Berpusat Moving Average Excel Formula

Moving Average. Contoh ini mengajarkan kepada Anda bagaimana cara menghitung rata-rata pergerakan deret waktu di Excel Rata-rata bergerak digunakan untuk memperlancar kejenuhan puncak dan lembah agar mudah mengenali tren.1 Pertama, mari kita lihat rangkaian waktu kita.2 Pada tab Data, klik Analisis Data. Catatan tidak dapat menemukan tombol Analisis Data Klik disini untuk memuat add-in Analysis ToolPak 3. Pilih Moving Average dan klik OK.4 Klik pada kotak Input Range dan pilih range B2 M2. 5 Klik di kotak Interval dan ketik 6.6 Klik pada kotak Output Range dan pilih sel B3.8 Plot grafik nilai-nilai ini. Penjelasan karena kita menetapkan interval ke 6, rata-rata bergerak adalah rata-rata dari 5 titik data sebelumnya dan Titik data saat ini Akibatnya, puncak dan lembah dihalangi Grafik menunjukkan tren Excel yang meningkat tidak dapat menghitung rata-rata pergerakan untuk 5 poin data pertama karena tidak ada cukup titik data sebelumnya.9 Ulangi langkah 2 sampai 8 untuk interval 2 Dan interval 4.Conclusion The la Rol interval, semakin puncak dan lembah diratakan. Semakin kecil intervalnya, semakin mendekati rata-rata bergerak ke titik data aktual. David, Ya, MapReduce dimaksudkan untuk beroperasi pada sejumlah besar data Dan idenya adalah bahwa secara umum, peta dan kurangi fungsi seharusnya tidak peduli berapa banyak pemotong atau berapa banyak reduksi yang ada, itu hanya optimasi Jika Anda berpikir dengan hati-hati tentang Algoritma yang saya posting, Anda dapat melihat bahwa tidak masalah apa mapper mendapatkan bagian data apa. Setiap catatan masukan akan tersedia untuk setiap pengurangan operasi yang membutuhkannya. Joe K pada tanggal 18 September di 22 30. Sebaiknya pemahaman saya rata-rata bergerak Peta tidak baik untuk MapReduce paradigma sejak perhitungan dasarnya geser jendela atas data diurutkan, sementara MR adalah pengolahan non-berpotongan rentang data diurutkan Solusi yang saya lihat adalah sebagai berikut Untuk menerapkan partisi kustom untuk dapat membuat dua partisi yang berbeda Dalam dua putaran Di masing-masing run reducer Anda akan mendapatkan rentang data yang berbeda dan menghitung moving average dimana sesuai saya akan mencoba untuk menggambarkannya. Dalam data run pertama untuk reducer harus R1 Q1, Q2, Q3, Q4 R2 Q5, Q6, Q7, Q8.di sini Anda akan memanfaatkan rata-rata pergerakan rata-rata untuk beberapa Qs. In selanjutnya jalankan reducer Anda harus mendapatkan data seperti Q1 R1 Q1 Q6 Q10 R3 Q10 Q14.And caclulate sisa rata-rata bergerak Maka Anda perlu mengumpulkan hasilnya. Partisi kustom bahwa ia akan memiliki dua mode operasi - setiap kali terbagi menjadi rentang yang sama namun dengan beberapa pergeseran Dalam sebuah pseudocode akan terlihat seperti kunci partisi ini SHIFT MAXKEY numOfPartitions dimana SHIFT akan diambil dari konfigurasi MAXKEY nilai maksimum kunci yang saya asumsikan Untuk kesederhanaan yang mereka mulai dengan zero. RecordReader, IMHO bukanlah solusi karena terbatas pada perpecahan tertentu dan tidak dapat meluncur di atas batas split. Lain solusi akan menerapkan logika kustom untuk membagi data masukan itu adalah bagian dari InputFormat It Dapat dilakukan untuk melakukan 2 slide yang berbeda, mirip dengan partisi. Diberikan 17 Sep 12 12. Analytics yang