN t CLt IRt Mer egnet for miljødata Krever konstant sesongvariasjon SNt. IRt (og CLt) varierer rundt 0 23 Eksempel 1 Salgsdata 24 Eksempel 2 25 Estimering av komponenter, arbeidssystem SesongjusteringDesasonalisering SNt har vanligvis den største mengden variasjon blant komponentene. Tidsrekkefølge er desalasonalisert ved å beregne sentrert og vektet Moving Averages hvor LNumber av årstider innen ett år (L2 for årstall, 4 for kvartardata og 12 fr månedlige data) 26 Mt blir et grovt estimat av (TRCL) t. Grove sesongbestandige komponenter oppnås av ytMt i en multiplikativ modell yt Mt i en additiv modell. Gjennomsnittlige verdier av de tøffe sesongbestanddelene beregnes for eacj sesong separetly. L betyr. L-midlene er justert for å ha et eksakt gjennomsnitt på 1 (dvs. deres sum er lik L) i en multiplikativ modell. Har et eksakt gjennomsnitt på 0 (dvs. summen er lik null) i en additivmodell. Endelige estimater av sesongkomponenter er satt til disse justerte midlene og er betegnet 27 Tidsseriene er nå deaseasonalised av i en multiplikativ modell i en additivmodell hvor er en avhengig av hvilken av sesongene t representerer. 28 2. Sesongjusterte verdier brukes til å estimere trendkomponenten og til og med den sykliske komponenten. Hvis ingen syklisk komponent er tilstede Bruk enkel lineær regresjon på sesongjusterte verdier Estimaterer trt av lineær eller kvadratisk trendkomponent. Residuene fra regresjonspasningen utgjør estimater, av den uregelmessige komponenten. Dersom syklisk komponent er tilstede. Estimat trend og syklisk komponent som helhet (ikke splitt dem) med et uvektet sentrert flytende gjennomsnitt med lengde 2m1 caclulated over sesongjustert verdier 29 Fellesverdier for 2m1 3, 5, 7, 9, 11, 13 Valg av m er basert på egenskapene til det endelige estimatet av IRt som beregnes som i en multiplikativ modell i en additivmodell m er valgt for å minimere serie korrelasjon og variansen av irt. 2m1 kalles (antall) poeng i Moving Average. 30 Eksempel, forts. Hjem salgsdata Minitab kan brukes til dekomponering av StatTime seriesDesammensetning Val av modelltyp Alternativ for å velge mellom to modeller 31 (Ingen transskription) 32 Tidsserie Nedbrytning Data Solgt Lengde 47,0000 NMissing 0 Trendlinje Equation Yt 5,77613 4 , 30E-02t sesongindekser Periodindeks 1 -4,09028 2 -4,13194 3 0,909722 4 -1,09028 5 3,70139 6 0,618056 7 4,70139 8 4,70139 9 -1,96528 10 0 , 118056 11 -1,29861 12 -2,17361 Nøyaktighet av Model MAPE 16,4122 MAD 0,9025 MSD 1,6902 33 (Ingen Transkripsjon) 34 (Ingen Transkripsjon) 35 (Ingen Transkripsjon) 36 Deseasonaliserte data er lagret i en kolonne med hode DESE1. Flytende gjennomsnitt på denne kolonnen kan beregnes av StatTime-serien. Gjennomsnittlig gjennomsnitt. Valg av 2m1. 37 MSD bør holdes så liten som mulig. 38 Ved å lagre residualer fra de bevegelige gjennomsnittene kan vi beregne MSD og serielle korrelasjoner for hvert valg av 2m1. Et 7-punkts eller 9-punkts glidende gjennomsnitt synes mest rimelig. 39 Serielle korrelasjoner beregnes enkelt av StatTime seriesLag og videre StatBasic statistikkKorrelasjon Eller manuelt i sesjonsvindu MTB gt lag RESI4 c50 MTB gt corr RESI4 c50 40 Analyse med multiplikativ modell 41 Tidsserie Nedbrytning Data solgt Lengde 47,0000 NMissing 0 Trendlinje ligning Yt 5 , 77613 4,30E-02t Sesongindekser Periodeindeks 1 0,425997 2 0,425278 3 1,14238 4 0,856404 5 1,52471 6 1,10138 7 1,65646 8 1,65053 9 0,670985 10 1, 02048 11 0,825072 12 0,700325 Nøyaktighet av Model MAPE 16,8643 MAD 0,9057 MSD 1,6388 42 additiv 43 additiv additiv 44 Klassisk dekomponering, sammendrag Multiplikativ modell Additive model 45 Deseasonalisation Estimering trendcyklisk komponent med et sentrert glidende gjennomsnitt hvor L er antall årstider (f. eks. 12, 4, 2) 46 Filter ut sesongmessige og feil (uregelmessige) komponenter Multiplikativ modell - Tilsetningsmodell 47 Beregn månedlige gjennomsnitt Multiplikativmodell Tilsetningsmodell for årstider m1,, L 48 Normaliser monitlymetallet Multiplikativ modell Additive model 49 Deseasonalise Multiplikativ modell Tilsetningsmodell hvor snt snm for nåværende måned m 50 Tilpasset trendfunksjon, detrend (deaseasonalised) data Multiplikativ modell