คุณคิดว่าคุณต้องทำแบบทดสอบมากกว่าหนึ่งครั้งแล้วหรือยัง? ถ้าเป็นเช่นนั้นคุณต้องการให้ส่วนที่เหลือของเมาส์ของคุณ? ด้วย MINITAB คุณสามารถดำเนินการอัตโนมัติเพื่อประหยัดเวลาได้อย่างง่ายดาย มีหลายวิธีในการทำเช่นนี้จากวิธีการตัด / วางที่ง่ายและรวดเร็วไปจนถึงวิธีที่มีประสิทธิภาพยิ่งขึ้นโดยใช้แมโครท้องถิ่น
มันทำงานอย่างไร เกือบทุกการดำเนินงานใน MINITAB สามารถทำได้โดยใช้เซสชั่นคำสั่งในความเป็นจริงเมื่อคุณทำกล่องโต้ตอบเสร็จสิ้นแล้วคลิกตกลง MINITAB จะสร้างเซสชันคำสั่งที่มีข้อมูลทั้งหมดที่คุณเลือกไว้ คุณสามารถใช้คำสั่งเหล่านั้น "ตามที่เป็นอยู่" หรือแก้ไขพวกเขาหากคุณต้องการโหลดพวกเขาในขั้นตอนเดียวและ MINITAB จะเรียกใช้การวิเคราะห์ทั้งหมด
สมมติว่าคุณมีการรวบรวมข้อมูลรายสัปดาห์และคุณสร้างกราฟที่แตกต่างกันสามรายการจากข้อมูลนั้น แน่นอนว่าทุกสัปดาห์คุณควรกรอกข้อมูลลงในกล่องโต้ตอบสำหรับทั้งสามแผนภูมิซึ่งจะเป็นการคลิกเมาส์จำนวนมาก แต่คุณสามารถโหลดสคริปต์ที่สร้างแผนภูมิเหล่านั้นได้ในขั้นตอนเดียว
บทความนี้รวมถึงตัวอย่างง่ายๆของวิธีการดำเนินการอนุกรมเวลาอัตโนมัติใน MINITAB
Minitab Time Series
คู่มือนี้ประกอบด้วยแนวคิดแอพพลิเคชั่นและการดำเนินการในระบบMinitabรุ่น 15 ของหัวข้อ Time Series
แนวคิดพื้นฐานของซีรี่ส์เวลา
1.1 คำนำ
ทุกสถาบันไม่ว่าจะเป็นครอบครัว บริษัท หรือรัฐบาลต้องจัดทำแผนสำหรับอนาคตหากอยู่รอดและก้าวหน้า วันนี้สถาบันต่าง ๆ จำเป็นต้องรู้พฤติกรรมในอนาคตของปรากฏการณ์บางอย่างเพื่อวางแผนคาดการณ์หรือป้องกัน
การวางแผนที่มีเหตุผลต้องการการคาดการณ์เหตุการณ์ในอนาคตที่อาจเกิดขึ้น ในทางกลับกันการพยากรณ์มักขึ้นอยู่กับสิ่งที่เกิดขึ้นในอดีต ดังนั้นจึงมีการอนุมานทางสถิติรูปแบบใหม่ที่สร้างขึ้นเกี่ยวกับอนาคตของตัวแปรบางตัวหรือประกอบไปด้วยตัวแปรตามเหตุการณ์ที่ผ่านมา เทคนิคที่สำคัญที่สุดสำหรับการหาข้อสรุปเกี่ยวกับอนาคตบนพื้นฐานของสิ่งที่เกิดขึ้นในอดีตคือการวิเคราะห์อนุกรมเวลา
มีแอปพลิเคชั่นนับไม่ถ้วนที่สามารถอ้างถึงในด้านความรู้ต่าง ๆ เช่นเศรษฐศาสตร์ฟิสิกส์ธรณีฟิสิกส์เคมีไฟฟ้าประชากรศาสตร์การตลาดโทรคมนาคมการขนส่ง ฯลฯ
อนุกรมเวลา |
ตัวอย่าง |
1. ชุดเศรษฐกิจ: | - ราคาของบทความ - อัตราการว่างงาน - อัตราเงินเฟ้อ
- ดัชนีราคา ฯลฯ |
2. ชุดทางกายภาพ: | - อุตุนิยมวิทยา - ปริมาณน้ำลดลง - อุณหภูมิสูงสุดรายวัน
- ความเร็วลม (พลังงานลม) - พลังงานแสงอาทิตย์ ฯลฯ |
3. ธรณีฟิสิกส์: | - ซีรีย์เรื่องแผ่นดินไหว |
4. ชุดข้อมูลประชากร: | - อัตราการเติบโตของประชากร - อัตราการเกิดการตาย - ผลลัพธ์ของสำมะโนประชากร |
5. ชุดการตลาด: | - ซีรีส์ความต้องการค่าใช้จ่ายข้อเสนอ |
6. ชุดโทรคมนาคม: | - การวิเคราะห์สัญญาณ |
7. ชุดการขนส่ง: | - ซีรีย์การจราจร |
หนึ่งในปัญหาที่อนุกรมเวลาพยายามแก้ไขคือการทำนาย นี่คือชุด {x (t1),…, x (tn)} วัตถุประสงค์ที่เราสนใจคือการอธิบายพฤติกรรมของซีรีส์ตรวจสอบกลไกการสร้างของอนุกรมเวลามองหารูปแบบเวลาที่เป็นไปได้ที่ช่วยให้เราเอาชนะความไม่แน่นอนของอนาคต.
