ศูนย์กลางการ เคลื่อนไหว ค่าเฉลี่ย สำหรับ รายสัปดาห์ ข้อมูล

ค่าเฉลี่ยเคลื่อนที่: อะไรคือตัวชี้วัดทางเทคนิคที่เป็นที่นิยมมากที่สุดค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อวัดทิศทางของแนวโน้มในปัจจุบัน ค่าเฉลี่ยเคลื่อนที่ทุกประเภท (เขียนโดยทั่วไปในบทแนะนำนี้เป็น MA) คือผลทางคณิตศาสตร์ที่คำนวณโดยเฉลี่ยจำนวนจุดข้อมูลที่ผ่านมา เมื่อพิจารณาแล้วค่าเฉลี่ยที่เกิดขึ้นจะถูกวางแผนลงในแผนภูมิเพื่อให้ผู้ค้าสามารถดูข้อมูลที่ราบรื่นแทนที่จะมุ่งเน้นไปที่ความผันผวนของราคาในแต่ละวันที่มีอยู่ในตลาดการเงินทั้งหมด รูปแบบที่ง่ายที่สุดของค่าเฉลี่ยเคลื่อนที่โดยทั่วไปหมายถึงค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย (SMA) โดยคำนวณค่าเฉลี่ยเลขคณิตของชุดค่าที่กำหนด ตัวอย่างเช่นในการคำนวณค่าเฉลี่ยเคลื่อนที่ 10 วันคุณจะเพิ่มราคาปิดจาก 10 วันที่ผ่านมาและหารผลตาม 10 ในรูปที่ 1 ผลรวมของราคาในช่วง 10 วันที่ผ่านมา (110) คือ หารด้วยจำนวนวัน (10) เพื่อให้ได้ค่าเฉลี่ย 10 วัน หากผู้ค้าต้องการเห็นค่าเฉลี่ย 50 วันแทนจะต้องมีการคำนวณประเภทเดียวกัน แต่จะรวมราคาในช่วง 50 วันที่ผ่านมา ค่าเฉลี่ยที่เกิดขึ้นด้านล่าง (11) คำนึงถึงจุดข้อมูล 10 จุดที่ผ่านมาเพื่อให้ผู้ค้าทราบว่าสินทรัพย์มีราคาเทียบกับ 10 วันที่ผ่านมาอย่างไร บางทีคุณอาจสงสัยว่าทำไมผู้ค้าทางเทคนิคเรียกเครื่องมือนี้ว่าเป็นค่าเฉลี่ยเคลื่อนที่และไม่ใช่แค่ค่าเฉลี่ยปกติ คำตอบก็คือเมื่อค่าใหม่มีพร้อมใช้งานจุดข้อมูลที่เก่าที่สุดต้องถูกลดลงจากชุดข้อมูลและจุดข้อมูลใหม่ ๆ ต้องมาเพื่อแทนที่ ดังนั้นชุดข้อมูลจึงมีการย้ายข้อมูลบัญชีใหม่ ๆ ไปเรื่อย ๆ วิธีการคำนวณนี้ช่วยให้แน่ใจได้ว่าจะมีการบันทึกข้อมูลปัจจุบันเท่านั้น ในรูปที่ 2 เมื่อมีการเพิ่มค่าใหม่ของชุดที่ 5 ช่องสีแดง (แทนจุดข้อมูล 10 จุดที่ผ่านมา) จะเลื่อนไปทางขวาและค่าสุดท้ายของ 15 จะถูกลดลงจากการคำนวณ เนื่องจากค่าที่ค่อนข้างเล็ก 5 จะแทนที่ค่าที่สูงถึง 15 คุณจึงคาดว่าจะเห็นค่าเฉลี่ยของการลดข้อมูลชุดซึ่งในกรณีนี้มีค่าตั้งแต่ 11 ถึง 10 ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่เมื่อค่าของ MA ได้รับการคำนวณพวกเขาจะวางแผนลงบนแผนภูมิและเชื่อมต่อแล้วเพื่อสร้างเส้นค่าเฉลี่ยเคลื่อนที่ เส้นโค้งเหล่านี้มีอยู่ทั่วไปในแผนภูมิของผู้ค้าด้านเทคนิค แต่วิธีการใช้งานเหล่านี้อาจแตกต่างกันอย่างมาก (ในภายหลัง) ดังที่เห็นในรูปที่ 3 คุณสามารถเพิ่มค่าเฉลี่ยเคลื่อนที่ได้มากกว่าหนึ่งรายการในแผนภูมิโดยการปรับจำนวนช่วงเวลาที่ใช้ในการคำนวณ เส้นโค้งเหล่านี้ดูเหมือนจะเสียสมาธิหรือทำให้เกิดความสับสนในตอนแรก แต่คุณจะคุ้นเคยกับมันเมื่อเวลาผ่านไป เส้นสีแดงเป็นเพียงราคาเฉลี่ยในช่วง 50 วันที่ผ่านมาในขณะที่เส้นสีน้ำเงินเป็นราคาเฉลี่ยในช่วง 100 วันที่ผ่านมา ตอนนี้คุณเข้าใจว่าค่าเฉลี่ยเคลื่อนที่คืออะไรและแนะนำให้ใช้ค่าเฉลี่ยเคลื่อนที่ที่ต่างกันและดูว่าค่าเฉลี่ยเคลื่อนที่แตกต่างจากค่าเฉลี่ยเคลื่อนที่ที่กล่าวถึงก่อนหน้านี้เท่าไร ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นที่นิยมอย่างมากของผู้ค้า แต่เป็นตัวบ่งชี้ทางเทคนิคทั้งหมดก็มีนักวิจารณ์ หลายคนอ้างว่าประโยชน์ของ SMA มีข้อ จำกัด เนื่องจากแต่ละจุดในชุดข้อมูลมีน้ำหนักเหมือนกันโดยไม่คำนึงถึงตำแหน่งที่เกิดขึ้นในลำดับ นักวิจารณ์ยืนยันว่าข้อมูลล่าสุดมีความสำคัญมากกว่าข้อมูลที่เก่ากว่าและควรมีอิทธิพลมากขึ้นต่อผลลัพธ์สุดท้าย ในการตอบสนองต่อคำวิจารณ์นี้ผู้ค้าเริ่มให้น้ำหนักกับข้อมูลล่าสุดซึ่งนำไปสู่การประดิษฐ์เครื่องคิดเลขใหม่ ๆ ประเภทต่างๆซึ่งเป็นที่นิยมมากที่สุดซึ่งเป็นค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) (สำหรับการอ่านเพิ่มเติมโปรดดูข้อมูลเบื้องต้นเกี่ยวกับค่าเฉลี่ยถ่วงน้ำหนักและความแตกต่างระหว่าง SMA กับ EMA) ค่าเฉลี่ยเคลื่อนที่แบบเสวนาค่าเฉลี่ยเคลื่อนที่แบบเสวนาคือค่าเฉลี่ยเคลื่อนที่ที่ให้น้ำหนักมากกว่าราคาล่าสุดในความพยายามที่จะทำให้การตอบสนองดีขึ้น ข้อมูลใหม่ ๆ การเรียนรู้สมการที่ค่อนข้างซับซ้อนสำหรับการคำนวณ EMA อาจไม่จำเป็นสำหรับผู้ค้าจำนวนมากเนื่องจากเกือบทุกชุดรูปแบบแผนภูมิทำคำนวณสำหรับคุณ อย่างไรก็ตามสำหรับคุณ geeks คณิตศาสตร์ออกมีที่นี่สมการ EMA: เมื่อใช้สูตรในการคำนวณจุดแรกของ EMA คุณอาจสังเกตเห็นว่าไม่มีค่าที่จะใช้เป็น EMA ก่อนหน้านี้ ปัญหาเล็ก ๆ นี้สามารถแก้ไขได้โดยเริ่มต้นการคำนวณด้วยค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและต่อเนื่องโดยใช้สูตรด้านบนจากที่นั่น เราได้จัดเตรียมสเปรดชีตตัวอย่างไว้ในตัวอย่างชีวิตจริงในการคำนวณทั้งค่าเฉลี่ยเคลื่อนที่แบบเรียบและค่าเฉลี่ยเคลื่อนที่แบบเสวนา ความแตกต่างระหว่าง EMA กับ SMA ตอนนี้คุณเข้าใจดีว่า SMA และ EMA ถูกคำนวณไปแล้วลองดูว่าค่าเฉลี่ยเหล่านี้แตกต่างกันอย่างไร เมื่อพิจารณาการคำนวณ EMA คุณจะสังเกตเห็นว่าจุดข้อมูลสำคัญ ๆ อยู่ในจุดข้อมูลล่าสุดทำให้เป็นประเภทของค่าเฉลี่ยถ่วงน้ำหนัก ในรูปที่ 5 ตัวเลขของช่วงเวลาที่ใช้ในแต่ละค่าเฉลี่ยเหมือนกัน (15) แต่ EMA จะตอบสนองต่อราคาที่เปลี่ยนแปลงได้เร็วขึ้น สังเกตว่า EMA มีมูลค่าสูงขึ้นเมื่อราคาเพิ่มขึ้นและลดลงเร็วกว่า SMA เมื่อราคาลดลง การตอบสนองนี้เป็นเหตุผลหลักที่ทำให้ผู้ค้าจำนวนมากต้องการใช้ EMA มากกว่า SMA อะไรที่แตกต่างกันระหว่างวันหมายถึงค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้ที่ปรับแต่งได้โดยสิ้นเชิงซึ่งหมายความว่าผู้ใช้สามารถเลือกช่วงเวลาที่ต้องการได้อย่างอิสระเมื่อสร้างค่าเฉลี่ย ช่วงเวลาที่ใช้บ่อยที่สุดในการเคลื่อนที่โดยเฉลี่ยอยู่ที่ 15, 20, 30, 50, 100 และ 200 วัน ช่วงเวลาสั้น ๆ ที่ใช้ในการสร้างค่าเฉลี่ยความละเอียดอ่อนมากขึ้นคือการเปลี่ยนแปลงราคา ยิ่งช่วงเวลาที่ยาวนานขึ้นเท่าไรก็ยิ่งอ่อนไหวหรือเรียบเนียนขึ้นเท่านั้นโดยเฉลี่ยแล้ว ไม่มีกรอบเวลาที่เหมาะสมที่จะใช้เมื่อตั้งค่าค่าเฉลี่ยเคลื่อนที่ของคุณ วิธีที่ดีที่สุดในการพิจารณาว่ารูปแบบใดที่ดีที่สุดสำหรับคุณคือการทดสอบกับช่วงเวลาต่างๆจนกว่าคุณจะพบกับช่วงเวลาที่เหมาะสมกับกลยุทธ์ของคุณ ค่าเฉลี่ยของการเคลื่อนที่: เมื่อใช้คอมพิวเตอร์คำนวณค่าเฉลี่ยเคลื่อนที่ที่ใช้งานอยู่การวางค่าเฉลี่ยในช่วงเวลาตรงกลางจะทำให้ความรู้สึกในตัวอย่างก่อนหน้านี้เราคำนวณค่าเฉลี่ย 3 ช่วงเวลาแรกและวางไว้ข้างงวด 3 เราสามารถวาง เฉลี่ยในช่วงกลางของช่วงเวลาสามช่วงคือถัดจากช่วงเวลา 2 ซึ่งทำงานได้ดีกับช่วงเวลาแปลก ๆ แต่ไม่ค่อยดีเท่าช่วงเวลาพิเศษ เราจะวางค่าเฉลี่ยเคลื่อนที่ครั้งแรกเมื่อ M 4 ในทางเทคนิคค่า Moving Average จะลดลงที่ 2.5, 3.5 เพื่อหลีกเลี่ยงปัญหานี้เราจะราบรื่นขึ้นโดยใช้ M 2 ดังนั้นเราจึงเรียบค่าที่ราบเรียบหากเราใช้ค่าเฉลี่ยของจำนวนที่เท่ากันเราจำเป็นต้องเรียบค่าที่ราบรื่นตารางต่อไปนี้แสดงผลลัพธ์โดยใช้ M 4. Analytics ทำบัญชีกับ Microsoft Excel: การทำงานกับไทม์ซีซั่นตามฤดูกาลในบทนี้ Simple Average Season Moving Averages and Centered Moving Averages การถดถอยเชิงเส้นกับเวกเตอร์รหัสแบบเรียบง่ายตามฤดูกาลการเรียบขึ้นรูปแบบ Holt-Winters เรื่องที่ซับซ้อนขึ้นเรื่อย ๆ เมื่อคุณมีชุดข้อมูลแบบเวลาที่มีลักษณะเฉพาะตามฤดูกาล