डी 3 से आगे बढ़ - औसत

मैं डी 3 के लिए नया हूँ और इसे चिकनी बनाने के लिए मेरे डेटा पर पिछले और अगले मानों के चलती औसत की कोशिश कर रहा हूं। वर्तमान में, मैंने इसे 2 पिछली मूल्यों का वर्तमान मूल्य का उपयोग कर काम किया है। यह काम करता है लेकिन 1) मैं अगले मानों का भी उपयोग कैसे करूँगा, और 2) क्या होगा अगर मैं 15 पिछली और 15 अगले मानों का उपयोग करना चाहता हूं (यह सभी के भंडारण के लिए 30 व्यक्तिगत वार्स होने के लिए पागल होगा) Im परंपरागत जावास्क्रिप्ट लेकिन डेटा डी 3 में इस तरह से पार करने के तरीके के रूप में खो गया। आशा है कि कोई मुझे उजागर कर सकता है, धन्यवाद या बस यहाँ डेटा पार्सिंग कोड: डी 3 चार्ट्स के लिए एक बॉलिंजर बैंड घटक मेरे पिछले आलेख में (डी 3 चार्ट्स के लिए लाइन एनोटेशन घटकों पर), मैंने एक घटक बनाया है जो गणना और चलती औसत प्रदर्शित करता है। जैसा कि वादा किया गया, मै अब बोलिंगर बैंड्स पर अपना ध्यान बदल रहा हूं। घटक इमेज बनाने जा रहा है इस तरह दिख रहा है: जैसा कि पहले, आईएम ने ओएचएलसी और कैंडेलेक्ट घटकों पर अपने लेख में विकसित चार्ट को ले कर धोखा दिया। और मैं माइक Bostocks सम्मेलन के बाद घटक का निर्माण कर रहा हूँ बॉलिंजर बैण्ड्स ने आपको क्या कहा? संक्षेप में, बोलिंगर बैंड का इस्तेमाल मूल्यवृद्धि के संकेत के लिए वित्तीय चार्ट पर किया जाता है जैसा कि आप उपर्युक्त चार्ट से देख सकते हैं, उनमें तीन घटक होते हैं: ऊपरी और निचले बैंड कुछ हद तक मानक विचलन चलती औसत से दूर हैं - और ध्यान दें कि यहां एक चलती मानक विचलन के बारे में बात कर रहे थे। इस परिभाषा से हम देख सकते हैं कि हमें हमारी गणनाओं के लिए दो मापदंडों की आवश्यकता है - चलती औसत अवधि। जिसके लिए 20 का मान आम तौर पर उपयोग किया जाता है, और मानक विचलन की संख्या। जो आम तौर पर है 2. बोलिंजर बैंड्स कंपोनेंट बोलिंगर बैंड्स के घटक के लिए पूरा कोड है - बीएल इसके नीचे जाकर बताते हैं कि क्या चल रहा है। कोड का एक सभ्य मात्रा है, तो मुझे इस घटक पर परिभाषित गुणों को देखकर शीर्ष पर शुरू हो जाता है - आप देखेंगे कि Ive ने उन्हें खंडों में तोड़ दिया है इसलिए हम फ़ाइल के शीर्ष पर घोषणाओं का एक अखंड ब्लॉक नहीं है। पहले हमारे पास एक्स और वाई स्केल हैं, जो घटक की जरूरत होती है, जब यह काम करता है जहां चीजें निकालना होता है। इसके बाद हमारे पास हमारे खेतों की गणना करने के लिए आवश्यक फ़ील्ड हैं- डेटा मॉडल, चलती औसत अवधि और मानक विचलन की संख्या का उपयोग करने के लिए क्षेत्र का उपयोग करना। ध्यान दें कि चलती औसत अवधि को 20 तक और मानक विचलन की संख्या को 2 तक सीमित कर दिया गया था, इन क्षेत्रों के लिए विशिष्ट मान अंत में हमारे कई गुण हैं जो घटक के विभिन्न हिस्सों के लिए सीएसएस कक्षाओं को परिभाषित करते हैं। स्टाइल की बात करते समय यह उपयोगकर्ता को बहुत अधिक अनुकूलता प्रदान करता है, लेकिन हम डिफ़ॉल्ट मान सेट करते हैं ताकि उपयोगकर्ता को इन गुणों को निर्दिष्ट न करना पड़े। घटक समारोह में हम ऊपरी और निचले बैंड के बीच के क्षेत्र का प्रतिनिधित्व करने के लिए एक d3.svg. area बनाते हैं, और तीन d3.svg. line ऑब्जेक्ट्स ऊपरी बैंड, निचले बैंड, और चलती औसत रेखा का प्रतिनिधित्व करने के लिए, उनके X - मान सेट करते हैं उचित रूप से। क्षेत्र के तत्व का उपयोग करते हुए Im क्योंकि यह वास्तव में अच्छा है, दो लाइनों के बीच के क्षेत्र को दिखाने के लिए अंतर्निहित तरीके सबसे अच्छा हिस्सा, इसका उपयोग करना वास्तव में आसान है - जहां एक लाइन तत्व को आप अपने वाई-मान को सेट करने की आवश्यकता होती है, एक क्षेत्र के तत्व में दो वाई-वैल्यू होते हैं- और मेरे जीवन के लिए आसान बनाने के पक्ष में Im बहुत अधिक है अगले भाग में हम चलने वाले औसत और चलती मानक विचलन की गणना करने के लिए दो कार्यों को परिभाषित करते हैं। ध्यान दें कि बोलिन्जर बैंड मानक विचलन सूत्र के आबादी संस्करण का उपयोग करते हैं। चयन के अंदर। हर ब्लॉक है, जहां हम अपनी भारी भार उठाते हैं - हमारे विभिन्न एसवीजी तत्वों के वाई-मूल्य सेट करते हैं। हम एक खाली चर घोषित करते हैं, बोलिंगरडाटा तो हम इसे डेटा के साथ पॉप्युलेट करते हैं - प्रत्येक डेटा वस्तु के लिए औसत (चलती औसत) और एसडी (मानक विचलन) की तारीख का एक नक्शा। हम यह एक बार करते हैं, जो कि अधिक से अधिक कुशल है, अगर हम मक्खी पर ये सभी गणना करते हैं तो दूसरी ओर, इसका मतलब यह है कि हर बार घटक को फिर से तैयार किया जाता है, अगर हम ज़्यादातर कुशल विड कैश चाहते हैं जानकारी, लेकिन यह भी हमें यह जांचने की आवश्यकता होगी कि डेटा को हर बार जब हम लाल रंग में बदलने की जरूरत होती है, जो अपनी समस्याओं को लाती है, बदलती नहीं है। चयन के बाकी शेष। लंबा ब्लॉक लंबा है, लेकिन बहुत आसान है - बस हमारे क्षेत्र और लाइन तत्वों के लिए वाई-मान सेट कर रहे हैं जो बॉलिंजरडाटा मैप में डेटा पर आधारित है। अंत में हम क्षेत्र जोड़ते हैं बैंड lineUpper। लाइन लाइन और लाइन औसत एसवीजी तत्व पथ में। ध्यान