prediktif dengan Microsoft Excel Bekerja dengan Seri Waktu Musim. Di Bab ini. Rata-rata Rata-Rata Musiman. Rata-rata Rata-rata Es dan Centered Moving Averages. Linear Regression with Coded Vectors. Simple Seasonal Exponential Smoothing. Holt-Winters Models. Matters mendapatkan secara bertahap lebih rumit bila Anda memiliki rangkaian waktu yang dicirikan sebagian oleh musiman kecenderungan tingkatnya naik dan turun Sesuai dengan berlalunya musim Kami menggunakan istilah musim dalam arti yang lebih umum daripada makna sehari-harinya dari empat tahun sempat musim Dalam konteks analisis prediktif, musim bisa menjadi suatu hari jika pola diulang setiap minggu, atau satu tahun dalam istilah. Siklus pemilihan presiden, atau apa saja di antara Pergeseran delapan jam di rumah sakit dapat mewakili sebuah musim. Bab ini membahas bagaimana menguraikan rangkaian waktu sehingga Anda dapat melihat bagaimana musimannya beroperasi terlepas dari trennya jika Apapun yang Anda harapkan dari materi pada Bab 3 dan 4, beberapa pendekatan tersedia untuk Anda. Rata-rata Rata-rata Musiman. Penggunaan rata-rata musiman sederhana untuk model rangkaian waktu terkadang dapat dilakukan secara pro Vide Anda dengan model yang cukup kasar untuk data Tapi pendekatannya memperhatikan musim di kumpulan data, dan teknik ini mudah dikenali dengan lebih akurat daripada teknik peramalan sederhana dari perataan eksponensial sederhana saat musiman diucapkan. Tentu, ini berguna sebagai Pengantar beberapa prosedur yang digunakan dengan deret waktu yang bersifat musiman dan tren, jadi lihatlah contoh pada Gambar 5 1. Gambar 5 1 Dengan model horizontal, hasil rata-rata sederhana menghasilkan prakiraan yang tidak lebih dari sekadar sarana musiman. Data dan grafik yang ditunjukkan pada Gambar 5 1 mewakili jumlah rata-rata hit harian ke situs web yang melayani penggemar Liga Sepak Bola Nasional Setiap pengamatan di kolom D mewakili jumlah rata-rata hit per hari di masing-masing empat kuarter di lima - Tahun rentang waktu. Mengidentifikasi Pola Musiman. Anda dapat mengetahui dari rata-rata di kisaran G2 G5 bahwa efek kuartalan yang berbeda terjadi Jumlah rata-rata hit terbesar terjadi pada musim gugur dan musim dingin. , Ketika 16 pertandingan utama dan playoff dijadwalkan Minat, yang diukur dengan hit harian rata-rata, menurun selama musim semi dan musim panas. Rata-rata mudah dihitung apakah Anda merasa nyaman dengan formula array? Untuk mendapatkan rata-rata kelima Contoh dari Quarter 1, misalnya, Anda dapat menggunakan formula array ini di sel G2 pada Gambar 5 1.Array-masukkan dengan Ctrl Shift Enter Atau Anda dapat menggunakan fungsi AVERAGEIF. Dengan cara yang sama, Anda dapat memasukkan Enter Kunci Secara umum, saya lebih memilih pendekatan rumus array karena memberi saya ruang lingkup untuk kontrol yang lebih besar atas fungsi dan kriteria yang terlibat. Data chart yang dipetakan mencakup label data yang menunjukkan kuartal mana setiap titik data termasuk dalam bagan ini menggemakan pesan rata-rata di G2 Perempat G5 1 dan 4 berulang kali mendapatkan hasil yang paling banyak Ada musim kemarau yang jelas di kumpulan data ini. Menghitung Indeks musiman. Setelah Anda memutuskan bahwa deret waktu memiliki komponen musiman, Anda ingin mengukur ukuran Efek Rata-rata yang ditunjukkan