การย้าย ค่าเฉลี่ย และ ชี้แจง วิธีการ ปรับให้เรียบ

การคาดการณ์โดย Smoothing Techniques เว็บไซต์นี้เป็นส่วนหนึ่งของ JavaScript E-labs การเรียนรู้วัตถุสำหรับการตัดสินใจ JavaScript อื่น ๆ ในชุดนี้จัดอยู่ในพื้นที่ต่างๆของแอ็พพลิเคชันในส่วน MENU ในหน้านี้ชุดข้อมูลเวลาคือชุดของข้อสังเกตที่ มีการสั่งซื้อในเวลาที่สืบทอดมาในชุดของข้อมูลที่ถ่ายเมื่อเวลาผ่านไปคือรูปแบบของรูปแบบการสุ่มบางอย่างมีอยู่วิธีการในการลดการยกเลิกผลกระทบเนื่องจากรูปแบบการสุ่มเทคนิคที่ใช้กันอย่างแพร่หลายคือ smoothing เทคนิคเหล่านี้เมื่อใช้อย่างถูกต้องเปิดเผยอย่างชัดเจนมากขึ้นแนวโน้มพื้นฐาน ใส่ชุดข้อมูลลำดับแถวตามลำดับจากมุมซ้ายบนและพารามิเตอร์ s จากนั้นคลิกที่ปุ่มคำนวณเพื่อขอรับการคาดการณ์ล่วงหน้าหนึ่งรอบล่วงหน้ากล่อง Bowl ไม่รวมอยู่ในการคำนวณ แต่มีศูนย์อยู่ ในการป้อนข้อมูลของคุณเพื่อย้ายจากเซลล์ไปยังเซลล์ในข้อมูลเมทริกซ์ใช้แป้น Tab ไม่ใช่ลูกศรหรือป้อนคีย์ลักษณะของชุดเวลาซึ่งอาจถูกเปิดเผยโดย examini กราฟของค่าคาดการณ์และลักษณะการตกค้างของการคาดการณ์สภาพอากาศการคำนวณค่าเฉลี่ยการย้ายอันดับเฉลี่ยระหว่างเทคนิคที่นิยมใช้มากที่สุดสำหรับการประมวลผลล่วงหน้าของชุดข้อมูลเวลาพวกเขาใช้เพื่อกรองสัญญาณรบกวนแบบสุ่มจากข้อมูลเพื่อให้ชุดข้อมูลเวลา นุ่มนวลหรือแม้กระทั่งเพื่อเน้นองค์ประกอบข้อมูลบางอย่างที่มีอยู่ในชุดข้อมูลเวลา Exponential Smoothing นี่เป็นโครงการที่ได้รับความนิยมมากในการผลิตชุดเวลาที่ราบรื่นโดยที่ค่าเฉลี่ยเคลื่อนที่ของการสังเกตการณ์ในอดีตมีการถ่วงน้ำหนักเท่ากัน Exponential Smoothing กำหนดค่าการลดน้ำหนักที่ชี้แจงได้เมื่อการสังเกตมีอายุมากขึ้น กล่าวอีกนัยหนึ่งการสังเกตล่าสุดมีน้ำหนักมากขึ้นในการคาดการณ์มากกว่าการสังเกตที่เก่ากว่า Double Exponential Smoothing ดีกว่าในการจัดการกับแนวโน้ม Triple Exponential Smoothing ดีกว่าในการจัดการกับรูปแบบพาราโบลาค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักที่มีการถ่วงน้ำหนักแบบ exponenentially และการปรับให้เรียบสม่ำเสมอสอดคล้องกับแบบเรียบง่าย ค่าเฉลี่ยเคลื่อนที่ของความยาวเช่น ระยะเวลา n โดยที่ a และ n มีความสัมพันธ์กันโดย 2 n 1 หรือ n 2 - a. ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักที่มีค่าความยาวคลื่นและค่าคงที่ที่ราบเรียบเท่ากับ 0 1 จะเท่ากับค่าเฉลี่ยเคลื่อนที่ 19 วันและ ค่าเฉลี่ยเคลื่อนที่เฉลี่ย 40 วันจะสอดคล้องกับค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบยกกำลังยกโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0 04878.Holt s Linear Exponential Smoothing สมมติว่าลำดับเวลาไม่ใช่ตามฤดูกาล แต่เป็นวิธีการแสดงแนวโน้มของ Holt s ประมาณทั้งปัจจุบัน ระดับและแนวโน้มปัจจุบันข้อสังเกตุว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นกรณีพิเศษของการเพิ่มความลําชี้แจงโดยการกำหนดระยะเวลาของค่าเฉลี่ยเคลื่อนที่ไปเป็นส่วนจำนวนเต็มของอัลฟ่าอัลฟ่าอัลฟ่าสำหรับข้อมูลธุรกิจส่วนใหญ่พารามิเตอร์อัลฟ่าน้อยกว่า 0 40 มักเป็น มีประสิทธิภาพ แต่หนึ่งอาจดำเนินการค้นหาตารางพื้นที่พารามิเตอร์ด้วย 0 1 ถึง 0 9 ด้วยการเพิ่มขึ้นของ 0 1 แล้ว alpha ที่ดีที่สุดมีค่าเฉลี่ยน้อยที่สุดข้อผิดพลาด Absolute MA Error. How เพื่อเปรียบเทียบวิธีการเรียบหลายแม้ว่าจะมี เป็นตัวชี้วัดเชิงตัวเลขสำหรับการประเมินความถูกต้องของเทคนิคการคาดการณ์วิธีที่กว้างที่สุดคือการใช้การเปรียบเทียบภาพของการคาดการณ์ต่างๆเพื่อประเมินความถูกต้องและเลือกวิธีการคาดการณ์ต่างๆในแนวทางนี้ต้องใช้พล็อตเช่น Excel ในกราฟเดียวกัน ค่าเดิมของตัวแปรชุดเวลาและค่าที่คาดการณ์ไว้จากวิธีการคาดการณ์ที่แตกต่างกันจำนวนมากซึ่งจะช่วยให้สามารถเปรียบเทียบภาพได้คุณอาจต้องการใช้การคาดการณ์ที่ผ่านมาโดยเทคนิค Smoothing JavaScript เพื่อดูค่าคาดการณ์ที่ผ่านมาโดยใช้เทคนิคการปรับให้เรียบโดยใช้พารามิเตอร์เพียงอย่างเดียว Holt และ Winters