David, ja, MapReduce är avsedd att fungera på en stor mängd data Och tanken är att i allmänhet ska kartan och minska funktionerna inte bryr sig om hur många mappers eller hur många reducerare det finns, det är bara optimering Om du tänker noga på Algoritmen jag postade kan du se att det spelar ingen roll vilken mappare får vilka delar av dataen Varje inmatningsrekord kommer att finnas tillgänglig för varje reducerad operation som behöver det Joe K 18 sep 12 på 22 30. I bästa fallet av min förståelse glidande medelvärde Är inte snygga kartor till MapReduce-paradigmet eftersom dess beräkning väsentligen skjuter fönster över sorterade data medan MR behandlar icke-skurna rader av sorterade data Lösning jag ser är som följer a För att implementera anpassad partitioner för att kunna skapa två olika partitioner I två körningar I varje körning kommer dina reducerare att få olika dataområden och beräkna glidande medelvärde där det är lämpligt att jag ska försöka illustrera. I första kördata för reduktionsmedel ska vara R1 Q1, Q2, Q3, Q4 R2 Q5, Q6, Q4 R2 Q5, Q6, Q7, Q8.här kommer du att cacluate glidande medelvärdet för några Qs. In nästa körning bör dina reducerare få data som R1 Q1 Q6 R2 Q6 Q10 R3 Q10 Q14. Och caclulate resten av glidande medelvärden Då måste du samla resultaten. Idea av anpassad partitioner att den kommer att ha två olika driftssätt - varje gång som delas i lika delar men med viss skift I en pseudokod kommer den att se ut som denna partitionsnyckel SHIFT MAXKEY numOfPartitioner där SHIFT kommer att tas från konfigurationen MAXKEY maximalt värde för nyckeln jag antar för enkelhet att de börjar med noll. RecordReader, IMHO är inte en lösning eftersom den är begränsad till specifik delning och kan inte glida över split-gränsen. En annan lösning skulle vara att genomföra anpassad logik för att dela in data som den är en del av InputFormat It kan göras för att göra 2 olika bilder, liknar partitioning. answered 17 sep 12 vid 8 59. När du använder ett löpande rörligt medelvärde, är det genomsnittligt att placera medelvärdet under mellantid. I föregående exempel komprimerar vi utgjorde genomsnittet av de första 3 tidsperioderna och placerade det bredvid period 3 Vi kunde ha placerat medelvärdet mitt i tidsintervallet av tre perioder, det vill säga intill period 2 Detta fungerar bra med udda tidsperioder, men inte så bra för jämna tidsperioder Så var skulle vi placera det första glidande medlet när M 4. Tekniskt sett skulle det rörliga genomsnittet falla vid t 2 5, 3 5. För att undvika detta problem släpper vi MAs med M 2 Således släpper vi smidiga värden. Om vi i genomsnitt ett jämnt antal villkor måste vi släta de jämnderade värdena. Följande tabell visar resultaten med hjälp av M 4.Predictive Analytics med Microsoft Excel Arbeta med säsongsmässiga tidsserier. I detta kapitel. Simple säsongsvärden. Medelvärden och centrerade rörliga medelvärden. Linjär regression med kodade vektorer. Simpel säsongsmässiga exponentiala utjämning. Modeller med snabbare vinter. Materna blir inkrementellt mer komplicerade när du har en tidsserie som kännetecknas delvis av säsongsmässigheten tenderar dess nivå att stiga och Faller i takt med årstiderna. Vi använder terminen i mer generell bemärkelse än dess vardagliga betydelse av årets fyra säsonger. I samband med prediktiv analys kan en säsong vara en dag om mönster upprepas varje vecka eller ett år I form av presidentvalcykler eller bara om något mellan ett åtta timmars skift på ett sjukhus kan representera en säsong. I det här kapitlet ses hur man sönderdelar en tidsserie så att du kan se hur sin säsongslängd fungerar bortsett från dess trend om något Som du kan förvänta dig av materialet i kapitel 3 och 4 finns flera tillvägagångssätt tillgängliga för dig. Enkel säsongsmedel. Användningen av enkla säsongsmedelvärden för att modellera en tidsserie kan ibland ge dig en ganska rå modell för data Men tillvägagångssättet uppmärksammar årstiderna i datasetet och det kan enkelt vara mycket mer exakt som en prognosteknik än enkel exponentiell utjämning när säsongsmässigheten uttalas. Visserligen fungerar den som en användbar introduktion till några av de procedurer som används med tidsserier som är