จากนี้ไปเราจะศึกษาวิธีสร้างแบบจำลองเพื่ออธิบายโครงสร้างและทำนายวิวัฒนาการของตัวแปรที่เราสังเกตได้เมื่อเวลาผ่านไป ตัวแปรที่น่าสนใจอาจเป็นเศรษฐศาสตร์มหภาค (ดัชนีราคาผู้บริโภค, ความต้องการไฟฟ้า, ชุดของการส่งออกหรือนำเข้า ฯลฯ), เศรษฐศาสตร์มหภาค (การขายของ บริษัท, สต็อกในคลังสินค้า, ค่าใช้จ่ายการโฆษณาของภาค), ทางกายภาพ (ความเร็วลมในสถานีพลังงานลม, อุณหภูมิในกระบวนการ, การไหลของแม่น้ำ, ความเข้มข้นในบรรยากาศของสารก่อมลพิษ), หรือสังคม (จำนวนการเกิด, การแต่งงาน, ความตาย, หรือการลงมติให้พรรคการเมือง)
1.2 คำจำกัดความของชุดเวลา
ในหลาย ๆ ด้านของความรู้การสังเกตที่น่าสนใจจะได้รับตามเวลาที่ต่อเนื่องเช่นทุก ๆ ชั่วโมงเป็นเวลา 24 ชั่วโมงรายเดือนรายไตรมาสรายไตรมาสครึ่งปีหรือบันทึกโดยทีมบางทีมอย่างต่อเนื่อง
เราเรียกอนุกรมเวลาว่าเป็นชุดการวัดของปรากฏการณ์หรือการทดลองที่บันทึกไว้ตามลำดับในเวลา การสังเกตเหล่านี้จะแสดงโดย {x (t1), x (t2),…, x (tn)} = {x (t): t Î T Í R} ด้วย x (ti) ค่าของตัวแปร x ที่ทันที คุณ. ถ้า T = Z อนุกรมเวลาถูกกล่าวว่าไม่ต่อเนื่องและหาก T = R อนุกรมเวลานั้นกล่าวว่าจะต่อเนื่อง เมื่อ ti + 1 - ti = k สำหรับทุก i = 1,…, n-1, ซีรีส์ถูกกล่าวถึงว่าเป็น equispaced ไม่เช่นนั้นมันจะไม่ใช่ equispaced
จากนี้ไปเราจะทำงานกับอนุกรมเวลาแบบไม่ต่อเนื่องเว้นระยะเท่ากันซึ่งในกรณีนี้เราจะสมมติและไม่มีการสูญเสียความสามารถทั่วไปที่: {x (t1), x (t2),…, x (tn)} = {x (1), x (2)),…, x (n)}
1.3 ขั้นตอนแรกเมื่อวิเคราะห์ชุดเวลาใด ๆ
ขั้นตอนแรกในการวิเคราะห์อนุกรมเวลาคือการวางแผนอนุกรม สิ่งนี้ช่วยให้เราสามารถตรวจสอบส่วนประกอบที่สำคัญของซีรีส์
กราฟของซีรี่ส์จะช่วยให้:
a) Detect Outlier: อ้างถึงคะแนนในซีรีส์ที่เกินปกติ ค่าผิดปกติคือการสังเกตของซีรีส์ที่สอดคล้องกับพฤติกรรมที่ผิดปกติของปรากฏการณ์ (โดยไม่มีเหตุการณ์ในอนาคต) หรือข้อผิดพลาดในการวัด
จะต้องมีการพิจารณาจากภายนอกว่าจุดที่กำหนดเป็นค่าที่เกินหรือไม่ หากพบว่าเป็นจะต้องถูกละเว้นหรือแทนที่ด้วยค่าอื่นก่อนที่จะแยกซีรีส์
ตัวอย่างเช่นในการศึกษาการผลิตรายวันในโรงงานสถานการณ์ต่อไปนี้เกิดขึ้นดูรูปที่ 1.1:
จุดสองจุดในวงกลมดูเหมือนจะสอดคล้องกับพฤติกรรมที่ผิดปกติของซีรีส์ เมื่อตรวจสอบสองประเด็นนี้พบว่าพวกเขาสอดคล้องกับการว่างงานสองวันซึ่งส่งผลกระทบต่อการผลิตในวันนั้น ปัญหาได้รับการแก้ไขโดยการลบข้อสังเกตและการแก้ไข