ของระดับจะเพิ่มขึ้นและลดลงตามฤดูกาลที่ผ่าน เราใช้คำว่าฤดูในแง่ทั่วไปมากกว่าความหมายในชีวิตประจำวันของปีสี่สิบสี่ปี ในบริบทของการวิเคราะห์เชิงคาดการณ์ฤดูกาลอาจเป็นวันถ้ารูปแบบการทำซ้ำทุกสัปดาห์หรือปีในแง่ของรอบการเลือกตั้งประธานาธิบดีหรือเพียงเกี่ยวกับอะไรในระหว่าง การเปลี่ยนโรงพยาบาลเป็นเวลา 8 ชั่วโมงสามารถเป็นตัวแทนของฤดูกาลได้ บทนี้จะอธิบายถึงวิธีแยกชุดเวลาออกเพื่อให้คุณสามารถดูได้ว่าฤดูกาลของมันดำเนินการอย่างไรนอกเหนือจากแนวโน้ม (ถ้ามี) ตามที่คุณอาจคาดหวังจากเนื้อหาในบทที่ 3 และ 4 คุณสามารถดูวิธีการต่างๆได้ การใช้ค่าเฉลี่ยฤดูกาลที่เรียบง่ายการใช้ค่าเฉลี่ยตามฤดูกาลแบบง่ายๆในการสร้างชุดข้อมูลแบบเวลาอาจทำให้คุณมีรูปแบบข้อมูลที่ค่อนข้างหยาบสำหรับข้อมูล แต่วิธีการให้ความสำคัญกับฤดูกาลในชุดข้อมูลและสามารถเป็นได้อย่างแม่นยำมากขึ้นเป็นเทคนิคการคาดการณ์มากกว่าการเรียบง่ายชี้แจงเมื่อฤดูกาลมีการออกเสียง แน่นอนมันทำหน้าที่เป็นคำแนะนำที่เป็นประโยชน์กับบางส่วนของขั้นตอนที่ใช้กับชุดเวลาที่มีทั้งตามฤดูกาลและแนวโน้มดังนั้นให้ดูที่ตัวอย่างในรูปที่ 5.1 รูปที่ 5.1 ด้วยรูปแบบแนวนอนค่าเฉลี่ยที่เรียบง่ายจะทำให้เกิดการคาดการณ์ที่ไม่เกินกว่าหมายถึงฤดูกาล ข้อมูลและแผนภูมิที่แสดงในรูปที่ 5.1 แสดงจำนวนเฉลี่ยของการเข้าชมประจำวันไปยังเว็บไซต์ที่เหมาะสำหรับแฟน ๆ ของ National Football League การสังเกตแต่ละข้อในคอลัมน์ D หมายถึงจำนวนครั้งโดยเฉลี่ยต่อวันในแต่ละสี่ไตรมาสในช่วงเวลาห้าปี การระบุรูปแบบตามฤดูกาลคุณสามารถบอกได้จากค่าเฉลี่ยในช่วง G2: G5 ที่มีผลกระทบต่อรายไตรมาสที่แตกต่างกัน จำนวนผู้ชมโดยเฉลี่ยที่มากที่สุดเกิดขึ้นในช่วงฤดูใบไม้ร่วงและฤดูหนาวเมื่อมีการกำหนดเกมหลัก 16 รายการและรอบตัดเชือก ดอกเบี้ยที่วัดโดยยอดเฉลี่ยรายวันจะลดลงในช่วงฤดูใบไม้ผลิและฤดูร้อน ค่าเฉลี่ยคำนวณได้ง่ายหรือไม่ที่คุณรู้สึกพอใจกับสูตรอาร์เรย์ ตัวอย่างเช่นคุณสามารถใช้สูตรอาร์เรย์นี้ในเซลล์ G2 ของรูป 5.1: อาร์เรย์ - ป้อนด้วย CtrlShiftEnter เพื่อดูค่าเฉลี่ยของทั้งห้ากรณีของไตรมาสที่ 1 หรือคุณสามารถใช้ฟังก์ชัน AVERAGEIF () ซึ่งคุณสามารถป้อนได้ตามปกติโดยกดปุ่ม Enter โดยทั่วไปฉันชอบวิธีการสูตรอาร์เรย์เนื่องจากจะทำให้ฉันมีขอบเขตในการควบคุมฟังก์ชั่นและเกณฑ์ที่เกี่ยวข้องได้ดีขึ้น ชุดข้อมูลที่เป็นแผนผังประกอบด้วยป้ายข้อมูลข้อมูลที่แสดงถึงจุดข้อมูลแต่ละจุดในแต่ละไตรมาส แผนภูมิสะท้อนข้อความของค่าเฉลี่ยใน G2: G5: Quarters 1 และ 4 ซ้ำ ๆ ได้ Hit มากที่สุด มีฤดูกาลที่ชัดเจนในชุดข้อมูลนี้ การคำนวณดัชนีตามฤดูกาลหลังจากที่คุณได้ตัดสินใจว่าซีรี่ส์เวลามีองค์ประกอบตามฤดูกาลแล้ว you8217d ต้องการหาขนาดของผลกระทบ ค่าเฉลี่ยที่แสดงในรูปที่ 5.2 แสดงวิธีที่วิธีง่ายๆแบบเฉลี่ยจะไปเกี่ยวกับงานนั้น รูปที่ 5.2 รวมค่าเฉลี่ยสูงสุดกับค่าเฉลี่ยตามฤดูกาลเพื่อให้ได้ดัชนีตามฤดูกาล ในรูปที่ 5.2 คุณจะได้รับดัชนีตามฤดูกาลที่เพิ่มขึ้นในช่วง G10: G13 โดยการลบค่าเฉลี่ยที่ยิ่งใหญ่ในเซลล์ G7 จากค่าเฉลี่ยตามฤดูกาลใน G2: G5 ผลที่ได้คือ 8220effect8221 ของการอยู่ในไตรมาสที่ 1 ที่อยู่ในไตรมาสที่ 2 และอื่น ๆ หากเดือนที่ระบุอยู่ในไตรมาสที่ 1 คุณคาดว่าจะมีจำนวนผู้เข้าชมรายวันเฉลี่ย 99.65 ครั้งมากกว่าจำนวนเฉลี่ยสูงสุดที่ 140.35 ครั้งต่อวัน ข้อมูลนี้ทำให้คุณรู้สึกว่ามันสำคัญอย่างไรที่จะอยู่ในช่วงเวลาที่กำหนด สมมติว่าคุณเป็นเจ้าของเว็บไซต์ที่ต้องการและคุณต้องการขายพื้นที่โฆษณาบนไซต์ คุณสามารถขอราคาที่สูงกว่าของผู้ลงโฆษณาได้ในช่วงไตรมาสที่ 1 และ 4 กว่าในช่วงที่สองและที่สาม คุณอาจจะเสียค่าใช้จ่ายเพิ่มขึ้นเป็นสองเท่าในช่วงไตรมาสแรกมากกว่าในช่วงที่สองหรือสาม ด้วยดัชนีตามฤดูกาลในมือ you8217 ยังอยู่ในฐานะที่จะคำนวณการปรับฤดูกาลได้ ตัวอย่างเช่นยังอยู่ในรูปที่ 5.2 ค่าปรับฤดูกาลสำหรับแต่ละไตรมาสในปีพ. ศ. 2548 ปรากฏใน G16: G19 คำนวณโดยการลบดัชนีออกจากการวัดรายไตรมาสที่เกี่ยวข้อง ตามเนื้อผ้าดัชนีตามฤดูกาลหมายถึงการเพิ่มขึ้นหรือลดลงในระดับของซีรี่ส์ที่เกี่ยวข้องกับแต่ละฤดูกาล ผลของฤดูกาลตามฤดูกาลมีปรากฏในวรรณคดีในช่วงไม่กี่ปีที่ผ่านมา เนื่องจาก you8217 เห็นทั้งสองคำ I8217ve ใช้ทั้งสองในหนังสือเล่มนี้ It8217s เรื่องเล็ก ๆ เพียงแค่จำไว้ว่าทั้งสองคำมีความหมายเหมือนกัน โปรดสังเกตว่าในกรณีปกติของเหตุการณ์ตั้งแต่ปี 2001 ถึงปี 2005 คุณคาดว่าผลลัพธ์ไตรมาสที่สองจะลดลงหลังผลการดำเนินงานไตรมาสแรกปี พ. ศ. 2522 โดย 133.6 (นั่นคือ 99.65 ลบ 821133.95) อย่างไรก็ตามในช่วงปี 2547 และ 2548 ผลประกอบการที่ปรับฤดูกาลในไตรมาสที่สองเกินกว่าไตรมาสแรก ผลดังกล่าวอาจกระตุ้นให้คุณถามถึงสิ่งที่เปลี่ยนแปลงไปในช่วงสองปีที่ผ่านมาซึ่งทำให้ความสัมพันธ์ระหว่างผลการดำเนินงานที่ปรับฤดูกาลตามฤดูกาลในสองไตรมาสแรก (ฉัน don8217t ติดตามปัญหาที่นี่ฉันนำมาขึ้นเพื่อแนะนำให้คุณมักจะต้องการให้มีลักษณะที่ทั้งสองสังเกตและตัวเลขที่ปรับฤดูกาล) พยากรณ์จากค่าเฉลี่ยตามฤดูกาลแบบง่ายๆ: ไม่มีแนวโน้มแม้ว่าวิธีการของค่าเฉลี่ยที่เรียบง่าย is8212as ฉันกล่าวว่า ก่อนหน้านี้อาจมีความถูกต้องมากกว่าทางเลือกที่ซับซ้อนมากขึ้นของการทำให้เรียบโดยเฉพาะอย่างยิ่งเมื่อผลของฤดูกาลเด่นชัดและเชื่อถือได้ เมื่อชุดข้อมูลเวลาไม่ได้รับการตอบรับเช่นกรณีตัวอย่างในส่วนนี้ได้กล่าวถึงการคาดการณ์ตามฤดูกาลแบบง่ายๆจะไม่มีอะไรมากไปกว่าค่าเฉลี่ยตามฤดูกาล เมื่อซีรีส์ไม่มีแนวโน้มขึ้นหรือลงค่าประมาณที่ดีที่สุดของคุณสำหรับฤดูกาลหน้าคือว่าค่าเฉลี่ยในประวัติศาสตร์ของฤดูกาลปีพ. ศ. ดูรูปที่ 5.3 รูปที่ 5.3 รวมค่าเฉลี่ยสูงสุดกับค่าเฉลี่ยตามฤดูกาลเพื่อให้ได้ดัชนีตามฤดูกาล ในแผนภูมิในรูปที่ 5.3 เส้นประแสดงถึงการคาดการณ์จากการเรียบเรียบ เส้นทึบสองเส้นแสดงการสังเกตตามฤดูกาลที่เกิดขึ้นจริงและค่าเฉลี่ยตามฤดูกาล สังเกตว่าค่าเฉลี่ยตามฤดูกาลติดตามการสังเกตการณ์ตามฤดูกาลที่เกิดขึ้นจริงค่อนข้างใกล้เคียงกับการคาดการณ์ที่ราบรื่นมากขึ้น คุณสามารถดูได้มากขึ้นจากสอง RMSEs ในเซลล์ F23 และ H23 RMSE สำหรับค่าเฉลี่ยตามฤดูกาลเป็นเพียงเล็กน้อยมากกว่าหนึ่งในสามของ RMSE สำหรับการคาดการณ์ที่ราบรื่น คุณสามารถชอล์กที่ขึ้นกับขนาดของผลกระทบตามฤดูกาลและความสอดคล้องกันของพวกเขาตัวอย่างเช่นสมมติว่าความแตกต่างระหว่างไตรมาสที่ 1 และไตรมาสที่สองเฉลี่ยอยู่ที่ 35.0 แทน 133.6 (ซึ่งเป็นความแตกต่างระหว่างเซลล์ G2 และ G3 ในภาพ 5.2) จากนั้นในบริบทที่ราบรื่นมูลค่าที่แท้จริงสำหรับไตรมาสที่ 1 จะเป็นตัวบ่งชี้ที่ดีขึ้นมากสำหรับค่าสำหรับไตรมาสที่ 2 มากกว่าในกรณีนี้ และการทำให้เรียบเรียบขึ้นสามารถพึ่งพาค่าของการสังเกตการณ์ในปัจจุบันสำหรับการคาดการณ์ในช่วงต่อไป ถ้าค่าคงที่การปรับให้เรียบอยู่ที่ 1.0 การทำให้ละเอียดตามที่อธิบายไว้จะเป็นการพยากรณ์อากาศ na239 และการคาดการณ์จะเท่ากับความเป็นจริงก่อนเสมอ ความจริงที่ว่าขนาดของการแกว่งตามฤดูกาลแต่ละครั้งมีความสอดคล้องกันตั้งแต่ไตรมาสที่ถึงไตรมาสหมายความว่าค่าเฉลี่ยของฤดูกาลที่เรียบง่ายคือการคาดการณ์ที่น่าเชื่อถือ: ไม่มีการสังเกตรายไตรมาสที่เกิดขึ้นจริงห่างไกลจากค่าเฉลี่ยตามฤดูกาลโดยรวม ค่าเฉลี่ยตามฤดูกาลที่เรียบง่ายด้วยเทรนด์การใช้ค่าเฉลี่ยตามฤดูกาลแบบง่ายๆกับชุดแนวโน้มมีข้อบกพร่องที่แท้จริงบางอย่างและ I8217m ล่อลวงเพื่อแนะนำว่าเราไม่สนใจเนื้อหานั้นและย้ายไปเป็นหัวข้อที่น่าสนใจมากขึ้น แต่อาจเป็นไปได้ว่า you8217ll ทำงานในสถานการณ์ที่มีคนใช้วิธีนี้แล้วมันเจ็บ won8217t รู้ทั้งวิธีการทำงานและทำไมมีทางเลือกที่ดีกว่า วิธีการจัดการกับฤดูกาลใด ๆ ในชุดแนวโน้มจะต้องจัดการกับปัญหาพื้นฐานในการแยกแยะผลกระทบจากแนวโน้มของฤดูกาล ฤดูกาลมีแนวโน้มที่จะปิดบังแนวโน้มและในทางกลับกัน ดูรูปที่ 5.4 รูปที่ 5.4 การมีแนวโน้มทำให้การคำนวณผลกระทบตามฤดูกาลมีความซับซ้อนขึ้น ความจริงที่ว่าแนวโน้มในซีรี่ส์มีมากขึ้นเรื่อย ๆ ในช่วงเวลาหมายความว่าค่าเฉลี่ยของการสังเกตการณ์ในฤดูกาลของแต่ละปีเช่นเดียวกับที่ทำในกรณีที่ไม่มีแนวโน้มทำให้เกิดความผันผวนตามแนวโน้มโดยทั่วไปกับการเปลี่ยนแปลงตามฤดูกาล ความคิดปกติคือการคำนวณแนวโน้มแยกต่างหากจากผลกระทบตามฤดูกาล คุณสามารถหาจำนวนแนวโน้มและลบผลกระทบจากข้อมูลที่สังเกตได้ ผลลัพธ์ที่ได้คือซีรี่ส์ที่ไม่ได้รับการยืนยันซึ่งมีการเปลี่ยนแปลงตามฤดูกาล สามารถจัดการได้ในแบบเดียวกับที่ได้อธิบายไว้ก่อนหน้าในบทนี้ การคำนวณค่าเฉลี่ยสำหรับแต่ละปีวิธีหนึ่งในการทำให้ข้อมูลเสียหาย (และวิธีการอื่น ๆ จะเกิดขึ้นกับคุณอย่างแน่นอน) คือการคำนวณแนวโน้มตามค่าเฉลี่ยรายปีแทนที่จะเป็นข้อมูลรายไตรมาส ความคิดคือค่าเฉลี่ยรายปีจะไม่รู้สึกถึงผลกระทบตามฤดูกาล นั่นคือถ้าคุณลบค่าความหมายปีปีปี ค. ศ. 1982 ออกจากค่าของแต่ละไตรมาสผลรวม (และโดยเฉลี่ย) ของผลกระทบรายไตรมาสทั้งสี่เป็นศูนย์อย่างแม่นยำ ดังนั้นแนวโน้มที่คำนวณโดยใช้ค่าเฉลี่ยรายปีจะไม่มีผลกับรูปแบบตามฤดูกาล การคำนวณนี้จะปรากฏในรูปที่ 5.5 รูปที่ 5.5 วิธีการนี้ใช้การถดถอยเชิงเส้นบนค่าเฉลี่ยที่เรียบง่าย ขั้นตอนแรกในการลบล้างข้อมูลคือการได้รับ Hit เฉลี่ยรายวันสำหรับแต่ละปี That8217s ทำในช่วง H3: H7 ในรูป 5.5 สูตรในเซลล์ H3 คือ AVERAGE (D3: D6) การคำนวณแนวโน้มขึ้นอยู่กับวิธีการประจำปีด้วยค่าเฉลี่ยรายปีในมือ you8217 อยู่ในตำแหน่งที่สามารถคำนวณแนวโน้มได้ That8217s จัดการโดยใช้ LINEST () ในช่วง I3: J7 โดยใช้สูตรอาร์เรย์นี้: ถ้าคุณ don8217t จัดหา x-values ​​เป็นอาร์กิวเมนต์ที่สองไปที่ LINEST () Excel ให้ค่า x ค่าเริ่มต้นสำหรับคุณ ค่าดีฟอลต์คือจำนวนเต็มติดต่อกันที่ขึ้นต้นด้วย 1 และลงท้ายด้วยจำนวนค่า y ที่คุณเรียกใช้ในอาร์กิวเมนต์แรก ในตัวอย่างนี้ x ค่าเริ่มต้นจะเหมือนกันกับที่ระบุไว้ในแผ่นงานใน G3: G7 ดังนั้นคุณจึงสามารถใช้ LINEST (H3: H7. TRUE) สูตรนี้ใช้ค่าดีฟอลต์สองค่าสำหรับค่า x และค่าคงที่ซึ่งแสดงโดยเครื่องหมายจุลภาคสามเครื่องหมายต่อเนื่อง จุดของการออกกำลังกายนี้คือการหาจำนวนของแนวโน้มปีต่อปีและ LINEST () ใช้สำหรับเซลล์ในเซลล์ I3 เซลล์ดังกล่าวมีค่าสัมประสิทธิ์การถดถอยสำหรับค่า x คูณด้วย 106.08 โดย 1 แล้วตามด้วย 2 จากนั้นด้วย 3, 4 และ 5 และเพิ่มผลการสกัดแต่ละครั้งที่ 84.63 แม้ว่าจะทำให้คุณได้รับการคาดการณ์เป็นประจำทุกปีจุดสำคัญสำหรับขั้นตอนนี้คือค่าของค่าสัมประสิทธิ์ 106.08 ซึ่งจะวัดปริมาณแนวโน้มประจำปี ขั้นตอนที่ฉันพูดถึงคือที่มาของความเข้าใจผิดของฉันเกี่ยวกับแนวทางทั้งหมดที่อธิบายในส่วนนี้ โดยปกติแล้วคุณจะมีช่วงเวลาที่ครอบคลุมจำนวนน้อย ๆ ตัวอย่างเช่น 8282s8217s เพื่อเรียกใช้การถดถอย ผลการค้นหา Regression8217 มีแนวโน้มที่จะไม่เสถียรมากนักเมื่ออยู่ที่นี่พวกเขาคิดว่าอิงตามข้อสังเกตเล็กน้อย และขั้นตอนนี้จะขึ้นอยู่กับผลลัพธ์เหล่านี้อย่างมากเพื่อที่จะทำให้ช่วงเวลาแย่ลง