säsongsmässiga och trendiga, så titta på exemplet i Figur 5 1.Figur 5 1 Med en horisontell modell resulterar enkla medelvärden i prognoser som inte är mer än säsongsmässiga medel. Uppgifterna och diagrammet som visas i Figur 5 1 representerar det genomsnittliga antalet dagliga träffar på en webbplats som gynnar fans av National Football League Varje observation i kolumn D representerar det genomsnittliga antalet träffar per dag i var fjärde kvart över en fem - årsperspektiv. Identifiera ett säsongsmönster. Du kan berätta från medelvärdena i intervallet G2 G5 att en tydlig kvartalseffekt äger rum. Det största genomsnittliga antalet träffar inträffar under hösten och vintern när de viktigaste 16 spelen och slutspelet är planerade Intresset, mätt med genomsnittliga dagliga träffar, minskar under våren och sommarmånaderna. Medelvärdena är lätta att beräkna om du inte känner dig bekväm med matrisformlerna För att få medelvärdet av alla fem fall av Q uarter 1 kan du till exempel använda denna matrisformel i cell G2 i Figur 5 1.Array-skriv in den med Ctrl Shift Enter Eller du kan använda funktionen AVERAGEIF som du kan skriva in på normalt sätt, tryck på Enter-tangenten In Generellt föredrar jag matrisformelmetoden eftersom det ger mig utrymme för större kontroll över de involverade funktionerna och kriterierna. Den kartade dataserien innehåller data-etiketter som visar vilket kvartal varje datapunkt hör till. Diagrammet visar meddelandet om genomsnittsvärdena i G2 G5 Quarters 1 och 4 får upprepade gånger flest träffar Det finns tydliga säsongsvarianter i denna dataset. Beräkning av säsongsindex. När du bestämt dig för att en tidsserie har en säsongsbetonad komponent, vill du kvantifiera effektens storlek. De medeltal som visas i Figur 5 2 representerar hur metoden med medelvärden går till den uppgiften. Figur 5 2 Kombinera det stora medelvärdet med säsongsmedelvärdena för att få säsongsindex. I Figur 5 2 får du årstidsindex för tillsatser i intervallet G10 G13 genom att subtrahera Stor medelvärde i cell G7 från varje säsongsmedel i G2 G5 Resultatet är effekten av att vara i kvartalet 1, det att vara i kvartal 2 osv. Om en viss månad är i kvartalet 1 förväntar du dig att den har 99 65 mer genomsnittliga dagliga träffar än det stora medelvärdet på 140 35 träffar per dag. Denna information ger dig en känsla av hur viktigt det är att vara under en viss årstid. Antag att du äger webbplatsen i fråga och du vill sälja annonseringsutrymme på den. Du Kan säkert fråga ett högre pris för annonsörer under första och fjärde kvartalet än under andra och tredje. Mer till den punkten kan du troligen ladda dubbelt så mycket under första kvartalet än under antingen den andra eller den tredje. Med säsongsindex i Hand kan du också beräkna säsongsjusteringar. Till exempel visas fortfarande de säsongrensade värdena för varje kvartal 2005 i G16 G19 i Figur 5 2. De beräknas genom att subtrahera indexet från den därmed sammanhängande kvartalsmätningen. Traditionellt är termen säsongsindex hänvisar till ökningen eller minskningen av nivån på en serie som är associerad med varje säsong. Den synonyma terminseffekten har uppträtt i litteraturen de senaste åren. Eftersom du ser båda termerna har jag använt dem båda i den här boken. små saker bara komma ihåg att de två termen har samma betydelse. Notera att under normala händelser från 2001 till 2005 förväntar du sig att andra kvartalet s resultat ligger efter det första kvartalet s resultat med 133 6, det vill säga 99 65 minus 33 95 Men i både 2004 och 2005 överstiger det säsongrensade resultatet för andra kvartalet det som gäller för första kvartalet. Det här resultatet kan mycket väl be dig att fråga vad som har förändrats under de sista två åren som vänder förhållandet mellan säsongrensade resultat för de första två kvartalen jag inte förföljer den här frågan här, jag tar upp det för att föreslå att du ofta vill titta på både observerade och säsongrensade siffror. Förutspårning från Simple Seasonal Avera Ges ingen trend. Trots att metoden för enkla medelvärden är som jag sa tidigare rå, kan den vara mycket mer exakt än det mer sofistikerade alternativet för exponentiell utjämning, särskilt när säsongseffekterna är