الأسي الحركة من المتوسط - عدم انتظام - السلاسل الزمنية

إم محاولة استخراج بعض المقاييس التي تبحث في كيفية اتصال العملاء الموثوق بهم بالخدمة. البيانات الخام في شكل العميل A، جاء أونلينوفلين في الوقت X. اتصال غير موثوق بها للغاية، وأريد نوعا من المتوسط ​​المتحرك لإظهار ما إذا كان الاتصال في تحسن أم لا مع مرور الوقت. لا ترتبط دائما العملاء، وذلك ببساطة الذهاب حاليا لا يعني خطأ. حتى الآن، إيف أخذت ثم البيانات وتطبيق بعض الافتراضات للمساعدة في تبسيط ذلك، أفترض أنه إذا عميل يعيد الاتصال في غضون دقيقة واحدة من فصل ثم وهذا خطأ. هذه إيف وضعت على شكل إيمولاتس بسيطة، أي. كان العميل A خطأ في الوقت X. الجزء إم تكافح هو كيفية تحويل هذه المؤامرة إلى المتوسط ​​المتحرك (إم اللعب مع R إلى أزمة الأرقام). وأعتقد أنني يجب أن تكون قادرة على القيام بذلك مع مرشح تمريرة منخفضة، أو استخدام حزمة حديقة الحيوان و رولمان. ومع ذلك، أنا لا أعرف كيفية التعامل مع الحالات التي العميل ببساطة لم أكن أريد أن يكون online. time سلسلة التمهيد الأسي مقابل المتوسط ​​المتحرك - طريقة التمهيد الأسي يوفر القيم سلسة لجميع الفترات الزمنية التي لاحظت - طريقة المتوسط ​​المتحرك لا توفر (القيم المتوسطة المتحركة) للمجموعتين الأولى والأخيرة من الفترات - عند تمهيد السلاسل الزمنية في الوقت t، فإن التجانس الأسي يأخذ في الاعتبار جميع البيانات المتاحة في t (يت، يت-1.) بينما تعتبر طريقة المتوسط ​​المتحرك فقط الملاحظات المدرجة في حساب متوسط ​​القيمة. يمكن أن يكون مكون الاتجاه لسلسلة زمنية خطية أو غير خطية من السهل عزل مكون الاتجاه باستخدام الاتجاه الخطي استخدام النموذج للاتجاه غير الخطي مع تغيير واحد (رئيسي) في المنحدر يستخدم النموذج التربيعي لقياس مكون الاتجاه ، تبدأ من خلال إعادة تسمية سنواتك 1،2،3 إلخ لتحديد الاختلاف الدوري نستخدم نسبة الخندق - تحديد خط الاتجاه (عن طريق الانحدار) - تحسب قيمة الاتجاه يت لكل فترة t - calculate نسبة الاتجاه من قبل (يتيهات (t)) 100 الإجراء من أجل اختيار النموذج - استخدام بعض الملاحظات لتطوير العديد من نماذج التنبيه المتناظرة - run النماذج على بقية الملاحظات - calc دقة كل نموذج باستخدام كل من ماد و سف معيار-استخدام النموذج الذي يولد أقل قيمة ماد، ما لم يكن من المهم تجنب (حتى عدد قليل) أخطاء كبيرة - في هذه الحالة استخدام أفضل نموذج كما هو مبين من أدنى معدل متوسط ​​موسمي سس لربع حساب متوسط ​​يتيهات لجميع الفترات وتقسيمها على عدد منفترات يستخدم النسبة المئوية للاتجاه لتحديد نسخة 2017 كيزليت Inc.5.2 تجانس سلسلة الوقت يتم عادة تجانس لمساعدتنا على رؤية أفضل أنماط والاتجاهات على سبيل المثال، في سلسلة زمنية. عموما على نحو سلس خارج خشونة غير منتظمة لرؤية إشارة أكثر وضوحا. بالنسبة للبيانات الموسمية، قد نتجنب الموسمية حتى نتمكن من تحديد هذا الاتجاه. التجانس لا يوفر لنا نموذج، ولكن يمكن أن يكون خطوة أولى جيدة في وصف مختلف مكونات هذه السلسلة. يستخدم مصطلح المصطلح أحيانا لوصف إجراء التجانس. على سبيل المثال، إذا تم حساب القيمة الملساء لوقت معين على أنها مزيج خطي من الملاحظات للأوقات المحيطة، يمكن