दें कि हम इन तत्वों पर संपूर्ण डेटा सरणी सेट न करते हैं - बोलिंगर बैंड आमतौर पर दिखाए नहीं जाते हैं कि जब पूर्ण चलती औसत की गणना करने के लिए पर्याप्त डेटा नहीं होता है, तो हम सूचकांक बढ़ते से शुरू करते हैं। जो वांछित प्रभाव है Ive विभिन्न goet accessors नहीं दिखाया है क्योंकि वे विशेष रूप से दिलचस्प नहीं हैं, क्योंकि वे बहुत ज्यादा सभी एक ही हैं: चार्ट को घटक जोड़ना ठीक है, जिस तरह से बाहर मुश्किल बिट है, तो अब इस नए बोलिंजर बैंड घटक का उपयोग करें पहले हम अपना घटक बनाते हैं और कॉन्फ़िगर करते हैं: यहां केवल एक्स और वाई स्केल के बारे में घटक बताया गया था, और यह डेटा मॉडल पर करीबी संपत्ति का उपयोग करने के लिए कह रहा था। चलती औसत और मानक विचलन गुण वैकल्पिक हैं (विशेषकर तब क्योंकि ये उन्हें यहां अपने मूलभूत मूल्यों पर सेट कर रहे थे, लेकिन अगर आप कुछ गैर-मानक चाहते हैं तो उन्हें शामिल करने की आवश्यकता है)। हम घटक को प्रदर्शित होने वाली चार सीएसएस संपत्तियों में से कोई भी सेट कर सकते हैं, लेकिन Ive ने उन्हें यहाँ छोड़ देना चुना है और उन्हें अपने डिफ़ॉल्ट मानों के साथ छोड़ दें। इसके साथ, हम चार्ट में घटक जोड़ते हैं: प्रो टिप: मैं इस कोड को सिर्फ चार्ट डेटा को प्रदर्शित करने के लिए कोड के सामने डाल रहा हूं, जिससे कि बोलिन्जर बैंड पृष्ठभूमि में होंगे और चार्ट डेटा में होगा अग्रभूमि। जाहिर है, अंतिम चरण घटक के विभिन्न खंडों को शैली में करना है। Ive को बॉलिंजर बैंड को भूरे रंग में प्रदर्शित करने के लिए चुना गया, तो इम ने ऊपरी और निचले बैंड के बीच के क्षेत्र के लिए एक हल्के भूरे रंग का प्रयोग किया और बैंड खुद के लिए एक गहरा ग्रे (आप इसके बजाय क्षेत्र हल्का बनाने के लिए पारदर्शिता का उपयोग कर सकते हैं)। एक तरफ ध्यान दें, Ive क्षेत्र पर स्ट्रोक-चौड़ाई: 0 निर्धारित किया है ताकि यह किसी भी सीमाओं को प्रदर्शित न करे। मैंने दो कारणों से यह किया है सबसे पहले, ऊपर और नीचे की सीमाओं पर वैसे भी चित्र बना रहे थे, और दूसरी बात हम बाएं या दाहिने सीमा को दिखाना नहीं चाहते - इस रेखा को निकालने का प्रयास करें और आप देखेंगे कि मेरा क्या मतलब है। यह सब एक साथ लाना, यह नतीजा है: संवर्द्धन इस घटक के साथ बहुत खुश हैं - यह वास्तव में अच्छी तरह से काम करता है और इसके काफी कुशल, प्रोग्राममैटिक रूप से। अभी भी कुछ संवर्द्धन हैं जो हम कर सकते हैं। अगर आप बोलिन्जर बैंड पर विकिपीडिया प्रविष्टि के माध्यम से पढ़ते हैं तो आप देखेंगे कि एक सरल चलती औसत गणना का उपयोग कर रहे थे, लेकिन अन्य प्रकार की गणना कभी-कभी उपयोग की जाती है, हम अपने घटक का विस्तार करने के लिए उपयोगकर्ता को अतिरिक्त संपत्ति जैसे कि.movingAverageType घातीय) निष्कर्ष इस आलेख में मैंने अपने पिछले लेख में विकसित चलती औसत घटक को ले लिया और इसे बोलिन्जर बैंड घटक के आधार के रूप में इस्तेमाल किया। नए घटक को विन्यस्त और शैली के लिए बहुत आसान है। अभ्यास में चलती औसत समय श्रृंखला का मतलब का एक अच्छा अनुमान प्रदान करेगा यदि मतलब निरंतर या धीरे-धीरे बदल रहा हो। एक निरंतर मतलब के मामले में, एम का सबसे बड़ा मान अंतर्निहित मतलब का सबसे अच्छा अनुमान देगा। अब अवलोकन अवधि में परिवर्तनशीलता के प्रभाव का औसत होगा। एक छोटा मी प्रदान करने का उद्देश्य पूर्वानुमानित प्रक्रिया में परिवर्तन के लिए पूर्वानुमान का जवाब देने की अनुमति देना है। उदाहरण के लिए, हम एक डेटा सेट का प्रस्ताव करते हैं जो समय श्रृंखला के अंतर्निहित माध्य में बदलाव को शामिल करता है। यह आंकड़ा चित्रण के लिए उपयोग की जाने वाली समय-सीमा को दर्शाता है कि श्रृंखला से उत्पन्न होने वाली औसत मांग के साथ-साथ यह श्रृंखला उत्पन्न होती है। यह मतलब 10 पर निरंतर के रूप में शुरू होता है। 21 समय से शुरू होने पर, यह प्रत्येक अवधि में एक इकाई में बढ़ जाता है जब तक कि समय 30 पर 20 के मान तक नहीं पहुंच जाता। फिर यह फिर से निरंतर हो जाता है। डेटा को जोड़कर सिम्युलेटेड किया जाता है, शून्य माध्य और मानक विचलन के साथ सामान्य वितरण से एक यादृच्छिक शोर 3. सिमुलेशन के परिणाम निकटतम पूर्णांक पर गोल किए जाते हैं। तालिका उदाहरण के लिए प्रयुक्त नकली अवलोकन दर्शाती है जब हम मेज का उपयोग करते हैं, हमें याद रखना चाहिए कि किसी भी समय, केवल पिछले डेटा ज्ञात हैं। मॉडल पैरामीटर का अनुमान,, तीनों के तीन अलग-अलग मानों के लिए नीचे दी गई संख्या में समय श्रृंखला के माध्य के साथ दिखाए जाते हैं। यह आंकड़ा हर बार मतलब की चलती औसत अनुमान को दर्शाता है और भविष्यवाणी नहीं करता है भविष्यवाणी चलती औसत घटता को समय-समय पर सही स्थानांतरित करती है। एक निष्कर्ष आंकड़ा से तुरंत स्पष्ट है। तीनों अनुमानों के लिए चलती औसत रेखीय प्रवृत्ति के पीछे पीछे है, मी के साथ अंतराल बढ़ती है। अंतराल में मॉडल और अनुमान के बीच की दूरी अंतर है। अंतराल के कारण, चलती औसत टिप्पणियों को कम करके देखते हैं क्योंकि इसका मतलब बढ़ रहा है। अनुमानक के पक्षपात मॉडल