uttalade och pålitliga. När tidsserierna är otränna, som är fallet med det exempel som det här avsnittet har diskuterat, är de enkla säsongsprognoserna ingenting mer än säsongsvärdena. När serien inte trender antingen upp eller ner, är din bästa uppskattning av värdet för nästa säsong den årstiden s historiska medelvärdet. Se Figur 5 3.Figur 5 3 Kombinera det stora medelvärdet med säsongsvärdena för att få säsongsindex. I diagrammet i Figur 5 3 representerar streckad linjär prognoserna från enkel utjämning. De två fasta linjerna representerar de faktiska säsongsmässiga observationerna och säsongsmedelvärdena Observera att säsongsvärdena spårar de faktiska säsongsobservationerna ganska nära mycket närmare än de jämnaste prognoserna. Du kan se hur mycket närmare Från de två RMSE: erna i cellerna F23 och H23 RMSE för säsongsmedel är bara lite mer än en tredjedel av RMSE för smidiga prognoser. Du kan krita det upp till storleken på säsongseffekterna liksom deras konsistens. Till exempel att skillnaden mellan det genomsnittliga första och andra kvartalet var 35 0 istället för 133 6 vilket är skillnaden mellan cellerna G2 och G3 i figur 5 2 Då skulle det faktiska värdet för kvartalet 1 i ett utjämningskontext vara ett Mycket bättre förutsägare för värdet för kvartal 2 än vad som är fallet med denna tidsserie och exponentiell utjämning kan vara starkt beroende av värdet av den aktuella observationen för dess prognos för nästa period. Om utjämningskonstanten är inställd till 1 0 löser exponentiell utjämning att prognostiska prognoser och prognosen alltid motsvarar det tidigare faktumet. Faktumet att storleken på varje säsongssvingning är så konsekvent från kvartal till kvartal innebär att de enkla säsongsmedelvärdena är tillförlitliga prognoser Inga faktiska kvartaler Rly observation avviker väldigt långt från det totala säsongsmässiga genomsnittet. Simple säsongsmedel med Trend. Användningen av enkla säsongsmedel med en trendig serie har några reella nackdelar, och jag är frestad att föreslå att vi ignorerar det och fortsätter till köttämnen men det Det är möjligt att du kommer att springa i situationer där någon har använt den här metoden och då har det inte skadat sig för att veta både hur det fungerar och varför det finns bättre val. En ny metod att hantera säsongsmässigt i en trenderad serie måste hantera det grundläggande problemet Av att hindra effekten av trenden från säsongens säsongsmässighet tenderar säsongen att dölja trenden och vice versa Se figur 5 4.Figur 5 4 Närvaron av trenden komplicerar beräkningen av säsongseffekter. Faktumet att trenden i serien är uppåt över tiden innebär att det bara beror på den genomsnittliga säsongsvariationen i varje säsong s observationer, som gjordes i det trendfria fallet. Den vanliga tanken är att redogöra för trenden separat Härrör från säsongseffekter Du kan kvantifiera trenden och subtrahera dess effekt från observerade data Resultatet är en otränad serie som behåller säsongsvariationen Det kan hanteras på samma sätt som jag illustrerade tidigare i detta kapitel. Beräkning av medelvärdet för varje Year. One sätt att avskräcka data och andra sätt kommer tveklöst att hända att du är att beräkna trenden baserat på årliga medelvärden i stället för kvartalsdata. Tanken är att det årliga genomsnittet är okänsligt för säsongseffekterna. Det vill säga om du drar av ett år s betyder från värdet för var och en av sina kvartaler är summan och därmed genomsnittet av de fyra kvartalseffekterna exakt noll. En trend beräknad med hjälp av de årliga genomsnittsvärdena påverkas inte av säsongsvariationerna. Denna beräkning visas i Figur 5 5.Figur 5 5 Denna metod innebär nu linjär regression på de enkla medelvärdena. Det första steget i att avbryta data är att få de genomsnittliga dagliga träffarna för varje år. Det görs i intervallet H3 H7 i Figu Re 5 5 Formeln i cell H3 är exempelvis AVERAGE D3 D6. Beräkning av trenden baserat på årliga medel. Med de årliga medelvärdena i handen kan du beräkna sin trend som hanteras genom att använda LINEST i intervallet I3 J7, med hjälp av denna arrayformel. Om du inte levererar x-värden som det andra argumentet till LINEST Excel, levererar du standard x-värden för