Suodatin Express VI. Specifii seuraavien tyyppisten suodattimien avulla alipäästösuodattimen, ylivirtasuojan, kaistanleveyden, kaistanrajoituksen tai tasoituksen. Oletusarvo on Lowpass. Contains seuraavat vaihtoehdot. Cutoff Frequency Hz Määrittää suodattimen katkaisutaajuuden Tämä vaihtoehto on käytettävissä vain, kun valitset Lowpass tai Highpass suodatustyypin alasvetovalikosta Oletusarvo on 100. Pieni rajataajuus Hz Määrittää suodattimen alhaisen rajataajuuden Taajuuden alhaisen taajuuden Hz: n on oltava pienempi kuin korkea katkaisutaajuus Hz ja noudatettava Nyquist-kriteeriä Oletusarvo on 100 Tämä vaihtoehto on käytettävissä vain, kun valitset Suodatustyyppi-alasvetovalikosta Bandpass tai Bandstop. Korkean rajataajuuden taajuus Hz Määrittää suodattimen korkean katkaisutaajuuden Korkean katkaisutehon Hz: n on oltava suurempi kuin matalan taajuuden taajuus Hz ja noudatettava Nyquist-kriteeriä Oletus on 400 Tämä vaihtoehto on käytettävissä vain, kun valitset Bandpass tai Bandstop Suodatustyypin alasvetovalikosta. Finite impulssivaste FIR-suodin C FIR-suodatin, joka riippuu vain nykyisistä ja aiemmista tuloista Koska suodatin ei ole riippuvainen aikaisemmista lähdöistä, impulssi-vaste hajoaa nollaan rajallisessa määräajassa Koska FIR-suodattimet palaavat lineaarivaihevastauksen, käytä FIR-suodattimia sovelluksiin, edellyttävät lineaarisia vaihevasteita. Tapit Määrittää FIR-kertoimien kokonaismäärän, joka on suurempi kuin nolla Oletusarvo on 29 Tämä vaihtoehto on käytettävissä vain, kun valitset lopullisen impulssivasteen FIR-suodatintarpeen. ja pysähtymisnopeus tulee jyrkemmälle kuitenkin, kun koskettimien arvo nousee, käsittelynopeus hidastuu. Finitiivinen impulssivaste IIR-suodatin Luo IIR-suodattimen, joka on digitaalinen suodatin impulssivasteilla, jotka voivat teoreettisesti olla ääretön pituudessa tai kestoaikana. Topologia määrittää Suodattimen tyyppi Suodatin Voit luoda joko Butterworth, Chebyshev, Inverse Chebyshev, Elliptic tai Bessel - suodattimen Tämä vaihtoehto on käytettävissä vain, kun valitset loputtoman impulssivasteen IIR-suodinvaihtoehdon Oletusasetus on Butterworth. Order-järjestys IIR-suodattimella, joka on suurempi kuin nolla Tämä vaihtoehto on käytettävissä vain, kun valitset infinite impulssivasteen IIR-suodinoptio Oletus on 3 Tilausarvon kasvattaminen aiheuttaa siirtymän siirtymän ja pysäytyskaistan välillä jyrkemmälle Kuitenkin, kun järjestyksen arvo kasvaa, käsittelynopeus hidastuu ja signaalin alussa olevien vääristyneiden pisteiden määrä kasvaa. Keskimääräinen nopeus Antaa vain eteenpäin suuntautuvia FIR-kertoimia Tämä vaihtoehto on käytettävissä vain, kun valitset Suodatustyyppi-pudotusvalikosta Tasoitus. Suorakulmainen Määrittää, että kaikki liikkuvan keskiarvon ikkunan näytteet painotetaan yhtä tasaisesti kunkin tasoitetun otosnäytteen laskentaan. Tämä vaihtoehto on käytettävissä vain, kun valitset Suodatustyypin alasvetovalikosta Suoratoisto-vaihtoehdon ja Liikkuvan keskiarvon vaihtoehdon. Suorakulmainen Määrittää, että siirrettävä paino Näytteille asetettu ikkuna on kolmion muotoinen ja keskellä ikkunan keskiosaan keskittynyt huippu, joka laskeutuu symmetrisesti keskikentän molemmille puolille. Tämä vaihtoehto on käytettävissä vain, kun valitset Suodatustyyppi-alasvetovalikosta Tasoitus Vaihtoehto. Liukuvan keskiarvon leveys