중앙 이동 평균 엑셀 공식

이동 평균. 이 예제는 Excel에서 시계열의 이동 평균을 계산하는 방법을 가르쳐줍니다. 이동 평균은 불규칙한 봉우리와 계곡을 부드럽게하여 경향을 쉽게 인식하는 데 사용됩니다 .1 먼저 시간 시리즈를 살펴 보겠습니다 .2 데이터 탭에서 데이터 분석을 클릭하십시오. 데이터 분석 단추를 찾을 수 없습니다. 여기를 클릭하여 분석 도구 추가 기능을로드하십시오 .3 이동 평균을 선택하고 확인을 클릭하십시오 .4 입력 범위 상자를 클릭하고 B2 M2 범위를 선택하십시오. 5 간격 상자를 클릭하고 6.6을 입력합니다. 출력 범위 상자를 클릭하고 셀 B3.8을 선택합니다. 이 값의 그래프를 플롯합니다. 설명 간격을 6으로 설정했기 때문에 이동 평균은 이전 5 개 데이터 포인트의 평균이고 현재 데이터 포인트 결과적으로 최고점과 최저점은 부드럽게됩니다. 그래프는 증가 추세를 보여줍니다. Excel은 이전 데이터 포인트가 충분하지 않기 때문에 처음 5 개 데이터 포인트에 대한 이동 평균을 계산할 수 없습니다 .9 간격 2에 대해 2 - 8 단계를 반복하십시오 및 간격 4. 결론 간격이 클수록 봉우리와 골이 더 매끄럽게됩니다. 간격이 작을수록 이동 평균이 실제 데이터 포인트에 가까워집니다. David, 예, MapReduce는 많은 양의 데이터를 처리하기위한 것입니다. 그리고 일반적으로지도와 축소 함수는 얼마나 많은지도 작성자 또는 얼마나 많은지도 작성자가 있는지 최적화해야한다는 아이디어입니다. 내가 게시 한 알고리즘은 어떤 매퍼가 데이터의 어느 부분을 가져올지를 알 수 있습니다. 각 입력 레코드는 필요한 모든 작업을 줄일 수 있습니다. Joe K Sep 18 12 at 22 30. 가장 잘 알고있는 이동 평균 MR은 정렬 된 데이터의 비 교차 범위를 처리하는 반면, 계산은 본질적으로 정렬 된 데이터보다 슬라이딩 윈도우이기 때문에 MapReduce 패러다임에 잘 맵핑되지 않습니다. 다음과 같이 솔루션이 표시됩니다. a 두 가지 다른 파티션을 만들 수있는 맞춤형 파티션 도구를 구현하려면 두 번의 주행에서 각 감속기는 서로 다른 범위의 데이터를 얻고 이동 평균을 계산합니다. 여기서 설명하려고하는 부분은 R1에서 Q1, Q2, Q3, Q4 R2 Q5, Q6, Q7, Q8. 일부 Q의 경우 이동 평균을 계산할 것입니다. 다음 실행에서는 R1 Q1 Q6 R2 Q6 Q10 R3 Q10 Q14와 같은 데이터를 가져와야합니다. 나머지 이동 평균을 계산하십시오. 결과를 집계해야합니다. 커스텀 파티셔너는 두 개의 작동 모드를 가질 것입니다 - 매번 같은 범위로 나뉘어져 있지만 약간의 시프트가있는 의사 코드에서는 파티션 키처럼 보일 것입니다. SHIFT MAXKEY numOfPartitions SHIFT를 구성에서 가져올 곳 MAXKEY 가정하는 키의 최대 값 단순하기 때문에 그들은 0으로 시작합니다. RecordReader, IMHO는 특정 분할로 제한되고 분할 경계를 넘어갈 수 없기 때문에 해결책이 아닙니다. 또 다른 솔루션은 입력 데이터 분할의 사용자 정의 논리를 구현하는 것입니다. 이는 InputFormat의 일부입니다. It 파티셔닝과 비슷한 2 개의 다른 슬라이드를 수행 할 수 있습니다. 대답 9 월 17 일 12시 8 분 59. Microsoft Excel의 예측 분석 계절별 시간 시리즈 작업. 