के माध्य मूल्य में एक विशिष्ट समय में अंतर है और चल औसत से अनुमानित माध्य मूल्य। जब पूर्वाग्रह बढ़ता जा रहा है नकारात्मक है कम होने के लिए, पूर्वाग्रह सकारात्मक है समय में अंतराल और अनुमान में पेश पूर्वाग्रह मी के कार्य हैं I मी के मूल्य का बड़ा अंतराल और पूर्वाग्रह के बड़े पैमाने पर प्रवृत्ति के साथ लगातार बढ़ती श्रृंखला के लिए माध्य के अनुमानक के अंतराल और पूर्वाग्रह के मूल्य नीचे दिए गए समीकरणों में दिए गए हैं। उदाहरण घटता इन समीकरणों से मेल नहीं खाता है क्योंकि उदाहरण के मॉडल लगातार बढ़ नहीं रहे हैं, बल्कि यह एक निरंतर, एक प्रवृत्ति में परिवर्तन के रूप में शुरू होता है और फिर फिर से निरंतर हो जाता है इसके अलावा उदाहरण घटता शोर से प्रभावित हैं। भविष्य में आने वाली अवधियों का चलने वाला औसत पूर्वानुमान वक्रता को दाईं ओर स्थानांतरित करके दर्शाया जाता है। अंतराल और पूर्वाग्रह आनुपातिक रूप से वृद्धि नीचे दिए गए समीकरण मॉडल पैरामीटर की तुलना में भविष्य में भविष्य की अवधि के अंतराल और पूर्वाग्रह को इंगित करते हैं। फिर, ये सूत्र एक निरंतर रेखीय प्रवृत्ति के साथ एक समय श्रृंखला के लिए हैं हमें इस नतीजे पर आश्चर्य नहीं होना चाहिए। चलती औसत अनुमानक निरंतर मतलब की धारणा पर आधारित होता है, और अध्ययन अवधि के एक अंश के दौरान इस उदाहरण में एक रेखीय प्रवृत्ति होती है। चूंकि वास्तविक समय श्रृंखला शायद ही कभी किसी भी मॉडल की मान्यताओं का पालन करेगी, इसलिए हमें ऐसे परिणामों के लिए तैयार रहना चाहिए। हम इस आंकड़े से यह भी निष्कर्ष निकाल सकते हैं कि शोर की परिवर्तनशीलता छोटे मी के लिए सबसे बड़ा प्रभाव है अनुमान 20 की औसत चलती औसत से 5 की चलती औसत के लिए बहुत ज्यादा अस्थिर है। हमारे पास शोर के कारण परिवर्तनशीलता के प्रभाव को कम करने के लिए विरोधाभासी इच्छाएं हैं, और परिवर्तनों के पूर्वानुमान को अधिक संवेदनशील बनाने के लिए मीटर कम करने के लिए मतलब में त्रुटि वास्तविक डेटा और पूर्वानुमानित मान के बीच का अंतर है। यदि समय श्रृंखला वास्तव में एक स्थिर मूल्य है, तो त्रुटि का अनुमानित मूल्य शून्य है और त्रुटि का विचरण एक ऐसा शब्द है जिसमें एक समारोह है और दूसरा शब्द जो शोर का विचरण है, शामिल है। पहली अवधि, मी अनुमानों के एक नमूने के साथ अनुमानित अनुमान का विचरण है, यह मानते हुए कि आंकड़े आबादी से निरंतर अर्थ के साथ आते हैं। यह शब्द मी जितना संभव हो उतना बड़ा बनाकर कम किया जाता है। एक बड़ी एम अंतर्निहित समय श्रृंखला में बदलाव के लिए अनुत्तरदायी पूर्वानुमान बनाता है। परिवर्तनों के प्रति उत्तरदायी पूर्वानुमान करने के लिए, हम जितना संभव हो उतना छोटा (1) चाहते हैं, लेकिन इससे त्रुटि भिन्नता बढ़ जाती है व्यावहारिक पूर्वानुमान एक मध्यवर्ती मूल्य की आवश्यकता है। एक्सेल के साथ पूर्वानुमान, पूर्वानुमान ऐड-इन चलती औसत फ़ार्मुलों को लागू करता है। नीचे दिए गए उदाहरण, स्तंभ बी में नमूना डेटा के लिए ऐड-इन द्वारा प्रदान किए गए विश्लेषण को दर्शाता है। पहले 10 टिप्पणियां अनुक्रमित -9 से 0 के हैं। उपरोक्त तालिका के मुकाबले, अवधि सूचकांक -10 में स्थानांतरित कर दिया गया है। पहले दस अवलोकन अनुमान के लिए स्टार्टअप मान प्रदान करते हैं और अवधि 0 के लिए चलती औसत की गणना करने के लिए उपयोग किया जाता है। एमए (10) कॉलम (सी) गणना की गई औसत चलती औसत दर्शाती है। चलती औसत पैरामीटर मी सेल C3 में है। फोर (1) कॉलम (डी) भविष्य में एक अवधि के लिए पूर्वानुमान दिखाता है। पूर्वानुमान अंतराल सेल D3 में है जब पूर्वानुमान अंतराल को बड़ी संख्या में बदल दिया जाता है, तो फ़ोर कॉलम में नंबर नीचे स्थानांतरित हो जाते हैं। एर (1) कॉलम (ई) अवलोकन और पूर्वानुमान के बीच अंतर को दर्शाता है उदाहरण के लिए, समय 1 पर अवलोकन 6 है। समय की औसत चलती औसत से बना अनुमानित मूल्य 11.1 है। तब त्रुटि -5.1 है। मानक विचलन और मीन औसत विचलन (एमएडी) क्रमशः कोशिकाओं E6 और E7 में गिने जाते हैं। माइक्रोसॉफ्ट एक्सेल के साथ पूर्वानुमानित विश्लेषिकी: इस अध्याय में मौसमी समय श्रृंखला के साथ कार्य करना सरल मौसमी औसत चलना औसत और केंद्रित चलती औसत लिनियर प्रतिगमन कोडित वैक्टर के साथ सरल मौसमी घातीय होल्ट-विंटर्स मॉडलों को चौरसाई करना जब आपके पास एक समय श्रृंखला है, जो कि 8217 के दशक में ऋतुमान के कारण भाग में होती है: सीजन के पारित होने के अनुसार अपने स्तर की प्रवृत्ति बढ़ती है और गिरती है। हम वर्ष के 8217 के चार सत्रों के अपने दैनिक अर्थ की तुलना में अधिक सामान्य अर्थों में सीजन का उपयोग करते हैं। भविष्यवाणी विश्लेषिकी के संदर्भ में, एक दिन एक दिन हो सकता है अगर पैटर्न साप्ताहिक दोहराते हैं, या एक साल के राष्ट्रपति चुनाव चक्र के मामले में, या बीच में कुछ भी हो सकता है। एक अस्पताल में आठ घंटे की शिफ्ट सीजन का प्रतिनिधित्व कर सकते हैं। यह अध्याय एक समय श्रृंखला को सिकुड़ने के तरीके पर एक नजर डालता है ताकि आप देख सकें कि इसका मौसम अपने प्रवृत्ति (यदि कोई हो) के