b) สามารถตรวจจับแนวโน้ม: แนวโน้มแสดงพฤติกรรมเด่นของซีรีส์ สิ่งนี้สามารถนิยามได้อย่างหลวม ๆ ว่าเป็นการเปลี่ยนแปลงของค่าเฉลี่ยในช่วงเวลาหนึ่ง (ดูรูปที่ 1.2)
c) การเปลี่ยนแปลงตามฤดูกาล: การเปลี่ยนแปลงตามฤดูกาลแสดงให้เห็นถึงการเคลื่อนไหวเป็นระยะของอนุกรมเวลา ความยาวหน่วยของรอบระยะเวลาโดยทั่วไปน้อยกว่าหนึ่งปี อาจเป็นหนึ่งในสี่ของเดือนหรือหนึ่งวันเป็นต้น (ดูรูปที่ 1.3)
ในทางคณิตศาสตร์เราสามารถพูดได้ว่าชุดนี้แสดงถึงความผันแปรตามฤดูกาลหากมีจำนวน s เช่นนั้นที่ x (t) = x (t + k × s)
กองกำลังหลักที่ทำให้เกิดการเปลี่ยนแปลงตามฤดูกาลคือสภาพอากาศเช่น:
- ในช่วงฤดูหนาวยอดขายไอศครีมในช่วงฤดูร้อนส่งออกขนผลไม้ขายในเดือนมีนาคม
ปรากฏการณ์ทั้งหมดนี้แสดงพฤติกรรมตามฤดูกาล (รายปีรายสัปดาห์และอื่น ๆ)
d) การเปลี่ยนแปลงที่ไม่สม่ำเสมอ (การสุ่มส่วนประกอบ): การเคลื่อนไหวที่ผิดปกติ (สุ่ม) แสดงการเคลื่อนไหวทุกประเภทในซีรีย์เวลาอื่นที่ไม่ใช่แนวโน้มการเปลี่ยนแปลงตามฤดูกาลและความผันผวนของวัฏจักร
2. CLASSIC TIME SERIES MODELS
2.1 DECOMPOSITION MODELS
โมเดลคลาสสิกสำหรับอนุกรมเวลาสมมติว่าอนุกรม x (1),…, x (n) สามารถแสดงเป็นผลรวมหรือผลคูณของสามองค์ประกอบ: แนวโน้มฤดูกาลและคำผิดพลาดแบบสุ่ม
มีโมเดลอนุกรมเวลาสามแบบซึ่งเป็นที่ยอมรับกันโดยทั่วไปว่าเป็นค่าประมาณที่ดีของความสัมพันธ์ที่แท้จริงระหว่างส่วนประกอบของข้อมูลที่สังเกตได้ เหล่านี้คือ:
- สารเติมแต่ง: X (t) = T (t) + E (t) + A (t) Multiplicative: X (t) = T (t) • E (t) • A (t) ผสม: X (t) = T (t) • E (t) + A (t)
ที่ไหน:
- ชุด X (t) สังเกตได้ที่เวลา tT (t) องค์ประกอบแนวโน้ม E (t) องค์ประกอบตามฤดูกาล A (t) องค์ประกอบสุ่ม (โดยไม่ได้ตั้งใจ)
ข้อสันนิษฐานทั่วไปคือ A (t) เป็นองค์ประกอบแบบสุ่มหรือสัญญาณรบกวนสีขาวที่มีค่าเฉลี่ยศูนย์และความแปรปรวนคงที่
แบบจำลองการเติม (1) เหมาะสมเช่นเมื่อ E (t) ไม่ได้ขึ้นอยู่กับส่วนประกอบอื่น ๆ เช่น T (t) ถ้าในฤดูกาลที่ตรงกันข้ามนั้นขึ้นอยู่กับแนวโน้มแบบจำลองที่เหมาะสมที่สุดคือแบบจำลองแบบคูณ (สอง). เป็นที่ชัดเจนว่าโมเดล 2 สามารถแปลงเป็นสารเติมแต่งโดยใช้ลอการิทึม ปัญหาที่เกิดขึ้นคือการสร้างแบบจำลองส่วนประกอบของซีรีย์อย่างถูกต้อง
