ชี้แจง ถัว เฉลี่ยเคลื่อนที่ Sas

การถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบเรขาคณิตค่าเฉลี่ย EWMA เป็นสถิติสำหรับการตรวจสอบกระบวนการที่มีค่าเฉลี่ยของข้อมูลในลักษณะที่ให้น้ำหนักน้อยลงเมื่อนำข้อมูลออกไปใน timeparison ของแผนภูมิการควบคุม Shewhart และเทคนิคการควบคุม EWMA สำหรับการควบคุมแผนภูมิ Shewhart เทคนิคการตัดสินใจเกี่ยวกับสถานะของการควบคุมกระบวนการนี้ตลอดเวลา t ขึ้นอยู่กับการวัดล่าสุดจากกระบวนการนี้และแน่นอนว่าระดับความเป็นจริงของการประมาณค่าขีด จำกัด การควบคุมจากข้อมูลที่ผ่านมาสำหรับ EWMA เทคนิคการควบคุมการตัดสินใจขึ้นอยู่กับสถิติ EWMA ซึ่งเป็นค่าเฉลี่ยถ่วงน้ำหนักของข้อมูลทั้งหมดก่อนรวมทั้งการวัดล่าสุดโดยการเลือกปัจจัยการถ่วงน้ำหนัก lambda ขั้นตอนการควบคุม EWMA สามารถทำให้ความสำคัญกับขนาดเล็กหรือค่อยๆ ลอยในกระบวนการในขณะที่ขั้นตอนการควบคุม Shewhart สามารถตอบสนองเมื่อจุดข้อมูลล่าสุดอยู่นอกขีด จำกัด ของการควบคุม EWMA. The สถิติที่ ถูกคำนวณคือ mbox t lambda Yt 1 - lambda mbox,,, mbox,,, t 1,, 2,, ldots,, n where mbox 0 คือค่าเฉลี่ยของเป้าหมายข้อมูลที่ผ่านมา Yt คือการสังเกตเวลา t n คือจำนวนของการสังเกตการณ์ที่ต้องตรวจสอบรวมถึง mbox 0. การแปลความหมายของแผนภูมิควบคุม EWMA จุดสีแดงคือข้อมูลดิบที่เส้นขรุขระเป็นสถิติของ EWMA เมื่อเวลาผ่านไปแผนภูมินี้บอกเราว่ากระบวนการนี้อยู่ในการควบคุมเนื่องจาก mbox t lie ระหว่างข้อ จำกัด ของการควบคุมอย่างไรก็ตามดูเหมือนว่าจะมีแนวโน้มเพิ่มขึ้นสำหรับช่วง 5 ช่วงที่ผ่านมาการปรับค่าเฉลี่ยของค่าเฉลี่ยและการแสดงออกที่ทำให้เกิดความคมชัดเป็นขั้นตอนแรกในการย้ายเกินกว่าโมเดลหมายถึงแบบจำลองการเดินแบบสุ่มและแบบจำลองเชิงเส้นแนวโน้มและรูปแบบที่ไม่เป็นทางการ การอนุมานโดยใช้แบบจำลองการเคลื่อนที่โดยเฉลี่ยหรือการปรับให้เรียบสมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและการปรับให้ราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นโดยมีค่าเฉลี่ยที่แตกต่างกันอย่างช้าๆดังนั้นเราจึงใช้ค่าเฉลี่ยในท้องถิ่นที่เคลื่อนที่เพื่อประเมินค่าปัจจุบันของค่าเฉลี่ยและใช้ การคาดการณ์ในอนาคตอันใกล้นี้ถือได้ว่าเป็นการประนีประนอมระหว่างแบบจำลองเฉลี่ยกับแบบสุ่มโดยไม่มีการลอยแบบเดียวกันกลยุทธ์เดียวกันนี้สามารถใช้ในการประมาณและประเมินค่า ปลายแนวโน้มในท้องถิ่นค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่า smoothed version ของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบของกระแทกในชุดเดิมโดยการปรับระดับความเรียบของความกว้างของค่าเฉลี่ยเคลื่อนที่เราสามารถหวังได้ ที่จะตีสมดุลบางอย่างที่ดีที่สุดระหว่างประสิทธิภาพของแบบจำลองการเดินแบบเฉลี่ยและแบบสุ่มตัวอย่างที่ง่ายที่สุดคือแบบเคลื่อนที่เฉลี่ยถ่วงน้ำหนักอย่างเท่าเทียมกันการคาดการณ์สำหรับค่าของ Y ในเวลา t1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่เรียบง่ายของการสังเกตการณ์ m ล่าสุด ที่นี่และที่อื่น ๆ ผมจะใช้สัญลักษณ์ Y-hat เพื่อทำนายเวลาของชุด Y ที่ทำในวันที่ก่อนหน้านี้โดยรูปแบบที่กำหนดค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - m 1 2 ซึ่งหมายความว่าการประมาณ ค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าที่แท้จริงของค่าเฉลี่ยของท้องถิ่นโดยประมาณระยะเวลา m 1 2 ดังนั้นเราจึงบอกว่าอายุเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ m 1 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูลตัวอย่างเช่นถ้าคุณใช้ค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะอยู่ที่ประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเหโปรดสังเกตว่าถ้า