अलावा काम करता है। जैसा कि आप अध्याय 3 और 4 में सामग्री से अपेक्षा कर सकते हैं, आपको कई तरीकों से उपलब्ध हैं सरल मौसमी औसत समय श्रृंखला का मॉडल करने के लिए साधारण मौसमी औसत का उपयोग कभी-कभी आपको डेटा के लिए काफी कच्चा मॉडल प्रदान कर सकता है। लेकिन इस दृष्टिकोण से डेटा सेट के मौसम पर ध्यान दिया जाता है, और यह आसानी से बहुत सटीक हो सकता है क्योंकि अनुमानित तकनीक सरल मौसम घातांक की तुलना में आसान होती है। निश्चित रूप से यह मौसमी और प्रवर्तित दोनों समय श्रृंखला के साथ उपयोग की जाने वाली कुछ प्रक्रियाओं के लिए एक उपयोगी परिचय के रूप में कार्य करता है, इसलिए चित्र 5.1 में उदाहरण को देखें। चित्रा 5.1 चित्रा 5.1 क्षैतिज मॉडल के साथ, सापेक्ष औसत परिणाम का अनुमान है जो मौसमी साधनों से ज्यादा नहीं हैं। चित्रा 5.1 में दिखाए गए आंकड़े और चार्ट राष्ट्रीय फुटबॉल लीग के प्रशंसकों के लिए एक वेबसाइट पर दैनिक हिट की औसत संख्या का प्रतिनिधित्व करते हैं। स्तंभ डी में प्रत्येक अवलोकन पांच साल की अवधि के दौरान प्रत्येक चार तिमाहियों में प्रति दिन हिट की औसत संख्या का प्रतिनिधित्व करता है। मौसमी पैटर्न की पहचान करना आप जी 2 श्रेणी में औसत से बता सकते हैं: जी 5 एक अलग त्रैमासिक प्रभाव हो रहा है। हिट की सबसे बड़ी औसत संख्या गिरने और सर्दियों के दौरान होती है, जब मुख्य 16 गेम और प्लेऑफ़ शेड्यूल किए जाते हैं। ब्याज, औसत दैनिक हिट के द्वारा मापा जाता है, वसंत और गर्मी के महीनों के दौरान गिरावट आई है। औसत गणना करना आसान है कि आप सरणी फ़ार्मुलों के साथ सहज महसूस करते हैं या नहीं। क्वार्टर 1 के सभी पांच उदाहरणों का मतलब प्राप्त करने के लिए, उदाहरण के लिए, आप चित्रा 5.1 के सेल जी 2 में इस सरणी सूत्र का उपयोग कर सकते हैं: एरे- इसे CtrlShiftEnter के साथ दर्ज करें या आप AVERAGEIF () फ़ंक्शन का उपयोग कर सकते हैं, जिसे आप सामान्य तरीके से दर्ज कर सकते हैं, एंटर कुंजी दबाकर। सामान्य तौर पर, मैं सरणी सूत्र दृष्टिकोण को पसंद करता हूं क्योंकि इसमें मुझे कार्यों और मानदंडों पर अधिक नियंत्रण के लिए अवसर प्रदान करता है। चार्टर्ड डाटा सीरीज़ में डेटा लेबल्स शामिल हैं, जो दिखाता है कि प्रत्येक डेटा बिंदु किस तिमाही से संबंधित है चार्ट G2 में औसत के संदेश का गर्व करता है: जी 5: क्वार्टर 1 और 4 बार-बार सबसे हिट मिलते हैं इस डेटा सेट में 8217 की स्पष्ट ऋतु। मौसमी सूचकांक की गणना आपके द्वारा 8217 के बाद तय हुआ कि एक समय श्रृंखला का एक मौसमी घटक है, तो आप 8217 डी प्रभाव के आकार का मात्रा निर्धारित करना चाहते हैं। चित्रा 5.2 में दिखाया गया औसत दर्शाता है कि सरल-औसत विधि उस कार्य के बारे में कैसे हो जाती है। चित्रा 5.2 मौसमी इंडेक्स प्राप्त करने के लिए मौसमी औसत के साथ भव्य अर्थ का मिश्रण। चित्रा 5.2 में आप G2: G5 में प्रत्येक मौसमी औसत से सेल G7 में भव्य अर्थ को घटाकर श्रेणी 10 में जीटी 10: जी13 में जोड़युक्त मौसमी इंडेक्स प्राप्त करते हैं। नतीजा यह है कि 8220effect8221 क्वार्टर 1 में होने के, क्वार्टर 2 में होने के और इतने पर। अगर कोई दिया गया महीने क्वार्टर 1 में है, तो आप प्रति दिन 140.35 हिट प्रतिदिन के शानदार अर्थ से 99.65 अधिक औसत दैनिक हिट प्राप्त करने की उम्मीद करते हैं। यह जानकारी आपको यह बताती है कि किसी दिए गए सीजन में कितना महत्वपूर्ण है। मान लीजिए कि आप प्रश्न में वेब साइट के मालिक हैं और आप उस पर विज्ञापन की जगह बेचना चाहते हैं। आप निश्चित रूप से दूसरे और तीसरे के दौरान पहले और चौथे क्वार्टर के दौरान विज्ञापनदाताओं की ऊंची कीमत पूछ सकते हैं दूसरी बात के मुकाबले, आप पहली तिमाही के दौरान द्वितीय या तीसरे के मुकाबले दो बार अधिक से अधिक राशि का भुगतान कर सकते हैं। मौसमी अनुक्रमित हाथों में, आप 8217re मौसमी समायोजन की गणना करने की स्थिति में भी हैं। उदाहरण के लिए, अभी भी चित्रा 5.2 में। 2005 में प्रत्येक तिमाही के लिए मौसमी रूप से समायोजित मूल्य G16 में प्रकट होते हैं: जी 1 9। वे संबद्ध कंपनियां, संबद्ध त्रैमासिक माप से सूचकांक घटाकर गणना करती हैं। परंपरागत रूप से, मौसमी सूचक शब्द में प्रत्येक सीजन के साथ जुड़े 8217 के एक श्रृंखला के स्तर में वृद्धि या कमी का उल्लेख है। समानार्थित शब्द मौसमी प्रभाव हाल के वर्षों में साहित्य में प्रकट हुआ है। क्योंकि आप 8217 9 दोनों शब्दों को देख सकते हैं, I8217ve ने इस पुस्तक में दोनों का इस्तेमाल किया। It8217s एक छोटी सी बात सिर्फ ध्यान में रखना है कि दो शब्दों का एक ही अर्थ है। ध्यान दें कि 2001 से 2005 की घटनाओं के सामान्य दौर में, आप उम्मीद करते हैं कि द्वितीय तिमाही 8217 के परिणाम पहली तिमाही 8217 के परिणामों के पीछे 133.6 के परिणाम (जो कि, 99.65 से 821133.95 है) के पीछे है। लेकिन 2004 और 2005 दोनों में, दूसरी तिमाही के लिए मौसमी समायोजित परिणाम पहली तिमाही के लिए अधिक हो गए उस परिणाम से आपको यह पूछने के लिए प्रेरित किया जा सकता है कि अंतिम दो वर्षों