pada Gambar 5 2 mewakili bagaimana metode rata-rata sederhana berjalan mengenai tugas itu. Gambar 5 2 Kombinasikan mean besar dengan rata-rata musiman untuk mendapatkan indeks musiman. Pada Gambar 5 2 Anda mendapatkan indeks musiman tambahan di kisaran G10 G13 dengan mengurangkan mean grand di sel G7 dari masing-masing rata-rata musiman di G2 G5 Hasilnya adalah pengaruh pada Triwulan 1, berada di Triwulan 2, dan seterusnya Jika bulan yang diberikan pada Triwulan 1, Anda mengharapkannya Memiliki 99 65 hit harian rata-rata lebih banyak daripada angka rata-rata 140 35 klik per hari. Informasi ini memberi Anda gambaran betapa pentingnya berada di musim tertentu Misalkan Anda memiliki situs web yang dimaksud dan Anda ingin menjual iklan Ruang di atasnya Anda pasti bisa meminta harga pengiklan yang lebih tinggi selama kuartal pertama dan keempat daripada pada periode kedua dan ketiga. Lebih tepatnya, Anda mungkin akan mengenakan biaya dua kali lipat selama kuartal pertama daripada di kedua atau ketiga. Indeks musiman di han D, Anda juga berada dalam posisi untuk menghitung penyesuaian musiman Misalnya, masih dalam Gambar 5 2 nilai penyesuaian musiman untuk setiap kuartal di tahun 2005 muncul di G16 G19 Mereka dihitung dengan mengurangkan indeks dari pengukuran kuartalan yang terkait. Secara tradisional, istilah Indeks musiman mengacu pada kenaikan atau penurunan tingkat seri yang terkait dengan musim masing-masing. Persamaan musiman musiman telah muncul dalam literatur dalam beberapa tahun terakhir. Karena Anda akan melihat kedua istilah tersebut, saya telah menggunakan keduanya dalam buku ini. Hal kecil hanya perlu diingat bahwa kedua istilah tersebut memiliki arti yang sama. Tidak penting bahwa dalam kejadian normal dari tahun 2001 sampai 2005, Anda memperkirakan hasil kuartal kedua akan tertinggal dari hasil kuartal pertama sebesar 133 6 yaitu, 99 65 dikurangi 33 95 Tetapi pada tahun 2004 dan 2005, hasil penyesuaian musiman untuk kuartal kedua melebihi angka pada kuartal pertama. Hasil itu mungkin akan meminta Anda untuk bertanya apa yang telah berubah dalam dua tahun terakhir ini. Membalikkan hubungan antara hasil yang disesuaikan secara musiman untuk dua kuartal pertama, saya tidak mengejar masalah itu di sini, saya mengemukakannya untuk menyarankan agar Anda sering melihat-lihat gambar yang teramati dan disesuaikan musiman. Untuk mengetahui Rata-rata Rata-rata Musim Rata-Rata Trend. Meskipun metode rata-rata sederhana adalah seperti yang saya katakan sebelumnya kasar, ini bisa jauh lebih akurat daripada alternatif pemulusan eksponensial yang lebih canggih, terutama bila efek musiman diucapkan dan dapat diandalkan. Bila rangkaian waktu tidak tersentuh, seperti juga Kasus dengan contoh bagian ini telah dibahas, perkiraan musiman sederhana tidak lebih dari rata-rata musiman Bila rangkaian tidak bergoyang naik atau turun, perkiraan terbaik Anda untuk nilai untuk musim berikutnya adalah rata-rata historis musim itu. Lihat Gambar 5 3. Gambar 5 3 Kombinasikan mean besar dengan rata-rata musiman untuk mendapatkan indeks musiman. Pada grafik pada Gambar 5 3 garis putus-putus mewakili perkiraan f Perataan sederhana dua garis padat mewakili pengamatan musiman aktual dan rata-rata musiman Perhatikan bahwa rata-rata musiman melacak pengamatan