m 1, ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่แบบ SMA เทียบเท่ากับรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตถ้า m มีขนาดใหญ่มากเทียบเท่ากับความยาวของระยะเวลาประมาณค่ารุ่น SMA เท่ากับรูปแบบค่าเฉลี่ยเช่นเดียวกับพารามิเตอร์ของรูปแบบการคาดการณ์ เพื่อปรับค่าของกี่ n เพื่อให้ได้ข้อมูลที่เหมาะสมที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ยนี่คือตัวอย่างของชุดที่แสดงให้เห็นถึงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่มีความแตกต่างกันอย่างช้าๆก่อนอื่นให้ลองพอดีกับการเดินแบบสุ่ม ซึ่งเทียบเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอมรูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จึงทำให้เกิดเสียงรบกวนมากขึ้นในข้อมูลความผันผวนแบบสุ่มรวมทั้งสัญญาณในท้องถิ่น หมายความว่าถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ 5 เทอมเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่าการคาดการณ์อัตราการเคลื่อนที่แบบเคลื่อน 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้อายุเฉลี่ยของข้อมูลในข้อมูลนี้ คือ 3 5 1 2 ดังนั้นจึงมีแนวโน้มที่จะล้าหลังจุดหักเหโดยประมาณสามงวดตัวอย่างเช่นการชะลอตัวที่ดูเหมือนว่าจะได้เกิดขึ้นในระยะเวลา 21 แต่การคาดการณ์ไม่หันไปรอบ ๆ จนกระทั่งหลายช่วงเวลาในภายหลังหมายเหตุว่าระยะยาว - คาดการณ์ระยะสั้นจาก SMA mod el เป็นเส้นตรงแนวนอนเช่นเดียวกับในรูปแบบการเดินแบบสุ่มดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูลอย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตล่าสุดการคาดการณ์จาก รูปแบบ SMA มีค่าเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุดค่าความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากการเพิ่มขึ้นของขอบฟ้าพยากรณ์อากาศคาดว่าจะไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีพื้นฐาน ทฤษฎีทางสถิติที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไรก็ตามไม่ยากเกินไปที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ที่ยาวกว่าขอบฟ้าตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตในรูปแบบ SMA ได้ จะใช้ในการคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ขั้นตอน ฯลฯ ภายในตัวอย่างข้อมูลทางประวัติศาสตร์จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในการคาดการณ์แต่ละครั้ง h orizon แล้วสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสมหากเราลองค่าเฉลี่ยเคลื่อนที่ 9- ระยะเราจะได้รับการคาดการณ์ที่ราบรื่นยิ่งขึ้นและอื่น ๆ ของผลปกคลุมด้วยวัตถุฉนวนอายุเฉลี่ยคือ ตอนนี้ 5 ช่วงเวลา 9 1 2 ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ 19 ระยะอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10. ข้อสังเกตว่าการคาดการณ์ในตอนนี้ล้าหลังจุดหักเหประมาณ 10 รอบระยะเวลาการปรับให้เรียบเป็นสิ่งที่ดีที่สุดสำหรับชุดข้อมูลนี้ ตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขารวมทั้งค่าเฉลี่ยระยะเวลา 3 เดือนด้วย C model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ระยะ 5 วันให้ผลตอบแทนต่ำสุดของ RMSE โดยมีส่วนต่างเล็ก ๆ ในระยะสั้น 3 และค่าเฉลี่ยระยะเวลา 9 และ สถิติอื่น ๆ ของพวกเขาเกือบเหมือนกันดังนั้นในหมู่รุ่นที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าเราต้องการตอบสนองน้อยมากหรือเรียบขึ้นเล็กน้อยในการคาดการณ์กลับไปด้านบนของหน้าการเรียบง่ายชี้แจง Smoothing