Määrittää näytteiden liikkuvan keskiarvon puolileveyden Oletusarvo on 1 M: n liikkuvan keskiarvon puolivälissä liikkuvan keskiarvon koko leveys on N 1 2M näytettä Siksi koko leveys N on aina pariton määrä näytteitä. Tämä vaihtoehto on käytettävissä vain, kun valitset Suodatustyyppi-pudotusvalikosta Suojaus ja Siirrettävä keskiarvo - vaihtoehto. Suorituskyky Sallii ensimmäisen kertaluokan IIR-kertoimet Tämä vaihtoehto on käytettävissä vain, kun Valitse Tasoittaminen Suodatustyypin alasvetovalikosta. Eksponentiaalisen keskiarvon aikavakio Määrittää eksponentiaalipainotussuodattimen aikavakion sekunneissa Oletusarvo on 0 001 Tämä vaihtoehto on käytettävissä vain, kun voit valita Suodatustyypin alasvetovalikosta ja Exponential-vaihtoehdon. Näyttää tulosignaalin. Jos syötät tietoja Express VI: een ja suorita sen, Syöttösignaali näyttää todelliset tiedot. Jos suljet ja avaat Express VI: n uudelleen, Syöttö-signaali näyttää näytteen Tiedot, kunnes suoritetaan Express VI uudelleen. Näyttää esikatselun mittauksesta Tulos Esikatselu - viiva ilmaisee valitun mittauksen arvon katkoviivalla Jos viet tietoja Express VI: een ja suorita VI, tulosnäkymä näyttää reaaliaikaiset tiedot sulje ja anna Express VI: n uudelleen, näyttöön tulee näytetietoja, kunnes suoritat VI: n uudelleen Jos rajoitustaajuusarvot ovat virheelliset, Tulosnäkymä ei näytä voimassaolevaa dataa. Sisältää seuraavat vaihtoehdot. Vinkki Vaihtoehtojen muuttaminen View Mode - osiossa ei Vaikuttaa Suodatin Express VI: n käyttäytymiseen View-tilan vaihtoehtojen avulla, jos haluat nähdä, mitä suodatin tekee signaalille LabVIEW ei tallenna näitä vaihtoehtoja, kun suljet kokoonpanon valintaikkunan. Signa ls Näyttää suodattimen vasteen todellisena signaalina. Taajuuksien määrittäminen Määrittää, näyttävätkö suodattimen vasteen todelliset signaalit taajuusspektriksi tai jättävät näytön aikapohjaisena näyttönä Taajuusnäyttö on hyödyllinen sen tarkastelemiseksi, miten suodatin vaikuttaa signaalin eri taajuuskomponentit Oletuksena on näyttää suodattimen vaste aikapohjaisena näytöksi Tämä vaihtoehto on käytettävissä vain, kun valitset Signaalit-vaihtoehdon. Transfer-toiminto Näyttää suodattimen vasteen siirtofunktioksi. Sisältää seuraavat vaihtoehdot. Magnitude in dB Näyttää suodattimen suuruusvasteen desibeleissä. Taajuus logissa Näyttää suodattimen taajuusvasteen logaritmisessa mittakaavassa. Näyttää suodattimen suuruusvasteen. Tämä näyttö on käytettävissä vain, kun asetat näkymätilan siirtotoimintoon. Näyttää vaiheen suodattimen vastaus Tämä näyttö on käytettävissä vain, kun asetat näkymätilan siirtotoimintoon. ja näyttää liikkuvan keskiarvon käyttäen ennalta valittua numeroa. Ensiksi VI aloittaa kaksi siirtorekisteriä Yläsiirto-rekisteri alustetaan yhdellä elementillä ja lisää sitten edellistä arvoa jatkuvasti uudella arvolla. Tämä siirtorekisteri pitää viimeisten x mittausten kokonaismäärän Kun lisätoiminnon tulokset jaetaan ennalta valituilla arvoilla, VI laskee liukuvan keskiarvon. Pohja siirtorekisteri sisältää mittausmäärän. Tämä siirtorekisteri pitää mittauksen kaikki arvot. Korvaava toiminto korvaa uuden arvon jokaisen silmukan jälkeen. Tämä VI on erittäin tehokas ja nopea, koska se käyttää korvaava elementtifunktiota while-silmukan sisällä ja alustaa taulukon ennen kuin se siirtyy silmukkaan. Tämä VI luotiin LabVIEW 