이 장에서는 간단한 계절 평균. 움직이는 애버리그 es 및 중앙 이동 평균. 코딩 된 벡터를 사용한 선형 회귀. 간단한 계절 기하 평균 스무딩. 호타 윈터 모델. 계절성에 의해 부분적으로 상승하고 하락하는 경향을 특징으로하는 시계열을 사용하면 점차 더 복잡해집니다. 계절의 경과에 따라 우리는 계절의 사계절의 일상적인 의미보다 일반적인 의미로 계절이라는 용어를 사용합니다. 예측 분석의 맥락에서, 패턴은 매주 또는 1 년 단위로 반복되는 경우 하루가 될 수 있습니다 대통령 선거주기 또는 그 사이의 거의 모든 기간 병원에서의 8 시간 교대 근무는 계절을 나타낼 수 있습니다. 이 장에서는 시계열을 분해하여 계절성이 그 추세와 어떻게 다른지를 볼 수 있습니다. any 3 장과 4 장의 자료에서 기대할 수있는 것처럼 몇 가지 접근법을 사용할 수 있습니다. 간단한 계절 평균을 사용합니다. 시계열을 모델화하기위한 간단한 계절 평균의 사용은 때로는 프로 데이터에 대해 상당히 조잡한 모델을 제시합니다. 그러나 데이터 세트의 계절에주의를 기울이는 접근법으로 계절성이 발음 될 때 간단한 지수 스무딩보다 예측 기법으로 훨씬 더 정확할 수 있습니다. 계절과 추세에 따른 시계열과 함께 사용되는 절차의 일부에 대한 소개는 그림 5의 예를 참조하십시오. 그림 5 1 수평 모델을 사용하면 단순 평균을 통해 계절적 수단에 불과한 예측이 가능합니다. 그림 5 1에 표시된 데이터 및 차트는 National Football League의 팬을 대상으로하는 웹 사이트의 일일 평균 조회수를 나타냅니다. D 열의 각 관찰은 5 년 동안 4 분기 동안 매일 평균 조회수를 나타냅니다. 계절 패턴을 식별합니다. G2 G5 범위의 평균을 통해 분명한 분기 별 효과가 발생하고 있음을 알 수 있습니다. 가장 큰 평균 히트 수는 가을과 겨울에 발생합니다 , 주요 16 게임과 플레이 오프가 예정되어있을 때 평균 일일 히트로 측정 한이자는 봄과 여름에 하락합니다. 평균은 배열 수식에 익숙한 지 여부를 판단하기 쉽습니다. 예를 들어, 1 분기의 인스턴스를 사용하면 그림 5의 셀 G2에서이 배열 수식을 사용할 수 있습니다. 1.Array-Ctrl Shift Enter를 사용하여 입력합니다. 또는 AVERAGEIF 함수를 사용할 수 있습니다. 일반적인 방법으로 입력 할 수 있습니다. Enter 키 일반적으로 배열 수식 접근법은 내가 관련된 함수와 기준을보다 잘 제어 할 수있는 범위를 제공하기 때문에 선호합니다. 차트 데이터 시리즈에는 각 데이터 요소가 속한 분기를 나타내는 데이터 레이블이 포함됩니다. 차트는 G2의 평균 메시지를 에코합니다 G5 분기 1과 4가 반복적으로 가장 많은 조회수를 기록합니다. 이 데이터 세트에서 명확한 계절성이 있습니다. 계절 지수를 계산합니다. 시계열에 계절적 요소가 있다고 판단한 후에는 효과 그림 5 2에 표시된 평균은 단순 평균 방법이 해당 작업에 미치는 영향을 나타냅니다. 그림 5 2 그랜드 평균과 계절 평균을 결합하여 계절 지수를 얻습니다. 그림 5 2에서 G10 범위의 추가 계절 지수를 얻습니다 G2에서 G5의 각 계절별 평균에서 셀 G7의 웅대 한 평균을 뺍니다. 결과는 분기 1에있는 효과, 분기 2에있는 효과 등입니다. 주어진 월이 1 분기에 있으면 이 정보는 특정 계절에 얼마나 중요한지 알 수 있습니다. 