مزايا و - قيود من بين الحركة - متوسط - طريقة من الاتجاه المناسب

التنبؤ بواسطة تقنيات التلطيخ. هذا الموقع هو جزء من جافاسكريبت E-لابس كائنات التعلم لاتخاذ القرار يتم تصنيف جافاسكريبت أخرى في هذه السلسلة تحت مجالات مختلفة من التطبيقات في القسم مينو في هذه الصفحة. السلسلة الزمنية هي سلسلة من الملاحظات التي يتم ترتيبها في الوقت المناسب متجانس في جمع البيانات التي تم التقاطها مع مرور الوقت هو شكل من أشكال الاختلاف العشوائي هناك طرق للحد من إلغاء تأثير بسبب الاختلاف العشوائي تقنيات على نطاق واسع تمهيد هذه التقنيات، عند تطبيقها بشكل صحيح، يكشف عن أكثر وضوحا الاتجاهات الأساسية. Enter السلاسل الزمنية الصف الحكيم في تسلسل، بدءا من الزاوية اليسرى العليا، والمعلمة s، ثم انقر فوق زر حساب للحصول على فترة واحدة قبل التنبؤ. لا يتم تضمين صناديق فارغة في الحسابات ولكن الأصفار هي. في إدخال البيانات الخاصة بك للانتقال من خلية إلى خلية في مصفوفة البيانات استخدام مفتاح تاب ليس السهم أو إدخال مفاتيح. الميزات من السلاسل الزمنية، والتي يمكن كشفها من قبل إكساميني نغ الرسم البياني مع القيم المتوقعة، والسلوك المتبقي، النمذجة التنبؤ حالة. المتوسطات المتحركة ترتيب المتوسطات المتحركة بين التقنيات الأكثر شعبية ل بريبروسيسينغ من السلاسل الزمنية أنها تستخدم لتصفية الضوضاء البيضاء العشوائية من البيانات، لجعل سلسلة زمنية أكثر سلاسة أو حتى للتأكيد على بعض المكونات المعلوماتية الواردة في السلاسل الزمنية. تمهيد إكسوننتيال هذا هو مخطط شعبية جدا لإنتاج سلسة سلسلة الوقت حيث أنه في المتوسطات المتحركة يتم ترجيح الملاحظات السابقة بالتساوي، الأسي تجانس يعين الأوزان تناقص أضعافا مع تقدم الملاحظة وبعبارة أخرى، أعطيت الملاحظات الأخيرة وزن أكثر نسبيا في التنبؤ من الملاحظات القديمة ضعف الأسي التمويه هو أفضل في التعامل مع الاتجاهات الثلاثي الأسي تجانس أفضل في التعامل مع اتجاهات القطع المكافئ. المتوسط ​​المتحرك المرجح أضعافا مضاعفة مع ثابت تجانس يتوافق تقريبا إلى بسيطة المتوسط ​​المتحرك للطول أي حيث n و n ترتبط ب a. a 2 n 1 أور n 2 a a. Thus، على سبيل المثال، فإن المتوسط ​​المتحرك المرجح أسيونيننتيالي مع ثابت التمهيد يساوي 0 1 أن تقابل تقريبا إلى 19 يوم متحرك المتوسط ​​و فإن المتوسط ​​المتحرك البسيط لمدة 40 يوما سوف يتوافق تقريبا مع متوسط ​​متحرك مرجح أسي مع ثابت ثابت يساوي 0 04878.Holt s خطي الأسي تمهيد لنفترض أن السلاسل الزمنية غير موسمية ولكن لا عرض الاتجاه هولت s طريقة تقدير كل من التيار المستوى والاتجاه الحالي. لاحظ أن المتوسط ​​المتحرك البسيط هو حالة خاصة من التمهيد الأسي من خلال تحديد فترة المتوسط ​​المتحرك إلى جزء صحيح من ألفا ألفا 2. وبالنسبة لمعظم بيانات الأعمال معلمة ألفا أصغر من 0 40 في كثير من الأحيان فعالة ومع ذلك، يمكن للمرء إجراء بحث الشبكة من مساحة المعلمة، مع 0 1 إلى 0 9، مع زيادات 0 0 ثم أفضل ألفا لديه أصغر خطأ المطلق خطأ ما MA. How لمقارنة عدة طرق التجانس على الرغم من أن هناك هي مؤشرات رقمية لتقييم دقة تقنية التنبؤ، فإن النهج الأكثر انتشارا هو استخدام المقارنة البصرية لعدة تنبؤات لتقييم دقتها والاختيار من بين أساليب التنبؤ المختلفة في هذا النهج، يجب على المرء أن رسم باستخدام، على سبيل المثال إكسيل على نفس الرسم البياني والقيم الأصلية لمتغير سلسلة زمنية والقيم المتوقعة من عدة أساليب التنبؤ المختلفة، مما يسهل المقارنة البصرية. قد ترغب في استخدام التنبؤات الماضية من قبل تقنيات تجانس جافاسكريبت للحصول على قيم التوقعات السابقة على أساس تقنيات تمهيد التي تستخدم معلمة واحدة فقط هولت، وطرق الشتاء تستخدم اثنين وثلاثة معلمات، على التوالي، وبالتالي فإنه ليس من السهل مهمة لتحديد الأمثل، أو حتى بالقرب من القيم المثلى من قبل التجربة والأخطاء للمعلمات. التمهيد الأسي واحد يؤكد على منظور قصير المدى ذلك يحدد المستوى إلى الملاحظة الأخيرة ويستند إلى شرط عدم وجود اتجاه الانحدار الخطي أيون، الذي يناسب خط المربعات الصغرى إلى البيانات التاريخية أو البيانات التاريخية المحولة، يمثل المدى الطويل، وهو مشروط على الاتجاه الأساسي هولت s الخطي الأسي التمهيد يلتقط المعلومات حول الاتجاه الأخير المعلمات في نموذج هولت s هو مستويات المعلمة التي ينبغي أن تنخفض عندما يكون مقدار تغير البيانات كبيرا وينبغي زيادة معلمة الاتجاهات إذا كان اتجاه الاتجاه الأخير مدعوما بالسببية لبعض العوامل. التنبؤ على المدى القصير لاحظ أن كل جافاسكريبت في هذه الصفحة يوفر خطوة واحدة إلى الأمام توقعات للحصول على توقعات من خطوتين إلى الأمام ببساطة إضافة القيمة المتوقعة إلى نهاية لك سلسلة بيانات الوقت ومن ثم انقر على نفس زر حساب يمكنك تكرار هذه العملية لبضع مرات من أجل الحصول على التوقعات اللازمة على المدى القصير. Steps في اختيار نموذج التنبؤ. يجب أن يتضمن نموذج التنبؤ الخاص بك الميزات التي التقاط جميع الخصائص النوعية الهامة لأنماط البيانات من الاختلاف في مستوى و تري بالإضافة إلى ذلك، يجب أن تتفق الافتراضات التي تكمن وراء النموذج الذي اخترته مع الحدس الخاص بك حول كيفية سلوك السلسلة من المرجح أن تتصرف في المستقبل عند تركيب نموذج التنبؤ، لديك بعض من التالية اختيارات هذه الخيارات موضحة باختصار أدناه انظر مخطط تدفق التنبؤ المصاحب لعرض تصويري لعملية مواصفات النموذج، ثم ارجع إلى لوحة ستاتغرافيكس موديل سبيسيفيكاتيون لنرى كيف يتم تحديد خصائص النموذج في البرنامج. إذا كانت السلسلة يظهر النمو التضخمي، ثم الانكماش سيساعد على حساب نمط النمو وتقليل التغايرية في المخلفات يمكنك إما أن تفرغ البيانات السابقة و ريينفلات التنبؤات على المدى الطويل بمعدل ثابت المفترض، أو 2 إنفراغ البيانات السابقة بسعر مثل مؤشر أسعار المستهلك، ثم إعادة تدوير التوقعات على المدى الطويل يدويا باستخدام توقعات مؤشر السعر الخيار الأول هو الأسهل في السابق سيل، يمكنك فقط إنشاء عمود من الصيغ لتقسيم القيم الأصلية بالعوامل المناسبة على سبيل المثال، إذا كانت البيانات شهرية وتريد أن تنخفض بمعدل 5 لكل 12 شهرا، فإنك سوف تقسم بمعامل 1 05 k 12 حيث k هو رقم مؤشر مؤشر الصف ريجرسيت و ستاتغرافيكس وقد بنيت في الأدوات التي تفعل ذلك تلقائيا بالنسبة لك إذا ذهبت هذا الطريق، فمن الأفضل عادة لتحديد معدل التضخم المفترض يساوي أفضل تقدير الخاص بك من المعدل الحالي، لا سيما إذا كنت تنوي توقع أكثر من فترة واحدة قبل ذلك إذا اخترت الخيار الثاني، يجب عليك أولا حفظ التوقعات المنكوبة وحدود الثقة إلى جدول بيانات البيانات الخاصة بك، ثم إنشاء وحفظ توقعات لمؤشر الأسعار، وأخيرا مضاعفة المناسبة الأعمدة معا العودة إلى أعلى الصفحة تحول اللوغاريتم إذا كانت السلسلة تظهر نمو مركب أو نمط موسمية مضاعف، فإن تحويل اللوغاريتم قد يكون مفيدا بالإضافة إلى أو ليو من الانكماش تسجيل t وقال انه البيانات لن تتسطح نمط النمو التضخمي، لكنه سوف تصويب عليه من ذلك أنه يمكن تركيبها من قبل نموذج خطي إيغا المشي عشوائي أو نموذج أريما مع النمو المستمر، أو خطية الأسية تمهيد نموذج أيضا، وسوف تحول تحويل الموسمية المضاعفة أنماط حتى أنماط إضافية، بحيث إذا قمت بإجراء التعديل الموسمية بعد تسجيل، يجب عليك استخدام نوع إضافي تسجيل الصفقات مع التضخم بطريقة ضمنية إذا كنت تريد أن يكون نموذج التضخم بشكل صريح - أي إذا كنت تريد أن يكون معدل التضخم مرئيا المعلمة من النموذج أو إذا كنت ترغب في عرض المؤامرات من البيانات المفصولة - ثم يجب أن تنفخ بدلا من log. An أهمية استخدام آخر لتحويل السجل هو خطي العلاقات بين المتغيرات في وضع الانحدار l على سبيل المثال، إذا كان المتغير التابع هو وظيفة مضاعفة بدلا من وظيفة إضافية للمتغيرات المستقلة، أو إذا كانت العلاقة بين المتغيرات التابعة والمستقلة خطية من حيث النسبة المئوية تشا نغس بدلا من التغييرات المطلقة، ثم تطبيق تحويل السجل إلى واحد أو أكثر من المتغيرات قد تكون مناسبة، كما هو الحال في مثال مبيعات البيرة العودة إلى أعلى الصفحة. التعديل المنطقي إذا كانت السلسلة لديها نمط موسمي قوي والذي يعتقد أنه ثابت من السنة على سبيل المثال، قد يكون التعديل الموسمية طريقة مناسبة لتقدير واستقراء النمط ميزة التعديل الموسمية هي أنه يرسم النمط الموسمي بشكل صريح، مما يتيح لك خيار دراسة المؤشرات الموسمية والبيانات المعدلة موسميا والعيب هو أنه يتطلب وتقدير عدد كبير من المعلمات الإضافية خاصة بالنسبة للبيانات الشهرية، وأنه لا يوفر الأساس المنطقي النظري لحساب فترات الثقة الصحيحة خارج العينة التحقق من صحة أهمية خاصة للحد من خطر الإفراط في تركيب البيانات الماضية من خلال التعديل الموسمية إذا كانت البيانات موسمية بقوة ولكنك لا تختار التعديل الموسمية، البدائل هي إما إيو سي نموذج أريما الموسمية الذي يتنبأ ضمنا النمط الموسمية باستخدام الفواصل الموسمية والاختلافات، أو إي استخدام فصل الشتاء الموسمية الأسي نموذج تمهيد، والذي يقدر مؤشرات موسمية متغيرة الوقت العودة إلى أعلى الصفحة. متغيرات مستقلة إذا كان هناك سلسلة زمنية أخرى التي كنت نعتقد أن لديها قوة تفسيرية فيما يتعلق سلسلة من اهتمامك على سبيل المثال المؤشرات الاقتصادية الرائدة أو متغيرات السياسة مثل السعر، والإعلانات، والترقيات، وما إلى ذلك قد ترغب في النظر الانحدار كنوع النموذج الخاص بك سواء كنت لا تختار الانحدار، ما زلت بحاجة إلى النظر الاحتمالات المذكورة أعلاه لتحويل المتغيرات الخاصة بك الانكماش، سجل، والتكيف الموسمي - وربما أيضا الاختلاف وذلك لاستغلال البعد الزمني و أو خطي العلاقات حتى لو كنت لا تختار الانحدار في هذه المرحلة، قد ترغب في النظر في ريجريسورس في وقت لاحق إلى نموذج السلاسل الزمنية على سبيل المثال نموذج أريما إذا كانت البقايا تتحول إلى وجود ارتباطات متقاطعة عبر مع المتغيرات الأخرى العودة إلى أعلى الصفحة. التمهيد، المتوسط، أو المشي العشوائي إذا كنت قد اخترت ضبط موسميا البيانات - أو إذا كانت البيانات ليست موسمية لتبدأ - ثم قد ترغب في استخدام المتوسط ​​أو نموذج تمهيد لتتناسب مع النمط غير الداخلي الذي يبقى في البيانات عند هذه النقطة المتوسط ​​المتحرك البسيط أو نموذج التجانس الأسي البسيط