musiman aktual cukup jauh lebih dekat daripada perkiraan merapikan Anda dapat melihat seberapa jauh lebih dekat dari dua RMSE dalam sel F23 Dan H23 RMSE untuk rata-rata musiman hanya sedikit lebih dari sepertiga RMSE untuk ramalan yang merapikan. Anda dapat menyusunnya seukuran efek musiman dan juga konsistensi mereka. Misalnya, misalnya, bahwa perbedaannya Antara rata-rata tempat pertama dan kedua adalah 35 0, bukan 133 6 yang merupakan selisih antara sel G2 dan G3 pada Gambar 5 2 Kemudian, dalam konteks perataan, nilai sebenarnya untuk Kuartal 1 akan menjadi prediktor nilai yang jauh lebih baik untuk nilai Triwulan 2 dibandingkan dengan seri waktu ini Dan pemulusan eksponensial dapat sangat bergantung pada nilai pengamatan saat ini untuk perkiraan periode berikutnya Jika konstanta pemulusan adalah Ditetapkan pada 1 0, pemulusan eksponensial memutuskan untuk meramalkan dan perkiraan selalu sama dengan sebelumnya. Fakta bahwa ukuran setiap ayunan musiman sangat konsisten dari kuartal ke kuartal berarti rata-rata musiman sederhana adalah prakiraan yang dapat diandalkan Tidak ada pengamatan kuartalan aktual Berangkat sangat jauh dari rata-rata musiman secara keseluruhan. Rata-rata Rata-rata Musiman dengan Trend. Penggunaan rata-rata musiman sederhana dengan rangkaian yang dilacak memiliki beberapa kekurangan nyata, dan saya m tergoda untuk menyarankan agar kita mengabaikannya dan beralih ke topik yang lebih baik. Tetapi mungkin Bahwa Anda akan mengalami situasi di mana seseorang telah menggunakan metode ini dan kemudian tidak salah jika mengetahui keduanya bagaimana cara kerjanya dan mengapa ada pilihan yang lebih baik. Metode lain untuk menangani musiman dalam rangkaian tren harus menghadapi masalah mendasar dari keterkaitan. Efek dari trend dari seasonivity Seasonality cenderung mengaburkan tren, dan sebaliknya Lihat Gambar 5 4.Figure 5 4 Kehadiran tren mempersulit kalkulus. Efek musiman. Fakta bahwa tren dalam seri naik dari waktu ke waktu berarti bahwa hanya rata-rata setiap pengamatan musim, seperti yang dilakukan dalam kasus tanpa tren, memperparah kecenderungan umum dengan variasi musiman Ide yang biasa dilakukan adalah memperhitungkan Untuk tren secara terpisah dari efek musiman Anda dapat mengukur tren dan mengurangi pengaruhnya dari data yang diobservasi Hasilnya adalah rangkaian untrended yang mempertahankan variasi musiman. Hal ini dapat ditangani dengan cara yang sama seperti yang saya gambarkan sebelumnya di bab ini. Berarti untuk Setiap Tahun. Salah satu cara untuk detrend data dan cara lain pasti akan terjadi pada Anda adalah dengan menghitung tren berdasarkan rata-rata tahunan daripada data kuartalan Idenya adalah rata-rata tahunan tidak sensitif terhadap efek musiman. Artinya, jika Anda Kurangi rata-rata tahun dari nilai untuk masing-masing perempatnya, jumlah dan dengan demikian rata-rata dari empat efek kuartalan adalah nol saja Jadi, tren dihitung dengan menggunakan rata-rata tahunan Tidak terpengaruh oleh variasi musiman Perhitungan ini muncul pada Gambar 5 5. Gambar 5 5 Metode ini sekarang memberlakukan regresi linier pada rata-rata sederhana. Langkah pertama dalam detrending data adalah mendapatkan rata-rata hit harian setiap tahun yang dilakukan di Kisaran H3 H7 pada Gambar 5 5 Rumus di sel H3, misalnya, adalah AVERAGE D3 D6. Mengkalkulasikan Trend Berdasarkan Means Tahunan. Dengan rata-rata tahunan di tangan, Anda berada pada posisi untuk menghitung tren mereka yang dikelola dengan menggunakan LINEST di kisaran I3 J7, dengan menggunakan rumus array ini. Jika Anda tidak menawar nilai x sebagai argumen kedua untuk LINEST Excel menyediakan nilai x default untuk Anda Defaultnya hanyalah bilangan bulat berturutan yang dimulai dengan 1 dan diakhiri dengan jumlah Nilai y yang Anda panggil dalam argumen pertama Dalam contoh ini, nilai x default sama dengan yang ditentukan pada worksheet di G3 G7, jadi Anda bisa menggunakan LINEST H3 H7 TRUE Formula ini menggunakan dua default, untuk x - Nilai dan konstanta, terwakili b Jika koma tiga koma berturut-turut. Inti dari latihan ini adalah untuk mengukur tren dari tahun ke tahun, dan LINEST melakukannya untuk Anda di sel I3 Sel itu mengandung koefisien regresi untuk nilai x Multiply 106 08 oleh 1 maka dengan 2 Maka dengan 3, 4, dan 5 dan menambah setiap hasil pencegatan dari 84 63 Meskipun itu membuat Anda meramalkan prakiraan tahunan, poin penting untuk prosedur ini adalah nilai koefisien 106 08, yang mengkuantifikasi tren tahunan. Langkah yang saya lakukan hanyalah Yang dibahas adalah sumber dari keraguan saya tentang keseluruhan pendekatan yang digambarkan oleh bagian ini. Anda biasanya memiliki sejumlah kecil periode yang meluas dalam contoh ini, tahun-tahun sebelumnya untuk berjalan melalui regresi Hasil regresi cenderung sangat tidak stabil ketika, seperti di sini, mereka Didasarkan pada sejumlah kecil pengamatan Namun, prosedur ini bergantung pada hasil-hasil itu dengan berat untuk mengurangi deret waktu. Melawan Trend di Musim Seasons. Metode rata-rata sederhana untuk menghadapi seri musiman yang trendi seperti thi S terus berlanjut dengan membagi tren dengan jumlah periode pada periode yang melingkupi untuk mendapatkan tren per periode. Jumlah periode per tahun adalah empat kali kita bekerja dengan data kuartalan sehingga kita membagi 106 08-4 untuk memperkirakan tren. Per kuartal di 26 5. Prosedur menggunakan tren periodik dengan mengurangkannya dari hasil periodik rata-rata. Tujuannya adalah untuk menghilangkan efek tren tahunan dari efek musiman. Pertama, kita perlu menghitung hasil rata-rata sepanjang lima tahun. Untuk Periode 1, untuk Periode 2 dan seterusnya Untuk melakukan itu, ada baiknya mengatur ulang daftar klik kuartalan aktual, yang ditunjukkan pada kisaran D3 D22 pada Gambar 5 5 ke dalam matriks lima tahun empat perempat, ditunjukkan pada kisaran G11 J15 Perhatikan bahwa nilai pada matriks tersebut sesuai dengan daftar di kolom D. Dengan data yang disusun dengan cara itu, mudah untuk menghitung nilai kuartalan rata-rata selama lima tahun dalam kumpulan data yang dilakukan pada kisaran G18 J18. Efek dari tren kembali oleh LINEST muncul di kisaran G19 J19 Nilai awal untuk setiap tahun adalah rata-rata hit harian yang diamati untuk kuartal pertama, jadi kami tidak melakukan penyesuaian untuk kuartal pertama Satu kuartal senilai tren, atau 26 5, dikurangi dari kuartal kedua Rata-rata hit, menghasilkan nilai kuartal kedua yang disesuaikan dari 329 9 lihat sel H21, Gambar 5 5 Tren dua perempat, 2 26 5 atau 53 pada sel I19, dikurangkan dari mean kuartal ketiga untuk mendapatkan nilai ketiga