Déménagement Moyenne Modèles Statistiques

Moyennes mobiles Moyennes mobiles Avec les ensembles de données classiques, la valeur moyenne est souvent la première et l'une des statistiques les plus utiles à calculer. Lorsque les données sont sous la forme d'une série chronologique, la moyenne en série est une mesure utile, mais ne reflète pas la nature dynamique des données. Les valeurs moyennes calculées sur des périodes court-circuitées, soit précédant la période courante, soit centrées sur la période courante, sont souvent plus utiles. Parce que ces valeurs moyennes vont varier, ou se déplacer, à mesure que la période courante se déplace du temps t 2, t 3, etc., on les appelle des moyennes mobiles (Mas). Une moyenne mobile simple est (typiquement) la moyenne non pondérée de k valeurs antérieures. Une moyenne mobile exponentiellement pondérée est essentiellement la même qu'une moyenne mobile simple, mais avec des contributions à la moyenne pondérée par leur proximité à l'heure actuelle. Parce qu'il n'y a pas une seule, mais toute une série de moyennes mobiles pour une série donnée, l'ensemble de Mas peut être tracé sur des graphes, analysé comme une série et utilisé dans la modélisation et la prévision. Une gamme de modèles peut être construite à l'aide de moyennes mobiles, et ce sont connus sous le nom de modèles MA. Si ces modèles sont combinés avec des modèles autorégressifs (AR), les modèles composites résultants sont connus sous le nom de modèles ARMA ou ARIMA (le I est pour intégré). Moyennes mobiles simples Comme une série temporelle peut être considérée comme un ensemble de valeurs, t 1,2,3,4, n la moyenne de ces valeurs peut être calculée. Si l'on suppose que n est assez grand, et on choisit un entier k qui est beaucoup plus petit que n. Nous pouvons calculer un ensemble de moyennes de bloc, ou moyennes mobiles simples (d'ordre k): Chaque mesure représente la moyenne des valeurs de données sur un intervalle de k observations. Notons que la première MA possible d'ordre k gt0 est celle de t k. De façon plus générale, nous pouvons supprimer l'indice supplémentaire dans les expressions ci-dessus et écrire: Ceci indique que la moyenne estimée au temps t est la moyenne simple de la valeur observée au temps t et aux précédentes étapes k -1. Si des poids sont appliqués qui diminuent la contribution des observations qui sont plus éloignées dans le temps, la moyenne mobile est dite exponentiellement lissée. Les moyennes mobiles sont souvent utilisées comme une forme de prévision, la valeur estimée pour une série au temps t 1, S t1. Est prise comme MA pour la période allant jusqu'au temps t compris. par exemple. L'estimation d'aujourd'hui est basée sur une moyenne des valeurs antérieures enregistrées jusqu'à et y compris hier (pour les données quotidiennes). Les moyennes mobiles simples peuvent être considérées comme une forme de lissage. Dans l'exemple illustré ci-dessous, l'ensemble de données sur la pollution atmosphérique présenté dans l'introduction à ce sujet a été complété par une ligne de 7 jours de moyenne mobile (MA), affichée ici en rouge. Comme on peut le voir, la ligne MA permet de lisser les pics et les creux dans les données et peut être très utile pour identifier les tendances. La formule de calcul de référence standard signifie que les premiers k -1 points de données n'ont pas de valeur MA, mais ensuite les calculs s'étendent jusqu'au point de données final de la série. Une des raisons de calculer des moyennes mobiles simples de la manière décrite est qu'il permet de calculer les valeurs pour tous les intervalles de temps entre le temps tk et le temps présent, et Comme une nouvelle mesure est obtenue pour le temps t 1, la MA pour le temps t 1 peut être ajoutée à l'ensemble déjà calculé. Cela fournit une procédure simple pour les jeux de données dynamiques. Cependant, cette approche présente certains problèmes. Il est raisonnable de prétendre que la valeur moyenne au cours des 3 dernières périodes, par exemple, devrait être située à l'instant t -1, et non pas au temps t. Et pour une MA sur un nombre pair de périodes, il devrait être situé au point médian entre deux intervalles de temps. Une solution à cette question est d'utiliser des calculs de MA centrés, dans lesquels la MA à l'instant t est la moyenne d'un ensemble symétrique de valeurs autour de t. Malgré ses avantages évidents, cette approche n'est généralement pas utilisée car elle exige que des données soient disponibles pour des événements futurs, ce qui peut ne pas être le cas. Dans les cas où l'analyse