รูปที่ 2.1 แสดงให้เห็นถึงรูปแบบที่เป็นไปได้ที่อาจตามด้วยซีรีส์ที่แสดงโดยโมเดล (1), (2) และ (3)
2.2 ประมาณการแนวโน้ม
เราจะสมมติที่นี่ว่าองค์ประกอบตามฤดูกาล E (t) ไม่มีอยู่และแบบจำลองเพิ่มเติมนั้นเพียงพอนั่นคือ:
X (t) = T (t) + A (t) โดยที่ A (t) เป็นเสียงสีขาว
มีหลายวิธีในการประมาณ T (t) ใช้กันอย่างแพร่หลายประกอบด้วย:
- พอดีกับฟังก์ชั่นของเวลาเช่นพหุนาม, เอ็กซ์โปเนนเชียลหรือฟังก์ชั่นอื่นที่ราบรื่นของ t. ทำให้นุ่ม (หรือตัวกรอง) ค่าในซีรีย์ใช้ความแตกต่าง
2.2.1 การตั้งค่าฟังก์ชั่น
กราฟต่อไปนี้แสดงให้เห็นถึงรูปร่างบางส่วนของเส้นโค้งเหล่านี้
บันทึก:
- เส้นโค้งแนวโน้มจะต้องครอบคลุมช่วงเวลาที่ค่อนข้างนานเพื่อให้เป็นตัวแทนที่ดีของแนวโน้มระยะยาวเส้นแนวโน้มแบบเส้นตรงและแบบเลขชี้กำลังสามารถใช้งานได้ในระยะสั้นเนื่องจากเส้นโค้ง S ระยะยาวอาจปรากฏเป็นเส้นตรงในระยะเวลา จำกัด เวลา (ตัวอย่าง)
ในรูปที่ 2.2 เส้นโค้งทั้งสอง (แบบตรงและแบบ Gompertz) นั้นเข้ากันได้ดี แต่การคาดการณ์จะแตกต่างกันอย่างมากในระยะยาว
ตัวอย่างที่ 1: ตารางที่ 2.1 แสดงข้อมูลรายไตรมาสสำหรับหน่วยที่อยู่อาศัยที่เริ่มต้นในสหรัฐอเมริกาตั้งแต่ไตรมาสที่สามของปี 1964 ถึงไตรมาสที่สองของปี 1972 (ควรสังเกตว่าสำหรับการวิเคราะห์แนวโน้มระยะเวลาที่พิจารณาควรจะนานขึ้นอย่างไรก็ตามเนื่องจากจุดประสงค์หลักคือเพื่อแสดงให้เห็นถึงวิธีการสลายตัวและเทคนิคการอนุมานจากองค์ประกอบที่ย่อยสลายดังนั้นความไม่เพียงพอ ของข้อมูลไม่ต้องสนใจ)
ตารางที่ 2.1: หน่วยที่อยู่อาศัยใหม่เริ่มต้นขึ้นในสหรัฐอเมริกาจากไตรมาสที่สามของปี 1964 ถึงไตรมาสที่สองของปี 1972 (ในหน่วยนับพัน)
ปี | ผม | ครั้งที่สอง | สาม | IV | รวมรายปี |
1964 | 398 | 352 | |||
1965 | 283 | 454 | 392 | 3. 4. 5 | 1,474 |
1966 | 274 | 392 | 290 | 210 | 1,166 |
1967 | 218 | 382 | 382 | 340 | 1,322 |
1968 | 298 | 452 | 423 | 372 | 1,545 |
1969 | 336 | 468 | 387 | 309 | 1,500 |
1970 | 264 | 399 | 408 | 396 | 1,467 |
1971 | 389 | 604 | 579 | 513 | 2,085 |
1972 | 510 | 661 |
ปล่อยให้แต่ละ 32 ไตรมาสจาก 2507 ถึง 2515 นั่นคือ t = 1 สำหรับไตรมาสที่สามของ 2507, t = 2 สำหรับไตรมาสที่สี่เป็นต้น โดเมนนิยามของ t คือชุดของจำนวนเต็มตั้งแต่ 1 ถึง 32 ให้ T (t) เป็นที่พักอาศัย ค่าของ t และ T (t) ได้รับในตาราง 2.2 เพื่อคำนวณค่าของ a และ b บนเส้นแนวโน้ม