يحسب المتوسط ​​المحلي للبيانات في نهاية السلسلة على افتراض أن هذا هو أفضل تقدير للقيمة المتوسطة الحالية والتي تتذبذب حولها البيانات تفترض هذه النماذج أن متوسط ​​السلسلة يتغير ببطء وبشكل عشوائي بدون اتجاهات ثابتة. وعادة ما يفضل التمهيد الأسي البسيط لمتوسط ​​متحرك بسيط، لأن متوسطه المرجح أضعافا مضاعفة تؤدي وظيفة أكثر منطقية لخصم البيانات القديمة ، لأن ألفا المعلمة تمهيد مستمر ويمكن أن يكون الأمثل بسهولة، ولأن لديه الأساس النظري الكامن لحساب فترات الثقة. إذا فإن التنعيم أو المتوسط ​​لا يبدو مفيدا - أي إذا كان أفضل مؤشر للقيمة التالية للسلسلة الزمنية هو ببساطة قيمته السابقة - ثم يشار إلى نموذج المشي العشوائي. هذه هي الحالة، على سبيل المثال، إذا كان العدد الأمثل من المصطلحات في المتوسط ​​المتحرك البسيط تبين أن تكون 1، أو إذا كانت القيمة المثلى للألفا في تمهيد أسي بسيط تبين أن 0 9999.Brown s الخطي الأسي تمهيد يمكن استخدامها لتناسب سلسلة مع بطيء الاتجاهات الخطية متغيرة الوقت ، ولكن كن حذرا بشأن استقراء هذه الاتجاهات بعيدة جدا في المستقبل إن فترات الثقة الآخذة في الاتساع بسرعة لهذا النموذج تشهد على عدم اليقين بشأن مستقبل باطن هولت المستقبلي، وتقدر أيضا الاتجاهات المتغيرة في الوقت، ولكنها تستخدم معلمات منفصلة لتلطيف المستوى و الاتجاه، الذي عادة ما يوفر أفضل ملاءمة للبيانات من نموذج براون س س و أودراتيك الأسس محاولات تمهيد لتقدير الاتجاهات التربيعية متغيرة الوقت، وينبغي أبدا أن تستخدم أبدا وهذا من شأنه أن كوريسبون د إلى نموذج أريما مع ثلاثة أوامر من اختلاف غير منطقي التمهيد الأسي الخطي مع الاتجاه المائل أي اتجاه التي تتسطح في آفاق بعيدة وغالبا ما يوصى بها في الحالات التي يكون فيها المستقبل غير مؤكد جدا. العديد من نماذج التماسك الأسي هي حالات خاصة من نماذج أريما وصفها أدناه ويمكن تركيبها مع برنامج أريما على وجه الخصوص، فإن نموذج التمهيد الأسي بسيط هو أريما 0،1،1 نموذج، هولت نموذج التمهيد الخطي هو أريما 0،2،2 نموذج، ونموذج الاتجاه المخفف هو أريما 1 ، 1،2 نموذج A ملخص جيد للمعادلات من مختلف نماذج التمهيد الأسي يمكن العثور عليها في هذه الصفحة على موقع ساس على شبكة الإنترنت وترد قوائم ساس لتحديد نماذج السلاسل الزمنية أيضا أنها مماثلة لتلك الموجودة في ستاتغرافيكس. ، أو نماذج الأسطر التربيعية، أو الأسية هي خيارات أخرى لاستقراء سلسلة ديسوناليزد، لكنها نادرا ما تتفوق على المشي العشوائي، وتمهيد، أو نماذج أريما على بيانات الأعمال العودة إلى أعلى صفحة. Winters الموسمية الأسي تنعيم الشتاء الشتاء التمدد الموسمية هو امتداد من التمهيد الأسي الذي يقدر في وقت واحد مستوى متغير المستوى، والاتجاهات، والعوامل الموسمية باستخدام المعادلات العودية وهكذا، إذا كنت تستخدم هذا النموذج، فإنك لن أولا ضبط موسميا البيانات الشتاء الشتاء يمكن أن تكون العوامل إما مضاعفة أو المضافة عادة يجب عليك اختيار الخيار المضاعف إلا إذا كنت قد سجلت البيانات على الرغم من أن نموذج الشتاء هو ذكي وبديهية معقولة، يمكن أن يكون من الصعب تطبيق في الممارسة العملية لديها ثلاثة معايير تمهيد - ألفا، بيتا، و غاما - من أجل تمهيد المستوى والمستوى والعوامل الموسمية بشكل منفصل، والتي يجب تقديرها في وقت واحد يمكن تحديد قيم البدء للمؤشرات الموسمية بتطبيق طريقة معدل الانتقال إلى المتوسط ​​للتكيف الموسمي على جزء أو كل سيريز أند أور أور باكفوركاستينغ خوارزمية التقدير التي تستخدمها ستاتغرافيكس لهذه المعلمات أحيانا لا تتحول جي أو غلة القيم التي تعطي توقعات غريبة المظهر وفواصل الثقة، لذلك أود أن أوصي الحذر عند استخدام هذا النموذج العودة إلى أعلى الصفحة. أريما إذا كنت لا تختار التعديل الموسمية أو إذا كانت البيانات غير الموسمية، قد ترغب لاستخدام نموذج أريما نموذج أريما نماذج هي فئة عامة جدا من النماذج التي تشمل المشي العشوائي، والاتجاه العشوائي، وتمهيد الأسي، ونماذج الانحدار الذاتي كحالات خاصة والحكمة التقليدية هي أن سلسلة هو مرشح جيد لنموذج أريما إذا كان ذلك يمكن أن يتم تجميعها من خلال مزيج من الاختلافات والتحولات الرياضية الأخرى مثل قطع الأشجار، و إي لديك كمية كبيرة من البيانات للعمل مع ما لا يقل عن 4 مواسم كاملة في حالة البيانات الموسمية إذا كانت سلسلة لا يمكن أن تكون مستقرة بشكل كاف من قبل اختلاف - على سبيل المثال إذا كان غير منتظم جدا أو يبدو أن تغيير نوعيا سلوكها مع مرور الوقت - أو إذا كان لديك أقل من 4 مواسم من البيانات، ثم قد يكون أفضل حالا مع نموذج أن يو سيس موسمية التكيف وبعض نوع من المتوسط ​​المتوسط ​​أو تمهيد. نماذج أريما لها اصطلاح تسمية خاصة قدمها مربع و جينكينز ويصنف نموذج أريما نوناسونال كما أريما p، د، ف نموذج، حيث د هو عدد من الاختلافات نونزيسونال، p هو عدد الفواصل الزمنية للانحراف الذاتي للتسلسل المختلف، و q هو عدد الفواصل الزمنية للمتوسط ​​المتحرك لأخطاء التنبؤ في معادلة التنبؤ. يصنف نموذج أريما الموسمية على أنه أريما p و d و Q P و D و Q حيث D و P و Q هي، على التوالي، عدد الفوارق