dig. Standardvärdena är helt enkelt de sammanhängande heltal som börjar med 1 och slutar med antalet y-värden som du kräver i det första argumentet I det här exemplet är standard x-värdena identiska med de som anges i arbetsbladet i G3 G7, så du kan använda LINEST H3 H7 TRUE Denna formel använder två standardvärden, för x-värdena och konstanten , representerad av de tre kommandona i följd. Poängen med denna övning är att kvantifiera årets trend och LINEST gör det för dig i cell I3 Den cellen innehåller regressionskoefficienten för x-värdena Multiplicera 106 08 med 1 då med 2 sedan med 3, 4 och 5 och lägg till varje resultat i ntercept av 84 63 Även om det får du årliga prognoser är den viktiga punkten för detta förfarande värdet av koefficienten 106 08, vilket kvantifierar den årliga trenden. Steget jag just diskuterat är källan till mina misgivningar om hela den inställning som denna sektion beskriver att du vanligtvis har ett litet antal omfångsperioder i det här exemplet, att s år att springa genom regressionsregressionsresultaten tenderar att vara fruktansvärt instabila när de här är baserade på ett litet antal observationer och ändå bygger denna procedur på de resulterar kraftigt för att avskräcka tidsserierna. Förvrängning av trenden över årstider. Enkla medelvärden för att hantera en trendig, säsongserie som denna fortsätter genom att dividera trenden med antalet perioder under den omfattade perioden för att få En per-trend trend Här är antalet perioder per år fyra vi arbetar med kvartalsdata så vi delar 106 08 med 4 för att uppskatta utvecklingen per kvartal klockan 26 5.Tillgången använder sig av S den periodiska trenden genom att subtrahera den från det genomsnittliga periodiska resultatet Syftet är att ta bort effekten av den årliga trenden från säsongseffekterna För det första måste vi beräkna det genomsnittliga resultatet under alla fem år för period 1 för period 2 och Så vidare För att göra det hjälper det att omorganisera listan över faktiska kvartals träffar som visas i intervallet D3 D22 i Figur 5 5 till en matris om fem år med fyra kvartaler, som visas i intervallet G11 J15 Observera att värdena i den matrisen Motsvarar listan i kolumn D. Med de uppgifter som är inriktade på det sättet är det enkelt att beräkna det genomsnittliga kvartalsvärdet över de fem åren i datasatsen Det görs inom intervallet G18 J18. Effekten av den trend som returneras av LINEST Visas i intervallet G19 J19 Utgångsvärdet för varje år är de observerade genomsnittliga dagliga träffarna för första kvartalet, så vi gör ingen justering för det första kvartalet. En kvarts trendvärde, eller 26 5, subtraheras från andra kvartalet s genomsnittliga träffar, vilket resulterar i en a djusted andra kvartalet värdet av 329 9 se cell H21, Figur 5 5 Trettonvärden trenden, 2 26 5 eller 53 i cell I19 subtraheras från tredje kvartalet s medelvärde för att få ett justerat tredje kvartalet värde av 282 6 i Cell I21 och på motsvarande sätt för fjärde kvartalet subtraherar tre fjärdedelar av trenden från 454 4 för att få 374 8 i cell J21. Tänk på att om trenden var nere snarare än upp, som i det här exemplet, skulle du lägga till det periodiska trendvärdet till det observerade periodiska sättet istället för att subtrahera det. Omvandla de justerade säsongsmedlen till säsongseffekter. Med logiken för denna metod är värdena som visas i raderna 20 21 i Figur 5 5 de genomsnittliga kvartalsresultaten för vardera av fyra kvartaler, med Effekten av den generella uppåtgående trenden i datamängden borttagen Raderna 20 och 21 sammanfogas i kolumnerna G till J Med sin trend ut ur vägen kan vi konvertera dessa siffror till uppskattningar av säsongseffekter som resultat av att vara under första kvartalet, Andra kvartalet osv. För att få dem Effekter börjar med att beräkna det stora medelvärdet av det korrigerade kvartalsmedlet. Den justerade stora medelvärdet framträder i cell I23. Analysen fortsätter i Figur 5 6.Figur 5 6 Kvartalseffekterna eller indexerna används för att eliminera de observerade kvartalsnivåerna. Figur 5 6 upprepar kvartalsjusteringarna och det justerade stora medelvärdet från botten av figur 5 5 De kombineras för att bestämma kvartalsindex som du också kan