6 1.Bookmark Share - muodossa. Keskimäärin ja eksponentiaaliset tasoitusmallit. Ensimmäisenä askeleena siirtymään keskimäärien ulkopuolelle, satunnaiset kävelymallit ja lineaariset trendimallit, ei-seulomalliset mallit ja trendit voidaan ekstrapoloida käyttäen liikkuva keskiarvo tai tasoitusmalli Perusoletus oletus keskiarvoistamisen ja tasoittamismallien taustalla on, että aikasarja on paikallisesti paikallaan hitaasti vaihtelevalla keskiarvolla. Näin ollen siirrämme paikallisen keskimääräisen keskiarvon keskiarvon nykyisen arvon arvioimiseksi ja käytämme sitä sitten ennusteen lähitulevaisuuden kannalta Tätä voidaan pitää kompromissina keskimallin ja satunnaiskävelyn kanssa ilman drift-mallia. Samaa strategiaa voidaan käyttää paikallisen trendin arvioimiseen ja ekstrapoloimiseen. Liikkuvaa keskiarvoa kutsutaan usein tasoitetuksi versioksi alkuperäisen sarjan vuoksi, koska lyhyen aikavälin keskiarvoistaminen heikentää alkuperäisen sarjan kaareutumista säätämällä liikkuvan keskiarvon leveyden tasaamista, voimme toivoa saavuttavan jonkinlaisen optimaalisen tasapainon keskiarvon ja Satunnaiset kävelymallit Yksinkertaisin keskitemallin malli on yksinkertainen, yhtäpainotettu liukuva keskiarvo. Y: n arvon t hetkellä t1 ennuste, joka tehdään ajanhetkellä t on sama keskiarvo viimeisimmistä m-havainnoista. Tässä ja muualla käytän Y-hahmoa ennusteessa aikasarjasta Y mahdollisimman varhaisessa päivämääränä tietyn mallin mukaan. Tämä keskiarvo keskittyy ajanjaksoon t-m 1 2, mikä tarkoittaa sitä, että arvio Paikallinen keskiarvo pyrkii jäljessä paikallisen keskiarvon todellisesta arvosta noin m 1 2 jaksolla. Näin ollen sanomme, että datan keski-ikä yksinkertaisella liiketaloudellisella keskiarvolla on m 1 2 suhteessa siihen kauteen, jolle ennuste lasketaan tämä on aika, jolla ennusteet katoavat jäljessä datan kääntöpisteistä. Esimerkiksi, jos keskiarvo lasketaan viimeksi kuluneesta viidestä arvosta, ennusteet ovat noin 3 jaksoa, jotka myöhästyvät vastakkain kääntöpisteissä. Huomaa, että jos m 1, yksinkertainen liukuva keskimääräinen SMA-malli vastaa satunnaisen kävelymallin ilman kasvua Jos m on hyvin suuri, joka on verrattavissa arviointikauden pituuteen, SMA-malli vastaa keskiarvoista mallia. Kuten ennustamomallin parametreilla, se on tavanomaista säätää ki-arvoa n jotta saadaan parhaiten sopivat tiedot, eli pienimmät ennustevirheet keskimäärin. On esimerkki sarjasta, joka näyttää satunnaisvaihteluita hitaasti vaihtelevan keskiarvon ympärillä. Ensinnäkin yritetään sovittaa satunnaisen kävelyn kanssa Malli, joka vastaa yksinkertaista liikkumatonta keskiarvoa yhdestä termistä. Satunnaiskäytävä malli reagoi hyvin nopeasti sarjan muutoksiin, mutta näin tehdessään se poimii paljon datan kohinaa satunnaisvaihteluista sekä signaalista paikallinen Keskiarvo Jos me yrittäisimme yksinkertaisesti liikkua keskimäärin 5 ehdokasta, saamme tasaisemman näköisiä ennusteita. 