문제의 웹 사이트를 소유하고 광고를 판매한다고 가정하십시오. 그것의 공간 당신은 분명히 두 번째와 세 번째보다 첫 번째와 네 번째 분기 동안 광고주의 높은 가격을 물을 수 있습니다 요점은, 당신은 두 번째 또는 세 번째 중 하나보다 1 분기 동안 두 배나 많은 요금을 청구 할 수 있습니다. 한철의 계절별 지수 d 또한 계절 조정을 계산할 수있는 위치에 있습니다. 예를 들어 그림 5 2에서 여전히 2005 년 각 분기의 계절 조정 값은 G16 G19에 표시됩니다. 관련 분기 별 측정에서 지수를 뺀 값으로 계산됩니다. 계절 지수는 각 계절과 관련된 일련의 수준의 증가 또는 감소를 의미합니다. 동의어 계절 효과는 최근 몇 년 동안 문헌에 나타났습니다. 두 용어를 모두 볼 수 있기 때문에이 책에서 두 용어를 모두 사용했습니다. 작은 문제는 두 용어가 같은 의미를 지니고 있음을 명심하십시오. 2001 년에서 2005 년까지의 일반적인 사건 과정에서 2/4 분기의 결과가 1 분기 결과의 133 분의 6에 뒤쳐지기를 기대합니다. 즉 99 65 ~ 33 95 그러나 2004 년과 2005 년 모두 2/4 분기의 계절 조정 결과가 1 분기의 계절 조정 결과를 뛰어 넘었습니다. 결과는 지난 2 년 동안 무엇이 바뀌 었는지 물어볼 수 있습니다. 처음 2 분기에 대한 계절 조정 결과 간의 관계를 역전합니다. 여기에서 그 문제를 추구하지 않습니다. 관찰 된 수치와 계절별 수치를 모두보고 싶다고 제안하는 것이 좋습니다. 간단한 계절 평균에서 얻은 지수 아니오 추세. 단순한 평균의 방법은 이전의 원유를 언급 한 것과 같지만 특히 계절적 효과가 확실하고 신뢰성있는 경우보다 정교한 지수 스무딩 대안보다 훨씬 정확할 수 있습니다. 시계열이 처리되지 않으면 이 절에서 논의한 사례의 경우와 같이 간단한 계절별 예측은 계절별 평균값 이상입니다. 시리즈가 위 또는 아래로 추세가 아니라면 다음 시즌에 대한 가치를 가장 잘 추정 할 수 있습니다. 3. 그림 5 3 계절적 평균을 취하여 계절 평균을 구한다. 그림 5 3의 차트에서 파선은 예측 f ROM 간단한 평활화 두 개의 실선은 실제 계절 관측 및 계절 평균을 나타냅니다. 계절 평균은 실제 계절 관측을 매끄러운 예측보다 훨씬 가깝게 추적합니다. 두 개의 RMSE가 셀에서 얼마나 더 가깝게 있는지 확인할 수 있습니다. F23 및 H23 계절 평균에 대한 RMSE는 매끄러운 예측에 대한 RMSE의 1/3에 불과합니다. 계절 효과의 크기와 일관성의 크기까지이를 요약 할 수 있습니다. 예를 들어, 평균 1 사분기와 2 사분기 사이의 평균값은 그림 5의 셀 G2와 G3의 차이 인 133 6 대신 35 0이었습니다. 그런 다음 매끄러운 컨텍스트에서 1 분기의 실제 값은 이 시계열의 경우보다 2 분기 및 지수 스무딩은 다음 기간 예측에 대한 현재 관측 값에 크게 의존 할 수 있습니다. 1 0으로 설정하면 지수 평활화는 예측으로 해결되고 예측은 항상 이전의 실제와 동일합니다. 각 계절 스윙의 크기가 1/4에서 1/4로 매우 일정하다는 사실은 단순한 계절 평균이 신뢰할 수있는 예측이라는 것을 의미합니다. 전체 계절 평균과 크게 다르다. 추세에 따른 간단한 계절 평균. 경향 시리즈와의 단순 계절 평균의 사용에는 몇 가지 실질적인 단점이 있으며, 이를 무시하고 고기가 많은 주제로 나아갈 것을 제안하고 싶다. 