ใช้พารามิเตอร์สองและสามตามลำดับดังนั้นจึงไม่ใช่เรื่องง่ายที่จะเลือกค่าที่ดีที่สุดหรือใกล้เคียงกับค่าทดลองโดยรวมและข้อผิดพลาดสำหรับพารามิเตอร์การปรับความเรียบแบบเอกซ์โพเน็นเชียลเดี่ยวเน้นมุมมองในระยะสั้น กำหนดระดับการสังเกตสุดท้ายและขึ้นอยู่กับเงื่อนไขที่ไม่มีแนวโน้มการถอยหลังแบบเส้นตรง ion ซึ่งเหมาะกับเส้นสี่เหลี่ยมเล็ก ๆ น้อย ๆ กับข้อมูลทางประวัติศาสตร์หรือเปลี่ยนข้อมูลทางประวัติศาสตร์เป็นระยะทางยาวซึ่งขึ้นอยู่กับแนวโน้มพื้นฐานการจับภาพเชิงเส้นแบบละเอียดของ Holt จะรวบรวมข้อมูลเกี่ยวกับแนวโน้มล่าสุดพารามิเตอร์ในรูปแบบของ Holt คือพารามิเตอร์ระดับ ควรจะลดลงเมื่อปริมาณของการเปลี่ยนแปลงข้อมูลมีขนาดใหญ่และแนวโน้มควรเพิ่มขึ้นหากแนวโน้มทิศทางล่าสุดได้รับการสนับสนุนจากปัจจัยที่เป็นสาเหตุบางประการการคาดการณ์ในระยะสั้นให้สังเกตว่า JavaScript ทุกหน้าจะมีขั้นตอนเดียวล่วงหน้า เมื่อต้องการได้รับการคาดการณ์สองขั้นตอนเพียงแค่เพิ่มค่าที่คาดไว้ในตอนท้ายของข้อมูลชุดข้อมูลเวลาของคุณแล้วคลิกปุ่มคำนวณเดียวกันคุณอาจทำซ้ำขั้นตอนนี้สองสามครั้งเพื่อให้ได้การคาดการณ์ในระยะสั้นที่จำเป็น ค่าเฉลี่ยที่น้อยกว่าการศึกษาลำดับของตัวเลขในลำดับต่อเนื่องผู้ปฏิบัติงานต้นของการวิเคราะห์ชุดเวลาเป็นจริงมากขึ้น conc erned กับตัวเลขแต่ละชุดเวลากว่าที่พวกเขากับการแก้ไขของข้อมูลที่การแทรกสอดในรูปแบบของทฤษฎีความน่าจะเป็นและการวิเคราะห์มามากภายหลังเป็นรูปแบบการพัฒนาและ correlations ค้นพบเมื่อเข้าใจเส้นโค้งรูปต่างๆและเส้นถูกวาดตามเวลา series ในความพยายามที่จะทำนายจุดข้อมูลที่อาจจะไปตอนนี้ถือเป็นวิธีการขั้นพื้นฐานที่ใช้ในปัจจุบันโดยการวิเคราะห์ทางเทคนิคผู้ค้าการวิเคราะห์แผนภูมิสามารถตรวจสอบกลับไปยังศตวรรษที่ 18 ญี่ปุ่นยังอย่างไรและเมื่อค่าเฉลี่ยเคลื่อนที่ถูกนำมาใช้ครั้งแรกกับราคาในตลาดยังคงลึกลับ เป็นที่เข้าใจกันโดยทั่วไปว่าค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยของ SMA ถูกใช้เป็นเวลานานก่อนที่ EMA จะเป็นค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยเนื่องจาก EMA ถูกสร้างขึ้นในกรอบ SMA และความต่อเนื่องของ SMA สามารถเข้าใจได้ง่ายขึ้นสำหรับการวางแผนและการติดตามวัตถุประสงค์คุณต้องการอ่านประวัติย่อเล็กน้อยดูข้อมูล Moving Averages What พวกเขามีการเคลื่อนไหวเฉลี่ย SMA เฉลี่ยเคลื่อนที่ง่ายกลายเป็นวิธีที่ต้องการสำหรับ การติดตามราคาตลาดเนื่องจากสามารถคำนวณได้ง่ายและเข้าใจได้ง่ายผู้ประกอบการตลาดในยุคต้น ๆ ดำเนินการโดยไม่ใช้เมตริกกราฟที่ซับซ้อนในการใช้งานในปัจจุบันดังนั้นพวกเขาจึงพึ่งพาราคาตลาดเป็นคำแนะนำ แต่เพียงผู้เดียวพวกเขาคำนวณราคาตลาดด้วยมือและกราฟเหล่านั้น ราคาเพื่อแสดงแนวโน้มและทิศทางตลาดกระบวนการนี้ค่อนข้างน่าเบื่อ แต่พิสูจน์แล้วว่ามีผลกำไรมากกับการยืนยันการศึกษาต่อไปการคำนวณค่าเฉลี่ยเคลื่อนที่ 10 วันเพียงเพิ่มราคาปิดของ 10 วันที่ผ่านมาและหารด้วย 10 20- วันคำนวณโดยการเพิ่มราคาปิดในช่วงระยะเวลา 20 วันและหารด้วย 20 และอื่น ๆ สูตรนี้ไม่ได้ขึ้นอยู่เฉพาะในราคาปิด แต่ผลิตภัณฑ์เป็นราคาเฉลี่ย - เซตย่อยการย้ายค่าเฉลี่ยจะเรียกว่า ย้ายเนื่องจากกลุ่มของราคาที่ใช้ในการคำนวณย้ายไปตามจุดในแผนภูมิซึ่งหมายความว่าวันเก่าจะลดลงในความโปรดปรานของวันปิดราคาใหม่ดังนั้นการคำนวณใหม่อยู่เสมอ n eeded สอดคล้องกับกรอบเวลาของค่าเฉลี่ยที่ใช้ดังนั้นค่าเฉลี่ย 10 วันจะคำนวณใหม่โดยการเพิ่มวันใหม่และลดลงวันที่ 10 และวันที่เก้าจะลดลงในวันที่สองสำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีการแผนภูมิที่ใช้ในการซื้อขายสกุลเงิน ตรวจสอบข้อมูลพื้นฐานเกี่ยวกับแผนภูมิของเรา Walkthrough. Exponential Moving Average EMA ค่าเฉลี่ยเคลื่อนที่เชิงตัวเลขได้รับการปรับแต่งและใช้กันอย่างแพร่หลายตั้งแต่ทศวรรษ 1960 โดยการทดลองกับคอมพิวเตอร์ก่อนหน้านี้ EMA ใหม่จะมุ่งเน้นไปที่ราคาล่าสุดมากกว่าในระยะยาว ชุดของจุดข้อมูลเป็นค่าเฉลี่ยเคลื่อนที่ที่ต้องการปัจจุบันปัจจุบัน EMA ราคา - ตัวคูณ EMA ก่อนหน้านี้ E ก่อนปัจจัยที่สำคัญที่สุดคือการทำให้ราบเรียบคงที่ 2 1 N โดยที่ N จำนวนวันที่ 10 วัน EMA 2 10 1 18 8. ซึ่งหมายความว่า