yang disesuaikan - nilai kuartalan 282 6 di sel I21 Dan serupa untuk kuartal keempat, kurangi tiga perempat tren dari 454 4 untuk mendapatkan 374 8 di sel J21. Ingatlah bahwa jika tren turun dan tidak naik, seperti dalam contoh ini, Anda akan menambahkan nilai tren periodik ke cara periodik yang diamati, bukan mengurangkannya. Mengkonversi Sarana Musiman yang Disesuaikan dengan Efek Musiman. Dengan logika metode ini, nilai yang ditunjukkan pada baris 20 21 pada Gambar 5 5 adalah hasil kuartalan rata-rata untuk Masing-masing empat perempat, dengan efek th E kecenderungan kenaikan umum dalam kumpulan data yang dihapus Baris 20 dan 21 digabungkan dalam kolom G melalui J Dengan tren mereka di luar sana, kita dapat mengubah angka tersebut menjadi perkiraan dampak musiman akibat berada di kuartal pertama, di kedua Seperempat, dan seterusnya Untuk mendapatkan efek tersebut, mulailah dengan menghitung mean rata-rata dari mean kuartalan yang disesuaikan. Mean rata-rata yang disesuaikan muncul di sel I23. Analisis berlanjut pada Gambar 5 6. Gambar 5 6 Efek kuartalan, atau indeks, digunakan Untuk mengukur ulang kuartalan yang diamati. Gambar 5 6 mengulangi penyesuaian kuartalan dan mean grand yang disesuaikan dari bagian bawah Gambar 5 5 Mereka digabungkan untuk menentukan indeks kuartalan yang juga dapat Anda anggap sebagai efek musiman Misalnya, formula di sel D8 Adalah sebagai berikut. Ini kembali 33 2 Itu efek berada di kuartal kedua, vis-visvis grand mean Sehubungan dengan grand mean, kita bisa mengharapkan hasil yang termasuk pada kuartal kedua jatuh di bawah grand mean B Y 33 2 unit. Memasukkan Efek musiman ke Triwulan yang Teramati. Untuk rekap Sejauh ini, kami telah menghitung tren tahunan data melalui regresi dan membagi kecenderungan itu dengan 4 untuk mengembalikannya ke nilai kuartalan Mengambil pada Gambar 5 6 kita Menyesuaikan rata-rata untuk setiap kuartal di C3 F3 dengan mengurangi tren prorata pada C4 F4 Hasilnya adalah perkiraan rata-rata yang direduksi untuk setiap kuartal, terlepas dari tahun di mana kuartal berlangsung, di C5 F5 Kami mengurangi mean grand yang disesuaikan , Di sel G5, dari alat kuartalan yang disesuaikan di C5 F5 Yang mengubah setiap kuartalan menjadi ukuran efek setiap triwulan relatif terhadap mean grand yang disesuaikan Itulah indeks musiman atau efeknya di C8 F8.Berikutnya kita menghapus musiman Efek dari kuartalan yang diamati Seperti yang ditunjukkan pada Gambar 5 6 Anda melakukannya dengan mengurangi indeks kuartalan di C8 F8 dari nilai yang sesuai di C12 F16 Dan cara termudah untuk melakukannya adalah dengan memasukkan formula ini ke dalam sel C20. Perhatikan tanda dolar tunggal Sebelum 8 di referensi ke C 8 Itu referensi campuran sebagian relatif dan sebagian mutlak Tanda dolar jangkar referensi ke baris kedelapan, tapi bagian kolom referensi bebas untuk bervariasi. Oleh karena itu, setelah formula yang terakhir dimasukkan dalam Sel C20, Anda bisa klik pada sel s selection handle kotak kecil di pojok kanan bawah sel yang dipilih dan seret kanan ke sel F20 Alamat menyesuaikan saat Anda menyeret kanan dan Anda berakhir dengan nilai, dengan efek musiman. Dihapus, untuk tahun 2001 di C20 F20 Pilih rentang empat sel dan gunakan pegangan pilihan ganda, sekarang di F20, untuk menyeret ke bawah ke baris 