Tilsetningsmodell 51 Estimering av syklisk komponent og adskilt fra feilkomponent Multiplikativ modell Additive modelPowerShow er et ledende presentasjonslisensdisplayings nettsted. Om din søknad er forretning, hvordan, utdanning, medisin, skole, kirke, salg, markedsføring, nettbasert trening eller bare for moro skyld, er PowerShow en god ressurs. Og best av alt er de fleste av sine kule funksjoner gratis og enkle å bruke. Du kan bruke PowerShow til å finne og laste ned eksempel online PowerPoint ppt-presentasjoner på omtrent hvilket som helst emne du kan forestille deg, slik at du kan lære å forbedre dine egne lysbilder og presentasjoner gratis. Eller bruk den til å finne og laste ned høykvalitets PowerPoint ppt-presentasjoner med illustrert eller animert lysbilder som vil lære deg hvordan du gjør noe nytt, også gratis. Eller bruk den til å laste opp dine egne PowerPoint-lysbilder, slik at du kan dele dem med lærere, klasser, studenter, sjefer, ansatte, kunder, potensielle investorer eller verden. Eller bruk den til å lage virkelig kule bildeserier - med 2D - og 3D-overganger, animasjon og musikkvalg - som du kan dele med Facebook-vennene dine eller Google-kretsene. Det er alt gratis også. For en liten avgift kan du få bransjens beste online personvern eller offentlig markedsføre presentasjoner og lysbildefremvisninger med topprangeringer. Men bortsett fra det er det gratis. Du kan også konvertere presentasjoner og lysbildefremvisninger til det universelle Flash-formatet med all sin originale multimedia-herlighet, inkludert animasjon, 2D - og 3D-overgangseffekter, innebygd musikk eller annen lyd, eller til og med video innebygd i lysbildene. Alt gratis. De fleste presentasjoner og lysbildefremvisninger på PowerShow er gratis å vise, mange er også gratis å laste ned. (Du kan velge om du vil tillate folk å laste ned de opprinnelige PowerPoint-presentasjonene og bildediagrammer mot en avgift eller gratis eller ikke.) Sjekk ut PowerShow i dag - GRATIS. Det er virkelig noe for alle presentasjoner gratis. Eller bruk den til å finne og laste ned høykvalitets PowerPoint ppt-presentasjoner med illustrert eller animert lysbilder som vil lære deg hvordan du gjør noe nytt, også gratis. Eller bruk den til å laste opp dine egne PowerPoint-lysbilder, slik at du kan dele dem med lærere, klasser, studenter, sjefer, ansatte, kunder, potensielle investorer eller verden. Eller bruk den til å lage virkelig kule bildeserier - med 2D - og 3D-overganger, animasjon og musikkvalg - som du kan dele med Facebook-vennene dine eller Google-kretsene. Det er alt gratis også. For en liten avgift kan du få bransjens beste online personvern eller offentlig markedsføre presentasjoner og lysbildefremvisninger med topprangeringer. Men bortsett fra det er det gratis. Du kan også konvertere presentasjoner og lysbildefremvisninger til det universelle Flash-formatet med all sin originale multimedia-herlighet, inkludert animasjon, 2D - og 3D-overgangseffekter, innebygd musikk eller annen lyd, eller til og med video innebygd i lysbildene. Alt gratis. De fleste presentasjoner og lysbildefremvisninger på PowerShow er gratis å vise, mange er også gratis å laste ned. (Du kan velge om du vil tillate folk å laste ned de opprinnelige PowerPoint-presentasjonene og bildediagrammer mot en avgift eller gratis eller ikke.) Sjekk ut PowerShow i dag - GRATIS. Det er virkelig noe for alle. Slideshare bruker informasjonskapsler for å forbedre funksjonalitet og ytelse, og for å gi deg relevant reklame. Hvis du fortsetter å surfe på nettstedet, godtar du bruken av informasjonskapsler på denne nettsiden. Se vår brukeravtale og personvernregler. Slideshare bruker informasjonskapsler for å forbedre funksjonalitet og ytelse, og for å gi deg relevant annonsering. Hvis du fortsetter å surfe på nettstedet, godtar du bruken av informasjonskapsler på denne nettsiden. Se vår personvernerklæring og brukeravtale for detaljer. Utforsk alle favorittemner i SlideShare-appen Få SlideShare-appen til å lagre for senere, selv offline. Fortsett til mobilnettstedet Opplastingslogg Registrering Dobbeltklikk for å zoome ut Time Series Del dette SlideShare LinkedIn Corporation kopi 2017