EMA 10 งวดจะใช้ราคาล่าสุด 18 8, EMA 9 วัน 52 และ 50 วัน EMA 92 ในวันล่าสุด EMA ใช้น้ำหนักโดยประมาณระหว่างช่วงเวลาปัจจุบัน s ราคาและ p EMA กระปรี้กระเปร่าและเพิ่มผลให้ EMA ก่อนระยะเวลาที่สั้นมากขึ้นน้ำหนักมากขึ้นนำไปใช้กับราคาล่าสุดเส้นขอบโดยการคำนวณเหล่านี้พล็อตจะพล็อตเผยให้เห็นเส้นที่เหมาะสมการติดตั้งสายเหนือหรือต่ำกว่าราคาในตลาดมีความหมายว่า ค่าเฉลี่ยเคลื่อนที่ทั้งหมดเป็นตัวชี้วัดที่ล้าหลังและใช้เป็นหลักสำหรับแนวโน้มดังต่อไปนี้พวกเขา don t ทำงานได้ดีกับตลาดช่วงและระยะเวลาของความแออัดเนื่องจากสายกระชับไม่แสดงถึงแนวโน้มเนื่องจากการขาดความชัดเจนสูงขึ้นหรือต่ำกว่าต่ำ Plus, สายกระชับแนวโน้ม คงที่โดยไม่ต้องมีคำแนะนำทิศทางขึ้นบรรทัดด้านล่างของตลาดที่เหมาะสมหมายถึงยาวในขณะที่สายการปรับตัวที่ตกลงมาเหนือตลาดหมายสั้นสำหรับคำแนะนำที่สมบูรณ์อ่าน Moving Average Tutorial ของเราวัตถุประสงค์ของการใช้ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือการ จุดและวัดแนวโน้มโดยการทำให้ข้อมูลเรียบโดยใช้วิธีของหลายกลุ่มของราคามีแนวโน้มที่จะด่างและอนุมานเป็นคาดการณ์สมมติฐานที่ว่าแนวโน้มก่อน การเคลื่อนไหวจะยังคงดำเนินต่อไปสำหรับค่าเฉลี่ยเคลื่อนที่แบบง่ายๆแนวโน้มระยะยาวสามารถหาได้ง่ายกว่า EMA โดยมีข้อสันนิษฐานที่สมเหตุสมผลว่าสายการประกอบจะแข็งแกร่งกว่าเส้น EMA เนื่องจากการมุ่งเน้นราคาเฉลี่ยต่อไป EMA ถูกนำมาใช้เพื่อจับภาพการเคลื่อนไหวที่สั้นลงอันเนื่องมาจากการให้ความสำคัญกับราคาล่าสุดโดยวิธีนี้ EMA ควรลดความล่าช้าใด ๆ ในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายดังนั้นสายกระชับจะกอดราคาใกล้กว่าค่าเฉลี่ยเคลื่อนที่ที่ค่อนข้างปัญหาเกี่ยวกับ EMA นี่คือแนวโน้มที่จะมีการแบ่งราคาโดยเฉพาะอย่างยิ่งในช่วงตลาดที่รวดเร็วและช่วงความผันผวน EMA ทำงานได้ดีจนกว่าราคาจะพังทลายลงในช่วงที่ตลาดมีความผันผวนสูงขึ้นคุณอาจพิจารณาเพิ่มความยาวของค่าเฉลี่ยเคลื่อนที่โดยสามารถเปลี่ยนจาก EMA เป็น SMA เนื่องจาก SMA ทำให้ข้อมูลดีกว่า EMA เนื่องจากมุ่งเน้นไปที่วิธีการในระยะยาวตัวบ่งชี้การแข็งตัวของเงินเฟ้อเนื่องจากตัวบ่งชี้ที่อยู่ในภาวะหดตัวค่าเฉลี่ยเคลื่อนที่จะให้แรงสนับสนุนและต่อต้าน หากราคาพองตัวลงมาต่ำกว่าเส้นแนวรับ 10 วันที่มีแนวโน้มสูงขึ้นโอกาสดีที่แนวโน้มขาลงอาจจะลดลงหรืออย่างน้อยก็อาจรวมตลาดหากราคาพุ่งขึ้นเหนือเส้นค่าเฉลี่ยเคลื่อนที่ 10 วันในแนวโน้ม แนวโน้มอาจลดลงหรือรวมกันในกรณีเหล่านี้ใช้ค่าเฉลี่ยเคลื่อนที่ 10 และ 20 วันพร้อมกันและรอให้เส้น 10 วันข้ามด้านบนหรือด้านล่างบรรทัด 20 วันซึ่งจะกำหนดทิศทางระยะสั้นต่อไปสำหรับราคา สำหรับระยะยาวให้ดูค่าเฉลี่ยเคลื่อนที่ 100 และ 200 วันสำหรับทิศทางในระยะยาวตัวอย่างเช่นการใช้ค่าเฉลี่ยเคลื่อนที่ 100 และ 200 วันหากค่าเฉลี่ยเคลื่อนที่ 100 วันต่ำกว่าค่าเฉลี่ย 200 วัน s เรียกว่าข้ามความตายและเป็นหยาบคายมากสำหรับราคาเฉลี่ยเคลื่อนที่ 100 วันที่ข้ามด้านบน 200 วันเฉลี่ยเคลื่อนที่เรียกว่ากากบาทสีทองและเป็นที่พอใจมากสำหรับราคามัน doesn t เรื่องถ้า SMA หรือ EMA ถูกนำมาใช้, เพราะทั้งสองเป็นตัวบ่งชี้แนวโน้มเฉพาะในระยะสั้นเท่านั้น SMA มีการเบี่ยงเบนเล็กน้อยจากคู่สัญญา EMA ข้อสรุปค่าเฉลี่ยเคลื่อนที่เป็นพื้นฐานของการวิเคราะห์แบบแผนภูมิและเวลาค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดที่ซับซ้อนมากขึ้นจะช่วยให้เห็นภาพแนวโน้มโดยการปรับลดการเคลื่อนไหวของราคาการวิเคราะห์ทางเทคนิคบางครั้งเรียกว่า ศิลปะมากกว่าวิทยาศาสตร์ซึ่งทั้งสองใช้เวลาหลายปีในการเรียนรู้ข้อมูลเพิ่มเติมในบทวิเคราะห์ทางเทคนิคของเราอัตราดอกเบี้ยที่สถาบันรับฝากเงินให้ยืมเงินที่เก็บรักษาไว้ที่ Federal Reserve ไปยังสถาบันรับฝากเงินแห่งอื่น ๆ 1 มาตรการทางสถิติในการกระจายผลตอบแทน สำหรับการรักษาความปลอดภัยที่กำหนดหรือดัชนีตลาดความผันผวนสามารถวัดได้การกระทำรัฐสภาคองเกรสผ่านในปี 1933 เป็นพระราชบัญญัติการธนาคารซึ่งห้ามธนาคารพาณิชย์เข้าร่วมการลงทุนการจ่ายเงินเดือนของ Nafsfarm หมายถึงงานนอกฟาร์มครัวเรือนส่วนตัวและ หน่วยงานที่ไม่แสวงหาผลกำไร US Bureau of Labor. ตัวย่อสกุลเงินหรือสัญลักษณ์สกุลเงินสำหรับ INR รูปีอินเดีย th สกุลเงินของอินเดีย rupee ประกอบด้วย 1 การเสนอราคาเริ่มต้นในสินทรัพย์ของ บริษัท ที่เป็นบุคคลล้มละลายจากผู้ซื้อที่สนใจที่ได้รับเลือกโดย บริษัท ที่ล้มละลายจากกลุ่มผู้ประมูลราคาเฉลี่ยและแบบจำลองการทำให้เป็นรูปแทนเป็นขั้นตอนแรกในการเคลื่อนย้ายเกินกว่า โมเดลแบบสุ่มและรูปแบบแนวโน้มเชิงเส้นรูปแบบและแนวโน้มที่ไม่เป็นทางการสามารถถูกอนุมานได้โดยใช้แบบจำลองการเคลื่อนที่โดยเฉลี่ยหรือแบบเรียบข้อสมมติฐานพื้นฐานที่อยู่เบื้องหลังแบบจำลองเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นโดยมีค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ เราใช้ค่าเฉลี่ยในท้องถิ่นที่เคลื่อนที่เพื่อประเมินค่าปัจจุบันของค่าเฉลี่ยและจากนั้นใช้ค่าดังกล่าวเป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการลอยแบบเดียวกัน สามารถใช้ในการประมาณการและคาดการณ์แนวโน้มในท้องถิ่นค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่าเรียบเนียนของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลทำให้การกระแทกในอุรุ ginal series โดยการปรับระดับความเรียบของความกว้างของค่าเฉลี่ยเคลื่อนที่เราสามารถคาดหวังให้เกิดความสมดุลระหว่างสมรรถนะของโมเดลแบบเฉลี่ยและแบบสุ่มได้ตัวอย่างที่ง่ายที่สุดคือ Simple Moving Average การคาดการณ์ค่า Y ณ เวลา t 1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่เรียบง่ายของการสังเกตการณ์ m ล่าสุด ที่นี่และที่อื่น ๆ ผมจะใช้สัญลักษณ์ Y-hat เพื่อทำนายเวลาของชุด Y ที่ทำในวันที่ก่อนหน้านี้โดยรูปแบบที่กำหนดค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - m 1 2 ซึ่งหมายความว่าการประมาณ ค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าที่แท้จริงของค่าเฉลี่ยของท้องถิ่นโดยประมาณระยะเวลา m 1 2 ดังนั้นเราจึงบอกว่าอายุเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ m 1 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูลตัวอย่างเช่นถ้าคุณใช้ค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะอยู่ที่ประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเหโปรดสังเกตว่าถ้า m 1, ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่แบบ SMA เทียบเท่ากับรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตถ้า m มีขนาดใหญ่มากเทียบเท่ากับความยาวของระยะเวลาประมาณค่ารุ่น SMA เท่ากับรูปแบบค่าเฉลี่ยเช่นเดียวกับพารามิเตอร์ของรูปแบบการคาดการณ์ เพื่อปรับค่าของกี่ n เพื่อให้ได้ข้อมูลที่เหมาะสมที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ยนี่คือตัวอย่างของชุดที่แสดงให้เห็นถึงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่มีความแตกต่างกันอย่างช้าๆก่อนอื่นให้ลองพอดีกับการเดินแบบสุ่ม ซึ่งเทียบเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอมรูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จึงทำให้เกิดเสียงรบกวนมากขึ้นในข้อมูลความผันผวนแบบสุ่มรวมทั้งสัญญาณในท้องถิ่น หมายความว่าถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ 5 เทอมเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่าการคาดการณ์อัตราการเคลื่อนที่แบบเคลื่อน 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้อายุเฉลี่ยของข้อมูลในข้อมูลนี้ คือ 3 5 1 2 ดังนั้นจึงมีแนวโน้มที่จะล้าหลังจุดหักเหโดยประมาณสามงวดตัวอย่างเช่นการชะลอตัวที่ดูเหมือนว่าจะได้เกิดขึ้นในระยะเวลา 21 แต่การคาดการณ์ไม่หันไปรอบ ๆ จนกระทั่งหลายช่วงเวลาในภายหลังหมายเหตุว่าระยะยาว - คาดการณ์ระยะสั้นจาก SMA mod el เป็นเส้นตรงแนวนอนเช่นเดียวกับในรูปแบบการเดินแบบสุ่มดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูลอย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตล่าสุดการคาดการณ์จาก รูปแบบ SMA