est entièrement d'une série existante, l'utilisation de Mas centrée peut être préférable. Les moyennes mobiles simples peuvent être considérées comme une forme de lissage, en supprimant certaines composantes haute fréquence d'une série chronologique et en mettant en évidence (mais non en supprimant) les tendances d'une manière similaire à la notion générale de filtrage numérique. En effet, les moyennes mobiles sont une forme de filtre linéaire. Il est possible d'appliquer un calcul de la moyenne mobile à une série qui a déjà été lissée, c'est-à-dire lisser ou filtrer une série déjà lissée. Par exemple, avec une moyenne mobile de l'ordre 2, nous pouvons la considérer comme étant calculée en utilisant des poids, de sorte que la MA à x 2 0,5 x 1 0,5 x 2. De même, la MA à x 3 0,5 x 2 0,5 x 3. Si nous Appliquer un deuxième niveau de lissage ou de filtrage, on a 0,5 x 2 0,5 x 3 0,5 (0,5 x 1 0,5 x 2) 0,5 (0,5 x 2 0,5 x 3) 0,25 x 1 0,5 x 2 0,25 x 3 c'est-à-dire le filtrage à 2 étages Processus (ou convolution) a produit une moyenne mobile symétrique pondérée variable, avec des poids. Les convolutions multiples peuvent produire des moyennes mobiles pondérées assez complexes, dont certaines ont été trouvées particulièrement utiles dans des domaines spécialisés, comme dans les calculs d'assurance-vie. Les moyennes mobiles peuvent être utilisées pour supprimer des effets périodiques si elles sont calculées avec la longueur de la périodicité comme étant connue. Par exemple, avec des données mensuelles, les variations saisonnières peuvent souvent être supprimées (si tel est l'objectif) en appliquant une moyenne mobile symétrique de 12 mois avec tous les mois pondérés également, sauf le premier et le dernier qui sont pondérés par 12. C'est parce qu'il y aura Être de 13 mois dans le modèle symétrique (temps actuel, t. - 6 mois). Le total est divisé par 12. Des procédures similaires peuvent être adoptées pour toute périodicité bien définie. Moyennes mobiles pondérées exponentiellement (EWMA) Avec la formule de la moyenne mobile simple: toutes les observations sont également pondérées. Si on appelle ces poids égaux, alpha t. Chacun des k poids serait égal à 1 k. Donc la somme des poids serait 1, et la formule serait: Nous avons déjà vu que les applications multiples de ce processus se traduisent par des poids variant. Avec des moyennes mobiles exponentiellement pondérées, la contribution à la valeur moyenne des observations qui sont plus éloignées dans le temps est délibérée réduite, ce qui met l'accent sur les événements plus récents (locaux). Essentiellement, on introduit un paramètre de lissage, 0lt alpha lt1, et on révise la formule à: Une version symétrique de cette formule serait de la forme: Si les poids dans le modèle symétrique sont sélectionnés comme les termes des termes de l'expansion binomiale, (1212) 2q. Ils additionneront 1, et comme q devient grand, approchera la distribution normale. C'est une forme de pondération du noyau, avec le Binomial agissant comme la fonction du noyau. La convolution à deux étages décrite dans la sous-section précédente est précisément cet arrangement, avec q 1, donnant les poids. Dans le lissage exponentiel il est nécessaire d'utiliser un ensemble de poids qui somme à 1 et qui réduisent en taille géométriquement. Les poids utilisés sont typiquement de la forme: Pour montrer que ces poids sont égaux à 1, considérons l'expansion de 1 comme une série. Nous pouvons écrire et développer l'expression entre parenthèses en utilisant la formule binomiale (1-x) p. Où x (1-) et p -1, ce qui donne: Ceci fournit alors une forme de moyenne mobile pondérée de la forme: Cette somme peut être écrite comme une relation de récurrence: ce qui simplifie considérablement le calcul et évite le problème que le régime de pondération Doit être strictement infini pour les poids à la somme de 1 (pour les petites valeurs de alpha, ce n'est généralement pas le cas). La notation utilisée par les différents auteurs varie. Certains utilisent la lettre S pour indiquer que la formule est essentiellement une variable lissée et écrivent: alors que la littérature théorique de contrôle utilise souvent Z plutôt que S pour les valeurs exponentiellement pondérées ou lissées (voir par exemple Lucas et Saccucci, 1990, LUC1 , Et le site Web du NIST pour plus de détails et exemples travaillés). Les formules citées ci-dessus découlent du travail de Roberts (1959, ROB1), mais Hunter (1986, HUN1) utilise une expression de la forme: qui peut être plus appropriée pour être utilisée dans certaines procédures