الموسمية، وفترات الانحدار الذاتي الموسمية فترات التأخر من سلسلة مختلفة في مضاعفات الفترة الموسمية، والمتوسط ​​المتحرك المتوسط ​​فترات التأخر في أخطاء التنبؤ في مضاعفات الفترة الموسمية. الخطوة الأولى في تركيب نموذج أريما هو تحديد الترتيب المناسب من الاختلاف اللازمة لاستقرار السلسلة وإزالة الميزات الإجمالية للموسمية وهذا ما يعادل تحديد أي ساذجة المشي العشوائي أو نموذج الاتجاه العشوائي يوفر أفضل نقطة انطلاق لا تحاول استخدام أكثر من 2 مجموع أوامر من اختلاف غير موسمي والموسمية مجتمعة، ولا تستخدم أكثر من 1 الفرق الموسمي. الخطوة الثانية هي تحديد ما إذا كان لتشمل ثابت على المدى الطويل في النموذج عادة ما تشمل مصطلح ثابت إذا كان الترتيب الكلي للتباين هو 1 أو أقل، وإلا كنت لا ر في نموذج مع ترتيب واحد من الاختلاف، يمثل المصطلح الثابت متوسط ​​الاتجاه في التنبؤات في نموذج مع اثنين يتم تحديد الاتجاه في التنبؤات من خلال الاتجاه المحلي الذي لوحظ في نهاية السلاسل الزمنية، ويمثل المصطلح الثابت الاتجاه في الاتجاه، أي انحناء التوقعات على المدى الطويل عادة ما يكون خطير لاستقراء الاتجاهات في الاتجاهات، لذلك يمكنك قمع مصطلح كونتانت في هذه الحالة. الخطوة الثالثة هي اختيار أرقام الانحدار الذاتي والانتقال المعلمات المتوسطة p، د، ف، ف، د، س التي هي اللازمة للقضاء على أي الارتباط الذاتي التي تبقى في بقايا النموذج الساذج أي أي ارتباط يبقى بعد الاختلاف فقط تحدد هذه الأرقام عدد الفواصل الزمنية لسلسلة الاختلاف أو التأخيرات في أخطاء التنبؤ المتضمنة في معادلة التنبؤ إذا لم يكن هناك ارتباط ذاتي كبير في بقايا عند هذه النقطة، ثم ستوب، كنت فعلت أفضل نموذج هو نموذج ساذج. إذا كان هناك ارتباط ذاتي كبير في التأخر 1 أو 2، يجب عليك محاولة إعداد q 1 إذا كان أحد ما يلي ينطبق ط هناك فرق غير موسمي في النموذج الثاني، يكون الترابط الذاتي المتخلف 1 سلبيا أو إي مؤامرة الترابط الذاتي المتبقية هي أنظف - تبدو طفرات أقل وأكثر معزولة من مؤامرة الترابط الذاتي الجزئي المتبقي إذا لم يكن هناك فرق غير موسمي في النموذج أو الترابط الذاتي 1 هو إيجابي أو أن مؤامرة الارتباط الذاتي الجزئي المتبقي تبدو أكثر نظافة، ثم حاول p 1 أحيانا هذه القواعد للاختيار بين ص 1 و 1 الصراع مع بعضها البعض، حيث كاس e على الأرجح لا تحدث فرقا كبيرا أي واحد تستخدمه جربها ومقارنتها إذا كان هناك ارتباط تلقائي عند 2 لا تتم إزالته عن طريق إعداد p 1 أو q 1، يمكنك عندئذ محاولة p 2 أو q 2 أو أحيانا p 1 و q 1 نادرا ما قد تواجه حالات يكون فيها p 2 أو 3 و q 1 أو العكس بالعكس أفضل النتائج يوصى بشدة بعدم استخدام p 1 و q 1 في نفس الطراز بشكل عام، عند تركيب نماذج أريما، يجب تجنب زيادة تعقيد النموذج من أجل الحصول على تحسينات إضافية صغيرة فقط في إحصائيات الخطأ أو ظهور مؤامرات أسف و باسف أيضا، في نموذج مع كل من p 1 و q 1، هناك احتمال جيد للتكرار وعدم التفرد بين الجانبين أر و ما من النموذج، كما هو موضح في الملاحظات على الهيكل الرياضي من نموذج أريما s فمن الأفضل عادة المضي قدما في خطوة إلى الأمام بدلا من الاتجاه التدريجي إلى الأمام عند التغيير والتبديل مواصفات نموذج تبدأ مع أبسط نماذج وإضافة فقط المزيد من الشركة المصرية للاتصالات جذر متوسط ​​التربيع إذا كانت هناك حاجة واضحة. وتنطبق نفس القواعد على عدد مصطلحات الانحدار الذاتي الموسمية P وعدد شروط المتوسط ​​المتحرك الموسمية Q فيما يتعلق بالعلاقة الذاتية في الفترة الموسمية على سبيل المثال تأخر 12 في البيانات الشهرية حاول Q 1 إذا كان هناك بالفعل فإن الفارق الموسمي في النموذج أو الارتباط الذاتي الموسمية سلبي أو أن مؤامرة الارتباط الذاتي المتبقي تبدو أكثر نظافة في محيط الفاصل الموسمية، ولكن حاول P 1 إذا كان من المنطقي أن تظهر السلسلة موسمية قوية، يجب عليك استخدام الموسمية الفرق، وإلا فإن النمط الموسمية سوف تتلاشى عند جعل التوقعات على المدى الطويل في بعض الأحيان قد ترغب في محاولة P 2 و Q 0 أو نائب v إرسا، أو يا 1 ومع ذلك، فمن المستحسن جدا أن يا يجب ألا يكون أبدا أكبر من 2 الموسمية نادرا ما يكون نمط من الانتظام المثالي على عدد كبير بما فيه الكفاية من المواسم التي من شأنها أن تجعل من الممكن تحديد موثوق وتقدير أن العديد من المعلمات أيضا، خوارزمية باكفوريكاستينغ م التي تستخدم في تقدير المعلمة من المرجح أن تنتج نتائج لا يمكن الاعتماد عليها أو حتى مجنون عندما يكون عدد مواسم البيانات ليست أكبر بكثير من بدكي أن يوصي ما لا يقل عن بدق 2 مواسم كاملة، وأكثر من ذلك هو أفضل مرة أخرى، عند تركيب نماذج أريما، يجب أن تكون حذرا لتجنب الإفراط في تركيب البيانات، على الرغم من حقيقة أنه يمكن أن يكون هناك الكثير من المرح بمجرد الحصول على تعليق منه. حالات خاصة هامة كما ذكر أعلاه، نموذج أريما 0،1،1 دون ثابت متطابقة إلى نموذج تمهيد الأسي بسيط، ويفترض مستوى عائم أي أي انعكاس يعني ولكن مع صفر الاتجاه على المدى الطويل نموذج أريما 0،1،1 مع ثابت هو نموذج تمهيد الأسي بسيط مع مصطلح الاتجاه الخطي غير الصفر وشملت أريما 0 ، 