5-aikavälinen yksinkertainen liukuva keskiarvo tuottaa huomattavasti pienempiä virheitä kuin satunnaiskäytävä malli tässä tapauksessa. Tämän tietojen keskimääräinen ikä ennuste on 3 5 1 2, joten se on yleensä jäljessä käännekohdista noin kolmella jaksolla Esimerkiksi laskusuhdanne näyttää esiintyneen kaudella 21, mutta ennusteet eivät kääntyneet vasta useisiin jaksoihin myöhemmin. Huomaa, pitkän aikavälin ennusteet SMA-modista El on horisontaalinen suora, kuten satunnaiskäytävässä. Siten SMA-mallissa oletetaan, että datassa ei ole trendiä. Vaikka satunnaiskäytävämallin ennusteet ovat yksinkertaisesti yhtä kuin viimeinen havaittu arvo, ennusteet SMA-malli on yhtä kuin viimeaikaisten arvojen painotettu keskiarvo. Statgraphicsin laskemat luottamusrajat yksinkertaisen liukuvan keskiarvon pitkän aikavälin ennusteille eivät laajene ennustehorisontin kasvaessa. Tämä ei tietenkään ole oikea. Valitettavasti ei ole mitään taustalla olevaa tilastoteoria, joka kertoo, kuinka luottamusväliä pitäisi laajentaa tähän malliin. Ei kuitenkaan ole liian vaikeaa laskea empiirisiä estimaatteja luottamusrajoista pitempään horisonttiennusteisiin. Esimerkiksi voit luoda laskentataulukon, jossa SMA-malli käytetään ennustamaan 2 askeleen eteenpäin, 3 askeleen eteenpäin, jne. historiallisen datanäytteen sisällä. Tämän jälkeen voit laskea virheiden näytteen keskihajotukset kullakin ennusteella h orizon, ja sitten rakentaa luottamusväliä pitempiaikaisille ennusteille lisäämällä ja vähentämällä asianmukaisten standardipoikkeaman kerrannaisvaikutuksia. Jos yritämme 9-portaista yksinkertaista liikkuvaa keskiarvoa, saamme vielä tasaisempia ennusteita ja enemmän jäljellä olevaa vaikutusta. Keskimääräinen ikä on nyt 5 jaksoa 9 1 2 Jos otamme 19-vuotisen liikkumavälin keskiarvon, keski-ikä kasvaa arvoon 10. Huomaa, että ennusteet ovat nyt jäljessä käännekohdista noin kymmenen jaksolla. Mikä taso on parasta tässä sarjassa Tässä on taulukko, joka vertaa virhetilastojaan, mukaan lukien myös 3-aikavälin keskiarvon. Mallin C, 5-aikavälinen liukuva keskiarvo, tuottaa RMSE: n pienimmän arvon pienellä marginaalilla kolmen ja 9 kuukauden keskiarvoissa. niiden muut tilastot ovat lähes samankaltaisia. Joten mallien, joilla on hyvin samankaltaiset virhestatukset, voimme valita, haluammeko ennustaa hieman reagointikykyä tai hieman tasaisempaa. Palaa sivun yläreunaan. Brown s Yksinkertainen eksponentiaalinen tasoitus eksponentiaalisesti painotettu liikkuvaa keskiarvoa. Edellä kuvatulla yksinkertaisella liikkuva keskiarvoominaisuudella on epätoivottava ominaisuus, että se käsittelee viimeiset k-havainnot yhtä lailla ja jättää täysin huomiotta kaikki edeltävät havainnot Intuitiivisesti, aiemmat tiedot on diskontattava asteittain - esimerkiksi viimeisin havainto saavat hieman enemmän painoa kuin 2. viimeisin, ja 2. viimeisin pitäisi saada hieman enemmän painoa kuin kolmas viimeisin ja niin edelleen Yksinkertainen eksponentti tasoitus SES malli tekee tämän. Let merkitsee tasaus vakiona luku välillä 0 ja 1 Yksi tapa kirjoittaa mallia on määrittää sarja L, joka edustaa nykyistä tasoa eli sarjan keskimääräistä arvoa, joka on arvioitu datasta tähän asti L: n arvo ajankohtana t lasketaan rekursiivisesti edellisestä omasta edellisestä arvostaan. Siten nykyinen tasoitettu arvo on interpolointi edellisen tasoitetun arvon ja nykyisen havainnon välillä, missä se ohjaa interpoloidun arvon läheisyyttä eniten Sentin ennustaminen Seuraavan jakson ennuste on yksinkertaisesti nykyinen tasoitettu arvo. Vastaavasti voimme ilmaista seuraavan ennusteen suoraan edellisten ennusteiden ja aikaisempien havaintojen perusteella jollakin seuraavista vastaavista versioista Ensimmäisessä versiossa ennuste on interpolointi Edellisen ennusteen ja aiemman havainnon