de contrôle. Avec alpha 1, l'estimation moyenne est simplement sa valeur mesurée (ou la valeur de la donnée précédente). Avec 0,5, l'estimation est la moyenne mobile simple des mesures actuelles et précédentes. Dans les modèles de prévision, la valeur, S t. Est souvent utilisée comme valeur estimée ou prévisionnelle pour la période de temps suivante, c'est-à-dire comme l'estimation de x à l'instant t 1. Ainsi, nous avons: Ceci montre que la valeur de prévision à l'instant t 1 est une combinaison de la moyenne mobile exponentielle précédente Plus un composant qui représente l'erreur de prédiction pondérée, epsilon. À l'instant t. En supposant qu'une série chronologique est donnée et qu'une prévision est requise, une valeur pour alpha est requise. Ceci peut être estimé à partir des données existantes en évaluant la somme des erreurs de prédiction au carré obtenues avec des valeurs variables d'alpha pour chaque t 2,3. La première estimation étant la première valeur de données observée, x 1. Dans les applications de contrôle, la valeur de alpha est importante dans la mesure où elle est utilisée dans la détermination des limites de contrôle supérieure et inférieure et affecte la longueur de parcours moyenne (ARL) attendue Avant que ces limites de contrôle ne soient rompues (sous l'hypothèse que la série temporelle représente un ensemble de variables indépendantes, aléatoires, identiquement distribuées et de variance commune). Dans ces circonstances, la variance de la statistique de contrôle est (Lucas et Saccucci, 1990): les limites de contrôle sont habituellement fixées en tant que multiples fixes de cette variance asymptotique, par ex. - 3 fois l'écart-type. Si l'alpha 0,25, par exemple, et les données surveillées sont supposées avoir une distribution normale, N (0,1), en contrôle, les limites de contrôle seront - 1,134 et le processus atteindra une ou l'autre limite en 500 étapes en moyenne. Lucas et Saccucci (1990 LUC1) dérivent les ARL pour une large gamme de valeurs alpha et sous diverses hypothèses en utilisant des procédures de chaîne de Markov. Ils tabulent les résultats, y compris la fourniture d'ARL lorsque la moyenne du processus de contrôle a été décalée par un multiple de l'écart-type. Par exemple, avec un décalage de 0,5 avec l'alpha 0,25, l'ARL est inférieur à 50 pas de temps. Les approches décrites ci-dessus sont appelées lissage exponentiel simple. Comme les procédures sont appliquées une fois à la série chronologique, puis des analyses ou des processus de contrôle sont effectués sur les données lissées résultantes. Si l'ensemble de données inclut une tendance et / ou des composantes saisonnières, un lissage exponentiel à deux ou trois étapes peut être appliqué comme moyen d'enlever ces effets (explicitement la modélisation) (voir la section Prévision ci-dessous et l'exemple travaillé NIST). CHA1 Chatfield C (1975) L'analyse des séries chronologiques: théorie et pratique. Chapman et Hall, Londres HUN1 Hunter J S (1986) La moyenne mobile exponentiellement pondérée. J of Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) Systèmes de contrôle de la moyenne mobile pondérée exponentiellement: propriétés et améliorations. Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) Tests de carte de contrôle basés sur des moyennes mobiles géométriques. Technometrics, 1, 239-250 moyenne mobile Moyenne des données de séries chronologiques (observations également espacées dans le temps) de plusieurs périodes consécutives. Appelé en mouvement car il est continuellement recomputed comme nouvelles données devient disponible, il progresse en abandonnant la première valeur et en ajoutant la dernière valeur. Par exemple, la moyenne mobile des ventes sur six mois peut être calculée en prenant la moyenne des ventes de janvier à juin, puis la moyenne des ventes de février à juillet, puis de mars à août, et ainsi de suite. Les moyennes mobiles (1) réduisent l'effet des variations temporaires des données, (2) améliorent l'ajustement des données à une ligne (un processus appelé lissage) pour afficher plus clairement la tendance des données, et (3) tendance. Si vous calculez quelque chose avec une variance très élevée, le mieux que vous puissiez faire est de comprendre la moyenne mobile. Je voulais savoir quelle était la moyenne mobile des données, de sorte que j'aurais une meilleure compréhension de notre façon de faire. Lorsque vous essayez de comprendre quelques chiffres qui changent souvent, le mieux que vous pouvez faire est de calculer la moyenne mobile. Moyenne mobile exponentielle (EMA) Moyenne mobile et modèles exponentiels de lissage Comme première étape pour aller au-delà des modèles moyens, des modèles aléatoires et des tendances linéaires, des tendances et des tendances non saisonnières peuvent être extrapolés à l'aide d'un modèle de moyenne mobile ou de lissage. L'hypothèse de base derrière les modèles de moyenne et de lissage est que la série temporelle est localement stationnaire avec une moyenne lentement variable. Par conséquent, nous prenons une moyenne mobile (locale) pour estimer la valeur actuelle de la moyenne, puis nous l'utilisons comme prévision pour le proche avenir. Cela peut être considéré comme un compromis entre le modèle moyen et le modèle randonnée aléatoire sans dérive. La même stratégie peut être utilisée pour estimer et extrapoler une tendance locale. Une moyenne mobile est souvent appelée une version quotsmoothedquot de la série originale parce que la moyenne à court terme a pour effet de lisser les bosses dans la série d'origine. En ajustant le degré de lissage (la largeur de la moyenne mobile), on peut espérer trouver un équilibre optimal entre la performance des modèles de marche moyenne et aléatoire. Le modèle le plus simple de la moyenne est le. Moyenne mobile simple (également pondérée): La prévision de la valeur de Y à l'instant t1 qui est faite à l'instant t est égale à la moyenne simple des observations m les plus récentes: (Ici et ailleurs, je vais utiliser le symbole 8220Y-hat8221 pour me tenir Pour une prévision de la série temporelle Y faite le plus tôt possible par un modèle donné). Cette moyenne est centrée à la période t (m1) 2, ce qui implique que l'estimation de la moyenne locale aura tendance à se situer en deçà du vrai Valeur de la moyenne locale d'environ (m1) 2 périodes. Ainsi, nous disons que l'âge moyen des données dans la moyenne mobile simple est (m1) 2 par rapport à la période pour laquelle la prévision est calculée: c'est le temps pendant lequel les prévisions auront tendance à être en retard par rapport aux points de retournement dans les données . Par exemple, si vous faites la moyenne des 5 dernières valeurs, les prévisions seront environ 3 périodes en retard pour répondre aux points de retournement. Notez que si m1, le modèle de moyenne mobile simple (SMA) est équivalent au modèle de marche aléatoire (sans croissance). Si m est très grand (comparable à la longueur de la période d'estimation), le modèle SMA est équivalent au modèle moyen. Comme pour tout paramètre d'un modèle de prévision, il est courant d'ajuster la valeur de k afin d'obtenir le meilleur rapport entre les données, c'est-à-dire les erreurs de prévision les plus faibles en moyenne. Voici un exemple d'une série qui semble présenter des fluctuations aléatoires autour d'une moyenne lentement variable. Tout d'abord, essayons de l'adapter à un modèle de marche aléatoire, ce qui équivaut à une moyenne mobile simple d'un terme: Le modèle de marche aléatoire répond très rapidement aux changements dans la série, mais en le faisant, il choisit une grande partie du quotnoise dans le Données (les fluctuations aléatoires) ainsi que le quotsignalquot (la moyenne locale). Si nous essayons plutôt une moyenne mobile simple de 5 termes, nous obtenons un ensemble plus lisse de prévisions: La moyenne mobile simple à 5 termes génère des erreurs beaucoup plus faibles que le modèle de marche aléatoire dans ce cas. L'âge moyen des données de cette prévision est de 3 ((51) 2), de sorte qu'il tend à être en retard par rapport aux points de retournement d'environ trois périodes. (Par exemple, un ralentissement semble avoir eu lieu à la période 21, mais les prévisions ne tournent pas jusqu'à plusieurs périodes plus tard.) Notez que les prévisions à long terme du modèle SMA sont une ligne droite horizontale, tout comme dans la marche aléatoire maquette. Ainsi, le modèle SMA suppose qu'il n'y a pas de tendance dans les données. Cependant, alors que les prévisions du modèle randonnée aléatoire sont tout simplement égales à la dernière valeur observée, les prévisions du modèle SMA sont égales à une moyenne pondérée des valeurs récentes. Les limites de confiance calculées par Statgraphics pour les prévisions à long terme de la moyenne mobile simple ne s'élargissent pas à mesure que l'horizon de prévision augmente. Ce n'est évidemment pas correct Malheureusement, il n'existe pas de théorie statistique sous-jacente qui nous indique comment les intervalles de confiance devraient élargir pour ce modèle. Cependant, il n'est pas trop difficile de calculer des estimations