مؤشر متوسط الموسمية المتحرك

حساب فهرس موسمي تستخدم هذه النشرة مع ملف مس إكسيل seasonalindex. xls الموجود في الصفحة الرئيسية لصنف Econ437. 1. قائمة الأسعار الشهرية بالترتيب الزمني في العمود D من جدول البيانات الخاص بك. مثال. وترد مجموعة البيانات المقدمة في الفترة من كانون الثاني / يناير 1975 إلى كانون الأول / ديسمبر 1996، أي 264 ملاحظة. 2. حساب تركزت 12 شهرا مجموع تتحرك بإضافة ما يصل أسعار يناير حتى ديسمبر. يجب أن تبدأ بالملاحظة السادسة. مثال. يونيو 1975 (الملاحظة 6) 3.012.822.632.652.672.652.702.942.762.542.302.30 31.97 3. كرر الخطوة 2 لبقية مجموعة البيانات. ملحوظة. سيكون هناك 5 خلايا فارغة في بداية مجموعة البيانات في العمود E و 6 خلايا فارغة في نهاية العمود E. 4. احسب المجموع المتحرك لمدة شهرين من العمود E وأدخل هذا في العمود F بدءا من الملاحظة السابعة. سيكون هناك 6 خلايا فارغة في بداية ونهاية العمود F. مثال. للمراقبة 7، 31.9731.3363.30. 5. قم بتقسيم العمود F بنسبة 24 وأدخل هذا في العمود G بدءا من الملاحظة 7. هذا هو المتوسط ​​المتحرك المزدوج المتمركز لمدة 12 شهرا (ما). 6. تقسيم الأسعار الأصلية في العمود D من خلال المتوسط ​​المتحرك المتمركز لمدة 12 شهرا في العمود G، وإدخال هذه القيم الشهرية الفردية في العمود H بدءا من يوليو 1975، الملاحظة 7. لن تكون هناك قيم للأشهر الستة الأولى من عام 1975 و 6 أشهر الماضية من عام 1996. 7. إضافة جميع المؤشرات الشهرية عن كل شهر ومتوسط ​​لهم للحصول على قيمة مؤشر الخام. انظر الجدول أدناه. البحث عن متوسط ​​المؤشرات الخام. تقسيم كل شهر مؤشر الخام بمتوسط ​​المؤشرات الخام للحصول على تنفيذ مؤشر index. Spreadsheet 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 بفترة واحدة أو أكثر - 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 ارتفاع 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 لجميع منهم، 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 وتقديراته 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 رمز (الجذر متوسط ​​مربع الخطأ، الذي هو مجرد الجذر التربيعي للمشاريع الصغيرة والمتوسطة) ومن ثم حساب فترة الثقة للتوقعات المعدلة موسميا عن طريق 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 أخطاء التنبؤ من خطوتين إلى الأمام واستخدام هذا كأساس لفاصل الثقة 2-خطوة قدما. ما هو مؤشر موسمي - الربع الرابع من السنة هو أشهر أكتوبر حتى ديسمبر. كما تعلمون على الأرجح، وأشرنا في أشرطة الفيديو الفصل الأول، والأمازون تبيع الكثير من البضائع خلال الربع الرابع من أي ربع آخر، وذلك أساسا بسبب موسم العطلات. هذا مثال على الموسمية، والمشكلة مع الموسمية هو أنه يجعل من الصعب حقا للتنبؤ القيم المستقبلية لسلسلة زمنية. إذا لاحظت you39ve، كل الأمثلة we39ve القيام به حتى الآن في التنبؤ لم يكن الموسمية. كانوا 39ve البيانات السنوية، ولكن الآن we39re على استعداد لمعالجة مسألة الموسمية في الفصول اثنين المتبقية من هذا الفيديو. لذلك، مفهوم مهم حقا من شأنها حقا تحسين فهمك ل، في هذا الفيديو، هو مفهوم مؤشر موسمي، وبعد ذلك في بقية الفصل we39ll يعلمك نسبة إلى المتوسط ​​المتحرك الأسلوب الذي هو بسيط لكنها قوية طريقة لدمج الموسمية في التوقعات الخاصة بك، وتستخدم من قبل العديد من الشركات. حسنا، لذلك Let39s افترض لديك ل Q1 إلى Q4 هذه الأرقام الأربعة، والتي سوف ندعو المؤشرات الموسمية. لذا، ما الذي یعني أن المؤشر الموسمي للربع الرابع من العام الحالي ھو 1.3 في الربع الرابع، تمیل الشرکة إلی بیع أکثر من 30 في المتوسط. that39s ما يعني 1.3. وفي الربع الأول تبيع هذه الشركة 20 أقل من ربع المتوسط. that39s ما يعني 0.8. لذا، يجب أن يكون للمؤشرات الموسمية عقار معين. يجب أن تكون متوسطة إلى واحدة. وبعبارة أخرى، يجب إلغاء الأرباع التي تزيد عن المتوسط ​​من قبل الجهات التي تقل عن المتوسط. ولكن كنت حقا can39t تفعل الكثير من