القول بأننا طبقنا مرشحا خطييا على البيانات (وليس نفس القول بأن النتيجة هي خط مستقيم، من خلال الطريقة). الاستخدام التقليدي للمتوسط ​​المتحرك المدى هو أنه في كل نقطة من الوقت نحدد (المرجح المرجح) متوسطات القيم الملحوظة التي تحيط بوقت معين. على سبيل المثال، في الوقت t. فإن المتوسط ​​المتحرك المركب للطول 3 مع أوزان متساوية سيكون متوسط ​​القيم في بعض الأحيان t -1. t. و t1. ولأخذ الموسمية من سلسلة، حتى نتمكن من رؤية الاتجاه بشكل أفضل، سنستخدم متوسطا متحركا بطول موسمي. وهكذا في سلسلة سلسة، تم متوسط ​​كل قيمة ممهدة في جميع الفصول. ويمكن القيام بذلك من خلال النظر في متوسط ​​متحرك من جانب واحد حيث يمكنك متوسط ​​جميع القيم للسنوات السابقة بقيمة البيانات أو المتوسط ​​المتحرك المتمركز الذي تستخدم القيم قبل وبعد الوقت الحالي. بالنسبة للبيانات ربع السنوية، على سبيل المثال، يمكن أن نحدد قيمة سلسة للوقت t (x t x t-1 x t-2 x t-3) 4، متوسط ​​هذا الوقت والأرباع الثلاثة السابقة. في R كود هذا سيكون مرشح من جانب واحد. يخلق المتوسط ​​المتحرك المركز قليلا من الصعوبة عندما يكون لدينا عدد من الفترات الزمنية في الفترة الموسمية (كما نفعل عادة). لتسهيل الموسمية بعيدا في البيانات الفصلية. من أجل تحديد الاتجاه، والاتفاقية المعتادة هي استخدام المتوسط ​​المتحرك ممهدة في الوقت ر هو لتسهيل الموسمية بعيدا في البيانات الشهرية. من أجل تحديد الاتجاه، والاتفاقية المعتادة هي استخدام المتوسط ​​المتحرك تمهيد في الوقت t هو وهذا هو، ونحن تطبيق الوزن 124 إلى القيم في بعض الأحيان t6 و t6 والوزن 112 لجميع القيم في جميع الأوقات بين t5 و t5. في الأمر R فيلتر، حدد مرشح من جانبين جيدا عندما نريد استخدام القيم التي تأتي قبل وبعد الوقت الذي تم تمهيد. تجدر الإشارة إلى أنه في الصفحة 71 من كتابنا، فإن المؤلفين يطبقون أوزانا متساوية عبر المتوسط ​​المتحرك الموسمية المركز. هذا حسنا أيضا. على سبيل المثال، يمكن تمهيد سلاسة ربع سنوية في الوقت t هو فراك x فراك x فراك شت فراك x فراك x الشهري أكثر سلاسة قد تطبق وزن 113 لجميع القيم من مرات t-6 إلى t6. يستفيد الرمز الذي يستخدمه المؤلفون في الصفحة 72 من أمر المكرر الذي يكرر قيمة عدد معين من المرات. لا يستخدمون عامل تصفية عامل التصفية ضمن أمر التصفية. مثال 1 إنتاج البيرة بشكل ربع سنوي في أستراليا في الدرسين الأول والدرس 4، نظرنا في سلسلة من إنتاج البيرة ربع السنوي في أستراليا. يخلق رمز R التالية سلسلة سلسة التي تمكننا من رؤية نمط الاتجاه، والمؤامرات هذا النمط الاتجاه على نفس الرسم البياني مثل سلسلة زمنية. الأمر الثاني يخلق ويخزن سلسلة ممهدة في الكائن يسمى تريندباترن. لاحظ أنه ضمن أمر التصفية، فإن المعامل المسمى بالفلتر يعطي معاملات لتلطيف وجوانبنا 2 يسبب ناعمة مركزا ليتم حسابها. (بايربرود)، مرشح c (18، 14، 14، 14، 18)، side2) مؤامرة (بيربرود، نوع b، الرئيسية تتحرك متوسط ​​الاتجاه السنوي) خطوط (تريندباترن) هيريس النتيجة: نحن قد طرح نمط الاتجاه من قيم البيانات للحصول على نظرة أفضل في الموسمية. هيريس كيفية القيام بذلك: الموسمية بيربرود - تريندباترن مؤامرة (الموسمية، نوع