24 Jadi, lakukan pengisian sisa matriks. Penting untuk diingat di sini bahwa Kami menyesuaikan kembali nilai kuartalan asli untuk efek musiman Apapun tren yang ada pada nilai asli masih ada, dan secara teori, setidaknya tetap ada di sana setelah kami melakukan penyesuaian untuk efek musiman Kami telah menghilangkan tren, iya, tapi hanya fr Efek musiman Jadi, ketika kita mengurangi efek musiman yang dirusak dari pengamatan kuartalan awal, hasilnya adalah pengamatan asli dengan tren namun tanpa efek musiman. Saya telah memetakan nilai penyesuaian musiman pada Gambar 5 6 Membandingkan bagan tersebut dengan Bagan pada Gambar 5 4 Perhatikan pada Gambar 5 6 bahwa meskipun nilai-nilai yang dibuat tidak tepat pada garis lurus, sebagian besar efek musiman telah dihapus. Menegaskan Triwulan Deseasonalized ke Periode Waktu. Langkah selanjutnya adalah membuat perkiraan dari Data yang disesuaikan secara musiman pada Gambar 5 6 sel C20 F24, dan pada titik ini Anda memiliki beberapa alternatif yang tersedia Anda bisa menggunakan pendekatan differencing yang dikombinasikan dengan perataan eksponensial sederhana yang telah dibahas pada Bab 3, Bekerja dengan Tred Time Series Anda juga dapat menggunakan Pendekatan Holt untuk merapikan seri yang digariskan, dibahas di Bab 3 dan Bab 4, Inisialisasi Inisialisasi Kedua metode menempatkan Anda di ap Osisi untuk membuat perkiraan satu langkah di depan, di mana Anda akan menambahkan indeks musiman yang sesuai. Pendekatan lain, yang akan saya gunakan di sini, pertama-tama menempatkan data yang trending melalui contoh regresi linier yang lain dan kemudian menambahkan indeks musiman. Lihat Gambar 5 7.Gambar 5 7 Prakiraan pertama yang benar adalah pada baris 25. Gambar 5 7 mengembalikan mean kuartalan tiga kali dari susunan tabel pada C20 F24 pada Gambar 5 6 ke susunan daftar pada kisaran C5 C24 pada Gambar 5 7. Kita dapat menggunakan LINEST bersamaan dengan data B5 C24 pada Gambar 5 7 untuk menghitung persamaan regresi s intercept dan koefisien maka, kita dapat mengalikan koefisien dengan setiap nilai pada kolom B, dan menambahkan intercept ke setiap produk, untuk membuat perkiraan pada kolom D Tapi walaupun LINEST mengembalikan informasi yang berguna selain koefisien dan intercept, TREND adalah cara yang lebih cepat untuk mendapatkan perkiraan, dan saya menggunakannya pada Gambar 5 7. Rentang D5 D24 berisi perkiraan yang dihasilkan dari regresi deseasonaliz Angka triwulanan edukasi di C5 C24 ke nomor periode di B5 B24 Rumus array yang digunakan pada D5 D24 adalah ini. Hasil perhitungan tersebut mencerminkan efek dari tren kenaikan umum dalam deret waktu Karena nilai TREND yang diperkirakan telah diestimasi , Tetap menambahkan efek musiman, juga dikenal sebagai indeks musiman, kembali ke perkiraan tren. Mengawali Indeks musiman Kembali In. Indeks musiman, yang dihitung pada Gambar 5 6 dapat dilihat pada Gambar 5 7 di kisaran C2 F2 Dan kemudian berulang kali di kisaran E5 E8, E9 E12, dan seterusnya Prediksi reseasonalized ditempatkan di F5 F24 dengan menambahkan efek musiman pada kolom E ke prakiraan tren di kolom D. Untuk mendapatkan ramalan satu langkah di sel F25 pada Gambar 5 7 nilai t untuk periode berikutnya masuk ke sel B25 Rumus berikut dimasukkan ke dalam sel D25.Ini menginstruksikan Excel untuk menghitung