empiriques des limites de confiance pour les prévisions à plus long terme. Par exemple, vous pouvez créer une feuille de calcul dans laquelle le modèle SMA sera utilisé pour prévoir 2 étapes à venir, 3 étapes à venir, etc. dans l'exemple de données historiques. Vous pouvez ensuite calculer les écarts types des erreurs à chaque horizon de prévision, puis construire des intervalles de confiance pour les prévisions à long terme en ajoutant et en soustrayant des multiples de l'écart-type approprié. Si nous essayons une moyenne mobile simple de 9 termes, nous obtenons des prévisions encore plus lisses et plus d'un effet de retard: L'âge moyen est maintenant 5 périodes ((91) 2). Si l'on prend une moyenne mobile à 19 mois, l'âge moyen passe à 10: On remarque que les prévisions sont maintenant en retard par rapport aux points de retournement d'environ 10 périodes. Quelle quantité de lissage est la meilleure pour cette série Voici un tableau qui compare leurs statistiques d'erreur, incluant également une moyenne à 3 termes: Le modèle C, la moyenne mobile à 5 termes, donne la plus faible valeur de RMSE d'une petite marge sur les 3 À moyen terme et à moyen terme, et leurs autres statistiques sont presque identiques. Ainsi, parmi les modèles avec des statistiques d'erreur très similaires, nous pouvons choisir si nous préférerions un peu plus de réactivité ou un peu plus de souplesse dans les prévisions. Le modèle de la moyenne mobile simple décrit ci-dessus a la propriété indésirable de traiter les dernières k observations de manière égale et d'ignorer complètement toutes les observations précédentes. (Retourner au haut de la page.) Intuitivement, les données passées devraient être actualisées de façon plus graduelle - par exemple, l'observation la plus récente devrait prendre un peu plus de poids que la deuxième plus récente, et la deuxième plus récente devrait avoir un peu plus de poids que la 3ème plus récente, et bientôt. Le simple lissage exponentiel (SES) modèle accomplit cela. Soit 945 une constante de quotslacement constante (un nombre entre 0 et 1). Une façon d'écrire le modèle consiste à définir une série L qui représente le niveau actuel (c'est-à-dire la valeur moyenne locale) de la série estimée à partir des données jusqu'à présent. La valeur de L à l'instant t est calculée récursivement à partir de sa propre valeur précédente comme ceci: La valeur lissée actuelle est donc une interpolation entre la valeur lissée précédente et l'observation courante, où 945 contrôle la proximité de la valeur interpolée à la valeur la plus récente observation. La prévision pour la période suivante est simplement la valeur lissée actuelle: De manière équivalente, nous pouvons exprimer directement la prochaine prévision en fonction des prévisions précédentes et des observations précédentes, dans l'une des versions équivalentes suivantes. Dans la première version, la prévision est une interpolation entre la prévision précédente et l'observation précédente: Dans la deuxième version, la prévision suivante est obtenue en ajustant la prévision précédente dans la direction de l'erreur précédente par une fraction 945. est l'erreur faite à Temps t. Dans la troisième version, la prévision est une moyenne mobile exponentiellement pondérée (c'est-à-dire actualisée) avec le facteur d'actualisation 1-945: La version d'interpolation de la formule de prévision est la plus simple à utiliser si vous mettez en œuvre le modèle sur une feuille de calcul: Cellule unique et contient des références de cellule pointant vers la prévision précédente, l'observation précédente et la cellule où la valeur de 945 est stockée. Notez que si 945 1, le modèle SES est équivalent à un modèle de marche aléatoire (sans croissance). Si 945 0, le modèle SES est équivalent au modèle moyen, en supposant que la première valeur lissée est égale à la moyenne. (Retourner au haut de la page.) L'âge moyen des données dans la prévision de lissage exponentielle simple est de 1 945 par rapport à la période pour laquelle la prévision est calculée. (Ce n'est pas censé être évident, mais on peut facilement le montrer en évaluant une série infinie.) Par conséquent, la prévision moyenne mobile simple tend à être en retard par rapport aux points de retournement d'environ 1 945 périodes. Par exemple, lorsque 945 0,5 le lag est 2 périodes lorsque 945 0,2 le retard est de 5 périodes lorsque 945 0,1 le lag est de 10 périodes, et ainsi de suite. Pour un âge moyen donné (c'est-à-dire le décalage), le lissage exponentiel simple (SES) est un peu supérieur à la