ب، الرئيسية نمط موسمي لإنتاج البيرة) والنتيجة يليها: إمكانية أخرى لتسلسل سلسلة لرؤية الاتجاه هو مرشح من جانب واحد مرشح filterpattern2 (بيربرود، فلتر ج (14، 14، 14، 14)، سيديس 1) مع هذا، فإن قيمة ممهدة هو متوسط ​​العام الماضي. المثال 2. البطالة الشهرية في الولايات المتحدة في الواجبات المنزلية للأسبوع 4 نظرت إلى سلسلة شهرية من البطالة في الولايات المتحدة لعام 1948-1978. هيريس تمهيد القيام به للنظر في هذا الاتجاه. (تريندونيمبلوي، ستارت c (1948،1)، فريق 12) مؤامرة (ترندونيمبلوي، مينترند في الولايات المتحدة البطالة، 1948-1978، زلاب يار) يتم رسم الاتجاه السلس فقط. يحدد الأمر الثاني خصائص وقت التقويم للسلسلة. وهذا يجعل المؤامرة لديها محور أكثر وضوحا. وتأتي هذه المؤامرة. لسلسلة غير الموسمية، كنت أرينت ملزمة لتسهيل على مدى أي فترة معينة. للتجانس يجب تجربة مع المتوسطات المتحركة من نطاقات مختلفة. ويمكن أن تكون تلك الفترات الزمنية قصيرة نسبيا. والهدف من ذلك هو ضرب قبالة حواف خشنة لمعرفة ما الاتجاه أو نمط قد يكون هناك. طرق التمهيد الأخرى (القسم 2.4) يصف القسم 2.4 العديد من البدائل المتطورة والمفيدة لتمهيد المتوسط ​​المتحرك. قد تبدو التفاصيل مبهمة، ولكن هذا بخير لأننا لا نريد الحصول على تعثرت في الكثير من التفاصيل لتلك الأساليب. من الطرق البديلة الموصوفة في القسم 2.4، قد يكون لويس (الانحدار المرجح محليا) الأكثر استخداما. مثال 2 تابع المخطط التالي هو تمهيد خط الاتجاه لسلسلة البطالة في الولايات المتحدة، وجدت باستخدام لويس أكثر سلاسة حيث ساهم مبلغ كبير (23) في كل تقدير سلس. لاحظ أن هذا تمهيد السلسلة بشكل أكثر قوة من المتوسط ​​المتحرك. وكانت الأوامر المستخدمة هي البطالة (بدء التشغيل، بدء c (1948،1)، freq12) مؤامرة (لويس (ونيمبلوي، f 23)، الرئيسية لويس تمهيد لاتجاه الولايات المتحدة البطالة) واحد الأسي تمهيد معادلة التنبؤ الأساسية للتجانس الأسي واحد في كثير من الأحيان (1-ألفا) نص نتوقع أن تكون قيمة x في الوقت t1 مجموعة مرجحة من القيمة الملاحظة في الوقت t والقيمة المتوقعة في الوقت t. على الرغم من أن الطريقة تسمى طريقة التجانس، وهي تستخدم أساسا للتنبؤ على المدى القصير. وتسمى قيمة ثابت التمهيد. لأي سبب من الأسباب، 0.2 هو الخيار الافتراضي الشعبي من البرامج. وهذا يضع وزنا من 0.2 على الملاحظة الأخيرة ووزن 1 0.2 .8 على أحدث التوقعات. مع قيمة صغيرة نسبيا، فإن تمهيد تكون أكثر شمولا نسبيا. مع قيمة كبيرة نسبيا، والتجانس هو أقل نسبيا واسعة كما سيتم وضع المزيد من الوزن على القيمة الملحوظة. هذا هو بسيط من خطوة واحدة إلى الأمام طريقة التنبؤ الذي للوهلة الأولى يبدو لا يتطلب نموذجا للبيانات. في الواقع، هذا الأسلوب هو ما يعادل استخدام أريما (0،1،1) نموذج مع عدم وجود ثابت. الإجراء الأمثل هو لتناسب نموذج أريما (0،1،1) إلى مجموعة البيانات المرصودة واستخدام النتائج لتحديد قيمة. هذا هو الأمثل بمعنى خلق أفضل للبيانات التي لوحظت بالفعل. على الرغم من أن الهدف هو تمهيد والتنبؤ خطوة واحدة إلى الأمام، فإن التكافؤ إلى أريما (0،1،1) نموذج لا تثير نقطة جيدة. لا ينبغي لنا تطبيق عمياء تمهيد الأسي لأن