그러나 가능하다. 누군가가이 방법을 사용한 상황에 처하게 될 때, 그것이 작동하는 방법과 더 나은 선택이있는 이유를 아는 것이 상처를 입지 않을 것입니다. 추세 시리즈에서 계절성을 다루는 어떤 방법도 풀림의 근본적인 문제를 다루어야합니다 추세의 영향은 계절성에 기인 함 계절성은 추세를 어둡게하는 경향이 있고, 그 반대의 경우도 그림 5 참조 4. 그림 5 4 추세의 존재는 계산을 복잡하게 만든다 계절적 영향에 대한 추측. 계절에 따른 추세가 시간이 지남에 따라 상승한다는 사실은 추세가없는 경우에서와 같이 계절별 관측치를 단순히 평균하는 것이 일반적인 변화와 계절적 변화를 혼동 시킨다는 것을 의미합니다. 일반적인 생각은 계절별 효과와는 별도로 추세에 대한 추세를 계량화하고 관측 된 데이터에서 그 효과를 뺍니다. 결과는 계절 변화를 유지하는 계기가없는 계급입니다. 이 장의 앞 부분에서 설명한 것과 같은 방식으로 처리 할 수 ​​있습니다. 매년 평균입니다. 데이터 및 기타 방법을 파악하는 한 가지 방법은 의심 할 여지없이 분기 별 데이터가 아닌 연간 평균을 기반으로 추세를 계산하는 것입니다. 아이디어는 연간 평균이 계절 영향에 둔감하다는 것입니다. 즉, 각 분기에 대한 값에서 1 년 평균을 뺍니다. 따라서 4 가지 분기 효과의 합계와 평균은 정확하게 0입니다. 따라서 연간 평균을 사용하여 계산 된 추세 계절 변화에 영향을받지 않습니다. 이 계산은 그림 5에 나타납니다. 그림 5 5이 방법은 이제 단순 평균에 선형 회귀를 부과합니다. 데이터를 detrending하는 첫 번째 단계는 매년 평균 일일 히트를 얻는 것입니다. 그림 5의 범위 H3 H7 5 셀 H3의 수식은 예를 들어 평균 D3 D6입니다. 연간 평균을 기준으로 추세를 계산합니다. 연간 평균을 사용하면 추세를 계산할 수 있습니다. 이 배열 수식을 사용하여 I3 J7 범위의 LINEST. LINEST에 대한 두 번째 인수로 x 값을 제공하지 않으면 Excel에서 기본 x 값을 제공합니다. 기본값은 단순히 1로 시작하고 숫자로 끝나는 연속 정수입니다. 첫 번째 인수에서 호출하는 y - 값이 예제에서 기본 x 값은 G3 G7의 워크 시트에 지정된 값과 동일하므로 LINEST H3을 사용할 수 있습니다. H7 TRUE이 수식은 x - 값 및 상수는 b로 표시됩니다. y는 3 연속 쉼표입니다. 이 연습의 요점은 해마다 추세를 계량화하는 것이며, LINEST는 셀 I3의 값을 계산합니다. 이 셀에는 x 값의 회귀 계수가 곱 해져서 1,0 08 곱하기 1 곱하기 2 곱하기 3, 4, 5로 나누고 각 결과에 84/43의 절편을 추가하십시오. 연례 예측을 얻지 만이 절차의 중요한 포인트는 연간 추세를 계량하는 계수 106 08의 값입니다. 이 절에서 설명하는 전체 접근 방식에 대한 나의 불안의 근원입니다. 일반적으로이 예제에서 포괄 기간이 적습니다. 회귀 분석을 통해 실행하는 데 수년이 걸립니다. 회귀 분석 결과는 여기 에서처럼 매우 불안정한 경향이 있습니다. 적은 수의 관찰을 기반으로합니다. 그렇지만이 절차는 시계열을 파악하기 위해 그 결과에 크게 의존합니다. 시즌 간 추세를 보완하십시오. 계절과 같은 추세를 다루는 단순 평균 방법 추세를 포괄 기간의 기간 수로 나눠서 기간별 추세를 구합니다. 