moyenne mobile simple (SMA), car il place relativement plus de poids sur l'observation la plus récente. Il est un peu plus sensible aux changements survenus dans le passé récent. Par exemple, un modèle SMA avec 9 termes et un modèle SES avec 945 0,2 ont tous deux une moyenne d'âge de 5 pour les données dans leurs prévisions, mais le modèle SES met plus de poids sur les 3 dernières valeurs que le modèle SMA et à la Un autre avantage important du modèle SES par rapport au modèle SMA est que le modèle SES utilise un paramètre de lissage qui est variable en continu, de sorte qu'il peut facilement être optimisé En utilisant un algorithme quotsolverquot pour minimiser l'erreur quadratique moyenne. La valeur optimale de 945 dans le modèle SES de cette série s'élève à 0,2961, comme indiqué ici: L'âge moyen des données de cette prévision est de 10,2961 3,4 périodes, ce qui est similaire à celle d'une moyenne mobile simple à 6 termes. Les prévisions à long terme du modèle SES sont une droite horizontale. Comme dans le modèle SMA et le modèle randonnée aléatoire sans croissance. Cependant, notez que les intervalles de confiance calculés par Statgraphics divergent maintenant d'une manière raisonnable et qu'ils sont sensiblement plus étroits que les intervalles de confiance pour le modèle de marche aléatoire. Le modèle SES suppose que la série est quelque peu plus prévisible que le modèle de marche aléatoire. Un modèle SES est en fait un cas particulier d'un modèle ARIMA. La théorie statistique des modèles ARIMA fournit une base solide pour le calcul des intervalles de confiance pour le modèle SES. En particulier, un modèle SES est un modèle ARIMA avec une différence non saisonnière, un terme MA (1) et aucun terme constant. Autrement connu sous le nom de modèle de MARIMA (0,1,1) sans constantquot. Le coefficient MA (1) du modèle ARIMA correspond à la quantité 1 945 dans le modèle SES. Par exemple, si vous ajoutez un modèle ARIMA (0,1,1) sans constante à la série analysée ici, le coefficient MA (1) estimé s'avère être 0.7029, ce qui est presque exactement un moins 0.2961. Il est possible d'ajouter l'hypothèse d'une tendance linéaire constante non nulle à un modèle SES. Pour cela, il suffit de spécifier un modèle ARIMA avec une différence non saisonnière et un terme MA (1) avec une constante, c'est-à-dire un modèle ARIMA (0,1,1) avec constante. Les prévisions à long terme auront alors une tendance égale à la tendance moyenne observée sur l'ensemble de la période d'estimation. Vous ne pouvez pas le faire en conjonction avec l'ajustement saisonnier, car les options de réglage saisonnier sont désactivées lorsque le type de modèle est réglé sur ARIMA. Cependant, vous pouvez ajouter une tendance exponentielle à long terme constante à un modèle de lissage exponentiel simple (avec ou sans ajustement saisonnier) en utilisant l'option d'ajustement de l'inflation dans la procédure de prévision. Le taux d'inflation appropriée (taux de croissance en pourcentage) par période peut être estimé comme le coefficient de pente dans un modèle de tendance linéaire adapté aux données en conjonction avec une transformation logarithmique naturelle, ou il peut être basé sur d'autres informations indépendantes concernant les perspectives de croissance à long terme . (Retour au haut de la page) Browns Linear (c'est-à-dire double) Lissage exponentiel Les modèles SMA et SES supposent qu'il n'y a aucune tendance des données (ce qui est normalement correct ou au moins pas trop mauvais pour 1- Des prévisions d'avance lorsque les données sont relativement bruyantes), et elles peuvent être modifiées pour incorporer une tendance linéaire constante comme indiqué ci-dessus. Qu'en est-il des tendances à court terme Si une série affiche un taux de croissance variable ou un schéma cyclique qui se distingue clairement du bruit, et s'il est nécessaire de prévoir plus d'une période à venir, l'estimation d'une tendance locale pourrait également être un problème. Le modèle de lissage exponentiel simple peut être généralisé pour obtenir un modèle linéaire de lissage exponentiel (LES) qui calcule des estimations locales de niveau et de tendance. Le modèle de tendance le plus simple variant dans le temps est le modèle de lissage exponentiel linéaire de Browns, qui utilise deux séries lissées différentes qui sont centrées à différents moments. La formule de prévision est basée sur une extrapolation d'une droite passant par les deux centres. (Une version plus sophistiquée de ce modèle, Holt8217s, est discutée ci-dessous.) La forme algébrique du