العملية الكامنة قد لا تكون على غرار جيدا من قبل أريما (0،1،1). أريما (0،1،1) ومعادل التماسك الأسي يعتبر أريما (0،1،1) بمتوسط ​​0 للفروق الأولى، شت - x t-1: يبدأ قبعة أمب شت theta1 وت أمب أمب شت theta1 (شت - t t) أمبير أمبير (1 theta1) شت - theta1hat تميل. إذا تركنا (1 1) وهكذا - (1) 1، نرى التكافؤ في المعادلة (1) أعلاه. لماذا يتم استدعاء الأسلوب تمهيد أسي ينتج عن ما يلي: بدء تشغيل أمب أمب ألفا شت (1 ألفا) ألفا x (ألفا) قبعة أمبير أمبير ألفا شت ألفا (1-ألفا) س (1-ألفا) 2hat نهاية متابعة في هذه الطريقة عن طريق استبدال تباعا للقيمة المتوقعة على الجانب الأيمن من المعادلة. وهذا يؤدي إلى: ألف ألفا شت ألفا (1-ألفا) x ألفا (1-ألفا) 2 × النقاط ألفا (1-ألفا) جك النقاط ألفا (1-ألفا) x1 تشير المعادلة 2 إلى أن القيمة المتوقعة هي المتوسط ​​المرجح من جميع القيم السابقة للسلسلة، مع الأوزان المتغيرة بشكل كبير ونحن نعود إلى الوراء في هذه السلسلة. الأمثل الأسي تجانس في R في الأساس، ونحن فقط تناسب أريما (0،1،1) للبيانات وتحديد معامل. يمكننا فحص تناسب السلس من خلال مقارنة القيم المتوقعة إلى السلسلة الفعلية. تميل الأسي يميل إلى أن تستخدم أكثر كأداة التنبؤ من أكثر سلاسة، لذلك كانوا يبحثون لمعرفة ما إذا كان لدينا مناسبا. المثال 3. ن 100 رصد شهري لوغاريتم مؤشر أسعار النفط في الولايات المتحدة. سلسلة البيانات هي: أن أريما (0،1،1) تناسب في R أعطى ما (1) معامل 0.3877. وهكذا (1 1) 1.3877 و 1- -0.3877. معادلة التنبؤ الأسي للتنبؤ هي قبعة 1.3877xt - 0.3877hat t في الوقت 100، القيمة الملاحظة للسلسلة هي x 100 0.86601. القيمة المتوقعة لسلسلة في ذلك الوقت هو وبالتالي التوقعات للوقت 101 هو قبعة 1.3877x - 0.3877hat 1.3877 (0.86601) -0.3877 (0.856789) 0.8696 وفيما يلي مدى سلاسة يناسب سلسلة. انها مناسبة جيدة. ثاتس علامة جيدة للتنبؤ، والغرض الرئيسي لهذا أكثر سلاسة. وفيما يلي الأوامر المستخدمة لتوليد الإخراج لهذا المثال: أويليندكس مسح (oildata. dat) مؤامرة (أويليندكس، نوع ب، السجل الرئيسي من مؤشر النفط سلسلة) إكسسموثفيت أريما (أويليندكس، النظام ج (0،1،1)) إكسسموثفيت لمعرفة نتائج أريما تتنبأ أويليندكس - توقعت إكسسموثفيترزيدوالس القيم مؤامرة (أويليندكس، تيب، الأسي الرئيسي تمهيد سجل مؤشر النفط) خطوط (تنبؤات) 1.3877oilindex100-0.3877predicteds100 توقعات للوقت 101 ضعف الأسي تمهيد ضعف الأسي تمهيد يمكن أن تستخدم عندما ثيريس الاتجاه (إما المدى الطويل أو المدى القصير)، ولكن ليس موسميا. وبشكل أساسي، تخلق هذه الطريقة توقعات من خلال الجمع بين التقديرات الملموسة أضعافا للاتجاه (ميل الخط المستقيم) والمستوى (أساسا، اعتراض خط مستقيم). يتم استخدام اثنين من الأوزان المختلفة، أو تمهيد المعلمات، لتحديث هذين المكونين في كل مرة. مستوى ممسود هو أكثر أو أقل يعادل تعادل الأسي بسيط من قيم البيانات والاتجاه السلس هو أكثر أو أقل يعادل تمهيد الأسي بسيط من الاختلافات الأولى. هذا الإجراء هو ما يعادل تركيب أريما (0،2،2) نموذج، مع عدم وجود ثابت يمكن القيام بها مع أريما (0،2،2) مناسبا. (1-B) 2 شت (1theta1B theta2B2) بالوزن. التنقل