tänka på som säsongseffekter. Exempelvis är formeln i cell D8 följande. Den returnerar 33 2 Det är effekten av att vara under andra kvartalet, med tanke på det stora medelvärdet. Med tanke på det stora medelvärdet kan vi förvänta oss ett resultat som hör till andra kvartalet och faller under den stora genomsnittet med 33 2 enheter. Effekter på de observerade kvartalslistorna. För att sammanfatta så långt har vi kvantifierat den årliga trenden i data via regression och delat den trenden med 4 för att prorate den till ett kvartalsvärde. Plocka upp i Figur 5 6 justerade vi medelvärdet för varje kvartal i C3 F3 genom att subtrahera de fördröjda trenderna i C4 F4 Resultatet är en avgränsad uppskattning av medelvärdet för varje kvartal, oavsett år då kvartalet äger rum, i C5 F5. Vi subtraherade det justerade storvärdet i cell G5 från justerat kvartalsmedel i C5 F5 som omvandlar varje kvartals medelvärde till en mått på effekten av varje kvartal i förhållande till den justerade stora medelvärdet. Dessa är säsongsindex eller effekter i C8 F8. Nästan tar vi bort säsongseffekterna från de observerade kvartalsnivåerna. Såsom visas I Figur 5 6 gör du det genom att subkaldera kvartalsindexen i C8 F8 från motsvarande värden i C12 F16. Det enklaste sättet att göra det är att ange denna formel i cell C20. Notera det enkla dollarteckenet före 8 i referensen till C 8 Det är en blandad referens delvis relativ och delvis absolut Dollarsignalen förankrar referensen till den åttonde raden, men kolumndelen av referensen är fri att variera. Därför kan du, efter att den senare formeln har matats in i cell C20, Klicka på cellens urval handtag den lilla rutan i det nedre högra hörnet av en vald cell och dra till höger in i cellen F20 Adresserna justeras när du drar åt höger och du slutar med värdena, med de säsongsbetonade effekterna borta för år 2001 I C20 F20 Välj det intervallet av fyra celler och använd flervalshandtaget, nu i F20, för att dra ner i rad 24 Så fyller du återstoden av matrisen. Det är viktigt att komma ihåg här att vi justerar originalet Kvartalsvärden för säsongseffekterna Oavsett trend som existerar i de ursprungliga värdena finns fortfarande kvar och i teorin finns åtminstone kvar efter vi har gjort justeringar för säsongseffekter. Vi har tagit bort en trend, ja men bara från säsongseffekterna. När vi subtraherar de avbrutna säsongseffekterna från de ursprungliga kvartalsobservationerna, är resultatet de ursprungliga observationerna med trenden men utan säsongseffekter. Jag har kartlagt de säsongrensade värdena i Figur 5 6 Jämför t Hatten diagram till diagrammet i Figur 5 4 Notera i Figur 5 6 att även om deseasonalized värden inte ligger exakt på en rak linje, har mycket av säsongseffekten avlägsnats. Regressering av Deseasonalized Quarterlies på tidsperioderna. Nästa steg är För att skapa prognoser från den säsongrensade trenderna i Figur 5 6 celler C20 F24 och vid denna tidpunkt har du flera alternativ tillgängliga. Du kan använda differentieringsmetoden kombinerad med enkel exponentiell utjämning som diskuterades i kapitel 3, Working with Trended Time Series Du kan också använda Holt s-metod för att utjämna trender som diskuteras i både kapitel 3 och kapitel 4, initiera prognoser. Med båda metoderna kan du skapa en enstegs-prognos, som du skulle lägga till motsvarande säsongsindex. Ett annat tillvägagångssätt, som jag ska använda här, sätter först trenderna genom en annan instans av linjär regression och lägger sedan till säsongsindexet. Se Figur 5 7.Figur 5 7 Fi Första sannolika prognosen ligger i rad 25. Figur 5 7 returnerar deseasonalized kvartalsmedel från tabellarrangemanget i C20 F24 i Figur 5 6 till listarrangemanget i intervallet C5 C24 i Figur 5 7. Vi kunde använda LINEST i kombination med data I B5 C24 i Figur 5 7 för att beräkna regressionsekvationens avlyssning och koefficient kunde vi multiplicera koefficienten med varje värde i kolumn B och lägga till avsnitten för varje produkt för att skapa prognoserna i kolumn D Men även om LINEST returnerar användbar annan information än koefficienten och avlyssningen är TREND ett snabbare sätt att få prognoserna och jag använder den i Figur 5 7.Detekteringsområdet D5 D24 innehåller