välillä. Toisessa versiossa seuraava ennuste saadaan säätämällä edellistä ennustusta edellisen virheen suuntaan murto-osalla. On virheen aikaan t Kolmannessa versiossa ennuste on eksponentiaalisesti painotettu eli diskontattu liikkuva keskiarvo diskonttokertoimella 1. Ennakoivan kaavan interpolointiversio on yksinkertaisin käyttää, jos toteutat mallia laskentataulukkoon, johon se sopii yhteen soluun ja sisältää soluviitteitä, jotka osoittavat edellistä ennustetta, havainto ja solu, jossa arvo on tallennettu. Huomaa, että jos 1, SES-malli vastaa satunnainen kävelymalli wit jos 0, SES-malli vastaa keskiarvoa, olettaen, että ensimmäinen tasoitettu arvo on asetettu yhtä kuin keskiarvo Palaa sivun yläosaan. Yksinkertaisen eksponentiaalisen tasauksen ennusteessa olevien tietojen keskimääräinen ikä on 1 suhteellinen ennuste lasketaan Tämä ei ole tarkoitus olla ilmeinen, mutta se voidaan helposti osoittaa arvioimalla ääretön sarja Näin ollen yksinkertainen liukuva keskimääräinen ennuste pyrkii kääntämään käänteispisteitä noin yhdellä jaksolla Esimerkiksi 0 5 viive on 2 jaksoa, kun 0 2 viive on 5 jaksoa, kun 0 1 viive on 10 jaksoa jne. Tietyllä keskimääräisellä iällä eli viivästymisellä, yksinkertainen eksponentiaalinen tasoitus SES ennuste on jonkin verran parempi kuin yksinkertainen liikkuva keskimääräinen SMA-ennuste, koska se asettaa suhteellisen enemmän painoarvoa viimeisimpiin havaintoihin - se on hieman reagoivampi viime aikoina tapahtuneisiin muutoksiin. Esimerkiksi yhdeksällä ehdolla olevalla SMA-mallilla ja kahdella SES-mallilla on keskimääräinen ikä 5: lle da mutta SES-mallissa painotetaan viimeisimpiä kolmea arvoa kuin SMA-malli, mutta samalla ei unohda yli 9 vanhoja arvoja, kuten tässä kaaviossa on esitetty. Toinen tärkeä etu SES-malli SMA-mallissa on, että SES-malli käyttää tasausparametria, joka on jatkuvasti muuttuva, joten se voidaan helposti optimoida käyttämällä ratkaisija-algoritmia keskimääräisen neliövirheen minimoimiseksi. SES-mallin optimaalinen arvo tämän sarjan osalta ilmaisee On 0 2961, kuten tässä on esitetty. Tämän ennusteen tietojen keskimääräinen ikä on 1 0 2961 3 4 jaksoa, joka on samanlainen kuin 6-kertainen yksinkertainen liikkuva keskiarvo. SES-mallin pitkän aikavälin ennusteet ovat vaakasuora viiva kuten SMA-mallissa ja satunnaiskäytävä malli ilman kasvua Huomaa kuitenkin, että Statgraphicsin laskemat luottamusvälit eroavat nyt kohtuullisen näköisellä tavalla ja että ne ovat huomattavasti kapeampia kuin randin luottamusvälit om-kävelymalli SES-malli olettaa, että sarja on hieman ennakoitavampi kuin satunnaiskäytävä malli. SES-malli on itse asiassa ARIMA-mallin erityistilanne, joten ARIMA-mallien tilastollinen teoria tarjoaa hyvän perustan luottamusvälien laskemiselle SES-malli Erityisesti SES-malli on ARIMA-malli, jossa on yksi epäsuositusero, MA1-termi ja ei vakioaikaa, joka muuten tunnetaan ARIMA 0,1,1 - malliksi ilman vakioa. ARIMA-mallissa MA 1 - kerroin vastaa Esimerkiksi, jos asetat ARIMA 0,1,1 - mallin ilman vakioja täällä analysoituun sarjaan, arvioitu MA 1-kerroin osoittautuu 0 7029, joka on lähes täsmälleen yksi miinus 0 2961. On mahdollista lisätä oletus nollasta riippumattomalle vakioiselle lineaariselle trendille SES-mallille. Tähän voidaan tehdä vain ARIMA-malli, jossa on yksi epäsuositusero ja MA1-termi vakiolla eli ARIMA 