में क्या बदलाव आया है जो पहले दो तिमाहियों के मौसम के समायोजन के परिणामों के बीच रिश्तों को उलट देता है। (मैं डॉन 8217t उस मुद्दे को आगे बढ़ाता हूं। मैं इसे ऊपर लाने के लिए सुझाव देता हूं कि आप अक्सर देखे गए और मौसमी रूप से समायोजित आंकड़े दोनों पर एक नजर रखना चाहते हैं।) सरल मौसमी औसत से पूर्वानुमान: कोई रुझान नहीं, हालांकि साधारण औसत की विधि I8212 है I पहले 8212 क्रूड, यह घातीय चौरसाई के अधिक परिष्कृत विकल्प की तुलना में अधिक सटीक हो सकता है, विशेषकर जब मौसमी प्रभाव स्पष्ट और विश्वसनीय होते हैं जब समय श्रृंखला अनियंत्रित होती है, जैसा कि इस खंड में चर्चा की गई उदाहरण है, साधारण मौसमी पूर्वानुमान मौसमी औसत से कुछ ज्यादा नहीं हैं जब श्रृंखला या तो ऊपर या नीचे ट्रेंडिंग नहीं करती है, तो अगले सीज़न के लिए आपका सर्वोत्तम अनुमान यह है कि सीजन 8217 की ऐतिहासिक औसत चित्रा 5.3 देखें चित्रा 5.3 मौसमी इंडेक्स पाने के लिए मौसमी औसत के साथ भव्य अर्थ का मिश्रण। चित्रा 5.3 में चार्ट में धराशायी लाइन सरल चौरसाई से पूर्वानुमान का प्रतिनिधित्व करता है दो ठोस रेखाएं वास्तविक मौसमी टिप्पणियों और मौसमी औसत दर्शाती हैं। ध्यान दें कि मौसमी औसत वास्तविक मौसमी अवलोकनों को ट्रैक करते हैं, जो बहुत ही अच्छे हैं। आप देख सकते हैं कि दोनों एफएमएमएस और एच 23 कोशिकाओं में कितने करीब से आरएमएसई हैं। मौसमी औसत के लिए आरएमएसई चिकनी पूर्वानुमान के लिए आरएमएसई के एक तिहाई से थोड़ा अधिक है। आप उस मौसमी प्रभाव के आकार के साथ ही उनकी स्थिरता को चाक कर सकते हैं: मान लीजिए, उदाहरण के लिए, औसत पहली और दूसरे क्वार्टर के बीच अंतर 133.6 के बजाय 35.0 था (जो कि चित्रा में कोशिकाओं जी 2 और जी 3 के बीच अंतर है 5.2)। फिर, चौरसाई संदर्भ में, क्वार्टर 1 के लिए वास्तविक मूल्य क्वार्टर 2 के लिए मूल्य का एक बेहतर भविष्यक होगा जो इस समय श्रृंखला के मामले में है। और घातीय चिकनाई अगली अवधि के अपने पूर्वानुमान के लिए वर्तमान अवलोकन के मूल्य पर भारी निर्भर कर सकते हैं यदि चौरसाई निरंतर 1.0 पर सेट किया गया है, तो घातीय चौरसाई को ना 2 3 9वे पूर्वानुमान के लिए हल किया जाता है और पूर्वानुमान हमेशा पूर्व वास्तविक के बराबर होता है। तथ्य यह है कि प्रत्येक मौसमी स्विंग का आकार चौथाई से चौथाई तक सुसंगत है, इसका मतलब है कि साधारण मौसमी औसत विश्वसनीय पूर्वानुमान हैं: कोई वास्तविक त्रैमासिक अवलोकन पूरे मौसमी औसत से बहुत दूर चला जाता है। रुझान के साथ सरल मौसमी औसत एक प्रवृत्ति वाली श्रृंखला के साथ सरल मौसमी औसत का उपयोग कुछ वास्तविक कमियां है, और I8217m ने सुझाव दिया कि हम इसे अनदेखा करते हैं और मांसपेशियों के विषय पर आगे बढ़ते हैं। लेकिन यह 8217 संभव है कि आप 8217 9 परिस्थितियों में चलाएंगे जिनमें से किसी ने इस पद्धति का इस्तेमाल किया है और फिर इसे 8217 वें नुकसान हुआ था, यह जानने के लिए कि यह कैसे काम करता है और क्यों बेहतर विकल्प हैं। किसी प्रचलित श्रृंखला में मौसम के साथ निपटने का कोई भी तरीका मौसमी समय से उस प्रवृत्ति के प्रभाव को विच्छेद करने की मूलभूत समस्या से निपटना चाहिए। मौसमी प्रवृत्ति को अस्पष्ट दिखती है, और इसके विपरीत। चित्र 5.4 देखें चित्रा 5.4 चित्रा की उपस्थिति मौसमी प्रभाव की गणना जटिलता है। तथ्य यह है कि श्रृंखला में प्रवृत्ति समय के ऊपर है इसका मतलब है कि हर मौसम 8217 के अवलोकनों का औसत, जैसा कि न-प्रवृत्ति के मामले में किया गया था, मौसमी विविधता के साथ सामान्य प्रवृत्ति का पता लगाता है। सामान्य विचार यह है कि मौसमी प्रभाव से अलग प्रवृत्ति के लिए खाता है। आप रुझान को बढ़ा सकते हैं और मनाया गया डेटा से इसके प्रभाव को घटा सकते हैं। परिणाम मौसमी विविधता को बरकरार रखे हुए एक अनारक्षित श्रृंखला है। इसे उसी फैशन में संभाला जा सकता है जैसा कि मैंने पहले इस अध्याय में दिखाया था। प्रत्येक वर्ष के लिए माध्य की गणना करना डेटा को स्थगित करने का एक तरीका (और अन्य तरीक़े आपको निश्चित रूप से घटित करेंगे) तिमाही डेटा की बजाय वार्षिक औसत के आधार पर रुझान की गणना करना है विचार यह है कि वार्षिक औसत मौसमी प्रभावों के लिए असंवेदनशील है। यही है, यदि आप अपने प्रत्येक क्वार्टर के मूल्य से वर्ष 8217 का अर्थ घटाते हैं, तो चार तिमाही प्रभावों का राशि (और इस प्रकार औसत) ठीक शून्य है। इसलिए, वार्षिक औसत का उपयोग करके गणना की गई प्रवृत्ति मौसमी विविधताओं से प्रभावित नहीं होती है। यह गणना चित्रा 5.5 में प्रकट होती है। चित्रा 5.5 चित्रा 5.5 यह विधि अब साधारण औसत पर रैखिक प्रतिगमन को लगाता है। डेटा को निरस्त करने में पहला कदम प्रत्येक वर्ष के औसत दैनिक हिट प्राप्त करना है। उस 8217 के संस्करण H3: H7 में चित्रा 5.5 में किया गया। सेल H3 में सूत्र, उदाहरण के लिए, औसत (डी 3: डी 6) है। वार्षिक अर्थों के आधार पर रुझान की गणना करना, वार्षिक औसत के साथ, आपकी प्रवृत्ति की गणना करने के लिए स्थिति में you8217re। That8217s को LINEST () का उपयोग