2،1 أو 0،2،2 نموذج دون ثابت هو نموذج التجانس الأسي الخطي الذي يسمح لاتجاه متغير الوقت نموذج أريما 1،1،2 بدون ثابت هو نموذج التجانس الأسي الخطي مع الاتجاه المخفض، أي الاتجاه الذي تتسطح في نهاية المطاف في لو التنبؤات على المدى النغر. نماذج أريما الموسمية الأكثر شيوعا هي أريما 0،1،1 x 0،1،1 نموذج بدون ثابت و أريما 1،0،1 x 0،1،1 نموذج مع ثابت الأولى من هذه النماذج ينطبق أساسا على التمهيد الأسي لكلا من المكونات غير الموسمية والموسمية للنمط في البيانات في حين يسمح لاتجاه متغير الوقت، وهذا النموذج الأخير مشابه إلى حد ما ولكن يفترض اتجاها خطي ثابت وبالتالي قليلا أكثر قابلية للتنبؤ على المدى الطويل يجب عليك دائما تضمين هذين النموذجين بين تشكيلة من المشتبه بهم عند تركيب البيانات مع أنماط موسمية متسقة واحد منهم ربما مع اختلاف طفيف مثل زيادة p أو ف بواسطة 1 أو وضع P 1 وكذلك Q 1 هو في كثير من الأحيان أفضل العودة إلى أعلى من النماذج. المتوسط ​​المتحرك ونماذج التجانس الأسي. كخطوة أولى في التحرك خارج النماذج المتوسطة، نماذج المشي العشوائي، ونماذج الاتجاه الخطي، يمكن استنباط أنماط واتجاهات غير تقليدية باستخدام نموذج متحرك أو تمهيد. إن متوسط ​​المتوسط ​​ونمذجة النماذج هو أن السلاسل الزمنية ثابتة محليا بمتوسط ​​متغير ببطء وبالتالي فإننا نأخذ متوسطا محليا متحركا لتقدير القيمة الحالية للمتوسط ​​ومن ثم استخدامها كمؤشر للمستقبل القريب ويمكن اعتبار هذا حل وسط بين النموذج المتوسط ​​ونموذج المشي العشوائي بدون الانجراف ويمكن استخدام نفس الاستراتيجية لتقدير واستقراء الاتجاه المحلي. غالبا ما يطلق على المتوسط ​​المتحرك نسخة ممهدة من السلسلة الأصلية لأن متوسط ​​المدى القصير لديه تأثير تمهيد المطبات في السلسلة الأصلية من خلال تعديل درجة تمهيد عرض المتوسط ​​المتحرك، يمكننا أن نأمل في ضرب نوع من التوازن الأمثل بين أداء المتوسط ​​و نماذج المشي العشوائية أبسط نوع من نموذج المتوسط ​​هو. متوسط ​​متحرك متساوي الوزن على حد سواء. التنبؤ بقيمة Y في الوقت t 1 التي تتم في وقت t يساوي المتوسط ​​البسيط من الملاحظات م الأخيرة. هنا وفي أماكن أخرى سأستخدم الرمز Y-هات للوقوف على توقعات للسلسلة الزمنية Y التي تم إجراؤها في أقرب موعد ممكن من قبل نموذج معين ويتركز هذا المتوسط ​​في الفترة t 1 1، مما يعني أن تقدير فإن المتوسط ​​المحلي سيميل إلى التخلف عن القيمة الحقيقية للمتوسط ​​المحلي بحوالي m 1 2 وبالتالي فإننا نقول أن متوسط ​​عمر البيانات في المتوسط ​​المتحرك البسيط هو m 1 2 بالنسبة إلى الفترة التي يتم فيها حساب التوقعات هذا هو مقدار الوقت الذي من شأنه أن التنبؤات تميل إلى تخلف نقاط تحول في البيانات على سبيل المثال، إذا كنت متوسط ​​القيم 5 الماضية، فإن التوقعات ستكون حوالي 3 فترات في وقت متأخر من الاستجابة لنقاط تحول لاحظ أنه إذا م 1، متوسط ​​نموذج المتوسط ​​المتحرك المتوسط ​​البسيط يساوي نموذج المشي العشوائي بدون نمو إذا كانت m كبيرة جدا مقارنة بطول فترة التقدير، فإن نموذج سما يعادل النموذج المتوسط ​​كما هو الحال مع أي معلمة لنموذج التنبؤ، لضبط قيمة كي n للحصول على أفضل ملاءمة للبيانات، أي أصغر أخطاء التنبؤ في المتوسط. هنا هو مثال لسلسلة التي يبدو أن تظهر تقلبات عشوائية حول متوسط ​​ببطء متغير أولا، دعونا نحاول لتناسب ذلك مع المشي العشوائي نموذج، وهو ما يعادل متوسط ​​متحرك بسيط من 1 term. The نموذج المشي العشوائي يستجيب بسرعة كبيرة للتغيرات في هذه السلسلة، ولكن في ذلك يفعل ذلك يختار الكثير من الضوضاء في البيانات تقلبات عشوائية، فضلا عن إشارة المحلية يعني إذا حاولنا بدلا من ذلك متوسط ​​متحرك بسيط من 5 مصطلحات، نحصل على مجموعة أكثر سلاسة من التوقعات. المتوسط ​​المتحرك البسيط لمدة 5 سنوات ينتج أخطاء أقل بكثير من نموذج المشي العشوائي في هذه الحالة متوسط ​​عمر البيانات في هذا التنبؤ هو 3 5 1 2، حتى أنه يميل إلى التخلف عن نقاط التحول بنحو ثلاث فترات على سبيل المثال، يبدو أن الانكماش قد حدث في الفترة 21، ولكن التوقعات لا تتحول حتى عدة فترات في وقت لاحق. لاحظ أن المدى الطويل، والتنبؤات طويلة الأجل من وزارة الدفاع سما إل هي خط أفقي مستقيم، تماما كما في نموذج المشي العشوائي وهكذا، يفترض نموذج سما أنه لا يوجد اتجاه في البيانات ومع ذلك، في حين أن التوقعات من نموذج المشي العشوائي هي ببساطة مساوية لقيمة الملاحظة الأخيرة، والتنبؤات من فإن نموذج سما يساوي المتوسط ​​المرجح للقيم الأخيرة. حدود الثقة التي تحسبها ستاتغرافيكس للتنبؤات طويلة الأجل للمتوسط ​​المتحرك البسيط لا تتسع مع زيادة أفق التنبؤ هذا من الواضح أنه ليس صحيحا للأسف، النظرية الإحصائية التي تخبرنا كيف يجب أن تتسع فترات الثقة لهذا النموذج ومع ذلك، ليس من الصعب جدا حساب التقديرات التجريبية لحدود الثقة لتوقعات الأفق الأطول على سبيل المثال، يمكنك إعداد جدول بيانات فيه نموذج سما سوف تستخدم للتنبؤ بخطوتين إلى الأمام و 3 خطوات إلى الأمام وما إلى ذلك ضمن عينة البيانات التاريخية. يمكنك بعد ذلك حساب الانحرافات المعيارية للعينة في كل توقعات h أوريزون، ومن ثم بناء فترات الثقة للتنبؤات الأطول أجلا عن طريق جمع وطرح مضاعفات الانحراف المعياري المناسب. إذا حاولنا متوسط ​​متحرك بسيط لمدة 9 سنوات، نحصل على توقعات أكثر سلاسة وأكثر تأثيرا متخلفا. الآن 5 فترات 9 1 2 إذا أخذنا متوسط ​​متحرك لمدة 19 عاما، فإن متوسط ​​العمر يزداد إلى 10.