0,1,1 - mallilla pitkällä aikavälillä Sitten on trendi, joka vastaa koko arviointikauden aikana havaittua keskimääräistä trendiä Et voi tehdä kausittaista säätöä, koska kausittaiset säätömahdollisuudet ovat pois käytöstä, kun mallityyppi on asetettu ARIMA: lle. Voit kuitenkin lisätä vakion pitkän Terminen eksponentiaalinen trendi yksinkertaiseen eksponentiaalisen tasoitusmallin kanssa kausittaisen säätämisen kanssa tai ilman sitä käyttämällä inflaatiota säätämisvaihtoehtoa ennusteprosessissa Asianmukaista inflaation prosentuaalista kasvuvauhtia jaksoa kohti voidaan arvioida laskennan kertoimeksi lineaarisessa trendimallissa, joka on sovitettu Yhdessä luonnollisen logaritmimuunnoksen kanssa tai se voi perustua muihin pitkäaikaisiin kasvunäkymiin liittyvästä riippumattomasta tiedosta. Palaa sivun alkuun. Brown s Lineaarinen eli kaksinkertainen eksponentiaalinen tasoittaminen. SMA-mallit ja SES-mallit olettavat, että ei ole olemassa suuntausta Kaikenlaisia tietoja, jotka ovat yleensä OK tai ainakin ei-liian-huono 1-askel eteenpäin ennusteet, kun tiedot ovat suhteellisesti noi syy, ja niitä voidaan muokata siten, että ne sisältävät lineaarisen lineaarisen kehityksen, kuten edellä on esitetty. Mitä lyhyen aikavälin trendeihin Jos sarjassa on vaihteleva kasvuvauhti tai syklinen kuvio, joka erottuu selkeästi melusta, ja jos on tarvetta Ennustetaan enemmän kuin 1 jakso eteenpäin, paikallisen trendin estimointi saattaa myös olla kysymys Yksinkertainen eksponentiaalinen tasoitusmalli voidaan yleistää lineaarisen eksponentiaalisen tasoittavan LES-mallin saamiseksi, joka laskee paikalliset arviot sekä tasosta että trendistä. Yksinkertaisin aikamuuttuva suuntaus malli on Brownin lineaarinen eksponentiaalinen tasoitusmalli, jossa käytetään kahta erilaista tasoitettua sarjaa, jotka keskittyvät eri ajankohtiin. Ennusteiden kaava perustuu kahden keskipisteen linjan ekstrapoloimiseen. Tämän mallin Holt s: n hienostunut versio on Seuraavassa selostetaan Brownin lineaarisen eksponentiaalisen tasoitusmallin algebrallinen muoto, kuten yksinkertaisen eksponentiaalisen tasoitusmallin malli, voidaan ilmaista monissa erilaisissa, mutta e Kolmiarvoiset muodot Tämän mallin vakiomuoto on yleensä ilmaistu seuraavasti: Let S tarkoittaa yksinkertaisesti tasoitettua sarjaa, joka saadaan soveltamalla yksinkertaista eksponenttista tasoitusta sarjaan Y, eli S: n arvo ajanjaksolla t on annettu. Muista, että yksinkertaisen eksponentiaalisen tasoituksen alla tämä olisi Y: n ennuste ajanjaksolla t 1 Sitten S merkitsee kaksinkertaisen tasoitetun sarjan, joka saadaan käyttämällä yksinkertaista eksponentiaalista tasoitusta käyttäen samaa sarjaa S. Lopuksi Y: n ennustetta mille tahansa k 1 on annettu. Tämä tuottaa e 1 0 eli huijaa hieman ja anna ensimmäisen ennusteen olevan yhtä todellinen ensimmäinen havainto, ja e 2 Y 2 Y 1, jonka jälkeen ennusteet muodostetaan käyttämällä edellä olevaa yhtälöä, saadaan samat sovitut arvot Kuten S ja S perustuva kaava, jos jälkimmäiset käynnistettiin käyttämällä S 1 S 1 Y 1 Tätä malliversiota käytetään seuraavalla sivulla, joka kuvaa eksponentiaalisen tasauksen yhdistelmää kausittaisella säätöllä. Holt s Linear Exponential Smoothing. Brown S LES - malli laskee paikalliset arviot tasosta ja trendistä tasoittamalla viimeaikaisia tietoja, mutta se, että se tekee niin yhdellä