แบ่งแยกตามแนวโน้มโดยใช้จำนวนรอบระยะเวลาในรอบระยะเวลาที่ครอบคลุมเพื่อรับแนวโน้มตามรอบระยะเวลา ที่นี่จำนวนรอบต่อปีคือ 48212we8217re ทำงานกับไตรมาสข้อมูล 8282 เราแบ่ง 106.08 โดย 4 เพื่อประมาณแนวโน้มต่อไตรมาสที่ 26.5 ขั้นตอนนี้ใช้แนวโน้มเป็นระยะ ๆ โดยการลบค่าจากผลเฉลยเฉลี่ย มีจุดประสงค์เพื่อลดผลกระทบของแนวโน้มรายปีจากผลกระทบตามฤดูกาล อันดับแรกเราจำเป็นต้องคำนวณผลการเฉลี่ยตลอดทั้ง 5 ปีสำหรับช่วงที่ 1 สำหรับช่วง 2 เป็นต้น เมื่อต้องการทำเช่นนี้จะช่วยจัดเรียงลำดับรายการยอดฮิตรายไตรมาสที่เกิดขึ้นจริงในช่วง D3: D22 จากรูป 5.5 เป็นเมทริกซ์ของห้าปีโดยสี่ในสี่แสดงในช่วง G11: J15 สังเกตว่าค่าในเมทริกซ์นั้นตรงกับรายการในคอลัมน์ D. ด้วยข้อมูลที่จัดเรียงตามแบบนั้น it8217s ง่ายต่อการคำนวณค่าเฉลี่ยรายไตรมาสในช่วงห้าปีในชุดข้อมูล That8217s ทำในช่วง G18: J18 ผลของแนวโน้มที่ส่งกลับโดย LINEST () จะปรากฏในช่วง G19: J19 ค่าเริ่มต้นสำหรับแต่ละปีคือจำนวนเฉลี่ยรายวันที่พบในไตรมาสแรกดังนั้นเราจึงไม่มีการปรับค่าใช้จ่ายสำหรับไตรมาสแรก หนึ่งในสี่สิบสี่ปีที่มีค่าหรือ 26.5 จะถูกลบออกจากยอดผู้ใช้ที่เสียค่าใช้จ่ายในไตรมาสที่สองปี พ. ศ. 2522 ซึ่งส่งผลให้มีการปรับมูลค่าไตรมาสที่สองของ 329.9 (ดูเซลล์ H21, รูปที่ 5.5) แนวโน้มของไตรมาสที่สองที่มีค่าเท่ากับ 2 215 26.5 หรือ 53 ในเซลล์ I19 จะถูกลบออกจากไตรมาสที่สามของปีที่ผ่านมาซึ่งหมายถึงค่าที่ได้รับในไตรมาสที่สามที่ 282.6 ในเซลล์ I21 และในทำนองเดียวกันในไตรมาสที่สี่โดยหักสามในสี่ของแนวโน้มจาก 454.4 เพื่อให้ได้ 374.8 ในเซลล์ J21 โปรดทราบว่าหากแนวโน้มลดลงมากกว่าในตัวอย่างนี้คุณจะเพิ่มมูลค่าแนวโน้มตามงวดเป็นระยะตามที่สังเกตได้แทนที่จะลบออก การแปลงค่าตามฤดูกาลตามฤดูกาลเป็นผลตามฤดูกาลตามตรรกะของวิธีนี้ค่าที่แสดงในแถว 20821121 ของรูป 5.5 เป็นผลประกอบการรายไตรมาสโดยเฉลี่ยสำหรับแต่ละสี่ไตรมาสโดยมีผลกระทบจากแนวโน้มการเพิ่มขึ้นของข้อมูลในชุดข้อมูลที่ถูกลบออก (แถว 20 และ 21 รวมอยู่ในคอลัมน์ G ถึง J. ) ด้วยแนวโน้มออกไปเราสามารถแปลงตัวเลขเหล่านี้เป็นค่าประมาณของผลกระทบตามฤดูกาล ผลของการอยู่ในไตรมาสแรกในไตรมาสที่สองและอื่น ๆ เพื่อให้ได้ผลลัพธ์เหล่านี้ให้เริ่มต้นด้วยการคำนวณค่าเฉลี่ยที่ยิ่งใหญ่ของวิธีปรับค่าเฉลี่ยรายไตรมาส ค่าแกรนด์ที่ปรับเปลี่ยนนี้จะปรากฏในเซลล์ I23 การวิเคราะห์ยังคงดำเนินต่อไปในรูปที่ 5.6 รูปที่ 5.6 ผลกระทบรายไตรมาสหรือดัชนีถูกใช้เพื่อลดความเหลื่อมล้ำของไตรมาสที่สังเกต รูปที่ 5.6 ทำซ้ำการปรับรายไตรมาสและปรับแกรนด์ค่าเฉลี่ยจากด้านล่างของรูปที่ 5.5 พวกเขาจะรวมกันเพื่อกำหนดดัชนีรายไตรมาส (ซึ่งคุณสามารถคิดได้ว่าเป็นผลตามฤดูกาล) ตัวอย่างเช่นสูตรในเซลล์ D8 มีดังต่อไปนี้: ส่งกลับค่า 821133.2 นั่นคือผลของการอยู่ในไตรมาสที่สองโดยเฉลี่ยอยู่ที่ 224 ล้านเหรียญนั่นก็คือเราสามารถคาดหวังว่าผลลัพธ์ที่อยู่ในไตรมาสที่สองจะลดลงต่ำกว่าค่าเฉลี่ย 33.2 หน่วย การใช้ผลตามฤดูกาลกับไตรมาสที่สังเกตการณ์สรุป: จนถึงตอนนี้เราได้ประเมินแนวโน้มรายปีในข้อมูลโดยการถดถอยและแบ่งแนวโน้มดังกล่าวเป็น 4 ตามสัดส่วนเป็นค่ารายไตรมาส ยกขึ้นในรูปที่ 5.6 เราปรับค่าเฉลี่ยสำหรับแต่ละไตรมาส (ใน C3: F3) โดยการลบแนวโน้มที่แบ่งเป็นสัดส่วนใน C4: F4 ผลที่ได้คือค่าประมาณเฉลี่ยของแต่ละไตรมาสโดยไม่คำนึงถึงปีที่ไตรมาสเกิดขึ้นใน C5: F5 เราลบค่าเฉลี่ยที่ได้รับการปรับปรุงในเซลล์ G5 ออกจากค่าเฉลี่ยรายไตรมาสที่ปรับใน C5: F5 ที่แปลงในแต่ละไตรมาสปี ค. ศ. 1982 หมายถึงการวัดผลกระทบของแต่ละไตรมาสเทียบกับค่าเฉลี่ยที่ปรับแล้ว