لاحظ أن التوقعات في الواقع تتخلف الآن عن نقاط التحول بنحو 10 فترات. كما أن كمية التجانس هي الأفضل لهذه السلسلة في ما يلي جدول يقارن إحصاءات الخطأ الخاصة بهم، بما في ذلك أيضا متوسط ​​3 فترات. نموذج C، المتوسط ​​المتحرك لمدة 5 سنوات، ينتج أدنى قيمة ل رمز بهامش صغير على متوسطات المدى 3 و 9، إحصائياتهم الأخرى متطابقة تقريبا لذلك، من بين نماذج مع إحصاءات الخطأ مشابهة جدا، يمكننا أن نختار ما إذا كنا نفضل أكثر قليلا من الاستجابة أو أكثر قليلا نعومة في التوقعات العودة إلى أعلى الصفحة. الألوان s الأسي بسيط تمهيد أضعافا مضاعفة أضعافا مضاعفة متوسط ​​المتوسط ​​المتحرك البسيط الموضح أعلاه يحتوي على الخاصية غير المرغوب فيها التي يتعامل معها ملاحظات k الأخيرة بالتساوي وبشكل كامل يتجاهل جميع الملاحظات السابقة بشكل حدسي، يجب أن يتم خصم البيانات السابقة بطريقة أكثر تدرجية - على سبيل المثال، والحصول على أكثر من ذلك بقليل من الوزن الثاني من أحدث، والثاني الأكثر حداثة يجب الحصول على وزن أكثر قليلا من 3 أحدث، وهلم جرا بسيطة الأسي تمهيد نموذج سيس ينجز هذا. لاحظ يدل على ثابت تمهيد عدد بين 0 و 1 طريقة واحدة لكتابة النموذج هو تحديد سلسلة L التي تمثل المستوى الحالي أي القيمة المتوسطة المحلية للسلسلة كما يقدر من البيانات حتى الوقت الحاضر يتم حساب قيمة L في الوقت t بشكل متكرر من قيمته السابقة مثل هذا. وهكذا، فإن القيمة الملساء الحالية هي الاستكمال الداخلي بين القيمة الملساء السابقة والمراقبة الحالية، حيث تسيطر على القرب من قيمة محرف إلى أكثر إعادة سينت المراقبة التوقعات للفترة القادمة هي ببساطة قيمة ممهدة الحالية. على العكس من ذلك، يمكننا التعبير عن التوقعات القادمة مباشرة من حيث التوقعات السابقة والملاحظات السابقة، في أي من الإصدارات المكافئة التالية في النسخة الأولى، والتنبؤ هو الاستيفاء بين التوقعات السابقة والملاحظة السابقة. في النسخة الثانية، يتم الحصول على التوقعات القادمة عن طريق ضبط التوقعات السابقة في اتجاه الخطأ السابق عن طريق كمية كسور. is الخطأ المحرز في الوقت t في النسخة الثالثة، والتوقعات هي أي المتوسط ​​المتحرك المخصوم مع معامل الخصم 1. إن نسخة الاستكمال الداخلي لصيغة التنبؤ هي أبسط الاستخدامات إذا كنت تنفذ النموذج على جدول بيانات يناسبه في خلية واحدة ويحتوي على مراجع خلية تشير إلى التوقعات السابقة، الملاحظة، والخلية حيث يتم تخزين قيمة. ملاحظة أنه إذا 1، نموذج سيس يعادل نموذج المشي المشيح نمو هوت إذا كان نموذج سيس يساوي النموذج المتوسط، على افتراض أن القيمة الملساء الأولى تم تعيينها تساوي متوسط ​​العائد إلى أعلى الصفحة. متوسط ​​عمر البيانات في توقعات التمهيد الأسي البسيط هو 1 نسبي إلى الفترة التي يتم حساب التنبؤ بها ليس من المفترض أن تكون واضحة، ولكن يمكن بسهولة أن تظهر من خلال تقييم سلسلة لانهائية وبالتالي، فإن متوسط ​​التوقعات المتحركة البسيطة يميل إلى التخلف عن نقاط التحول بنحو 1 فترات على سبيل المثال، عند 0 5 الفاصل الزمني هو فترتين عندما يكون 0 2 الفارق الزمني 5 فترات عندما يكون 0 1 الفارق الزمني 10 فواصل وهكذا بالنسبة لعمر متوسط ​​معين أي مقدار الفارق الزمني فإن التنبؤ الأسي البسيط للتلطيف سيس متفوق إلى حد ما على التحرك البسيط متوسط ​​توقعات سما لأنه يضع وزنا أكبر نسبيا على الملاحظة الأخيرة - فهو أكثر استجابة قليلا للتغيرات التي تحدث في الماضي القريب على سبيل المثال، نموذج سما مع 9 شروط ونموذج سيس مع 0 2 على حد سواء لديها متوسط ​​العمر من 5 ل دا تا في توقعاتها، ولكن نموذج سيس يضع وزنا أكبر على القيم 3 الماضية مما يفعل نموذج سما، وفي الوقت نفسه فإنه لا ننسى تماما القيم أكثر من 9 فترات القديمة، كما هو مبين في هذا الرسم البياني. أية ميزة أخرى من فإن نموذج سيس على نموذج سما هو أن نموذج سيس يستخدم معلمة التمهيد التي تتغير باستمرار بحيث يمكن تحسينها بسهولة باستخدام خوارزمية حلالا لتقليل متوسط ​​الخطأ الوسطي وتبين القيمة المثلى لنموذج سيس لهذه السلسلة أن يكون 0 2961، كما هو مبين هنا. متوسط ​​عمر البيانات في هذه التوقعات هو 1 0 2961 3 4 فترات، وهو مماثل للمتوسط ​​المتحرك البسيط لمدة 6. التوقعات على المدى الطويل من نموذج سيس هي خط مستقيم أفقي كما هو الحال في نموذج سما ونموذج المشي العشوائي دون نمو ومع ذلك، لاحظ أن فترات الثقة التي يحسبها ستاتغرافيكس الآن تتباعد بطريقة معقولة المظهر، وأنها هي أضيق بكثير من فترات الثقة للراند أوم نموذج المشي يفترض أن سلسلة يمكن التنبؤ بها إلى حد ما أكثر من نموذج المشي العشوائي. نموذج سيس هو في الواقع حالة خاصة من نموذج أريما حتى نظرية إحصائية نماذج أريما يوفر أساسا سليما لحساب فترات الثقة ل نموذج سيس على وجه