tasoitusparametrilla, rajoittaa tietomalleja, jotka pystyvät sopeutumaan tasoon ja suuntaukseen, eivät saa vaihdella at riippumatonta tasoa Holtin LES-malli käsittelee tätä ongelmaa sisällyttämällä kaksi tasoitusvaketta, yksi tasolle ja yksi trendille Joka kerta t, kuten Brownin mallissa, on paikallisen tason L t ja arvio T t paikallinen trendi Tässä ne lasketaan rekursiivisesti y: n arvosta t havaitussa ajanhetkessä t ja edellisistä tason ja trendin arvioista kahdella yhtälöllä, jotka soveltavat erikseen eksponenttista tasoitusta. Jos arvioitu taso ja trendi ajanhetkellä t-1 Ovat vastaavasti L t 1 ja T t-1, silloin Y t: n ennuste, joka olisi tehty ajanhetkellä t-1, on yhtä kuin L t-1 T t-1 Kun todellinen arvo havaitaan, taso lasketaan rekursiivisesti interpoloimalla Yt: n ja sen ennusteen L t-1 T t-1 välillä käyttäen painotuksia ja 1. Arvioitua tasoa, eli L t Lt 1: n muutosta voidaan tulkita meluisaksi mittaukseksi suuntaus ajankohtana t Trendin päivitetty arvio arvioidaan sitten rekursiivisesti interpoloimalla L: n välillä t L t 1 ja edellisen trendin trendin T t-1 käyttäen painotuksia ja 1. Trenditasoitusvakion tulkinta vastaa tasonsäätövakion tasoa. Pienillä arvoilla olevat mallit olettavat, että trendi muuttuu vain suuremmalla hitaudella, kun taas suurempien mallien oletetaan muuttuvan nopeammin. Suuri malli uskoo, että kaukana oleva tulevaisuus on hyvin epävarma, koska trendien arvioinnin virheet tulevat melko tärkeiksi, kun ennustetaan enemmän kuin yksi aika edellä. Palaa alkuun Sivutaso tasoittaa ja voidaan arvioida tavallisella tavalla minimoimalla yhden askeleen ennusteiden keskimääräinen neliövirhe. Kun Statgraphicsissa tämä tehdään, arviot osoittavat olevan 0 3048 ja 0 008. tarkoittaa, että mallissa oletetaan, että trendi vaihtelee hyvin vähän ajanjaksosta toiseen, joten pohjimmiltaan tämä malli yrittää arvioida pitkän aikavälin suuntausta. Vastaavasti käsitteellä "keski-ikä" se paikallisen tason sarja, keskimääräinen ikä, jota käytetään paikallisen trendin arvioinnissa, on verrannollinen 1: een, vaikka se ei ole täsmälleen sama. Tässä tapauksessa se osoittautuu 1 0 006 125 Tämä isn ta erittäin tarkka luku koska tarkkuuden tarkkuus ei ole todellakaan 3 desimaalin tarkkuudella, mutta se on samaa yleistä suuruusluokkaa kuin näytteen koko 100, joten tämä malli on keskimäärin melko paljon historiaa trendin arvioimiseksi. Alla oleva taulukko osoittaa, että LES-malli arvioi jonkin verran suurempaa paikallista suuntausta sarjan lopussa kuin SES-trendimallissa arvioitu jatkuva kehitys. Myös arvioitu arvo on lähes identtinen SES-mallin kanssa sovittamalla tai ilman suuntausta , Joten tämä on melkein sama malli. Nyt nämä näyttävät kohtuullisilta ennusteiksi mallille, jonka pitäisi arvioida paikallista trendiä. Jos näet silmämunin tämän tontin, näyttää siltä, että paikallinen trendi on kääntynyt alaspäin lopussa sarja Wh at on tapahtunut Tämän mallin parametreja on arvioitu minimoimalla 1-askeleen ennusteiden neliövirhe, ei pidemmän aikavälin ennusteita, jolloin trendi ei tee paljon eroa Jos kaikki olet tarkastelemassa ovat 1 - etenemisvirheitä, et näe suurempaa kuvaa suuntauksista yli sanoa 10 tai 20 jaksoa Jotta tämä malli olisi paremmin sopusoinnussa tietojen silmämunien ekstrapolointiin, voimme säätää manuaalisesti trendin tasoitusvakion niin, että se