ชี้แจงถ่วงน้ำหนัก ค่าเฉลี่ยเคลื่อนที่เฉลี่ยที่อธิบายไว้ข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะปฏิบัติต่อข้อสังเกตสุดท้าย k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตก่อนหน้านี้ทั้งหมดอย่างสังหรณ์ใจข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นเช่นการสังเกตล่าสุดควร รับน้ำหนักน้อยกว่าครั้งที่ 2 ล่าสุดและครั้งที่ 2 ล่าสุดควรได้รับน้ำหนักน้อยกว่าครั้งที่ 3 ล่าสุดและอื่น ๆ รูปแบบ SES แบบเรียบง่ายทำให้สำเร็จนี่แสดงให้เห็นถึงการทำให้ราบเรียบคงที่ระหว่าง 0 ถึง 1 วิธีหนึ่งในการเขียนแบบคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบันเช่นค่าเฉลี่ยของท้องถิ่นของชุดตั้งแต่ประมาณการข้อมูลจนถึงปัจจุบันค่าของ L ในเวลา t คำนวณจากค่าเดิมของตัวเองเช่นนี้ ดังนั้นค่าที่ปรับให้เรียบในปัจจุบันเป็นค่าการแทรกสอดระหว่างค่าที่ได้จากการเรียบก่อนหน้านี้กับการสังเกตการณ์ในปัจจุบันซึ่งจะควบคุมความใกล้ชิดของค่าที่ถูกสอดแทรกให้มากที่สุด การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ราบรื่นในปัจจุบันเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้านี้ในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ในเวอร์ชันแรกการคาดการณ์คือการแก้ไข ระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าโดยเศษส่วนเป็นจำนวนเล็กน้อยข้อผิดพลาดที่เกิดขึ้น ณ เวลา t ในรุ่นที่สามการคาดการณ์คือ ถ่วงน้ำหนักแบบทวีคูณคือค่าเฉลี่ยเคลื่อนที่ที่ลดลงพร้อมด้วยปัจจัยส่วนลด 1 รุ่นการแก้ไขของสูตรพยากรณ์เป็นวิธีที่ง่ายที่สุดหากคุณใช้โมเดลในสเปรดชีตที่พอดีในเซลล์เดียวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้ สังเกตและเซลล์ที่มีการจัดเก็บค่าของโปรดสังเกตว่าถ้า 1 รุ่น SES เทียบเท่ากับรูปแบบการเดินแบบสุ่ม hout growth ถ้า 0 โมเดล SES เท่ากับรุ่นค่าเฉลี่ยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของความยาวของข้อมูลในการพยากรณ์ความเรียบง่ายของเลขลำดับคือ 1 relative ถึงระยะเวลาที่คาดการณ์การคำนวณนี้ไม่ควรจะเป็นที่ชัดเจน แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหโดยประมาณ 1 ช่วงตัวอย่างเช่นเมื่อ 0 5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 0 2 ความล่าช้าเป็น 5 ช่วงเวลาเมื่อ 0 1 ล่าช้าเป็น 10 งวดและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุเช่นจำนวนเงินล่าช้าที่เรียบง่ายชี้แจง SES คาดการณ์ค่อนข้างดีกว่าการเคลื่อนไหวที่เรียบง่าย SMA คาดการณ์โดยเฉลี่ยเพราะมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - มันตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นในอดีตไม่นานตัวอย่างเช่นแบบ SMA ที่มี 9 คำและแบบ SES มีค่าเฉลี่ย 0 จาก 5 สำหรับ da ta ในการคาดการณ์ของพวกเขา แต่รูปแบบ SES ทำให้น้ำหนักมากขึ้นในช่วง 3 ค่ากว่ารุ่น SMA และในเวลาเดียวกันมัน doesn t ลืมอย่างสิ้นเชิงเกี่ยวกับค่ามากกว่า 9 งวดเก่าดังแสดงในแผนภูมินี้อีกหนึ่งข้อได้เปรียบที่สำคัญของ แบบจำลอง SES เหนือโมเดล SMA คือแบบจำลอง SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่องดังนั้นจึงสามารถปรับให้เหมาะสมโดยใช้อัลกอริธึมการแก้ปัญหาเพื่อลดข้อผิดพลาดของค่าเฉลี่ยที่เป็นศูนย์ค่าที่เหมาะสมที่สุดในโมเดล SES สำหรับชุดข้อมูลนี้จะปรากฏออกมา เป็น 0 2961 ตามที่แสดงไว้ที่นี่อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 1 0 2961 3 4 รอบระยะเวลาซึ่งคล้ายกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะยาวการคาดการณ์ในระยะยาวจากรูปแบบ SES คือ แนวเส้นตรงในแนวนอนเช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตอย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับแรนด์ om walk model รุ่น SES สันนิษฐานว่าชุดนี้ค่อนข้างจะสามารถคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่มโมเดล SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีทางสถิติของรูปแบบ ARIMA จึงเป็นพื้นฐานสำหรับการคำนวณระยะเวลาความเชื่อมั่นสำหรับ แบบจำลอง SES โดยเฉพาะแบบจำลอง SES เป็นแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีนัยสำคัญระยะ MA 1 และไม่มีระยะคงที่หรือที่เรียกว่าแบบจำลอง ARIMA 0,1,1 โดยไม่มีค่าคงที่ค่าสัมประสิทธิ์ของ MA1 ในรูปแบบ ARIMA สอดคล้องกับ ปริมาณ 1 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณมีรูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA 1 โดยประมาณจะเท่ากับ 0 7029 ซึ่งใกล้เคียงกับ 0 2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES เมื่อต้องการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันและ MA 1 ระยะโดยมีค่าคงที่คือ ARIMA 0,1,1 รุ่น คงที่การคาดการณ์ระยะยาวจะ มีแนวโน้มที่จะเท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมดคุณไม่สามารถดำเนินการนี้ร่วมกับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อมีการตั้งค่าชนิดของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มค่าคงที่ที่ยาวได้ การขยายตัวของอัตราเงินเฟ้อที่เหมาะสมต่องวดสามารถประมาณได้จากค่าสัมประสิทธิ์ความลาดชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลใน ร่วมกับการแปลงลอการิทึมธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาวกลับไปด้านบนของหน้าการคำนวณของ Linear คือการสร้าง Smoothing แบบ Double Exponential แบบ SMA และ SES สมมติว่าไม่มีแนวโน้มของ ชนิดใดในข้อมูลซึ่งมักจะเป็นอย่างน้อยหรืออย่างน้อยไม่มากเกินไปสำหรับการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อข้อมูลมีความไม่แน่นอน sy และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นที่คงที่ดังที่แสดงไว้ด้านบนแนวโน้มในระยะสั้นถ้าชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องใช้ คาดการณ์ล่วงหน้ามากกว่า 1 รอบแล้วการประมาณแนวโน้มภายในอาจเป็นปัญหาได้รูปแบบเรียบง่ายชี้แจงสามารถสรุปเพื่อให้ได้รูปแบบ LES แบบเรียบที่อธิบายถึงการประมาณการในระดับท้องถิ่นและระดับแนวโน้มแนวโน้มที่ต่างกันง่ายที่สุด เป็นแบบจำลองการให้ความเรียบแบบเสี้ยวของแบบสีน้ำตาลซึ่งใช้สองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่างๆในเวลาสูตรการคาดการณ์จะขึ้นอยู่กับการอนุมานของเส้นผ่านสองศูนย์รูปแบบที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt s คือ กล่าวถึงด้านล่างรูปแบบเกี่ยวกับพีชคณิตของรูปแบบการเรียบแบบเสียดสีของเส้นสีน้ำตาลเช่นเดียวกับรูปแบบการเรียบง่ายที่ชี้แจงสามารถแสดงออกได้ในจำนวนที่แตกต่างกัน รูปแบบมาตรฐานรูปแบบมาตรฐานของรูปแบบนี้มักจะแสดงเป็นดังนี้ปล่อยให้ S หมายถึงชุดที่เรียบโดยใช้การเรียบอย่างง่ายแทนชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย จำได้ว่าภายใต้การเรียบง่ายชี้แจงนี้จะเป็นที่คาดการณ์สำหรับ Y ที่ระยะเวลา t 1 แล้วให้ S หมายถึงชุดทวีคูณเรียบเรียงได้โดยใช้การเรียบง่ายชี้แจงโดยใช้ชุดเดียวกันกับ S. สุดท้ายคาดการณ์สำหรับ Y tk สำหรับใด ๆ k 1 ให้ผลตอบแทน e 1 0 คือโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตแรกที่เกิดขึ้นจริงและ e 2 Y 2 Y 1 หลังจากที่มีการคาดคะเนโดยใช้สมการข้างต้นนี้จะให้ค่าที่เหมือนกัน เป็นสูตรขึ้นอยู่กับ S และ S ถ้าเริ่มต้นขึ้นโดยใช้ S 1 S 1 Y 1 รุ่นของรูปแบบนี้จะใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบเรียงชี้แจงกับการปรับตามฤดูกาลฮอลแลนด์ s Linear Exponential Smoothing. Brown แบบจำลอง LES คำนวณค่าประมาณและระดับท้องถิ่นโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์ smoothing เดียวทำให้ข้อ จำกัด ในรูปแบบข้อมูลที่สามารถปรับให้พอดีกับระดับและแนวโน้มไม่ได้รับอนุญาตให้เปลี่ยนแปลงไป ที่ อัตราที่เป็นอิสระแบบจำลอง Holt s LES แก้ไขปัญหานี้โดยการรวมค่าคงที่สองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ณ เวลาใด ๆ t ในรูปแบบของ Brown มีการประมาณการ L t ของระดับท้องถิ่นและค่าประมาณ T t ของแนวโน้มในท้องถิ่นที่นี่พวกเขาจะคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การทำให้เกิดการแจกแจงแบบเอกซ์โพเนนเชียลให้แก่พวกเขาแยกกันหากระดับและแนวโน้มโดยประมาณในเวลา t-1 คือ L t 1 และ T t-1 ตามลำดับจากนั้นการคาดการณ์สำหรับ Y t ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณที่ปรับปรุงใหม่ของ ระดับจะถูกคำนวณโดยการ interpolating ระหว่าง Y t และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของและ 1. การเปลี่ยนแปลงในระดับโดยประมาณคือ L t L t 1 สามารถตีความได้ว่าเป็นการวัดความดังของ แนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดย recolive โดย interpolating ระหว่าง L t t t 1 และการประมาณการก่อนหน้านี้ของแนวโน้ม T t-1 โดยใช้น้ำหนักของและ 1. การตีความของค่าคงที่ของการปรับความเรียบของกระแสจะคล้ายคลึงกับค่าคงตัวของระดับที่คงที่ด้วยค่าเล็กน้อยที่สมมติว่าแนวโน้มการเปลี่ยนแปลง เพียงอย่างช้า ๆ เมื่อเวลาผ่านไปในขณะที่แบบจำลองที่มีขนาดใหญ่สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็วขึ้นโมเดลที่มีขนาดใหญ่เชื่อว่าอนาคตที่ห่างไกลมีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการประมาณค่าแนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วงเวลา ของค่าคงที่เรียบและสามารถประมาณได้ตามปกติโดยการลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 0 3048 และ 0 008 ค่าที่น้อยมากของ หมายความว่ารูปแบบสมมติการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบดังนั้นโดยทั่วไปรุ่นนี้พยายามที่จะประมาณแนวโน้มระยะยาวโดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณการ t เขาระดับท้องถิ่นของซีรีส์อายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 แม้ว่าจะไม่เท่ากันก็ตามในกรณีนี้จะกลายเป็น 1 0 006 125 นี่เป็นตัวเลขที่แม่นยำมาก เนื่องจากความถูกต้องของการประมาณเลขที่จริง 3 ตำแหน่งทศนิยม แต่เป็นลำดับเดียวกันของขนาดเป็นขนาดตัวอย่าง 100 ดังนั้นรูปแบบนี้จึงเป็นค่าเฉลี่ยมากกว่าค่อนข้างมากในประวัติศาสตร์ในการประมาณแนวโน้มพล็อตพล็อต ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นที่มีขนาดใหญ่กว่าเล็กน้อยในตอนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่โดยประมาณในรูปแบบแนวโน้ม SES นอกจากนี้ค่าประมาณของเกือบจะเหมือนกันกับค่าที่ได้จากการปรับรุ่น SES โดยมีแนวโน้มหรือไม่มีแนวโน้ม ดังนั้นนี่เป็นรูปแบบเดียวกันเกือบทุกวันนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับแบบจำลองที่คาดว่าจะเป็นการประเมินแนวโน้มในระดับท้องถิ่นหากคุณทำแผนผังเรื่องนี้ให้ดูราวกับว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของ ซีรีส์ Wh ที่เกิดขึ้นพารามิเตอร์ของโมเดลนี้ได้รับการประมาณโดยการลดข้อผิดพลาดของการคาดการณ์ล่วงหน้า 1 ขั้นตอนโดยไม่ จำกัด การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนักหากมองทั้งหมดคือ 1 ข้อผิดพลาดที่เกิดขึ้นล่วงหน้าคุณจะไม่เห็นภาพใหญ่ของแนวโน้มมากกว่าพูด 10 หรือ 20 รอบระยะเวลาเพื่อให้ได้รูปแบบนี้มากขึ้นสอดคล้องกับการคาดการณ์ลูกตาของข้อมูลของเราเราสามารถปรับแนวโน้มคงที่เรียบเพื่อที่จะ ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้มตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 0 1 อายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา นี่คือพล็อตพล็อตที่คาดการณ์ไว้ถ้าเราตั้งค่า 0 1 ขณะที่รักษา 0 3 นี่ดูเหมาะสมสำหรับซีรีส์นี้แม้ว่าจะอาจเป็นไปได้ที่จะคาดการณ์แนวโน้มนี้ได้เกินกว่า 10 งวดในอนาคตสิ่งที่เกี่ยวกับสถิติข้อผิดพลาด การเปรียบเทียบโมเดล f หรือแบบจำลองสองแบบที่แสดงข้างต้นรวมทั้งสามแบบ SES ค่าที่ดีที่สุดของแบบจำลอง SES อยู่ที่ประมาณ 0 3 แต่ผลที่คล้ายคลึงกันกับการตอบสนองเล็กน้อยหรือน้อยกว่าตามลำดับจะได้รับกับ 0 5 และ 0 2. การคำนวณสมการเชิงเส้นของ Holt กับอัลฟา 0 3048 และเบต้า 0 008 การคำนวณเชิงเส้นของ B Holt ด้วยอัลฟา 0 3 และเบต้า 0 1. ซีสมูทเอ็มโพเนนเชียลที่เรียบง่ายด้วยอัลฟา 0 5. D การเรียบง่ายแบบเอ็กซ์โปนเนนด้วยอัลฟา 0 3. อีเรียบเนียนเรียบด้วย alpha 0 2 สถิติของพวกเขาเกือบเหมือนกันดังนั้นเราจึงไม่สามารถเลือกทางเลือกตามข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูลเราต้องย้อนกลับไปในการพิจารณาอื่น ๆ หากเราเชื่อมั่นว่าการสร้างฐานในปัจจุบันเป็นเรื่องที่เหมาะสม การประมาณแนวโน้มของสิ่งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 0 3 และ 0 1 ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับภูมิภาคแล้วหนึ่งในโมเดล SES อาจ ง่ายกว่าที่จะอธิบายและยังจะให้มากขึ้น middl การคาดการณ์ e-of-the-road สำหรับถัดไป 5 หรือ 10 รอบระยะเวลาย้อนกลับไปด้านบนของหน้าประเภทของแนวโน้มการอนุมานที่ดีที่สุดในแนวนอนหรือเชิงเส้นหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าถ้าข้อมูลได้รับการปรับแล้วถ้าจำเป็นสำหรับอัตราเงินเฟ้อแล้ว มันอาจจะไม่ระมัดระวังในการคาดการณ์แนวโน้มเชิงเส้นระยะสั้นมากไปไกลในอนาคตแนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตเนื่องจากสาเหตุที่แตกต่างกันเช่นล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและ downturns วัฏจักรหรือ upturns ในอุตสาหกรรมด้วยเหตุนี้ชี้แจงอย่างง่าย การทำให้เรียบมักจะมีประสิทธิภาพดีกว่าตัวอย่างอื่น ๆ ที่คาดไว้แม้ว่าจะมีการคาดเดาแนวโน้มในแนวนอนที่ไร้เดียงสาการปรับเปลี่ยนรูปแบบการปรับลดความลาดเอียงของแบบจำลองการแกว่งแบบเชิงเส้นแบบเชิงเส้นก็มักใช้ในทางปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม รูปแบบ LES สามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA 1,1,2 model. It สามารถคำนวณช่วงความเชื่อมั่น arou การคาดการณ์ในระยะยาวครั้งที่ผลิตโดยแบบจำลองการทำให้เป็นรูปแบบเลขแจงโดยพิจารณาว่าเป็นกรณีพิเศษของโมเดล ARIMA ระวังให้ซอฟต์แวร์ทั้งหมดคำนวณระยะเวลาความเชื่อมั่นสำหรับโมเดลเหล่านี้ได้อย่างถูกต้องความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ i ข้อผิดพลาด RMS ของรุ่น ii ประเภท ของการเรียบง่ายหรือเชิงเส้น iii ค่าของการทำให้ราบเรียบคงที่ s และ iv จำนวนรอบระยะเวลาก่อนที่คุณจะคาดการณ์โดยทั่วไประยะห่างกระจายออกได้เร็วขึ้นตามที่ได้รับขนาดใหญ่ในรูปแบบ SES และพวกเขากระจายออกไปได้เร็วขึ้นมากเมื่อเส้นตรงมากกว่าง่าย การใช้งานราบเรียบหัวข้อนี้จะกล่าวถึงในส่วนของ ARIMA ในบันทึกย่อกลับไปด้านบนของ pagepute