มีค่าเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุดค่าความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากการเพิ่มขึ้นของขอบฟ้าพยากรณ์อากาศคาดว่าจะไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีพื้นฐาน ทฤษฎีทางสถิติที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไรก็ตามไม่ยากเกินไปที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ที่ยาวกว่าขอบฟ้าตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตในรูปแบบ SMA ได้ จะใช้ในการคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ขั้นตอน ฯลฯ ภายในตัวอย่างข้อมูลทางประวัติศาสตร์จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในการคาดการณ์แต่ละครั้ง h orizon แล้วสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสมหากเราลองค่าเฉลี่ยเคลื่อนที่ 9- ระยะเราจะได้รับการคาดการณ์ที่ราบรื่นยิ่งขึ้นและอื่น ๆ ของผลปกคลุมด้วยวัตถุฉนวนอายุเฉลี่ยคือ ตอนนี้ 5 ช่วงเวลา 9 1 2 ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ 19 ระยะอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10. ข้อสังเกตว่าการคาดการณ์ในตอนนี้ล้าหลังจุดหักเหประมาณ 10 รอบระยะเวลาการปรับให้เรียบเป็นสิ่งที่ดีที่สุดสำหรับชุดข้อมูลนี้ ตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขารวมทั้งค่าเฉลี่ยระยะเวลา 3 เดือนด้วย C model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ระยะ 5 วันให้ผลตอบแทนต่ำสุดของ RMSE โดยมีส่วนต่างเล็ก ๆ ในระยะสั้น 3 และค่าเฉลี่ยระยะเวลา 9 และ สถิติอื่น ๆ ของพวกเขาเกือบเหมือนกันดังนั้นในหมู่รุ่นที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าเราต้องการตอบสนองน้อยมากหรือเรียบขึ้นเล็กน้อยในการคาดการณ์กลับไปด้านบนของหน้าการเรียบง่ายชี้แจง Smoothing ชี้แจงถ่วงน้ำหนัก ค่าเฉลี่ยเคลื่อนที่เฉลี่ยที่อธิบายไว้ข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะปฏิบัติต่อข้อสังเกตสุดท้าย k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตก่อนหน้านี้ทั้งหมดอย่างสังหรณ์ใจข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นเช่นการสังเกตล่าสุดควร รับน้ำหนักน้อยกว่าครั้งที่ 2 ล่าสุดและครั้งที่ 2 ล่าสุดควรได้รับน้ำหนักน้อยกว่าครั้งที่ 3 ล่าสุดและอื่น ๆ รูปแบบ SES แบบเรียบง่ายทำให้สำเร็จนี่แสดงให้เห็นถึงการทำให้ราบเรียบคงที่ระหว่าง 0 ถึง 1 วิธีหนึ่งในการเขียนแบบคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบันเช่นค่าเฉลี่ยของท้องถิ่นของชุดตั้งแต่ประมาณการข้อมูลจนถึงปัจจุบันค่าของ L ในเวลา t คำนวณจากค่าเดิมของตัวเองเช่นนี้ ดังนั้นค่าที่ปรับให้เรียบในปัจจุบันเป็นค่าการแทรกสอดระหว่างค่าที่ได้จากการเรียบก่อนหน้านี้กับการสังเกตการณ์ในปัจจุบันซึ่งจะควบคุมความใกล้ชิดของค่าที่ถูกสอดแทรกให้มากที่สุด การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ราบรื่นในปัจจุบันเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้านี้ในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ในเวอร์ชันแรกการคาดการณ์คือการแก้ไข ระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าโดยเศษส่วนเป็นจำนวนเล็กน้อยข้อผิดพลาดที่เกิดขึ้น ณ เวลา t ในรุ่นที่สามการคาดการณ์คือ ถ่วงน้ำหนักแบบทวีคูณคือค่าเฉลี่ยเคลื่อนที่ที่ลดลงพร้อมด้วยปัจจัยส่วนลด 1 รุ่นการแก้ไขของสูตรพยากรณ์เป็นวิธีที่ง่ายที่สุดหากคุณใช้โมเดลในสเปรดชีตที่พอดีในเซลล์เดียวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้ สังเกตและเซลล์ที่มีการจัดเก็บค่าของโปรดสังเกตว่าถ้า 1 รุ่น SES เทียบเท่ากับรูปแบบการเดินแบบสุ่ม hout growth ถ้า 0 โมเดล SES เท่ากับรุ่นค่าเฉลี่ยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของความยาวของข้อมูลในการพยากรณ์ความเรียบง่ายของเลขลำดับคือ 1 relative ถึงระยะเวลาที่คาดการณ์การคำนวณนี้ไม่ควรจะเป็นที่ชัดเจน แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหโดยประมาณ 1 ช่วงตัวอย่างเช่นเมื่อ 0 5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 0 2 