นี่คือดัชนีตามฤดูกาลหรือผลกระทบใน C8: F8 ต่อไปเราจะลบผลกระทบตามฤดูกาลออกจากไตรมาสที่สังเกต ดังแสดงในรูปที่ 5.6 คุณทำได้โดยการลบดัชนีรายไตรมาสใน C8: F8 จากค่าที่สอดคล้องกันใน C12: F16 และวิธีที่ง่ายที่สุดคือใส่สูตรนี้ในเซลล์ C20: จดเครื่องหมายดอลลาร์ก่อน 8 ในการอ้างถึง C8 That8217s อ้างอิงผสม: ส่วนญาติและบางส่วนแน่นอน เครื่องหมายดอลลาร์จะยึดการอ้างถึงแถวที่แปด แต่ส่วนของส่วนอ้างอิงของคอลัมน์สามารถเปลี่ยนแปลงได้ ดังนั้นหลังจากที่ป้อนสูตรหลังลงในเซลล์ C20 คุณสามารถคลิกที่ปุ่มเลือก cell8217s (สี่เหลี่ยมเล็ก ๆ ที่มุมล่างขวาของเซลล์ที่เลือก) และลากไปทางขวามือในเซลล์ F20 ที่อยู่จะปรับตามที่คุณลากไปทางขวาและคุณหมุนเวียนด้วยค่าที่มีผลตามฤดูกาลออกไปในปี 2544 ใน C20: F20 เลือกช่วงของเซลล์สี่เซลล์และใช้ส่วนควบคุม selection8217s ใน F20 เพื่อลากลงไปในแถว 24 ดังนั้นให้เติมส่วนที่เหลือของเมทริกซ์ ความสำคัญของ It8217 ที่ต้องคำนึงถึงอยู่ที่นี่คือการปรับค่าใช้จ่ายตามฤดูกาลสำหรับไตรมาสแรก ไม่ว่าแนวโน้มใด ๆ ที่มีอยู่ในค่าเดิมยังคงอยู่ที่นั่นและทฤษฎี 8212in อย่างน้อยที่สุดก็ยังคงมีอยู่หลังจากที่เราได้ปรับการปรับฤดูกาลสำหรับผลตามฤดูกาลแล้ว เราได้ลบแนวโน้มใช่ แต่เฉพาะจากผลกระทบตามฤดูกาลเท่านั้น ดังนั้นเมื่อเราลบผลกระทบตามฤดูกาลออกจากข้อสังเกตรายไตรมาสที่เป็นต้นฉบับผลที่ได้คือข้อสังเกตเดิมที่มีแนวโน้ม แต่ไม่มีผลตามฤดูกาล ฉันได้ตั้งค่าที่ปรับฤดูกาลแล้วในรูปที่ 5.6 เปรียบเทียบแผนภูมิดังกล่าวกับแผนภูมิในรูปที่ 5.4 สังเกตเห็นในรูปที่ 5.6 ว่าแม้ว่าค่าที่เกิดจากการตั้งค่าเหล่านี้ไม่ได้อยู่ในแนวเส้นตรง แต่ผลของฤดูกาลจะถูกลบออกมาก การแก้ไขไตรมาสที่สองตามระยะเวลาขั้นตอนต่อไปคือการสร้างการคาดการณ์จากข้อมูลที่ได้รับการปรับปรุงตามฤดูกาลตามรูป 5.6 เซลล์ C20: F24 และ ณ จุดนี้คุณมีหลายทางเลือก คุณสามารถใช้วิธี differencing ร่วมกับการเรียบง่ายที่กล่าวถึงในบทที่ 3 8220 การทำงานกับ Trended Time Series 82221 คุณยังสามารถใช้วิธีการของ Holt8217s เพื่อทำให้ชุดผลิตภัณฑ์มีความลื่นไหลได้กล่าวถึงในบทที่ 3 และบทที่ 4 8220 การเริ่มต้นการคาดการณ์ทั้ง 8 วิธีทำให้คุณสามารถสร้างการคาดการณ์ล่วงหน้าหนึ่งก้าวซึ่งคุณจะเพิ่มดัชนีตามฤดูกาลที่สอดคล้องกัน อีกวิธีหนึ่งซึ่ง I8217 ใช้ที่นี่ก่อนจะทำให้ข้อมูลที่มีแนวโน้มผ่านการอ้างถึงการถดถอยเชิงเส้นอีกแบบหนึ่งแล้วเพิ่มดัชนีตามฤดูกาล ดูรูปที่ 5.7 รูปที่ 5.7 ค่าพยากรณ์แรกที่แท้จริงอยู่ในแถวที่ 25 รูปที่ 5.7 แสดงผลไตรมาสที่คำนวณจากตารางที่ C20: F24 จากรูปที่ 5.6 เพื่อจัดเรียงรายการในช่วง C5: C24 ตามภาพ 5.7 เราสามารถใช้ LINEST () ร่วมกับข้อมูลใน B5: C24 ในรูปที่ 5.7 เพื่อคำนวณสมการถดถอยและค่าสัมประสิทธิ์การถดถอยแล้วเราสามารถคูณค่าสัมประสิทธิ์โดยแต่ละค่าในคอลัมน์ B และเพิ่มการสกัดกั้นไปยังแต่ละผลิตภัณฑ์เพื่อสร้าง การคาดการณ์ในคอลัมน์ D. แต่ถึงแม้ว่า LINEST () จะให้ข้อมูลที่เป็นประโยชน์นอกเหนือจากค่าสัมประสิทธิ์และการสกัดกั้น TREND () เป็นวิธีที่เร็วกว่าในการคาดการณ์และฉันใช้มันในรูป 5.7 ช่วง D5: D24 ประกอบด้วยการคาดการณ์ที่เกิดจากการถอยกลับตัวเลขรายไตรมาสที่ตัดจำหน่ายใน C5: C24 ไปเป็นตัวเลขระยะเวลาใน B5: B24 สูตรอาร์เรย์ที่ใช้ใน D5: D24 คือ: ชุดผลลัพธ์ที่สะท้อนถึงผลกระทบของแนวโน้มการขึ้นโดยทั่วไปในชุดข้อมูลเวลา เนื่องจากค่าที่ TREND () คาดการณ์ไว้จากที่ได้รับการพิจารณาก่อนแล้วจึงยังคงเพิ่มผลตามฤดูกาลหรือที่เรียกว่าดัชนีตามฤดูกาลและกลับเข้าสู่การคาดการณ์แนวโน้ม