T (t) = a + bt
ตัวเลขดังต่อไปนี้ได้มาจากข้อมูลในตารางที่ 2.1
ตารางที่ 2.2: การคำนวณแนวโน้มของที่อยู่อาศัยเริ่มต้นขึ้นในสหรัฐอเมริกาจากไตรมาสที่สามของปี 1964 ถึงไตรมาสที่สองของปี 1972
ไตรมาสปี |
เสื้อ |
T (t) |
เทรนด์ |
พ.ศ. 2507: 3 |
หนึ่ง |
398 |
291.73 |
4 |
สอง |
352 |
298.07 |
2508: 1 |
3 |
283 |
304.41 |
สอง |
4 |
454 |
310.75 |
3 |
5 |
392 |
317.09 |
4 |
6 |
3. 4. 5 |
323.43 |
2509: 1 |
7 |
274 |
329.77 |
สอง |
8 |
392 |
336.11 |
3 |
9 |
290 |
342.45 |
4 |
10 |
210 |
348.79 |
2510: 1 |
สิบเอ็ด |
218 |
355.13 |
สอง |
12 |
382 |
361.47 |
3 |
13 |
382 |
367.81 |
4 |
14 |
340 |
374.15 |
พ.ศ. 2511: 1 |
สิบห้า |
298 |
380.49 |
สอง |
16 |
452 |
386.83 |
3 |
17 |
423 |
393.17 |
4 |
18 |
372 |
399.51 |
1969: 1 |
19 |
336 |
405.85 |
สอง |
ยี่สิบ |
468 |
412.19 |
3 |
ยี่สิบเอ็ด |
387 |
418.53 |
4 |
22 |
309 |
424.87 |
1970: 1 |
2. 3 |
264 |
431.21 |
สอง |
24 |
399 |
437.55 |
3 |
25 |
408 |
443.89 |
4 |
26 |
396 |
450.23 |
พ.ศ. 2514: 1 |
27 |
389 |
456.57 |
สอง |
28 |
604 |
462.91 |
3 |
29 |
579 |
469.25 |
4 |
30 |
513 |
475.59 |
1972: 1 |
วันที่ 31 |
510 |
481.93 |
สอง |
32 |
661 |
488.27 |
ดังนั้นเทรนด์ไลน์คือ
T (t) = 285.39 + 6.34 × t
รูปที่ 2.3 แสดงเส้นแนวโน้มที่ปรับให้ชัดเจนสำหรับข้อมูลรายไตรมาสในตารางที่ 2.2 เส้นประหลังจาก 1972 แสดงถึงการคาดการณ์ (ดูส่วนที่ 3 การทำนาย)
การพัฒนาใน Minitab:
- เปิด Minitab คัดลอกข้อมูลไปยังแผ่นงาน Minitab เลือก: สถิติ®อนุกรมเวลา®การวิเคราะห์แนวโน้ม
- ในหน้าต่างการวิเคราะห์แนวโน้มที่เราเลือกด้วยการคลิกที่ตัวแปรเราปล่อยให้ประเภทของรูปแบบเป็นเชิงเส้นและคลิกตกลง
- Minitab แสดงกราฟต่อไปนี้ซึ่งอย่างที่เราเห็นจะคล้ายกับกราฟที่แสดงในแบบฝึกหัด
- หากเราต้องการได้กราฟ 4 ตัวในหน้าต่างเดียวให้เลือกกราฟตัวเลือก…
คลิกที่สี่ในหนึ่ง
คลิกตกลง
Minitab แสดงกราฟต่อไปนี้
2.2.2 SOFTENING ตัวกรองเชิงเส้น
วิธีหนึ่งในการมองเห็นแนวโน้มคือการทำให้ซีรี่ส์เป็นไปอย่างราบรื่น แนวคิดหลักคือการกำหนดซีรีส์ใหม่ที่สังเกตได้จากซีรีย์ใหม่ที่ทำให้เอฟเฟ็กต์ที่ไม่ใช่แนวโน้มเป็นไปอย่างราบรื่น (ตามฤดูกาล, เอฟเฟกต์สุ่ม) เพื่อให้เราสามารถกำหนดทิศทางของเทรนด์ได้ (ดูรูปที่ 2.4)
สิ่งที่เราทำคือใช้นิพจน์เชิงเส้นที่แปลงชุด X (t) เป็นชุดที่ทำให้เรียบ Z (t): Z (t) = F (X (t)), t = 1,…, n
เช่นนั้น F (X (t)) = T (t) ฟังก์ชัน F เรียกว่าตัวกรองเชิงเส้น ตัวกรองเชิงเส้นที่ใช้มากที่สุดคือค่าเฉลี่ยเคลื่อนที่
2.2.2.1 ค่าเฉลี่ยเคลื่อนที่
เป้าหมายคือการลบส่วนประกอบตามฤดูกาลและอุบัติเหตุออกจากซีรีส์ สำหรับซีรี่ส์รายเดือนที่มีฤดูกาลประจำปี (s = 12) จะได้รับซีรี่ส์ที่ราบรื่น
สำหรับซีรีย์รายไตรมาสที่มีฤดูกาลประจำปี (s = 4) ซีรีย์ที่ได้รับการปรับให้เรียบจะได้รับจาก
ขั้นตอนนี้เรียกว่า: ตัวกรองสมมาตร จำกัด
หมายเหตุ: มันนิ่มลงเมื่อมีการเปลี่ยนแปลงฉับพลันจำนวนมากการเคลื่อนไหวที่ผิดปกติ
ตัวอย่างที่ 2: จากข้อมูลในตัวอย่างที่ 1 ค่าเฉลี่ยเคลื่อนที่จะคำนวณโดยการเพิ่มค่าสำหรับช่วงเวลาที่ต่อเนื่องจำนวนหนึ่งแล้วหารผลรวมที่ได้รับตามจำนวนช่วงเวลาที่ครอบคลุม ในกรณีนี้จะใช้ชุดและสูตรรายไตรมาส (2) สำหรับสิ่งนี้
ตารางที่ 2.3: การคำนวณค่าเฉลี่ยเคลื่อนที่ของศูนย์กลางที่อยู่อาศัยในสหรัฐอเมริกาไตรมาสที่สามปี 2507 ถึงไตรมาสที่สองปี 1972 (หน่วยเป็นพัน)
ทุกปี |
ข้อมูลต้นฉบับ AND |
ยอดรวมมือถือในสี่ไตรมาส |
ค่าเฉลี่ยเคลื่อนที่สี่ไตรมาส |
ค่าเฉลี่ยเคลื่อนที่ไตรมาสที่สี่เป็นศูนย์กลาง |
(หนึ่ง) |
(สอง) |
(3) |
(4) |
(5) |
พ.ศ. 2507: 3 |
398 |
|||
4 |
352 |
|||
2508: 1 |
283 |
1,487 |
372 |
371 |
สอง |
454 |
1,481 |
370 |
369 |
3 |
392 |
1,474 |
369 |
367 |
4 |
3. 4. 5 |
1,465 |
366 |
359 |
2509: 1 |
274 |
1,403 |
351 |
338 |
สอง |
392 |
1,301 |
325 |
308 |
3 |
290 |
1,166 |
292 |
285 |
4 |
210 |
1,110 |
278 |
276 |
2510: 1 |
218 |
1,100 |
275 |
287 |
สอง |
382 |
1,192 |
298 |
314 |
3 |
382 |
1,322 |
331 |
341 |
4 |
340 |
1,402 |
351 |
359 |
พ.ศ. 2511: 1 |
298 |
1,472 |
368 |
373 |
สอง |
452 |
1,513 |
378 |
382 |
3 |
423 |
1,545 |
386 |
391 |
4 |
372 |
1,583 |
396 |
398 |
1969: 1 |
336 |
1,599 |
400 |
395 |
สอง |
468 |
1,563 |
391 |
383 |
3 |
387 |
1,500 |
375 |
366 |
4 |
309 |
1,428 |
357 |
348 |
1970: 1 |
264 |
1,359 |
340 |
342 |
สอง |
399 |
1,380 |
3. 4. 5 |
356 |
3 |
408 |
1,467 |
367 |
382 |
4 |
396 |
1,592 |
398 |