الخصوص، نموذج سيس هو نموذج أريما مع اختلاف واحد غير منطقي، وهو مصطلح 1 ما، وليس هناك مصطلح ثابت يعرف باسم أريما 0،1،1 نموذج دون ثابت معامل ما 1 في نموذج أريما يتوافق مع الكمية 1 في نموذج سيس على سبيل المثال، إذا كنت تناسب أريما 0،1،1 نموذج دون ثابت لسلسلة تحليلها هنا، فإن معامل ما 1 المقدرة تبين أن 0 7029، وهو تقريبا تقريبا واحد ناقص 0 2961. ومن الممكن إضافة افتراض اتجاه خطي ثابت غير صفري إلى نموذج سيس للقيام بذلك، ما عليك سوى تحديد نموذج أريما مع اختلاف واحد غير منطقي ومدة ما 1 مع ثابت، أي نموذج أريما 0،1،1 مع ثابت سوف التوقعات على المدى الطويل ثم يكون الاتجاه الذي يساوي الاتجاه المتوسط ​​لوحظ خلال فترة التقدير بأكملها لا يمكنك القيام بذلك جنبا إلى جنب مع التعديل الموسمية، لأن خيارات التعديل الموسمية يتم تعطيل عندما يتم تعيين نوع النموذج إلى أريما ومع ذلك، يمكنك إضافة ثابتة طويلة إلى نموذج بسيط للتجانس الأسي مع أو بدون تعديل موسمية باستخدام خيار تعديل التضخم في إجراء التنبؤ يمكن تقدير معدل النمو المناسب لنسبة التضخم في كل فترة على أنه معامل الانحدار في نموذج اتجاه خطي مجهز بالبيانات في جنبا إلى جنب مع التحول اللوغاريتم الطبيعي، أو أنه يمكن أن تستند إلى معلومات أخرى مستقلة بشأن آفاق النمو على المدى الطويل العودة إلى أعلى الصفحة. الخطية s الخطي أي ضعف الأسي تمهيد. نماذج سما ونماذج سيس تفترض أنه لا يوجد أي اتجاه من أي نوع في البيانات التي عادة ما تكون موافق أو على الأقل ليست سيئة جدا ل 1-خطوة قبل التوقعات عندما تكون البيانات نوي نسبيا ويمكن تعديلها لدمج اتجاه خطي ثابت كما هو مبين أعلاه ماذا عن الاتجاهات قصيرة الأجل إذا كانت سلسلة يعرض معدل نمو متفاوت أو نمط دوري الذي يبرز بوضوح ضد الضوضاء، وإذا كان هناك حاجة إلى توقعات أكثر من 1 فترة المقبلة، ثم تقدير الاتجاه المحلي قد يكون أيضا قضية يمكن تعميم نموذج التمهيد الأسي بسيط للحصول على خطية الأسية تمهيد نموذج ليس الذي يحسب التقديرات المحلية من كل من مستوى والاتجاه. أبسط الاتجاه متغيرة الوقت النموذج هو نموذج تمهيد الأسي الخطي براون، والذي يستخدم اثنين من سلسلة سلسة مختلفة التي تتمحور في نقاط مختلفة في الوقت المحدد ويستند صيغة التنبؤ على استقراء خط من خلال المركزين وهناك نسخة أكثر تطورا من هذا النموذج، هولت s، هو نوقشت أدناه. يمكن التعبير عن شكل جبري من براون s الخطي الأسي تمهيد نموذج، مثل ذلك من نموذج تمهيد الأسي بسيط، في عدد من مختلف ولكن ه الأشكال المتكافئة عادة ما يعبر عن النموذج القياسي لهذا النموذج على النحو التالي تدل S تدل على سلسلة سلسة منفرد تم الحصول عليها عن طريق تطبيق تمهيد الأسي بسيط لسلسلة Y وهذا هو، وتعطى قيمة S في الفترة t من قبل. أذكر أنه في ظل تمهيد الأسي بسيط، وهذا سيكون التنبؤ ل Y في الفترة ر 1 ثم اسمحوا S تدل على سلسلة سلسة تم الحصول عليها عن طريق تطبيق تمهيد الأسي بسيط باستخدام نفسه لسلسلة S. Finally، والتوقعات ل يك تك لأي k 1. ويعطي هذا العائد e 1 0 أي غش قليلا، والسماح للتنبؤ الأول يساوي الملاحظة الأولى الفعلية، و e 2 Y 2 Y 1 وبعد ذلك يتم توليد التنبؤات باستعمال المعادلة أعلاه ينتج هذا القيم المجهزة نفسها كما الصيغة التي تستند إلى S و S إذا تم بدء هذه الأخيرة باستخدام S 1 S 1 Y 1 يستخدم هذا الإصدار من النموذج في الصفحة التالية التي توضح مجموعة من التجانس الأسي مع التعديل الموسمي. الخطي S الخطي الأسي Smoothing. Brown s يحسب التقديرات المحلية من المستوى والاتجاه من خلال تمهيد البيانات الأخيرة، ولكن حقيقة أن يفعل ذلك مع معلمة تمهيد واحد يضع قيدا على أنماط البيانات التي هي قادرة على تناسب المستوى والاتجاه لا يسمح لها أن تختلف في معدلات مستقلة هولت s ليس نموذج يتناول هذه المسألة من خلال تضمين اثنين من ثوابت تمهيد، واحدة لمستوى واحد للاتجاه في أي وقت t، كما هو الحال في نموذج براون s، وهناك تقدير L ر من المستوى المحلي وتقدير T t للاتجاه المحلي هنا يتم حسابها بشكل متكرر من قيمة Y الملاحظة في الوقت t والتقديرات السابقة لمستوى واتجاه المعادلتين اللتين تنطبقان على تمهيد أسي لها بشكل منفصل. إذا كان المستوى المقدر والاتجاه في الوقت t-1 هما T t 1 و T t-1 على التوالي، فإن التنبؤات Y t التي كان من الممكن أن تكون قد أجريت في الوقت t-1 تساوي L t-1 T t-1 عندما يلاحظ القيمة الفعلية، يتم حساب المستوى بشكل متكرر عن طريق الاستكمال الداخلي بين Y t والتنبؤ به L t-1 T t-1 باستخدام الأوزان و 1. ويمكن تفسير التغير في المستوى المقدر وهو L t L 1 على أنه قياس صاخب ل الاتجاه في الوقت t يتم حساب التقدير المحدث للاتجاه بشكل متكرر عن طريق الاستكمال الداخلي بين L t L t 1 والتقدير السابق للاتجاه T t-1 باستخدام أوزان و 1. إن تفسير ثابت تجانس الاتجاه يشبه ثابت ثابت التمهيد. النماذج ذات القيم الصغيرة تفترض تغير الاتجاه فقط ببطء شديد مع مرور الوقت، في حين أن النماذج ذات الحجم الأكبر تفترض أنها تتغير بسرعة أكبر ويعتقد نموذج مع كبير أن المستقبل البعيد غير مؤكد جدا، لأن الأخطاء في تقدير الاتجاه تصبح