prognoserna som härrör från att regressera de desasonala kvartalsfigurerna i C5 C24 på perioden i B5 B24 Den matrisformel som används i D5 D24 är detta. Den här uppsättningen resultat speglar effekten av den allmänna uppåtgående trenden i tidsserierna Eftersom de värden som TREND förutspår från har deseasonaliserats återstår För att lägga till säsongseffekterna, även kända som säsongsindex, tillbaka in i den uppskattade prognosen. Tillägg av säsongsindexet tillbaka in. De säsongsindex som beräknas i figur 5 6 finns i figur 5 7 först i intervallet C2 F2 och sedan upprepade gånger Inom intervallet E5 E8, E9 E12 osv. De reseasonaliserade prognoserna placeras i F5 F24 genom att lägga till säsongseffekter i kolumn E till trendprognoserna i kolumn D. För att få enstegsprognosen i cell F25 i figur 5 7 Värdet av t för nästa period går in i cell B25 Följande formel matas in i cell D25.It instruerar Excel att beräkna regressionsekvationen som förutspår värden i intervallet C5 C24 från de i B5 B24 och tillämpa den ekvationen på Det nya x-värdet i cell B25.Det lämpliga säsongsindexet placeras i cell E25 och summan av D25 och E25 är placerad i F25 som den första sanna prognosen för den trendiga och säsongsbundna tidsserien. Du hittar hela uppsättningen av deseasonalized quarterlies och prognoserna kartläggs Figur 5 8.Figur 5 8 De säsongsbetonade effekterna returneras till prognoserna. Utvärdering av enkla medelvärden. Tillvägagångssättet för att hantera en säsongsbetonad tidsserie som diskuteras i flera tidigare avsnitt har en del intuitiv överklagande. Grundidén verkar enkel. Beräkna en årlig trend genom att regressera årliga medel mot en viss tidsperiod. Dividera den årliga trenden bland perioderna under året. Ta bort den fördelade trenden från de periodiska effekterna för att få justerade effekter. Ta bort de justerade effekterna från de faktiska åtgärderna för att desaasonalisera tidsserierna. Skapa Prognoser från den årliga serien och lägga till de justerade säsongseffekterna tillbaka. Min egen uppfattning är att flera problem försvagar tillvägagångssättet, och jag skulle inte ha inkluderat det i den här boken, förutom att du sannolikt kommer att stöta på det och därför borde vara bekant med Det Och det ger ett användbart springbräda för att diskutera vissa koncept och förfaranden som finns i andra starkare tillvägagångssätt. För det första är det frågan om vilken Jag klagade tidigare i det här kapitlet om den mycket lilla provstorleken för regressionen av årliga medel på sammanhängande heltal som identifierar varje år. Även med endast en prediktor, så få som 10 observationer verkligen skrapar botten av fatet. Åtminstone bör du Titta på den resulterande R2 justerad för krympning och förmodligen omberäkna standardfel av uppskattningen i enlighet därmed. Det är sant att ju starkare korrelationen i befolkningen, desto mindre är det prov du kan komma undan med Men arbetar med kvartaler inom år, är du lyckosam Att hitta så många som 10 år värda i följd kvartalsvisa observationer, var och en mätt på samma sätt över tiden. Jag m inte övertygade om att svaret på det problematiska upp och ner mönstret du hittar inom ett år, se diagrammet i Figur 5 4 är att genomsnittsa topparna och dalarna och få en trendberäkning från de årliga medlen. Det är sannerligen ett svar på det problemet, men som ni ser finns det mycket starkare met Od av att segregera säsongseffekterna från en underliggande trend, redovisa dem båda och prognoser i enlighet därmed kommer jag att täcka den metoden senare i detta kapitel, i avsnittet Linjär regression med kodade vektorer. Dessutom finns det ingen grund i teorin för att fördela den årliga Trend jämnt bland perioderna som sammanställer året Det är sant att linjär regression gör någonting liknande när den lägger sina prognoser på en rak linje Men det finns en stor buk mellan att göra ett grundläggande antagande eftersom den analytiska modellen inte annars kan hantera data och acceptera Ett felaktigt resultat vars felfel i prognoserna kan mätas och utvärderas. Som sagt, låt oss gå vidare till användningen av glidande medelvärden istället för enkla medelvärden som ett sätt att hantera säsongsalder.
No comments:
Post a Comment