التنبؤ على البيانات الفصلية أو البيانات الشهرية إذا كنت don39t فهم الموسمية، وأن 39s سيكون الموضوع الرئيسي لهذا الفصل بأكمله، ولكن في هذا الفيديو، ونحن نريد فقط أن أعطيك فهم بسيط للمؤشرات الموسمية. لذلك، لدينا دعابة الدماغ قليلا بالنسبة لك أن أستخدم في كثير من الأحيان عندما أدرب في الشركات، وعدد قليل جدا من الناس الحصول على دعابة الدماغ الحق. لذلك، we39ll العمل لكم من خلال ذلك. حسنا، حتى Let39s نرى إذا كنا نفهم الموسمية. لذلك، لنفترض أنك تعمل لصالح شركة الربع الرابع كبيرة. مؤشر الموسمية IT39s هو اثنين. لذلك، ماذا يعني ذلك خلال الربع الرابع، ومبيعاتها تميل إلى أن تكون مزدوجة في الربع المتوسط، وكانت سيئة جدا في الربع الأول. مؤشرهم الموسمية هو 0.5، مما يعني في الربع الأول مبيعاتها تميل إلى أن تكون نصف ربع المتوسط. Let39s ننظر في بعض بيانات المبيعات لهذه الشركة وهمية. تفترض Let39s في الربع الرابع من عام 2014 أنها باعت بضائع بقيمة 400 مليون دولار. في الربع الأول من عام 2015، باعوا بضائع بقيمة 200 مليون دولار، وطلب منك تقييم أداء الشركة كمستشار خارجي. هل يفعلون أفضل أو أنهم يفعلون أسوأ تحليل ساذجة هو على النحو التالي. انخفضت المبيعات 50. مائتان هو 50 من أربعمائة. هذه الشركة لديها مشاكل حقيقية. حسنا، you39re ليست مستشارا جيدا جدا إذا كنت تعتقد ذلك، لأن you39re إهمال الموسمية. ما عليك القيام به هو ديسيسوناليز حقا المبيعات. أنا غالبا ما أقول تحلية المياه، ولكن ديسيسوناليز. لذلك، ما تريد القيام به هو القول، مهلا، ما حدث حقا في كل ربع سنة، من حيث الربع المتوسط ​​أساسا، Q4 من عام 2014، ولكن كان المؤشر الموسمية اثنين. لذلك، هذا حقا حقا مثل بيع هذا بكثير في الربع المتوسط. تقسم حسب الفهرس الموسمي. وهذا تقدير جيد جدا لما كان المستوى خلال ذلك الربع الرابع. وبعبارة أخرى، 400 في Q4 هو في الأساس أقول لك مستوى السلاسل الزمنية، استنادا إلى تلك الملاحظة، كان 200 في هذا الربع الرابع. الآن، عندما تفصل Q1 عن عام 2015، فإنك تنقسم حسب المؤشر الموسمية لهذا الربع البالغ 0.5، وتحصل على 400 في الربع المتوسط. لذا، إذا نظرتم إلی ھذا بالطریقة الصحیحة، علی الرغم من انخفاض المبیعات 50، فإن البیانات تشیر إلی أن مستوى المبیعات قد تضاعف من الربع الرابع من عام 2014 إلی الربع الأول من عام 2015. لذا، یمکنك أن ترى من ھذا المثال البسیط جدا، كنت استخلاص استنتاج غير صحيح أن هذه الشركة تفعل أسوأ، عندما them39re فعل فعلا رائعة. لذلك، في الفيديو التالي we39ll إدخال نسبة إلى المتوسط ​​المتحرك الأسلوب، والتي يمكن استخدامها لدمج الموسمية في التوقعات وتقدير المؤشرات الموسمية. استئناف السير الذاتية تمرير البروفيسور واين وينستون وقد علمت تقنيات التنبؤ المتقدمة لشركات فورتشن 500 لأكثر من عشرين عاما. في هذه الدورة، ويوضح كيفية استخدام إكسيلز أدوات تحليل البيانات بما في ذلك المخططات والصيغ، وظيفة خلق توقعات دقيقة والبصيرة. تعلم كيفية عرض بيانات سلسلة زمنية بصريا تأكد من دقة التنبؤات الخاصة بك، عن طريق الحوسبة للأخطاء والتحيز استخدام خطوط الاتجاه لتحديد الاتجاهات ونموذج بيانات نموذجية خارجا عن الموسمية وتحديد المتغيرات غير معروفة، مع تحليل الانحدار متعددة. سلسلة من التحديات الممارسة على طول الطريق يساعدك على اختبار المهارات الخاصة بك ومقارنة عملك إلى حلول وينس. ليندا هو بمي المسجل التعليم المسجل. هذه الدورة مؤهلة لوحدات التطوير المهني (بدوس). لعرض النشاط وتفاصيل بدو لهذه الدورة التدريبية، انقر هنا. إن شعار مزود التعليم المسجل في مؤشر مديري المشتريات هو علامة مسجلة لمعهد إدارة المشاريع، وتشمل الموضوعات: رسم وعرض بيانات السلاسل الزمنية إنشاء مخطط متوسط ​​متحرك المحاسبة عن الأخطاء والتحيز استخدام وتفسير خطوط الاتجاه النمذجة النمو الأسي حساب معدل النمو السنوي المركب (كاغر) تحليل تأثير الموسمية إدخال طريقة نسبة إلى المتوسط ​​المتحرك التنبؤ مع الانحدار المتعدد مهارة المستوى المتوسط