ค่าเฉลี่ยเคลื่อนที่ใน SAS คำถามทั่วไปเกี่ยวกับฟอรัมการสนทนาของ SAS คือการคำนวณค่าเฉลี่ยเคลื่อนที่ใน SAS บทความนี้แสดงวิธีการใช้ PROC ขยายและมีลิงก์ไปยังบทความที่ใช้ขั้นตอน DATA หรือมาโครเพื่อคำนวณค่าเฉลี่ยเคลื่อนที่ใน SAS ในโพสต์ก่อนหน้านี้ผมได้อธิบายวิธีกำหนดค่าเฉลี่ยเคลื่อนที่และค่า provi ded ตัวอย่างซึ่งแสดงที่นี่กราฟเป็นพล็อตกระจายของราคาปิดรายเดือนสำหรับหุ้นของ IBM ในช่วงระยะเวลา 20 ปีสามเส้นโค้งจะเคลื่อนที่โดยเฉลี่ยเส้นโค้ง MA เป็นเส้นโค้งห้าจุดตามค่าเฉลี่ยเคลื่อนที่เส้นโค้ง WMA เป็น ค่าเฉลี่ยถ่วงน้ำหนักที่มีน้ำหนักตั้งแต่ 1 ถึง 5 เมื่อคำนวณค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักในเวลา t ค่า yt มีน้ำหนัก 5 ค่า y t-1 มีน้ำหนัก 4 ค่า y t-2 มีน้ำหนัก 3 และอื่น ๆ เส้นโค้ง EWMA เป็นค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบยกกำลังสอง 0 3. บทความนี้แสดงวิธีการใช้ขั้นตอนการขยายในซอฟต์แวร์ SAS ETS เพื่อคำนวณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักและค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบถ่วงน้ำหนักใน SAS สำหรับภาพรวมของ PROC EXPAND และความสามารถหลายอย่างของมันผมขอแนะนำให้อ่านบทความสั้น ๆ เกี่ยวกับโง่เขลาของมนุษย์กับ PROC EXPAND โดย David Cassell 2010 เนื่องจากลูกค้า SAS ทุกคนไม่มีใบอนุญาตสำหรับซอฟต์แวร์ SAS ETS มีลิงก์ที่ท้ายบทความนี้เพื่อแสดงวิธีการคำนวณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยใน SAS โดยใช้ขั้นตอน DATA สร้างชุดเวลาตัวอย่างก่อนที่คุณจะคำนวณค่าเฉลี่ยเคลื่อนที่ใน SAS คุณต้องใช้ข้อมูลการโทรไปยัง PROC SORT ต่อไปนี้จะสร้างชุดเวลาตัวอย่างที่มีการสังเกตการณ์ 233 รายการไม่มีค่าที่ขาดหายไป ข้อมูลถูกจัดเรียงตามตัวแปรเวลา T ตัวแปร Y ประกอบด้วยราคาปิดบัญชีรายเดือนของสต็อค IBM ในช่วงระยะเวลา 20 ปีซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ใน SAS โดยใช้ PROC EXPAND. PROC EXPAND คำนวณค่าเฉลี่ยเคลื่อนที่และสถิติการหมุนเวียนอื่น ๆ เช่นการเบี่ยงเบนมาตรฐานกลิ้งความสัมพันธ์และผลรวมสะสมของสี่เหลี่ยมในขั้นตอนคำสั่ง ID ระบุตัวแปรเวลา T ข้อมูลควรเรียงตามตัวแปร ID งบ CONVERT ระบุชื่อของตัวแปรขาเข้าและขาออก TRANSFORMOUT ตัวเลือกระบุวิธีการและพารามิเตอร์ที่ใช้คำนวณกลิ้งสถิติตัวอย่างใช้งบ CONVERT สามครั้งแรกระบุว่า MA คือตัวแปรเอาต์พุตที่เป็น co mputed เป็นค่าเฉลี่ยเคลื่อนที่ถอยหลังที่ใช้ค่าข้อมูล 5 ค่า 5. งบ CONVERT ที่สองระบุว่า WMA เป็นตัวแปรเอาท์พุทที่เป็นค่าเฉลี่ยถ่วงน้ำหนักถ่วงน้ำหนักโดยอัตโนมัติตามขั้นตอนดังนั้นสูตรคือ WMA t 5 yt 4 y t-1 3 y t-2 2 y t-3 1 y t-4 15 ข้อความ CONVERT ที่สามระบุว่า EWMA เป็นตัวแปรเอาท์พุทที่เป็นค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักแบบยกกำลังด้วยพารามิเตอร์ 0 3. เลือกตัวเลือก METHOD NONE ใน คำสั่ง PROC EXPAND โดยค่าเริ่มต้นขั้นตอน EXPAND จะพอดีกับเส้นโค้งแบบเสแสร้งลูกบาศก์กับค่าที่ไม่ลบค่าของตัวแปรตัวเลือก METHOD NONE ช่วยให้แน่ใจได้ว่าจุดข้อมูลดิบถูกใช้เพื่อคำนวณค่าเฉลี่ยเคลื่อนที่แทนที่จะใช้ค่าที่ถูกแทรกสอดการคำนวณค่าเฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่คือการซ้อนทับเส้นโค้งในพล็อตกระจายของข้อมูลดิบซึ่งจะช่วยให้คุณเห็นภาพแนวโน้มระยะสั้นในข้อมูลการโทรต่อไปนี้เพื่อ PROC SGPOT สร้างกราฟที่ด้านบนของบทความนี้เพื่อให้บทความนี้ โปรดดูเอกสารประกอบของ PROC EXPAND สำหรับปัญหาต่างๆที่เกี่ยวข้องกับข้อมูลที่หายไปโดยเฉพาะอย่างยิ่งคุณสามารถใช้ตัวเลือก METHOD