การเพิ่มดัชนีตามฤดูกาลย้อนกลับในดัชนีตามฤดูกาลซึ่งคำนวณในรูปที่ 5.6 ดังแสดงในรูปที่ 5.7 แรกในช่วง C2: F2 แล้วซ้ำ ๆ ในช่วง E5: E8, E9: E12 และอื่น ๆ การคาดการณ์แบบมีส่วนร่วมจะอยู่ใน F5: F24 โดยการเพิ่มผลตามฤดูกาลในคอลัมน์ E ไปสู่การคาดการณ์แนวโน้มในคอลัมน์ D เพื่อดูการคาดการณ์ล่วงหน้าหนึ่งก้าวในเซลล์ F25 ของรูปที่ 5.7 ค่าของ t สำหรับงวดถัดไปจะเข้าสู่เซลล์ B25 สูตรต่อไปนี้ถูกป้อนลงในเซลล์ D25: จะสั่งให้ Excel คำนวณสมการถดถอยที่คาดการณ์ค่าในช่วง C5: C24 จาก B5: B24 และใช้สมการที่มีค่า x ใหม่ในเซลล์ B25 ดัชนีตามฤดูกาลที่เหมาะสมจะอยู่ในเซลล์ E25 และผลรวมของ D25 และ E25 จะอยู่ใน F25 เป็นค่าพยากรณ์แรกที่แท้จริงของซีรีส์เวลาที่มีแนวโน้มและตามฤดูกาล You8217 จะพบชุดทั้งไตรมาสที่ไม่เป็นระเบียบและการคาดการณ์ในรูปที่ 5.8 รูปที่ 5.8 ผลกระทบตามฤดูกาลจะกลับสู่การคาดการณ์ การประเมินค่าเฉลี่ยอย่างง่ายวิธีการจัดการกับซีรีส์เวลาตามฤดูกาลที่กล่าวถึงในหัวข้อก่อนหน้านี้มีบางคำที่ใช้งานง่าย แนวคิดพื้นฐานที่ดูเหมือนจะตรงไปตรงมา: คำนวณแนวโน้มรายปีโดยการถอยกลับไปเป็นประจำทุกปีด้วยการวัดระยะเวลา แบ่งแนวโน้มรายปีในแต่ละช่วงเวลาภายในปี ลบแนวโน้มที่แยกออกจากเอฟเฟ็กต์เป็นระยะ ๆ เพื่อให้ได้ผลที่ถูกปรับ ลบผลที่ได้รับการปรับปรุงออกจากมาตรการที่เกิดขึ้นจริงเพื่อลดจำนวนชุดเวลา สร้างการคาดการณ์จากชุดข้อมูลที่อ้างเหตุผลและเพิ่มผลกระทบตามฤดูกาลที่ปรับเปลี่ยนกลับเข้ามามุมมองของฉันเองก็คือปัญหาหลายอย่างทำให้แนวทางลดลงและฉันจะไม่รวมไว้ในหนังสือเล่มนี้ยกเว้นว่าคุณมีแนวโน้มที่จะพบปัญหานี้และดังนั้นจึงควรทำความคุ้นเคย กับมัน และเป็นเวทีที่มีประโยชน์เพื่อหารือเกี่ยวกับแนวความคิดและวิธีการบางอย่างที่พบได้ในแนวทางที่เข้มแข็งขึ้น ประการแรกมีปัญหา (เกี่ยวกับที่ฉันบ่นอยู่ก่อนหน้าในบทนี้) เกี่ยวกับขนาดตัวอย่างขนาดเล็กมากสำหรับการถดถอยของวิธีการประจำปีลงบน integers ติดต่อกันที่ระบุในแต่ละปี แม้ว่าจะมีตัวทำนายเพียงตัวเดียวเพียงอย่างเดียวเพียงอย่างเดียวเพียงอย่างเดียวเพียง 10 ตัวเท่านั้นจริงๆแล้วขูดส่วนล่างของกระบอก อย่างน้อยที่สุดคุณควรมองไปที่ผลที่ได้รับ R 2 ปรับการหดตัวและอาจคำนวณข้อผิดพลาดมาตรฐานของการประมาณการตาม It8217s จริงที่แข็งแกร่งขึ้นความสัมพันธ์ในประชากรที่มีขนาดเล็กตัวอย่างที่คุณจะได้รับไปด้วย แต่การทำงานร่วมกับไตรมาสภายในปีที่ผ่านมาคุณโชคดีที่ได้พบข้อสังเกตรายไตรมาสติดต่อกันถึง 10 ปีนับสิบ ๆ ปีซึ่งวัดได้ในลักษณะเดียวกันตลอดช่วงเวลานั้น I8217m ไม่ได้ชักชวนให้คำตอบของรูปแบบการขึ้นและลงที่เกิดขึ้นภายในหนึ่งปี (ดูแผนภูมิในรูปที่ 5.4) คือการหาค่าเฉลี่ยของยอดเขาและหุบเขาและได้รับการคาดการณ์แนวโน้มจากค่าเฉลี่ยรายปี แน่นอนว่าคำตอบหนึ่งสำหรับปัญหานี้คือ แต่อย่างที่คุณเห็นจะมีวิธีการที่ดีกว่าในการแยกแยะผลกระทบตามฤดูกาลออกจากแนวโน้มพื้นฐานการคำนวณทั้งสองอย่างและการคาดการณ์ตามลำดับ I8217 จะครอบคลุมถึงวิธีการดังกล่าวในบทนี้ใน 8220 การถดถอยเชิงเส้นกับส่วนเวกเตอร์รหัส 8221 นอกจากนี้ยังไม่มีรากฐานในทฤษฎีสำหรับการกระจายแนวโน้มประจำปีอย่างเท่าเทียมกันในช่วงเวลาที่ประกอบขึ้นเป็นปี It8217s จริงที่ถดถอยเชิงเส้นไม่สิ่งที่คล้ายกันเมื่อมันวางการคาดการณ์ในแนวเส้นตรง แต่มีช่วงระหว่างอ่าวใหญ่มากทำให้เกิดข้อสันนิษฐานพื้นฐานเนื่องจากรูปแบบการวิเคราะห์สามารถประมวลผลข้อมูลได้และยอมรับข้อบกพร่องที่มีข้อบกพร่องในการคาดการณ์ 8212 สามารถวัดและประเมินได้ ที่กล่าวว่า let8217s ย้ายไปใช้ค่าเฉลี่ยเคลื่อนที่แทนค่าเฉลี่ยที่เรียบง่ายเป็นวิธีการจัดการกับฤดูกาล