ความล่าช้าเป็น 5 ช่วงเวลาเมื่อ 0 1 ล่าช้าเป็น 10 งวดและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุเช่นจำนวนเงินล่าช้าที่เรียบง่ายชี้แจง SES คาดการณ์ค่อนข้างดีกว่าการเคลื่อนไหวที่เรียบง่าย SMA คาดการณ์โดยเฉลี่ยเพราะมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - มันตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นในอดีตไม่นานตัวอย่างเช่นแบบ SMA ที่มี 9 คำและแบบ SES มีค่าเฉลี่ย 0 จาก 5 สำหรับ da ta ในการคาดการณ์ของพวกเขา แต่รูปแบบ SES ทำให้น้ำหนักมากขึ้นในช่วง 3 ค่ากว่ารุ่น SMA และในเวลาเดียวกันมัน doesn t ลืมอย่างสิ้นเชิงเกี่ยวกับค่ามากกว่า 9 งวดเก่าดังแสดงในแผนภูมินี้อีกหนึ่งข้อได้เปรียบที่สำคัญของ แบบจำลอง SES เหนือโมเดล SMA คือแบบจำลอง SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่องดังนั้นจึงสามารถปรับให้เหมาะสมโดยใช้อัลกอริธึมการแก้ปัญหาเพื่อลดข้อผิดพลาดของค่าเฉลี่ยที่เป็นศูนย์ค่าที่เหมาะสมที่สุดในโมเดล SES สำหรับชุดข้อมูลนี้จะปรากฏออกมา เป็น 0 2961 ตามที่แสดงไว้ที่นี่อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 1 0 2961 3 4 รอบระยะเวลาซึ่งคล้ายกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะยาวการคาดการณ์ในระยะยาวจากรูปแบบ SES คือ แนวเส้นตรงในแนวนอนเช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตอย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับแรนด์ om walk model รุ่น SES สันนิษฐานว่าชุดนี้ค่อนข้างจะสามารถคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่มโมเดล SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีทางสถิติของรูปแบบ ARIMA จึงเป็นพื้นฐานสำหรับการคำนวณระยะเวลาความเชื่อมั่นสำหรับ แบบจำลอง SES โดยเฉพาะแบบจำลอง SES เป็นแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีนัยสำคัญระยะ MA 1 และไม่มีระยะคงที่หรือที่เรียกว่าแบบจำลอง ARIMA 0,1,1 โดยไม่มีค่าคงที่ค่าสัมประสิทธิ์ของ MA1 ในรูปแบบ ARIMA สอดคล้องกับ ปริมาณ 1 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณมีรูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA 1 โดยประมาณจะเท่ากับ 0 7029 ซึ่งใกล้เคียงกับ 0 2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES เมื่อต้องการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันและ MA 1 ระยะโดยมีค่าคงที่คือ ARIMA 0,1,1 รุ่น คงที่การคาดการณ์ระยะยาวจะ มีแนวโน้มที่จะเท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมดคุณไม่สามารถดำเนินการนี้ร่วมกับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อมีการตั้งค่าชนิดของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มค่าคงที่ที่ยาวได้ การขยายตัวของอัตราเงินเฟ้อที่เหมาะสมต่องวดสามารถประมาณได้จากค่าสัมประสิทธิ์ความลาดชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลใน ร่วมกับการแปลงลอการิทึมธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาวกลับไปด้านบนของหน้าการคำนวณของ Linear คือการสร้าง Smoothing แบบ Double Exponential แบบ SMA และ SES สมมติว่าไม่มีแนวโน้มของ ชนิดใดในข้อมูลซึ่งมักจะเป็นอย่างน้อยหรืออย่างน้อยไม่มากเกินไปสำหรับการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อข้อมูลมีความไม่แน่นอน sy และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นที่คงที่ดังที่แสดงไว้ด้านบนแนวโน้มในระยะสั้นถ้าชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องใช้ คาดการณ์ล่วงหน้ามากกว่า 1 รอบแล้วการประมาณแนวโน้มภายในอาจเป็นปัญหาได้รูปแบบเรียบง่ายชี้แจงสามารถสรุปเพื่อให้ได้รูปแบบ LES แบบเรียบที่อธิบายถึงการประมาณการในระดับท้องถิ่นและระดับแนวโน้มแนวโน้มที่ต่างกันง่ายที่สุด เป็นแบบจำลองการให้ความเรียบแบบเสี้ยวของแบบสีน้ำตาลซึ่งใช้สองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่างๆในเวลาสูตรการคาดการณ์จะขึ้นอยู่กับการอนุมานของเส้นผ่านสองศูนย์รูปแบบที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt s คือ กล่าวถึงด้านล่างรูปแบบเกี่ยวกับพีชคณิตของรูปแบบการเรียบแบบเสียดสีของเส้นสีน้ำตาลเช่นเดียวกับรูปแบบการเรียบง่ายที่ชี้แจงสามารถแสดงออกได้ในจำนวนที่แตกต่างกัน รูปแบบมาตรฐานรูปแบบมาตรฐานของรูปแบบนี้มักจะแสดงเป็นดังนี้ปล่อยให้ S หมายถึงชุดที่เรียบโดยใช้การเรียบอย่างง่ายแทนชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย จำได้ว่าภายใต้การเรียบง่ายชี้แจงนี้จะเป็นที่คาดการณ์สำหรับ Y ที่ระยะเวลา t 1 แล้วให้ S หมายถึงชุดทวีคูณเรียบเรียงได้โดยใช้การเรียบง่ายชี้แจงโดยใช้ชุดเดียวกันกับ S. สุดท้ายคาดการณ์สำหรับ Y tk สำหรับใด ๆ k 1 ให้ผลตอบแทน e 1 0 คือโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตแรกที่เกิดขึ้นจริงและ e 2 Y 2 Y 1 หลังจากที่มีการคาดคะเนโดยใช้สมการข้างต้นนี้จะให้ค่าที่เหมือนกัน เป็นสูตรขึ้นอยู่กับ S และ S ถ้าเริ่มต้นขึ้นโดยใช้ S 1 S 1 Y 1 รุ่นของรูปแบบนี้จะใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบเรียงชี้แจงกับการปรับตามฤดูกาลฮอลแลนด์ s Linear Exponential Smoothing. Brown แบบจำลอง LES คำนวณค่าประมาณและระดับท้องถิ่นโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์ smoothing เดียวทำให้ข้อ จำกัด ในรูปแบบข้อมูลที่สามารถปรับให้พอดีกับระดับและแนวโน้มไม่ได้รับอนุญาตให้เปลี่ยนแปลงไป ที่ อัตราที่เป็นอิสระแบบจำลอง Holt s LES แก้ไขปัญหานี้โดยการรวมค่าคงที่สองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ณ เวลาใด ๆ t ในรูปแบบของ Brown มีการประมาณการ L t ของระดับท้องถิ่นและค่าประมาณ T t ของแนวโน้มในท้องถิ่นที่นี่พวกเขาจะคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การทำให้เกิดการแจกแจงแบบเอกซ์โพเนนเชียลให้แก่พวกเขาแยกกันหากระดับและแนวโน้มโดยประมาณในเวลา t-1 คือ L t 1 และ T t-1 ตามลำดับจากนั้นการคาดการณ์สำหรับ Y t ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณที่ปรับปรุงใหม่ของ ระดับจะถูกคำนวณโดยการ interpolating ระหว่าง Y t และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของและ 1. การเปลี่ยนแปลงในระดับโดยประมาณคือ L t L t 1 สามารถตีความได้ว่าเป็นการวัดความดังของ แนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดย recolive โดย interpolating ระหว่าง L t t t 1 และการประมาณการก่อนหน้านี้ของแนวโน้ม T t-1 โดยใช้น้ำหนักของและ 1. การตีความของค่าคงที่ของการปรับความเรียบของกระแสจะคล้ายคลึงกับค่าคงตัวของระดับที่คงที่ด้วยค่าเล็กน้อยที่สมมติว่าแนวโน้มการเปลี่ยนแปลง เพียงอย่างช้า ๆ เมื่อเวลาผ่านไปในขณะที่แบบจำลองที่มีขนาดใหญ่สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็วขึ้นโมเดลที่มีขนาดใหญ่เชื่อว่าอนาคตที่ห่างไกลมีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการประมาณค่าแนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วงเวลา ของค่าคงที่เรียบและสามารถประมาณได้ตามปกติโดยการลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 0 3048 และ 0 008 ค่าที่น้อยมากของ หมายความว่ารูปแบบสมมติการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบดังนั้นโดยทั่วไปรุ่นนี้พยายามที่จะประมาณแนวโน้มระยะยาวโดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณการ t เขาระดับท้องถิ่นของซีรีส์อายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 แม้ว่าจะไม่เท่ากันก็ตามในกรณีนี้จะกลายเป็น 1 0 006 125 นี่เป็นตัวเลขที่แม่นยำมาก เนื่องจากความถูกต้องของการประมาณเลขที่จริง 3 ตำแหน่งทศนิยม แต่เป็นลำดับเดียวกันของขนาดเป็นขนาดตัวอย่าง 100 ดังนั้นรูปแบบนี้จึงเป็นค่าเฉลี่ยมากกว่าค่อนข้างมากในประวัติศาสตร์ในการประมาณแนวโน้มพล็อตพล็อต ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นที่มีขนาดใหญ่กว่าเล็กน้อยในตอนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่โดยประมาณในรูปแบบแนวโน้ม SES นอกจากนี้ค่าประมาณของเกือบจะเหมือนกันกับค่าที่ได้จากการปรับรุ่น SES