여기에서 연간 기간 수는 4 회로 분기 별 데이터로 작업하므로 106을 08로 나누어 추세를 추정합니다 5. 주기적 평균 결과에서이를 by으로써 그주기적인 추세를 사용한다. 계절적 효과로부터 연간 경향의 효과를 제거하는 것이 목적이다. 그러나 5 년에 걸친 평균 결과를 계산할 필요가있다 기간 1의 경우 기간 2의 경우 등등 이와 같이하려면 G5 범위에 표시된 5 분기 D22의 범위에 표시된 실제 분기 별 조회수를 5 년 4 분기 행렬로 다시 정렬하는 것이 좋습니다 J15 해당 행렬의 값은 열 D. 의 목록과 일치한다는 점에 유의하십시오. 데이터가 그런 방식으로 배열되어 있으면 G18 J18 범위에서 수행 된 데이터 세트의 5 년 평균 분기 별 값을 쉽게 계산할 수 있습니다. 반환 된 추세의 효과 LINEST가 범위에 나타남 G19 J19 각 연도의 시작 값은 첫 번째 분기에 대해 관찰 된 평균 일일 조회이므로 첫 번째 분기에 대한 조정을하지 않음 2/4 분기에서 1/4의 비율 또는 26 5를 뺍니다. s 평균 히트, 329 9의 조정 된 2 분기 값이 생김 9 셀 H21, 그림 5 5를 참조하십시오. 트렌드의 2/4 가치, 셀 I19의 2 26 5 또는 53이 조정 된 세 번째 값을 얻으려는 3/4 분기에서 뺍니다. 셀 I21의 282 6의 쿼터 값 그리고 마찬가지로 4 분기의 경우 454 4에서 트렌드의 4 분의 3을 빼서 셀 J21의 374 8을 얻습니다. 이 예에서와 같이 경향이 위보다는 아래로 떨어지면, 주기적인 추세 값을 감산하는 대신 관측 된 주기적 평균치에 더합니다. 조정 된 계절적 수단을 계절적 효과로 변환합니다. 이 방법의 논리에 따라 그림 5의 20 21 행에 표시된 값은 각 4 분의 1의 효과와 함께 e 데이터 세트에서 일반적으로 증가하는 추세 행 20과 21이 G에서 J까지의 열에 병합됩니다. 추세가 나 빠지면서이 수치를 계절 효과 추정으로 변환 할 수 있습니다. 1 분기, 2 기 결과 쿼터 등등 이러한 효과를 얻으려면 조정 된 분기 평균의 평균을 계산하여 시작하십시오. 조정 평균 비율은 셀 I23에 나타납니다. 분석은 그림 5에서 계속됩니다. 그림 5 6. 분기 별 효과 또는 인덱스가 사용됩니다 그림 5 6은 그림 5의 하단에서 분기 별 조정과 조정 된 평균을 반복합니다. 5 계절별 영향으로 생각할 수있는 분기 별 지수를 결정하기 위해 결합됩니다. 예를 들어 셀 D8의 수식 그것은 다음과 같습니다. 그것은 33을 반환합니다. 2 2/4 분기의 효과는 웅대 한 평균에 비례합니다. 웅장한 평균과 관련하여, 2/4 분기에 속한 결과가 웅대 한 평균보다 떨어질 것으로 기대할 수 있습니다 비 y 33 2 units. 관찰 된 분기에 계절 효과 적용. 지금까지 회귀를 통해 데이터의 연간 추세를 계량화하고 그 추세를 4로 나누어 분기 별 값으로 비례 배분했습니다 그림 5 6에서 우리는 C4 F4의 비례 추세를 뺀 C3 F3의 각 분기에 대한 평균을 조정합니다. 결과는 분기가 발생한 연도에 관계없이 각 분기의 평균의 추정 된 추정치입니다 (C5에서). F5 조정 된 평균값 , 셀 G5에서 C5의 조정 된 분기 별 평균값 F5 각 분기의 평균을 조정 된 평균값과 비교하여 각 분기의 평균값으로 변환합니다. 이는 C8 F8의 계절별 지수 또는 효과입니다. 