مهمة جدا عند التنبؤ أكثر من فترة واحدة قبل العودة إلى أعلى من ثوابت التجانس ويمكن تقديرها بالطريقة المعتادة من خلال تقليل متوسط ​​الخطأ المئوي للتنبؤات ذات الخطوة الأولى عندما يتم ذلك في ستاترافيكس، تشير التقديرات إلى أن 03048 و 0 008 القيمة الصغيرة جدا من يعني أن النموذج يفترض تغير طفيف جدا في الاتجاه من فترة إلى أخرى، وذلك أساسا هذا النموذج هو محاولة لتقدير الاتجاه على المدى الطويل قياسا على فكرة متوسط ​​عمر البيانات المستخدمة في تقدير t هو المستوى المحلي للسلسلة، متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي يتناسب مع 1، وإن لم يكن يساوي بالضبط في هذه الحالة التي تبين أن يكون 1 0 006 125 هذا هو إس عدد دقيق جدا حيث أن دقة تقدير إيسن t حقا 3 المنازل العشرية، ولكن من نفس الترتيب العام من حجم حجم العينة من 100، لذلك هذا النموذج هو المتوسط ​​على مدى الكثير جدا من التاريخ في تقدير الاتجاه مؤامرة التوقعات ويبين الشكل أدناه أن نموذج ليس يقدر اتجاها محليا أكبر قليلا في نهاية السلسلة من الاتجاه الثابت المقدر في نموذج الاتجاه سيس، كما أن القيمة المقدرة تكاد تكون مطابقة للاتجاه الذي يتم الحصول عليه من خلال تركيب نموذج سيس مع الاتجاه أو بدونه ، لذلك هذا هو تقريبا نفس النموذج. الآن، هل هذه تبدو وكأنها توقعات معقولة لنموذج من المفترض أن يكون تقدير الاتجاه المحلي إذا كنت مقلة العين هذه المؤامرة، يبدو كما لو أن الاتجاه المحلي قد تحول إلى أسفل في نهاية سلسلة و في حدث وقد تم تقدير المعلمات من هذا النموذج عن طريق تقليل الخطأ التربيعي من 1-خطوة إلى الأمام التنبؤات، وليس التنبؤات على المدى الطويل، وفي هذه الحالة الاتجاه لا تجعل الكثير من الفرق إذا كان كل ما كنت تبحث في 1 - step قبل الأخطاء، كنت لا ترى الصورة أكبر من الاتجاهات على القول 10 أو 20 فترات من أجل الحصول على هذا النموذج أكثر في تناغم مع استقراء العين مقلة العين من البيانات، يمكننا ضبط ثابت الاتجاه تجانس يدويا بحيث يستخدم خط أساس أقصر لتقدير الاتجاه على سبيل المثال، إذا اخترنا تعيين 0 1، فإن متوسط ​​عمر البيانات المستخدمة في تقدير الاتجاه المحلي هو 10 فترات، مما يعني أننا نحسب متوسط ​​الاتجاه خلال الفترات العشرين الأخيرة أو نحو ذلك هنا s ما يبدو مؤامرة توقعات إذا وضعنا 0 1 مع الحفاظ على 0 3 وهذا يبدو بديهية معقولة لهذه السلسلة، على الرغم من أنه من المحتمل أن خطورة لاستقراء هذا الاتجاه أي أكثر من 10 فترات في المستقبل. ماذا عن إرور ستاتس هنا مقارنة نموذجية f أو النموذجين المبينين أعلاه فضلا عن ثلاثة نماذج سيس تبلغ القيمة المثلى لنموذج سيس حوالي 0 3، ولكن يتم الحصول على نتائج مماثلة مع استجابة أكثر قليلا أو أقل، على التوالي مع 0 5 و 0 2. A هولت إكس خطي تجانس مع ألفا 0 3048 وبيتا 0 008. B هولت خ الخطية تجانس مع ألفا 0 3 وبيتا 0 1. C تمهيد الأسي بسيطة مع ألفا 0 5. D تمهيد الأسي بسيط مع ألفا 0 3. E تمهيد الأسي بسيط مع ألفا 0 2 . احصائيات هي متطابقة تقريبا، لذلك نحن حقا يمكن أن تجعل ر الاختيار على أساس 1-خطوة قبل توقعات الأخطاء داخل عينة البيانات علينا أن نراجع مرة أخرى على اعتبارات أخرى إذا كنا نعتقد بقوة أنه من المنطقي أن قاعدة الحالية تقدير الاتجاه على ما حدث على مدى ال 20 فترة الماضية أو نحو ذلك، يمكننا أن نجعل حالة لنموذج ليس مع 0 3 و 0 1 إذا أردنا أن نكون ملحدين حول ما إذا كان هناك اتجاه محلي، ثم واحدة من نماذج سيس قد يكون من الأسهل أن يفسر، وسوف يعطي أيضا المزيد من ميدل التنبؤات على الطريق على مدى 5 أو 10 فترات القادمة العودة إلى أعلى الصفحة. أي نوع من الاستقراء الاتجاه هو أفضل الأفقي أو الخطي تشير الأدلة التجريبية أنه إذا كانت البيانات قد تم تعديلها إذا لزم الأمر للتضخم، ثم قد يكون من غير الحكمة استقراء الاتجاهات الخطية قصيرة الأجل بعيدا جدا في الاتجاهات المستقبلية قد تتراجع اليوم بوضوح في المستقبل بسبب أسباب مختلفة مثل تقادم المنتج وزيادة المنافسة والانكماش الدوري أو التحولات في صناعة لهذا السبب، الأسي بسيط فإن التنعيم غالبا ما يؤدي إلى خروج عينة أفضل مما يمكن توقعه على خلاف ذلك، على الرغم من استقراء الاتجاه الأفقي الساذج. وغالبا ما تستخدم تعديلات الاتجاه المعاكسة لنموذج تمهيد الأسي الخطي في الممارسة العملية لإدخال ملاحظة المحافظة على توقعات اتجاهها الاتجاه المعاكسة يمكن تنفيذ نموذج ليس كحالة خاصة من نموذج أريما، على وجه الخصوص، نموذج أريما 1،1،2.ومن الممكن لحساب فترات الثقة أرو والتنبؤات الطويلة الأجل التي تنتجها نماذج التمهيد الأسي من خلال اعتبارها حالات خاصة لنماذج أريما حذار ليس كل البرامج بحساب فترات الثقة لهذه النماذج بشكل صحيح عرض فترات الثقة يعتمد على i خطأ رمز النموذج، من تمهيد بسيطة أو خطية إي قيمة s من ثابت التمهيد ق و الرابع عدد الفترات المقبلة كنت التنبؤ بشكل عام، والفواصل انتشرت بشكل أسرع كما يحصل أكبر في نموذج سيس وانتشرت بشكل أسرع بكثير عندما الخطية بدلا من بسيطة تمهيد يتم مناقشة هذا الموضوع أكثر في قسم نماذج أريما من الملاحظات العودة إلى أعلى الصفحة.