श्रेणी I3: J7 में किया गया, इस सरणी सूत्र का उपयोग कर: यदि आप डॉन 8217t को LINEST () के द्वितीय तर्क के रूप में एक्स-वैल प्रदान करते हैं Excel आपके लिए डिफ़ॉल्ट एक्स-मान की आपूर्ति करता है डिफ़ॉल्ट केवल 1 से शुरु होने वाले लगातार पूर्णांक हैं और पहले तर्क में आपके लिए कॉल किए गए वाई-मान की संख्या के साथ समाप्त होता है। इस उदाहरण में, डिफ़ॉल्ट एक्स-वैल्यू G3: G7 में कार्यपत्रक पर निर्दिष्ट उन लोगों के समान है, ताकि आप LINEST (H3: H7। TRUE) का उपयोग कर सकें। यह सूत्र दो-मूलभूत मानों का उपयोग करता है, एक्स-वैल्यू और स्थिर के लिए, लगातार तीन अल्पविरामों द्वारा दर्शाया जाता है। इस अभ्यास का मतलब साल-दर-वर्ष की प्रवृत्ति का परिमाण है, और LINEST () आपके लिए सेल I3 में है। उस सेल में एक्स-वैल्यू के लिए प्रतिगमन गुणांक होता है 106.08 से 1 गुणा और 2 से 3, 4 और 5 तक गुणा करें और प्रत्येक परिणाम को 84.63 के अवरोधन में जोड़ें। हालांकि, आपको वार्षिक पूर्वानुमान मिलता है, इस प्रक्रिया के लिए महत्वपूर्ण बिंदु गुणांक 106.08 का मान है, जो कि वार्षिक प्रवृत्ति को बढ़ाता है। मैंने जिस कदम पर अभी चर्चा की है, वह इस पूरे दृष्टिकोण के बारे में मेरी गलतफहमी का स्रोत है जो इस खंड में वर्णित है। आपके पास इस उदाहरण में आमतौर पर एक छोटी संख्या शामिल है 8282, उस 8217 के वर्षों 8212 को प्रतिगमन के माध्यम से चलाने के लिए। रिग्रेसन 8217 के परिणाम बहुत ही अस्थिर होते हैं, जब यहां पर, थोड़े ही अवलोकनों के आधार पर, they8217re। और फिर भी यह प्रक्रिया उन परिणामों पर भारी निर्भर करती है ताकि समय सीमा को हटाने की आवश्यकता हो। रुझानों के दौरान रुझान को प्रारम्भ करना एक प्रवृत्त, मौसमी श्रृंखला से निपटने की सरल-औसत विधि जैसे कि यह एक प्रवृत्ति को एक प्रति-अवधि की प्रवृत्ति प्राप्त करने के लिए शामिल अवधि में अवधि की संख्या से विभाजित करती है। यहां, प्रति वर्ष समयावधि की संख्या चौथाई डेटा 8212 के साथ काम कर रहा है 482128 8217, हम 26.5 के दौरान प्रति तिमाही की प्रवृत्ति का अनुमान लगाने के लिए 106.08 से 4 विभाजित करते हैं। यह प्रक्रिया औसत आवधिक परिणाम से घटाकर आवधिक प्रवृत्ति का उपयोग करती है। इसका उद्देश्य मौसमी प्रभाव से वार्षिक प्रवृत्ति के प्रभाव को दूर करना है। पहले, हालांकि, हमें अवधि 1, अवधि 2 और इतने पर, सभी पांच वर्षों में औसत परिणाम की गणना करने की आवश्यकता है। ऐसा करने के लिए, यह वास्तविक तिमाही हिट की सूची को पुनर्व्यवस्थित करने में मदद करता है, जो चित्रा 5.5 की सीमा D3: D22 में दिखाया गया है। पांच साल के मैट्रिक्स में चार क्वार्टर तक, श्रेणी G11: जे 15 में दिखाया गया है। ध्यान दें कि उस मैट्रिक्स के मान स्तंभ डी में सूची से मेल खाते हैं। उस फैशन में व्यवस्थित डेटा के साथ, डेटा सेट में पांच साल के औसत तिमाही मान की गणना करना आसान है। उस 8217 एस जी 18 में किया गया है: जे 18 LINEST () द्वारा लौटी जाने वाली प्रवृत्ति का प्रभाव श्रेणी 1 9: J19 में दिखाई देता है प्रत्येक वर्ष का प्रारंभिक मूल्य पहली तिमाही के लिए मनाया गया दैनिक दैनिक हिट है, इसलिए हम पहली तिमाही के लिए कोई समायोजन नहीं करते हैं। एक तिमाही के 8217 के मूल्य या 26.5, दूसरी तिमाही 8217 के हिसाब से घटा दिए गए हैं, जिसके परिणामस्वरूप 32 9.9 के समायोजित सेकंड-क्वार्टर मूल्य (सेल H21, चित्रा 5.5) देखें। दो क्वार्टर 8217 मूल्य की प्रवृत्ति, 2 215 26.5 या 53 सेल आई 1 9 में, तीसरी तिमाही 8217 से घटाई गई है, जिसका अर्थ है सेल I21 में 282.6 के एक समायोजित तीसरी तिमाही के मान प्राप्त करने के लिए। और इसी प्रकार चौथी तिमाही के लिए, 454.4 से तीन तिमाहियों की प्रवृत्ति को घटाकर 374.8 सेल J21 में प्राप्त करने के लिए। ध्यान रखें कि यदि इस प्रवृत्ति को ऊपर की तुलना में कम किया गया था, इस उदाहरण के रूप में, आप आवधिक प्रवृत्ति मान को घटाए जाने के बजाए सापेक्ष समय-समय पर जोड़ देंगे। समायोजित मौसमी साधनों को मौसमी प्रभाव में परिवर्तित करना इस पद्धति के तर्क के अनुसार, आंकड़े सेट हटाए गए सामान्य अपवर्ती प्रवृत्तियों के प्रभाव के साथ, चित्रा 5.5 की पंक्तियों 20821121 में दिखाए गए मूल्यों में से प्रत्येक में चार तिमाहियों का औसत त्रैमासिक परिणाम होता है। (20 और 21 पंक्तियां जे.