เพื่อระบุวิธีแก้ไขค่าที่ขาดหายไปได้นอกจากนี้คุณยังสามารถ ใช้ตัวเลือกการแปลงเพื่อควบคุมว่าค่าเฉลี่ยเคลื่อนที่ถูกกำหนดไว้สำหรับจุดข้อมูลกี่จุดแรกสร้างค่าเฉลี่ยเคลื่อนที่ใน SAS โดยใช้ขั้นตอน DATA หากคุณไม่มีซอฟต์แวร์ SAS ETS การอ้างอิงต่อไปนี้จะแสดงวิธีการใช้ขั้นตอน SAS DATA เพื่อ คำนวณค่าเฉลี่ยเคลื่อนที่แบบง่ายๆโดยใช้ฟังก์ชัน LAG SAS Knowledge Base มีบทความคำนวณค่าเฉลี่ยเคลื่อนที่ของตัวแปร Premal Vora 2008 จะเปรียบเทียบขั้นตอน DATA กับรหัส PROC EXPAND ในบทความ Easy Rolling Statistics พร้อมกับ PROC EXPAND รอนโคดี้มี SAS แมโครในหลายหนังสือของเขาตัวอย่างเช่นคอลเลกชัน Cody ของยอดนิยม SAS งานเขียนโปรแกรมและวิธีการต่อสู้พวกเขาให้มีชื่อมาโคร moveAve คุณสามารถดาวน์โหลดมาโครเป็น p art ของรหัสตัวอย่างและข้อมูลสำหรับหนังสือขั้นตอนข้อมูลซึ่งถูกออกแบบมาเพื่อจัดการสังเกตหนึ่งครั้งไม่ได้เป็นเครื่องมือที่ดีที่สุดสำหรับการคำนวณอนุกรมเวลาซึ่งตามธรรมชาติต้องสังเกตหลายล่าช้าและนำไปสู่ในโพสต์บล็อกในอนาคต, ฉันจะแสดงวิธีการเขียนฟังก์ชัน SAS IML ซึ่งคำนวณค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบถ่วงน้ำหนักและแบบยกกำลังสองภาษาเมทริกซ์ใน PROC IML ง่ายกว่าที่จะทำงานร่วมกับการคำนวณที่ต้องใช้เวลาหลายจุดเกี่ยวกับผู้เขียน Rick Wicklin ปริญญาเอกเป็น นักวิจัยผู้มีชื่อเสียงในด้านสถิติการคำนวณที่ SAS และเป็นผู้พัฒนาหลักของ PROC IML และ SAS IML Studio ความเชี่ยวชาญของเขา ได้แก่ สถิติการคำนวณการจำลองกราฟิกทางสถิติและวิธีการที่ทันสมัยในการวิเคราะห์ข้อมูลทางสถิติริกเป็นผู้เขียนหนังสือเกี่ยวกับการเขียนโปรแกรมสถิติด้วย SAS IML ซอฟท์แวร์และการจำลองข้อมูลด้วย SAS นอกจากนี้คุณยังสามารถสร้างค่าเฉลี่ยโดยรวมของกลิ้งได้ด้วยการรวม PROC SUMMARY กับ MLFormat และด้วยความช่วยเหลือของอาร์เรย์ใน th e ขั้นตอนข้อมูลคุณสามารถอ่านข้อมูลเพิ่มเติมเกี่ยวกับเทคนิคเหล่านี้ได้ในคู่มือ Carpenter's Guide to Innovative SAS Techniques. I m มีปัญหาเกี่ยวกับค่าเฉลี่ยเคลื่อนที่ที่ไม่สามารถหาวิธีแก้ปัญหาใด ๆ ได้จนถึงตอนนี้ฉันจำเป็นต้องคำนวณค่าเฉลี่ยเคลื่อนที่ของ 6 ก่อนหน้านี้ เดือนเป็นเวลา 6 เดือนสิ่งที่ฉันต้องการรวมค่าเฉลี่ยเคลื่อนที่คำนวณก่อนหน้านี้รวมทั้งสถิติการย้ายฉันได้พยายามทำกับฟังก์ชัน LAG และมี PROC EXPAND แต่ไม่ได้ทำงานคอลัมน์ X คือข้อมูลต้นฉบับของฉัน Y1 คือ สิ่งที่ im บรรลุ SAS พิจารณา M7 ไป M12 เป็นหายไปและ Y2 คือสิ่งที่ฉันต้องการ YX Y1 Y2 M1 100,0 100,0 100,0 M2 200,0 200,0 200,0 M3 300,0 300,0 300, 0 M4 400,0 400,0 400,0 M5 500,0 500,0 500,0 M6 600,0 600,0 600,0 M7 350,0 350,0 M8 400,0 391,7 M9 450,0 423 , 6 M10 500,0 444,2 M11 550,0 451,6 M12 600,0 443,5. ดีที่สุดคือถามคำถามเกี่ยวกับการเขียนโปรแกรม SAS ในชุมชนสนับสนุน SAS เนื่องจากมีคุณลักษณะที่ทำให้ถามคำถามและโพสต์โค้ด SAS ได้ง่ายขึ้น นอกจากนี้คุณยังสามารถขอคำแนะนำจาก หลายคนไม่ใช่แค่ฉันนี่เป็นเพียงรูปแบบเล็กน้อยของโซลูชัน SQL ที่โพสต์บน SAS Community ไม่ใช่ทุกคนที่มีสิทธิ์เข้าถึง SAS ETS และ PROC EXPAND เพิ่มจำนวนการสังเกตไปยังชุดข้อมูลที่เรียงลำดับแล้วชุดข้อมูลชุดชุด xn run. proc sql สร้างตารางเคลื่อนที่เป็น select ให้เลือก mean y จากชุดที่ x ระหว่าง x-4 และขวานเป็น movingavg จากชุดเป็น quit ค่าของ MOVINGAVG สี่ข้อสังเกตแรกใช้ค่า 1, 2, 3 และ 4 ของ Y ในการคำนวณค่าเฉลี่ยเคลื่อนที่และตั้งแต่นั้นเป็นต้นไป s สังเกตการณ์ปัจจุบันเสมอรวมทั้งก่อนหน้านี้ 4.It แก้ไขจาก. ใช้โดย SAS Yoda, Ksharp