käyttää trendin estimointiin lyhyemmän perustan Esimerkiksi jos päätämme asettaa 0 1, paikallisen trendin arvioinnissa käytettävien tietojen keskimääräinen ikä on 10 jaksoa, mikä tarkoittaa, että lasketaan keskiarvo viimeisen 20 jakson aikana tai niin Tässä on se, mitä ennustettu tontti näyttää, jos asetamme 0 1 säilyttäen 0 3 Tämä näyttää intuitiivisesti kohtuulliselta tässä sarjassa, vaikkakin on todennäköisesti vaarallista ekstrapoloida tämä trendi yli 10 jaksoa tulevaisuudessa. Mitä virhestatuksista tässä on mallivertailu f Tai edellä kuvatut kaksi mallia sekä kolme SES-mallia SES-mallin optimaalinen arvo on noin 0 3, mutta vastaavilla tuloksilla, joilla on hieman enemmän tai vähemmän vastetta, saadaan vastaavasti 0 5 ja 0 2. A Holt s lineaarinen exp tasoitus alfa 0 3048 ja beeta 0 008. B Holtin lineaarinen pikselointi alfa 0 3: lla ja beeta 0 1. C Yksinkertainen eksponenttinen tasaus alfa 0 5. D Yksinkertainen eksponentiaalinen tasoitus alfa 0 3. E Yksinkertainen eksponenttinen tasaus alfa 0 2: lla. Kaikki tilastot ovat lähes samanlaisia, joten emme todellakaan pysty tekemään valintaa yhden askeleen ennakkoilmoitusvirheiden perusteella. Meidän on pudottava muut näkökohdat. Jos uskomme vahvasti, että on järkevää perustaa nykyinen trenditieto siitä, mitä on tapahtunut viimeisen 20 ajanjakson aikana tai niin, voimme tehdä tapauksen LES-mallille, jossa on 0 3 ja 0 1 Jos haluamme olla agnostisia siitä, onko paikallinen suuntaus, niin yksi SES-malleista voisi olisi helpompi selittää ja antaa myös enemmän middl e-of-the-road - ennusteet seuraaville viideksi tai kymmenelle jaksolle Palaa sivun yläreunaan. Mikä suuntaus-ekstrapolointi on paras horisontaalinen vai lineaarinen? Empiirinen näyttö viittaa siihen, että jos tietoja on jo jo tarpeellista inflaatiota varten, niin voi olla varomaton ekstrapoloida lyhytaikaisia lineaarisia suuntauksia hyvin pitkälle tulevaisuuteen. Tänään näkyvät trendit voivat hidastua tulevaisuudessa erilaisten syiden vuoksi, kuten tuotteiden vanhentumisesta, lisääntyneestä kilpailusta ja teollisuuden syklisistä laskusuhdanteista tai nousuista. Tästä syystä yksinkertainen eksponentiaalinen tasoitustoimet tekevät usein parempaa näytteenottotapahtumaa kuin muutoin olisi odotettavissa, vaikka sen naiivi horisontaalinen suuntaus ekstrapolaatiosta Lineaarisen eksponentiaalisen tasoitusmallin vaimennetut trendimuutokset ovat myös käytännössä usein käytännössä esillä konservatiivisuuden muistiinpanossa sen suuntausennusteisiin. Vaimennettu trendi LES-malli voidaan toteuttaa erityisenä esimerkkinä ARIMA-mallista, erityisesti ARIMA 1,1,2-mallista. On mahdollista laskea luottamusvälit arou Eksponentiaalisten tasoitusmallien tuottamat pitkän aikavälin ennusteet, harkitsemalla niitä ARIMA-mallien erikoistapauksina Varo, että kaikki ohjelmistot eivät laske luottamusväliä näille malleille oikein. Luottamusvälien leveys riippuu mallin RMS-virheestä, tyypistä Yksinkertaisen tai lineaarisen tasoituksen taso iii tasoitusvakion s ja iv lukema ennusteiden aikaisempien jaksojen lukumäärä Yleisesti ottaen välekset levittyvät nopeammin SES-mallin suuremmiksi ja ne levittyvät paljon nopeammin, kun ne ovat lineaarisia eikä yksinkertaisia tasoitus on käytössä Tätä aihetta käsitellään edelleen huomautusten ARIMA-malleissa. Palaa sivun yläosaan.
No comments:
Post a Comment