एम. के माध्यम से कॉलम जी में विलय कर दी जाती हैं) अपनी प्रवृत्ति के रास्ते से बाहर होकर, हम उन आंकड़ों को मौसमी प्रभाव के अनुमानों में परिवर्तित कर सकते हैं। पहली तिमाही में होने के परिणाम, दूसरी तिमाही में, और इसी तरह। उन प्रभावों को प्राप्त करने के लिए, समायोजित त्रैमासिक साधनों के भव्य अर्थ की गणना करके शुरू करें यह समायोजित भव्य मतलब सेल I23 में प्रकट होता है विश्लेषण चित्रा 5.6 में जारी है चित्रा 5.6 चित्रा 5.6 त्रैमासिक प्रभाव, या अनुक्रमित, मनाया क्वार्टरलीज़ deseasonalize करने के लिए उपयोग किया जाता है। चित्रा 5 चित्रा 5.5 के नीचे से त्रैमासिक समायोजन और समायोजित भव्य अर्थ को दोहराता है। वे त्रैमासिक अनुक्रमित निर्धारित करने के लिए एकत्रित होते हैं (जो आप मौसमी प्रभावों के बारे में भी सोच सकते हैं) उदाहरण के लिए, सेल D8 में सूत्र निम्नानुसार है: यह 821133.2 देता है द्वितीय तिमाही में होने के प्रभाव की तुलना में, 224-भव्य अर्थ के रूप में, उस महान अर्थ के संबंध में, हम उम्मीद कर सकते हैं कि तीसरी तिमाही से संबंधित 33.2 इकाइयों द्वारा भव्य अर्थ से नीचे आना होगा। संक्षेप के लिए मौखिक प्रभावों को लागू करने के लिए मौसमी प्रभावों को लागू करना: इस प्रकार अब तक, we8217ve ने प्रतिगमन के माध्यम से डेटा में वार्षिक प्रवृत्ति की मात्रा निर्धारित की है और 4 की प्रवृत्ति उसको त्रैमासिक मान को समझाया है। चित्रा 5.6 में उठा रहा है हमने सी 4 में प्रचलित प्रवृत्तियों को घटाकर प्रत्येक तिमाही (सी 3: एफ 3 में) का मतलब समायोजित किया: F4 परिणाम, प्रत्येक तिमाही के लिए मतलब का एक स्थगित अनुमान है, चाहे वर्ष की परवाह किए बिना, तिमाही के स्थान पर, सी 5: एफ 5 में। हमने समायोजित ग्रैंड अर्थ को घटाया, सेल G5 में, सी 5 में समायोजित त्रैमासिक माध्यम से: F5। यह प्रत्येक तिमाही में बदलता है 8217 का मतलब समायोजित ग्रैंड अर्थ के सापेक्ष प्रत्येक तिमाही के प्रभाव के एक उपाय से है। ये मौसमी अनुक्रमित हैं या C8 में प्रभाव: F8 इसके बाद हम मनाया क्वार्टरली से मौसमी प्रभाव निकाल देते हैं। जैसा कि चित्रा 5.6 में दिखाया गया है आप C8: F16 में संबंधित मान से C8: F8 में तिमाही अनुक्रमित को घटाकर ऐसा करते हैं। और ऐसा करने का सबसे आसान तरीका सेल C20 में इस सूत्र को दर्ज करना है: C8 के संदर्भ में 8 से पहले एकल डॉलर के चिह्न पर ध्यान दें। That8217 एक मिश्रित संदर्भ: आंशिक रूप से रिश्तेदार और आंशिक रूप से पूर्ण। डॉलर का चिह्न आठवें पंक्ति के संदर्भ में एंकर होता है, लेकिन संदर्भ के कॉलम भाग में भिन्नता है। इसलिए, सेल C20 में उत्तरार्द्ध फार्मूला दर्ज करने के बाद, आप सेल 8217 के चयन संभाल (एक चयनित सेल के निचले-दाएं कोने में छोटा सा वर्ग) पर क्लिक कर सकते हैं और सेल F20 में सीधे खींचें। जैसा कि आप सही तरीके से खींचते हैं और आप मानों के साथ चलते हैं, सीज़न वर्ष 2001 में सी 20: एफ 20 में मौसमी प्रभाव हटा दिए गए थे। उस चार कक्षों की श्रेणी का चयन करें और कई चयन 8217 के हैंडल का उपयोग करें, अब एफ 20 में, नीचे पंक्ति 24 में खींचें। इसलिए मैट्रिक्स के शेष को भर कर। यह ध्यान में रखना महत्वपूर्ण है कि we8217re मौसमी प्रभावों के लिए मूल त्रैमासिक मूल्यों को समायोजित कर रहा है। मूल मूल्यों में जो भी प्रवृत्ति मौजूद थी, वहां अभी भी है, और 8212 के सिद्धांत, कम से कम 8212 के बाद वहाँ होता है, जब हमने वीओआई 2121 ने मौसमी प्रभावों के लिए समायोजन किया। हमने एक प्रवृत्ति को हटा दिया है, हाँ, लेकिन केवल मौसमी प्रभावों से। इस प्रकार, जब हम मूल त्रैमासिक अवलोकनों से (निराधार) मौसमी प्रभावों को घटाते हैं, तो इसका नतीजा रुझान के साथ मूल निरीक्षण होता है लेकिन बिना मौसमी प्रभाव मैंने चित्रा 5.6 में उन मौसमी समायोजित मूल्यों को तैयार किया है चित्रा 5.4 में चार्ट से उस चार्ट की तुलना करें चित्रा 5.6 में सूचना है कि यद्यपि अपरिष्कृत मूल्य सीधे सीधी रेखा पर नहीं झुकता है, मौसमी प्रभाव का अधिकतर हटा दिया गया है। समय-काल में डेसैसनेलाइज्ड क्वार्टरलिज़ को दोबारा शुरू करना अगला चरण है चित्रा 5.6 में मौसम समायोजित, प्रवृत्त आंकड़ों से पूर्वानुमान बनाना। कोशिकाओं C20: F24, और इस बिंदु पर आपके पास कई विकल्प उपलब्ध हैं। आप साधारण घातीय चिकनाई के साथ मिलकर विभेदकारी दृष्टिकोण का उपयोग कर सकते हैं जिसे अध्याय 3, 8220 में चर्चा की गई थी, ट्रेंडेड टाइम सीरीज़ 8221 के साथ काम करना, आप ट्रेंडेड श्रृंखला को चौरसाई करने के लिए Holt8217 के दृष्टिकोण का भी इस्तेमाल कर सकते हैं, जिसे अध्याय 3 और अध्याय 4, 8220 दोनों में चर्चा की गई है। विधियों ने आपको एक कदम-आगे पूर्वानुमान बनाने की स्थिति में रखा है, जिसके लिए आप संबंधित मौसमी सूचकांक जोड़ सकते हैं। एक अन्य दृष्टिकोण, जो I8217ll का उपयोग करते हैं, पहले ट्रेंडेड डेटा को रैखिक प्रतिगमन के एक अन्य उदाहरण के माध्यम से कहते हैं और फिर मौसमी सूचकांक जोड़ता है। चित्र 5.7 देखें चित्रा 5.7 चित्रा 5.7 पहला सच्चा पूर्वानुमान 25 वीं में है। चित्रा 5.7 चित्रा 5.7 की श्रेणी सी 5 में सूची व्यवस्था के लिए चित्रा 5.6 की सी 20: F24 में मंडलीय व्यवस्था से अपरिष्कृत त्रैमासिक साधन देता है। हम प्रतिमान समीकरण 8217 के अवरोधन और गुणांक की गणना करने के लिए चित्रा 5.7 में बी 5: सी 24 में डेटा के साथ LINEST () का इस्तेमाल कर सकते हैं, हम कॉलम बी में प्रत्येक मान के गुणांक को बढ़ा सकते हैं, और प्रत्येक उत्पाद को अवरोधक जोड़ सकते हैं, बनाने के लिए स्तंभ डी में पूर्वानुमान। लेकिन हालांकि LINEST () गुणांक और अवरोधन के अलावा अन्य उपयोगी जानकारी देता है, रुझान () एक अनुमानित पूर्वानुमान