persamaan regresi yang memperkirakan nilai pada kisaran C5 C24 dari pada B5 B24, dan menerapkan Persamaan itu Nilai x baru di sel B25. Indeks musiman yang sesuai ditempatkan di sel E25, dan jumlah D25 dan E25 ditempatkan di F25 sebagai perkiraan sejati pertama dari rangkaian waktu musiman dan tren. Anda akan menemukan keseluruhan rangkaian Kuartal empat dan perkiraan yang dipetakan pada Gambar 5 8.Gambar 5 8 Efek musiman dikembalikan ke perkiraan. Penilaian Rata-rata Rata-rata. Pendekatan untuk menangani deret waktu musiman, yang dibahas di beberapa bagian sebelumnya, memiliki beberapa daya tarik intuitif Ide dasar Tampaknya mudah. ​​Mengkalkulasikan tren tahunan dengan cara menurunkan rata-rata tahunan terhadap ukuran periode waktu. Membuktikan tren tahunan di antara periode dalam tahun ini. Mengurangi tren yang terbagi dari efek periodik untuk mendapatkan efek yang disesuaikan. Mengurangi efek yang disesuaikan dari ukuran sebenarnya. Untuk menghitung waktu deretnya. Buat perkiraan dari seri deseasonalized, dan tambahkan efek musiman yang disesuaikan kembali. Pandangan saya sendiri adalah bahwa beberapa masalah melemahkan pendekatan, Dan saya tidak akan memasukkannya ke dalam buku ini kecuali bahwa Anda mungkin akan menemuinya dan oleh karena itu harus mengetahuinya Dan ini memberi batu loncatan yang berguna untuk mendiskusikan beberapa konsep dan prosedur yang ditemukan dalam pendekatan lain yang lebih kuat. Pertama, ada masalah Tentang yang saya keluhkan sebelumnya di bab ini mengenai ukuran sampel yang sangat kecil untuk regresi mean tahunan ke bilangan bulat berturut-turut yang mengidentifikasi setiap tahun Bahkan dengan hanya satu prediktor, sedikitnya 10 pengamatan benar-benar mengikis bagian bawah laras. Paling tidak Anda harus melihat R 2 yang dihasilkan disesuaikan untuk penyusutan dan mungkin menghitung ulang kesalahan standar menurut perkiraan. Benar bahwa semakin kuat korelasi dalam populasi, semakin kecil sampel yang dapat Anda dapatkan. Tetapi bekerja dengan perempat dalam beberapa tahun, Anda Beruntung menemukan observasi kuartalan selama 10 tahun berturut-turut, masing-masing diukur dengan cara yang sama sepanjang rentang waktu itu. Saya tidak yakin bahwa Jawaban atas pola up-and-down bermasalah yang Anda temukan dalam setahun lihat bagan pada Gambar 5 4 adalah rata-rata keluar dari puncak dan lembah dan dapatkan perkiraan tren dari mean tahunan Tentu ini adalah satu jawaban untuk masalah itu, tapi , Seperti yang akan Anda lihat, ada metode yang lebih kuat untuk memisahkan efek musiman dari tren yang mendasarinya, yang menjelaskan keduanya, dan meramalkannya dengan tepat, saya akan membahas metode itu di bab ini nanti, di Regresi Linier dengan bagian Vektor KODE. Selanjutnya, Tidak ada dasar teori untuk mendistribusikan tren tahunan secara merata di antara periode yang menyusun tahun. Memang benar bahwa regresi linier melakukan sesuatu yang serupa saat menempatkan perkiraan pada garis lurus. Tetapi ada jurang yang besar antara membuat asumsi mendasar karena analisis Model tidak dapat menangani data, dan menerima hasil yang cacat yang kekurangan kesalahan dalam prakiraan dapat diukur dan dievaluasi. Kata itu, mari beralih ke penggunaan rata-rata bergerak. S bukan rata-rata sederhana sebagai cara menghadapi musiman.