modèle de lissage exponentiel linéaire de Brown8217s, comme celle du modèle de lissage exponentiel simple, peut être exprimée sous différentes formes différentes mais équivalentes. La forme quotométrique de ce modèle est habituellement exprimée comme suit: Soit S la série lissée par singulier obtenue en appliquant un lissage exponentiel simple à la série Y. C'est-à-dire que la valeur de S à la période t est donnée par: (Rappelons que, sous simple Le lissage exponentiel, ce serait la prévision de Y à la période t1.) Puis, désignons par Squot la série doublement lissée obtenue en appliquant le lissage exponentiel simple (en utilisant le même 945) à la série S: Enfin, la prévision pour Y tk. Pour tout kgt1, est donnée par: Ceci donne e 1 0 (c'est-à-dire tricher un peu, et laisser la première prévision égaler la première observation réelle), et e 2 Y 2 8211 Y 1. Après quoi les prévisions sont générées en utilisant l'équation ci-dessus. Cela donne les mêmes valeurs ajustées que la formule basée sur S et S si ces derniers ont été démarrés en utilisant S 1 S 1 Y 1. Cette version du modèle est utilisée sur la page suivante qui illustre une combinaison de lissage exponentiel avec ajustement saisonnier. Holt8217s Linear Exponential Smoothing Brown8217s Le modèle LES calcule les estimations locales de niveau et de tendance en lissant les données récentes, mais le fait qu'il le fait avec un seul paramètre de lissage impose une contrainte aux modèles de données qu'il peut adapter: le niveau et la tendance Ne sont pas autorisés à varier à des taux indépendants. Le modèle LES de Holt8217s aborde cette question en incluant deux constantes de lissage, une pour le niveau et une pour la tendance. A tout moment t, comme dans le modèle Brown8217s, il existe une estimation L t du niveau local et une estimation T t de la tendance locale. Ici, elles sont calculées récursivement à partir de la valeur de Y observée au temps t et des estimations précédentes du niveau et de la tendance par deux équations qui leur appliquent un lissage exponentiel séparément. Si le niveau et la tendance estimés au temps t-1 sont L t82091 et T t-1. Respectivement, alors la prévision pour Y tshy qui aurait été faite au temps t-1 est égale à L t-1 T t-1. Lorsque la valeur réelle est observée, l'estimation actualisée du niveau est calculée récursivement en interpolant entre Y tshy et sa prévision, L t-1 T t-1, en utilisant des poids de 945 et 1 945. La variation du niveau estimé, À savoir L t 8209 L t82091. Peut être interprété comme une mesure bruyante de la tendance à l'instant t. L'estimation actualisée de la tendance est ensuite calculée récursivement en interpolant entre L t 8209 L t82091 et l'estimation précédente de la tendance, T t-1. Utilisant des poids de 946 et 1-946: L'interprétation de la constante de lissage de tendance 946 est analogue à celle de la constante de lissage de niveau 945. Les modèles avec de petites valeurs de 946 supposent que la tendance ne change que très lentement avec le temps tandis que les modèles avec 946 supposent qu'il change plus rapidement. Un modèle avec un grand 946 croit que l'avenir lointain est très incertain, parce que les erreurs dans l'estimation de la tendance deviennent très importantes lors de la prévision de plus d'une période à venir. Les constantes de lissage 945 et 946 peuvent être estimées de la manière habituelle en minimisant l'erreur quadratique moyenne des prévisions à 1 pas. Lorsque cela est fait dans Statgraphics, les estimations s'avèrent être 945 0,3048 et 946 0,008. La très petite valeur de 946 signifie que le modèle suppose très peu de changement dans la tendance d'une période à l'autre, donc, fondamentalement, ce modèle essaie d'estimer une tendance à long terme. Par analogie avec la notion d'âge moyen des données utilisées pour estimer le niveau local de la série, l'âge moyen des données utilisées pour estimer la tendance locale est proportionnel à 1 946, mais pas exactement égal à celui-ci . Dans ce cas, cela s'avère être 10.006 125. Ceci n'est pas un nombre très précis dans la mesure où la précision de l'estimation de 946 est vraiment de 3 décimales, mais elle est du même ordre de grandeur que la taille de l'échantillon de 100, donc Ce modèle est la moyenne sur beaucoup d'histoire dans l'estimation de la tendance. Le graphique ci-dessous montre que le modèle ERP estime une tendance locale légèrement plus grande à la fin de la série que la tendance constante estimée dans le modèle SEStrend. En outre, la valeur estimée de 945 est presque identique à celle obtenue