प्राप्त करने का एक तेज़ तरीका है, और मैं इसका उपयोग चित्रा 5.7 में करता हूं। सीमा D5: D24 में भविष्यवाणी शामिल है जो सी 5: सी 24 में deseasonalized त्रैमासिक आंकड़ों को बी 5: बी 24 में अवधि संख्याओं पर वापस करने से परिणामस्वरूप होता है। डी 5 में प्रयुक्त सरणी सूत्र: D24 यह है: परिणाम के उस सेट को समय श्रृंखला में सामान्य ऊपर की प्रवृत्ति के प्रभाव को दर्शाता है। क्योंकि ट्रेंड () से अनुमान लगाए जाने वाले मूल्यों को deseasonalized किया गया है, यह मौसमी प्रभाव जोड़ने के लिए रहता है, जिसे मौसमी इंडेक्स के रूप में भी जाना जाता है, वापस ट्रेंडेड पूर्वानुमान में शामिल होता है मौसमी इंडेक्स वापस जोड़ना मौसमी इंडेक्स में, चित्रा 5.6 में गणना चित्रा 5.7 में दिए गए हैं पहली श्रेणी सी 2: एफ 2 में और फिर बार-बार ई 5: ई 8, ई 9: ई 12 और इतने पर। स्तंभ डी में प्रवृत्ति पूर्वानुमानों के लिए कॉलम ई में मौसमी प्रभावों को जोड़कर शोध के अनुमानित पूर्वानुमान F5: F24 में रखा गया है। चित्रा 5.7 के सेल F25 में एक-कदम आगे पूर्वानुमान प्राप्त करने के लिए अगली अवधि के लिए टी के मूल्य सेल B25 में जाता है सेल D25 में निम्न सूत्र दर्ज किया गया है: यह एक्सेल को प्रतिगमन समीकरण की गणना करने का निर्देश देता है जो बी 5 में से उन लोगों से सी 5: सी 24 के पूर्वानुमानों का पूर्वानुमान करता है, और उस समीकरण को सेल B25 में नए एक्स-वेल्यू पर लागू करते हैं। उपयुक्त मौसमी सूचकांक सेल E25 में रखा गया है, और D25 और E25 का योग F25 में प्रवर्तित और मौसमी समय श्रृंखला के पहले सच्चा पूर्वानुमान के रूप में रखा गया है। You8217ll पूरे चक्कर के पूरे सेट को और चित्रा 5.8 में लिखे गए पूर्वानुमानों को पा सकते हैं। चित्रा 5.8 मौसमी प्रभाव पूर्वानुमानों को वापस कर दिया जाता है। सरल औसत का मूल्यांकन मौसमी समय श्रृंखला से निपटने के लिए दृष्टिकोण, कई पूर्व वर्गों में चर्चा की, इसमें कुछ सहज अपील है बुनियादी विचार सीधा लगता है: एक वार्षिक प्रवृत्ति की वार्षिक अवधि को मापने के साथ-साथ समय की अवधि के हिसाब से गणना करें। वर्ष के भीतर की अवधि के बीच वार्षिक प्रवृत्ति को विभाजित करें समायोजित प्रभाव प्राप्त करने के लिए आवधिक प्रभावों से विभाजित प्रवृत्ति को घटाएं। वास्तविक उपायों से समायोजित प्रभावों को समय-सीमा के अपरिष्कृत करने के लिए घटाएं। अपरिष्कृत श्रृंखला से पूर्वानुमान बनाएं, और समायोजित मौसमी प्रभावों को वापस जोड़ दें। मेरा अपना दृष्टिकोण यह है कि कई समस्याएं दृष्टिकोण को कमजोर करती हैं, और मैंने इसे इस पुस्तक में शामिल नहीं किया होगा, सिवाय इसके कि आप इसे सामना कर सकते हैं और इसलिए परिचित होना चाहिए इसके साथ। और यह एक उपयोगी स्प्रिंगबोर्ड प्रदान करता है जो अन्य अवधारणाओं और प्रक्रियाओं के बारे में अन्य मजबूत दृष्टिकोणों पर चर्चा करता है। सबसे पहले, इस मुद्दे पर 8217 रुपये (जिसके बारे में मैंने पहले इस अध्याय में शिकायत की थी) हर साल की पहचान करने वाले लगातार पूर्णांक पर वार्षिक साधनों के प्रतिगमन के लिए बहुत छोटा नमूना आकार के बारे में। यहां तक ​​कि केवल एक भविष्यवक्ता के साथ भी, 10 टिप्पणियों के रूप में वास्तव में बैरल के नीचे स्क्रैप करना है बहुत कम से कम आपको परिणामी आर 2 को संकोचन के लिए समायोजित किया जाना चाहिए और तदनुसार अनुमान के मानक त्रुटि की फिर से गणना करना चाहिए। यह सच है कि आबादी में जितना मजबूत संबंध होगा, उतना ही छोटा नमूना जो आप से दूर हो सकते हैं। लेकिन कई सालों के भीतर क्वार्टर के साथ काम करना, आप 8217 के भाग्यशाली हैं जो लगातार 10 तिमाही के 8217 मूल्यों की खोज करते हैं, जो प्रत्येक समय में उसी तरह मापा जाता है। I8217m ने यह नहीं समझा कि आपको एक वर्ष के भीतर समस्याग्रस्त अप-डाउन पैटर्न का जवाब मिलता है (चित्रा 5.4 में चार्ट देखें) चोटियों और घाटियों के औसत से बाहर है और वार्षिक साधनों से प्रवृत्ति अनुमान प्राप्त करना है। निश्चित रूप से इस समस्या का उत्तर 8217 एक है, लेकिन, जैसा कि आप 8217 देखेंगे, वहां 8217 के आधारभूत प्रवृत्ति से मौसमी प्रभावों को अलग करने, उन दोनों के लिए लेखांकन और तदनुसार पूर्वानुमान की एक बहुत मजबूत विधि है। I8217 9 इस पद्धति को बाद में कोडित वैक्टर 8221 सेक्शन के साथ 8220 लियियर रेग्रेसन में कवर किया गया है। इसके अलावा, वर्ष 8217 को सालाना रचना की अवधि के बीच वार्षिक रुझान को समान रूप से वितरित करने के सिद्धांत में कोई नींव नहीं है। यह सच है कि रैखिक प्रतिगमन कुछ समान है, जब यह अपने सीधा रेखा पर पूर्वानुमान लगाता है लेकिन वहाँ 8217 एक मूल धारणा बनाने के बीच एक विशाल खाई है क्योंकि विश्लेषणात्मक मॉडल can8217t अन्यथा डेटा को संभालने, और एक दोषपूर्ण परिणाम स्वीकार करते हैं जिनके दोषों 8212 एरोरों में पूर्वानुमान 8212can मापा और मूल्यांकन किया जा सकता है। उस ने कहा, चलो 8217 चलने की औसत के बजाय साधारण औसत के उपयोग के चलते मौसम की स्थिति से निपटने का एक तरीका है।