관찰 된 분기 별 효과 그림 5 6에서와 같이 C12 F16의 해당 분기 값에서 C8 F8의 분기 별 지수를 뺍니다. 가장 쉬운 방법은 C20 셀에이 수식을 입력하는 것입니다. 단일 달러 기호 C 8에 대한 참조에서 8 이전에 혼합 된 참조 부분적으로 상대적으로 부분적으로는 달러 기호는 8 번째 행에 대한 참조를 고정하지만 참조의 열 부분은 자유롭게 변합니다. 따라서 후자의 수식이 입력 된 후 셀 C20에서 셀의 선택을 클릭하면 선택한 셀의 오른쪽 하단 모서리에있는 작은 사각형을 처리하고 셀 F20으로 오른쪽으로 드래그합니다. 오른쪽으로 드래그하면 주소가 조정되고 값을 사용하면 계절 효과가 적용됩니다 C20에서 2001 년 동안 제거되었습니다. F20 네 개의 셀 범위를 선택하고 F20에서 다중 선택 핸들을 사용하여 행 24로 아래로 드래그합니다. 이렇게하면 행렬의 나머지 부분을 채 웁니다. 계절적 효과에 대한 원래의 분기 별 값을 다시 조정합니다. 원래 가치에 존재하는 추세는 여전히 존재하며, 이론적으로는 계절적 효과를 조정 한 후에도 이론적으로는 남아 있습니다. 우리는 추세를 제거했습니다. 그러나 단지 fr 따라서 계절적 효과를 제외하고 계절적 영향을 추론 할 때 원래의 계절 관측치에서 추측 된 계절적 효과를 뺄 때 그 결과는 계절적 효과가없는 추세에 대한 원래 관측 값입니다. 그림 5에서 계절 조정 값을 차트로 나타 냈습니다. 그림 5의 도표 4 그림 5 6에서 비관 계화 된 값이 직선 상에 정확하게 놓여 있지는 않지만 계절적 영향의 상당 부분이 제거되었음을 알 수 있습니다. 비대해진 분기를 시간 주기로 되돌아갑니다. 다음 단계는 그림 5 6 셀 C20 F24의 계절적으로 조정 된 추세 데이터. 이 시점에서 몇 가지 대안을 사용할 수 있습니다. 제 3 장, 추세 시계열로 작업하기에서 설명한 간단한 지수 스무딩과 차별 접근법을 사용할 수 있습니다. 추세 시리즈 다듬기에 대한 Holt의 접근법, 3 장 및 4 장, 예측 초기화 두 가지 방법 모두를 ap 첫 번째 예측을 작성하여 해당 계절별 색인을 추가하십시오. 여기에서 사용할 다른 방법은 먼저 선형 회귀의 다른 인스턴스를 통해 추세 데이터를 넣은 다음 계절별 색인을 추가하십시오. 그림 5를 참조하십시오. 그림 5 7 첫 번째 진정한 예측은 행 25에 있습니다. 그림 5 7은 그림 5 6의 C20 F24에있는 표 배열에서 그림 5의 범위 C5 C24에있는 목록 배열로 비관 계화 된 분기 별 평균을 반환합니다. 7. 우리는 LINEST와 함께 그림 5 7의 B5 C24에있는 데이터와 결합하여 회귀 방정식의 절편과 계수를 계산 한 다음 계수에 B 열의 각 값을 곱하고 각 제품에 절편을 추가하여 열에 예측을 생성 할 수 있습니다 D LINEST가 계수 및 절편 이외의 유용한 정보를 반환하더라도 TREND는 예측을보다 빨리 얻을 수있는 방법이며 그림 5에서 사용합니다. 7. D5 D24 범위는 deseasonaliz를 회귀하여 얻은 예측을 포함합니다 C5 C24의 분기 별 수치를 B5 B24의 기간 수에 곱한다. D5 D24에서 사용 된 배열 수식은 this이다. 그 결과 세트는 시계열에서 일반적으로 상승하는 경향의 효과를 반영한다. TREND가 예측하는 값이 deseasonalized 계절별 지수라고도하는 계절별 효과를 추세 예측에 추가해야합니다. 계절 지수를 다시 추가합니다. 