424 |
พ.ศ. 2514: 1 |
389 |
1,797 |
449 |
471 |
สอง |
604 |
1968 |
492 |
507 |
3 |
579 |
2,085 |
521 |
536 |
4 |
513 |
2,206 |
552 |
559 |
1972: 1 |
510 |
2263 |
566 |
|
สอง |
661 |
ในตาราง 2.3 ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่สี่ไตรมาสสำหรับไตรมาสแรกของปี 1965 นั้นได้มาจากการเพิ่มค่าของไตรมาสที่สามและสี่ของปี 1964 และไตรมาสที่หนึ่งและสองของปี 1965 แล้วหารผลรวมด้วย 4 ค่าเฉลี่ย สำหรับไตรมาสที่สองของปี 1965 จะได้รับโดยการเพิ่มค่าของไตรมาสที่สี่ของปี 1964 กับไตรมาสที่หนึ่ง, สองและสามของปี 1965 แล้วหารผลรวมด้วย 4 ดังนั้นสำหรับค่าเฉลี่ยต่อเนื่องแต่ละไตรมาสที่มาก่อนจะถูกลบออก และอันสุดท้ายจะถูกเพิ่มเข้าไป
คอลัมน์ที่ 4 ของตาราง 2.3 แสดงค่าเฉลี่ยเคลื่อนที่สำหรับสี่ในสี่ที่ได้รับเริ่มต้นจากข้อมูลที่อยู่อาศัยเริ่มในช่วงปี 2507 ถึง 2515 ค่าเฉลี่ยเคลื่อนที่ไม่ได้ช่วยลดความผันผวนที่เกิดขึ้นในซีรีย์ ของข้อมูลต้นฉบับ
หากป้อนจำนวนคี่ผิดปกติในการคำนวณค่าเฉลี่ยเคลื่อนที่กระบวนการจะง่ายขึ้นเนื่องจากจำนวนงวดก่อนและหลังระยะเวลาที่คำนวณค่าเฉลี่ยเหมือนกัน หากจำนวนจุดเป็นเท่ากันในตัวอย่างนี้คุณไม่สามารถใช้จำนวนจุดเดียวกันก่อนและหลังระยะเวลาที่กำหนด ดังนั้นค่าเฉลี่ยเคลื่อนที่จะต้องอยู่ครึ่งทางระหว่างค่าของสองงวดติดต่อกันและไม่เกี่ยวข้องกับช่วงเวลาใด ๆ ปัญหานี้สามารถแก้ไขได้โดยการคำนวณค่าเฉลี่ยเคลื่อนที่เป็นศูนย์กลางแบบซึ่งสามารถทำได้โดยการได้รับค่าเฉลี่ยเคลื่อนที่สองไตรมาสเป็นศูนย์กลางของค่าเฉลี่ยเคลื่อนที่ที่ได้รับแล้ว ค่าเฉลี่ยเคลื่อนที่เป็นศูนย์กลางแรกคือค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่สองครั้งแรกของสี่ในสี่ค่าเฉลี่ยเคลื่อนที่กลางที่สองคือค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ของไตรมาสที่สี่และสาม ฯลฯ ด้วยวิธีนี้จะมีระยะเวลาเท่ากับจำนวนหลังและก่อนระยะเวลาที่ระบุซึ่งคำนวณค่าเฉลี่ยเคลื่อนที่เป็นศูนย์กลาง ค่าเฉลี่ยเคลื่อนที่เป็นศูนย์กลางจะเห็นในคอลัมน์ 5 ของตาราง 2.3
ตามสูตรที่ 2 การคำนวณจะเป็นดังนี้:
ค่านี้สอดคล้องกับค่าเฉลี่ยเคลื่อนที่เป็นศูนย์กลางที่แสดงในคอลัมน์ 5
รูปที่ 2.5 แสดงการปรับแบบกราฟิกผ่านค่าเฉลี่ยเคลื่อนที่ตามตาราง 2.3 โดยที่ส่วนสีดำแสดงถึงซีรีย์ดั้งเดิมและส่วนสีฟ้าของซีรีย์ที่ราบรื่น
การพัฒนาใน Minitab:
- เปิด Minitab คัดลอกข้อมูลไปยังแผ่นงาน Minitab:
- เลือก: สถิติอนุกรมเวลา®ค่าเฉลี่ยเคลื่อนที่…
- เลือกด้วยการคลิกตัวแปรที่มีอนุกรมเวลาและวางความยาวของ MA
ในกรณีนี้มันเท่ากับ 4 (4 ไตรมาสต่อปี) คลิกตกลง
- Minitab แสดงกราฟด้วยค่าเฉลี่ยเคลื่อนที่
สรุป
อนุกรมเวลาเรียกว่าชุดการวัดของปรากฏการณ์บางอย่างหรือการทดลองที่บันทึกตามลำดับในเวลาเช่นทุกชั่วโมงรายเดือนรายไตรมาสรายไตรมาสครึ่งปี ฯลฯ ในบันทึกนี้เราทำงานกับอนุกรมเวลาแบบไม่ต่อเนื่อง ในกรณีนี้จะถือว่า:: {x (t1), x (t2),…, x (tn)} = {x (1), x (2),…, x (n)} เนื่องจากลักษณะเบื้องต้นมันถูก จำกัด ในกรณีของอนุกรมเวลา univariate
เมื่อวิเคราะห์อนุกรมเวลาสิ่งแรกที่ต้องทำคือสร้างกราฟชุดข้อมูล สิ่งนี้ช่วยให้เราสามารถตรวจสอบส่วนประกอบที่สำคัญของซีรีส์ กราฟซีรีย์จะอนุญาตให้: ตรวจจับค่าผิดปกติตรวจจับแนวโน้มเปลี่ยนแปลงตามฤดูกาลรูปแบบผิดปกติ (หรือส่วนประกอบแบบสุ่ม)
โมเดลอนุกรมเวลาแบบคลาสสิกสามารถแสดงเป็นผลรวมหรือผลคูณของสามองค์ประกอบ: แนวโน้มฤดูกาลและคำผิดพลาดแบบสุ่ม มีรุ่นอนุกรมเวลาสามแบบ เหล่านี้คือ:
- สารเติมแต่ง: X (t) = T (t) + E (t) + A (t) Multiplicative: X (t) = T (t) • E (t) • A (t) ผสม: X (t) = T (t) • E (t) + A (t)
เพื่อให้ได้แบบจำลองมีความจำเป็นต้องประเมินแนวโน้มและฤดูกาล เพื่อประเมินแนวโน้มมันจะสันนิษฐานว่าไม่มีองค์ประกอบตามฤดูกาล การประมาณค่าทำได้โดยการปรับพหุนามหรือการปรับให้เรียบของชุดเข้ากับฟังก์ชันของเวลาผ่านค่าเฉลี่ยเคลื่อนที่ ในการประมาณฤดูกาลนั้นจำเป็นต้องตัดสินใจใช้ตัวแบบ (ผสมหรือเติมแต่ง) เมื่อประมาณแนวโน้มและฤดูกาลแล้วเราสามารถคาดการณ์ได้
วิธีการที่ได้รับการทบทวนในบันทึกนี้มีความหมายโดยธรรมชาติดังนั้นการตัดสินและความรู้เกี่ยวกับปรากฏการณ์จึงมีบทบาทสำคัญในการเลือกแบบจำลอง
วิธีคลาสสิกมีข้อเสียที่พวกเขาปรับตัวเมื่อเวลาผ่านไปซึ่งหมายความว่ากระบวนการประเมินจะต้องเริ่มต้นอีกครั้งในการเผชิญกับความรู้ของข้อมูลใหม่
ทีมประกอบด้วย:
Ing. Gerardo Valdes Fuentes
Ing. Rosa Isela MeléndezLópez
Lic. José Luis ChávezDávila
Ing. Renato Elmer VázquezGarcía
หลักในการบริหารและความเป็นผู้นำ
มหาวิทยาลัยอิสระแห่งภาคตะวันออกเฉียงเหนือ.
บรรณานุกรม:
สถิติสำหรับผู้ดูแลระบบ
Richard I. Levin และ David S. Rubin
หอศิษย์บรรณาธิการ