en ajustant le modèle SES avec ou sans tendance, donc c'est presque le même modèle. Maintenant, est-ce que ces ressembler à des prévisions raisonnables pour un modèle qui est censé être l'estimation d'une tendance locale Si vous 8220eyeball8221 cette intrigue, il semble que la tendance locale a tourné vers le bas à la fin de la série Qu'est-ce qui s'est passé Les paramètres de ce modèle Ont été estimées en minimisant l'erreur au carré des prévisions à un pas, et non des prévisions à plus long terme, auquel cas la tendance ne fait pas beaucoup de différence. Si tout ce que vous regardez sont des erreurs en une étape, vous ne voyez pas l'image plus grande des tendances sur (disons) 10 ou 20 périodes. Afin d'obtenir ce modèle plus en phase avec notre extrapolation ophtalmique des données, nous pouvons ajuster manuellement la constante de lissage de tendance afin qu'il utilise une ligne de base plus courte pour l'estimation de tendance. Par exemple, si nous choisissons de fixer 946 0,1, alors l'âge moyen des données utilisées pour estimer la tendance locale est de 10 périodes, ce qui signifie que nous faisons la moyenne de la tendance au cours des 20 dernières périodes. Here8217s ce que l'intrigue de prévision ressemble si nous fixons 946 0.1 tout en gardant 945 0.3. Cela semble intuitivement raisonnable pour cette série, bien qu'il soit probablement dangereux d'extrapoler cette tendance plus de 10 périodes dans l'avenir. Qu'en est-il des statistiques d'erreur Voici une comparaison de modèles pour les deux modèles présentés ci-dessus ainsi que trois modèles SES. La valeur optimale de 945 pour le modèle SES est d'environ 0,3, mais des résultats similaires (avec une légère ou une plus faible réactivité, respectivement) sont obtenus avec 0,5 et 0,2. (A) Holts linéaire exp. Lissage avec alpha 0,3048 et bêta 0,008 (B) Holts linéaire exp. Lissage avec alpha 0.3 et bêta 0.1 (C) Lissage exponentiel simple avec alpha 0.5 (D) Lissage exponentiel simple avec alpha 0.3 (E) Lissage exponentiel simple avec alpha 0.2 Leurs stats sont quasiment identiques, donc nous ne pouvons pas vraiment faire le choix sur la base Des erreurs de prévision à 1 pas dans l'échantillon de données. Nous devons nous rabattre sur d'autres considérations. Si nous croyons fermement qu'il est logique de baser l'estimation de la tendance actuelle sur ce qui s'est produit au cours des 20 dernières périodes, nous pouvons faire valoir le modèle ERP avec 945 0,3 et 946 0,1. Si nous voulons être agnostiques quant à savoir s'il existe une tendance locale, alors l'un des modèles SSE pourrait être plus facile à expliquer et donnerait également plus de prévisions moyennes de route pour les 5 ou 10 prochaines périodes. (Retourner au haut de la page.) Quel type d'extrapolation de tendance est le mieux: horizontal ou linéaire Les données empiriques suggèrent que, si les données ont déjà été ajustées (si nécessaire) pour l'inflation, il peut être imprudent d'extrapoler des courbes linéaires à court terme Tendances très loin dans l'avenir. Les tendances évidentes aujourd'hui peuvent ralentir à l'avenir en raison de causes variées telles que l'obsolescence des produits, la concurrence accrue, les ralentissements cycliques ou les retournements dans une industrie. Pour cette raison, le lissage exponentiel simple obtient souvent une meilleure sortie de l'échantillon que ce qui pourrait être attendu autrement, malgré son extrapolation de tendance horizontale quotnaivequot. Les modifications de tendance amorties du modèle de lissage exponentiel linéaire sont aussi souvent utilisées dans la pratique pour introduire une note de conservatisme dans ses projections de tendance. Le modèle ERP à tendance amortie peut être mis en œuvre comme un cas particulier d'un modèle ARIMA, en particulier un modèle ARIMA (1,1,2). Il est possible de calculer des intervalles de confiance autour des prévisions à long terme produites par les modèles de lissage exponentiel, en les considérant comme des cas spéciaux de modèles ARIMA. La largeur des intervalles de confiance dépend de (i) l'erreur RMS du modèle, (ii) le type de lissage (simple ou linéaire) (iii) la valeur (S) de la constante de lissage et (iv) le nombre de périodes à venir que vous prévoyez. En général, les intervalles s'étalent plus rapidement lorsque 945 devient plus grand dans le modèle SES et ils s'étalent beaucoup plus rapidement lorsque linéaire plutôt que de simple lissage est utilisé. Ce sujet est abordé plus en détail dans la section des modèles ARIMA des notes. (Retournez en haut de la page.)