그림 5 6에서 계산 된 계절별 지수가 처음에는 C2 F2 그런 다음 E5 E8, E9 E12 등의 범위에서 반복적으로 리 서치 된 예측은 E 열에있는 계절 효과를 D 열의 추세 예측에 추가하여 F5 F24에 배치됩니다. 셀에서 한 단계 앞당겨 진 예측을 얻으려면 그림 5의 F25 7 다음 기간의 t 값이 셀 B25로 이동합니다. D25 셀에 다음 수식이 입력됩니다. Excel에서 B5 B24의 값과 C5 C24의 값을 예측하는 회귀 수식을 계산하고 적용합니다 그 방정식 적절한 계절 인덱스는 셀 E25에 배치되고 D25와 E25의 합은 추세와 계절 시계열의 첫 번째 실제 예측으로 F25에 배치됩니다. 전체 세트를 찾을 수 있습니다. deseasonalized quarterlies와 그림 5에 그림 된 예측. 그림 5 8 계절 효과는 예측으로 반환됩니다. 단순 평균을 계산합니다. 이전의 여러 절에서 논의 된 계절별 시계열을 다루는 방법은 직관적 인 매력이 있습니다. 기본 개념 일정한 시간대에 대해 연례 평균을 회귀하여 연간 추세를 계산합니다. 연중 추세를 1 년 내로 나눕니다. 주기적 효과에서 할당 된 경향을 조정 효과에 적용합니다. 실제 측정치에서 조정 된 영향을 배제하십시오. 시간이 지나치게 짧아지는 것을 피할 수 있습니다. 계절성이없는 시리즈에서 예측을 만들고, 조정 된 계절적 효과를 다시 추가하십시오. 내 생각에 몇 가지 문제가 접근 방식을 약화시킵니다. 나는이 책에이 책을 포함시키지 않을 것입니다. 단, 그 책을 접하게 될 가능성이 높기 때문에 그것에 익숙해야합니다. 그리고 다른 견고한 접근법에서 발견되는 몇 가지 개념과 절차에 관해 토론 할 수있는 유용한 발판을 제공합니다. 먼저 문제가 있습니다. 나는이 장의 앞부분에서 각 연도를 식별하는 연속적인 정수에 대한 연간 평균값의 회귀에 대한 아주 작은 표본 크기에 관해 불평했다. 단 하나의 예측 인자만으로도 10 회의 관찰이 실제로 배럴의 바닥을 깎아 내리고있다. 당신은 수축을 위해 조정 된 R2 결과를보고 이에 따라 추정치의 표준 오차를 재 계산할 것입니다. 인구의 상관 관계가 강할수록 표본은 작아집니다. 그러나 몇 년 내에 분기와 함께 일하면서 운 좋게도 연속적인 분기 관찰의 가치가 10 년이라는 것을 찾아야합니다. 각각의 시간은 그 기간에 걸쳐 동일한 방식으로 측정됩니다. 나는 그것을 설득하지 않았습니다. 1 년 내에 발견되는 문제가되는 위 / 아래 패턴에 대한 해답 그림 5 4의 차트는 봉우리와 계곡을 평균 해 연례 평균으로부터 경향 추산을 얻는 것을 볼 수 있습니다. 확실히 그 문제에 대한 한 가지 대답이지만, 여러분이 보시다시피, 근본적인 추세에서 계절적 영향을 분리하고 그것들 둘 모두를 설명하는 훨씬 더 강력한 방법이 있습니다. 따라서이 장의 뒷부분에있는 코드 된 벡터를 사용한 선형 회귀 분석 섹션에서 그 방법을 설명 할 것입니다. 연간 추세를 일년 중 균등하게 분배하는 이론에 기초가 없습니다. 선형 회귀 분석은 예측을 직선으로 배치 할 때 비슷한 점을 말합니다. 그러나 분석을 통해 근본적인 가정을 만드는 사이에 거대한 걸림돌이 있습니다. 모델은 그렇지 않으면 데이터를 처리 할 수 ​​없으며 예측에서 오류의 결함을 측정하고 평가할 수있는 결함있는 결과를 수락 할 수 있습니다. 즉, 이동 평균 단순한 평균 대신에 계절성을 다루는 방법으로