โดยมีแนวโน้มหรือไม่มีแนวโน้ม ดังนั้นนี่เป็นรูปแบบเดียวกันเกือบทุกวันนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับแบบจำลองที่คาดว่าจะเป็นการประเมินแนวโน้มในระดับท้องถิ่นหากคุณทำแผนผังเรื่องนี้ให้ดูราวกับว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของ ซีรีส์ Wh ที่เกิดขึ้นพารามิเตอร์ของโมเดลนี้ได้รับการประมาณโดยการลดข้อผิดพลาดของการคาดการณ์ล่วงหน้า 1 ขั้นตอนโดยไม่ จำกัด การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนักหากมองทั้งหมดคือ 1 ข้อผิดพลาดที่เกิดขึ้นล่วงหน้าคุณจะไม่เห็นภาพใหญ่ของแนวโน้มมากกว่าพูด 10 หรือ 20 รอบระยะเวลาเพื่อให้ได้รูปแบบนี้มากขึ้นสอดคล้องกับการคาดการณ์ลูกตาของข้อมูลของเราเราสามารถปรับแนวโน้มคงที่เรียบเพื่อที่จะ ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้มตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 0 1 อายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา นี่คือพล็อตพล็อตที่คาดการณ์ไว้ถ้าเราตั้งค่า 0 1 ขณะที่รักษา 0 3 นี่ดูเหมาะสมสำหรับซีรีส์นี้แม้ว่าจะอาจเป็นไปได้ที่จะคาดการณ์แนวโน้มนี้ได้เกินกว่า 10 งวดในอนาคตสิ่งที่เกี่ยวกับสถิติข้อผิดพลาด การเปรียบเทียบโมเดล f หรือแบบจำลองสองแบบที่แสดงข้างต้นรวมทั้งสามแบบ SES ค่าที่ดีที่สุดของแบบจำลอง SES อยู่ที่ประมาณ 0 3 แต่ผลที่คล้ายคลึงกันกับการตอบสนองเล็กน้อยหรือน้อยกว่าตามลำดับจะได้รับกับ 0 5 และ 0 2. การคำนวณสมการเชิงเส้นของ Holt กับอัลฟา 0 3048 และเบต้า 0 008 การคำนวณเชิงเส้นของ B Holt ด้วยอัลฟา 0 3 และเบต้า 0 1. ซีสมูทเอ็มโพเนนเชียลที่เรียบง่ายด้วยอัลฟา 0 5. D การเรียบง่ายแบบเอ็กซ์โปนเนนด้วยอัลฟา 0 3. อีเรียบเนียนเรียบด้วย alpha 0 2 สถิติของพวกเขาเกือบเหมือนกันดังนั้นเราจึงไม่สามารถเลือกทางเลือกตามข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูลเราต้องย้อนกลับไปในการพิจารณาอื่น ๆ หากเราเชื่อมั่นว่าการสร้างฐานในปัจจุบันเป็นเรื่องที่เหมาะสม การประมาณแนวโน้มของสิ่งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 0 3 และ 0 1 ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับภูมิภาคแล้วหนึ่งในโมเดล SES อาจ ง่ายกว่าที่จะอธิบายและยังจะให้มากขึ้น middl การคาดการณ์ e-of-the-road สำหรับถัดไป 5 หรือ 10 รอบระยะเวลาย้อนกลับไปด้านบนของหน้าประเภทของแนวโน้มการอนุมานที่ดีที่สุดในแนวนอนหรือเชิงเส้นหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าถ้าข้อมูลได้รับการปรับแล้วถ้าจำเป็นสำหรับอัตราเงินเฟ้อแล้ว มันอาจจะไม่ระมัดระวังในการคาดการณ์แนวโน้มเชิงเส้นระยะสั้นมากไปไกลในอนาคตแนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตเนื่องจากสาเหตุที่แตกต่างกันเช่นล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและ downturns วัฏจักรหรือ upturns ในอุตสาหกรรมด้วยเหตุนี้ชี้แจงอย่างง่าย การทำให้เรียบมักจะมีประสิทธิภาพดีกว่าตัวอย่างอื่น ๆ ที่คาดไว้แม้ว่าจะมีการคาดเดาแนวโน้มในแนวนอนที่ไร้เดียงสาการปรับเปลี่ยนรูปแบบการปรับลดความลาดเอียงของแบบจำลองการแกว่งแบบเชิงเส้นแบบเชิงเส้นก็มักใช้ในทางปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม รูปแบบ LES สามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA 1,1,2 model. It สามารถคำนวณช่วงความเชื่อมั่น arou การคาดการณ์ในระยะยาวครั้งที่ผลิตโดยแบบจำลองการทำให้เป็นรูปแบบเลขแจงโดยพิจารณาว่าเป็นกรณีพิเศษของโมเดล ARIMA ระวังให้ซอฟต์แวร์ทั้งหมดคำนวณระยะเวลาความเชื่อมั่นสำหรับโมเดลเหล่านี้ได้อย่างถูกต้องความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ i ข้อผิดพลาด RMS ของรุ่น ii ประเภท ของการเรียบง่ายหรือเชิงเส้น iii ค่าของการทำให้ราบเรียบคงที่ s และ iv จำนวนรอบระยะเวลาก่อนที่คุณจะคาดการณ์โดยทั่วไประยะห่างกระจายออกได้เร็วขึ้นตามที่ได้รับขนาดใหญ่ในรูปแบบ SES และพวกเขากระจายออกได้เร็วขึ้นมากเมื่อเส้นตรงมากกว่าง่าย เรียบใช้หัวข้อนี้จะกล่าวถึงต่อไปในส่วนแบบ ARIMA ของบันทึกย่อกลับไปด้านบนของหน้า