Eksponensiële Bewegende Gemiddelde In Sas

Die voorbeeld kode op die blad Full Kode illustreer hoe om die bewegende gemiddelde van 'n veranderlike te bereken deur 'n hele datastel, oor die afgelope N waarnemings in 'n datastel, of oor die afgelope N waarnemings binne 'n BY-groep. Hierdie voorbeeld lêers en kode voorbeelde word verskaf deur SAS Institute Inc. soos sonder enige waarborge van enige aard, hetsy uitdruklik of geïmpliseer, insluitend maar nie beperk tot die geïmpliseerde waarborge van verhandelbaarheid en geskiktheid vir 'n spesifieke doel. Ontvangers erken en aanvaar dat SAS Institute nie aanspreeklik sal wees vir enige skade hoegenaamd wat voortspruit uit die gebruik daarvan van hierdie materiaal. Daarbenewens sal SAS Institute geen ondersteuning vir die materiaal wat hierin vervat is voorsien. Hierdie voorbeeld lêers en kode voorbeelde word verskaf deur SAS Institute Inc. soos sonder enige waarborge van enige aard, hetsy uitdruklik of geïmpliseer, insluitend maar nie beperk tot die geïmpliseerde waarborge van verhandelbaarheid en geskiktheid vir 'n spesifieke doel. Ontvangers erken en aanvaar dat SAS Institute nie aanspreeklik sal wees vir enige skade hoegenaamd wat voortspruit uit die gebruik daarvan van hierdie materiaal. Daarbenewens sal SAS Institute geen ondersteuning vir die materiaal wat hierin vervat is voorsien. Bereken die bewegende gemiddelde van 'n veranderlike deur 'n hele datastel, oor die afgelope N waarnemings in 'n datastel, of oor die afgelope N waarnemings binne 'n munisipale group. I ingesluit 'n kiekie te help my probleem verduidelik: Im probeer om 'n paar te bereken soort bewegende gemiddelde en beweeg standaardafwyking. Die ding is ek wil die koëffisiënte van variasie (STDEV / avg) te bereken vir die werklike waarde. Gewoonlik word dit gedoen deur die berekening van die STDEV en avg vir die afgelope 5 jaar. Maar soms sal daar waarnemings in my databasis waarvoor ek nie die inligting van die afgelope 5 jaar (miskien net 3, 2, ens) het. Dis hoekom ek wil 'n kode wat die avg sal bereken en STDEV selfs al is daar geen inligting vir die hele 5 jaar. Ook, as jy sien in die waarnemings, soms Ek het inligting oor meer as 5 jaar, wanneer dit die geval is wat ek nodig het 'n soort van bewegende gemiddelde wat toelaat dat my om die avg en STDEV bereken vir die afgelope 5 jaar. So as 'n maatskappy het inligting vir 7 jaar wat ek nodig het 'n soort van kode wat die avg en STDEV vir sal bereken, kan sê, 1997 (deur 1991-1996), 1998 (deur 1992-1997) en 1999 (1993-1998). Soos im nie baie vertroud is met SAS beveel dit moet lyk (baie baie rofweg) soos: Of so iets, ek het regtig geen idee, Im gonna probeer dit uitwerk, maar die moeite werd om dit te pos as ek gewoond vind dit myself. Exponential Moving gemiddelde - EMO laai die speler. Afbreek van Eksponensiële bewegende gemiddelde - EMO Die 12- en 26-dag EMA is die gewildste kort termyn gemiddeldes, en hulle word gebruik om aanwysers soos die bewegende gemiddelde konvergensie divergensie (MACD) en die persentasie prys ossillator (PPO) te skep. In die algemeen, is die 50- en 200-dag EMA as seine van 'n lang termyn tendense. Handelaars wat tegniese ontleding diens vind bewegende gemiddeldes baie nuttig en insiggewend wanneer dit korrek toegepas word, maar skep chaos wanneer onbehoorlik gebruik of verkeerd verstaan. Al die bewegende gemiddeldes wat algemeen gebruik word in tegniese ontleding is, volgens hulle aard, sloerende aanwysers. Gevolglik moet die afleidings wat op die toepassing van 'n bewegende gemiddelde op 'n bepaalde mark grafiek wees om 'n mark skuif bevestig of om sy krag te toon. Heel dikwels is, teen die tyd dat 'n bewegende gemiddelde aanwyser lyn het 'n verandering aan 'n beduidende stap in die mark weerspieël gemaak het die optimale punt van toegang tot die mark reeds geslaag. 'N EMO nie dien om hierdie dilemma te verlig tot 'n mate. Omdat die EMO berekening plaas meer gewig op die jongste data, dit drukkies die prys aksie 'n bietjie stywer en reageer dus vinniger. Dit is wenslik wanneer 'n EMO word gebruik om 'n handels inskrywing sein herlei. Interpretasie van die EMO Soos alle bewegende gemiddelde aanwysers, hulle is baie meer geskik vir trending markte. Wanneer die mark is in 'n sterk en volgehoue ​​uptrend. die EMO aanwyser lyn sal ook 'n uptrend en andersom vir 'n down tendens toon. A waaksaam handelaar sal nie net aandag te gee aan die rigting van die EMO lyn, maar ook die verhouding van die tempo van verandering van die een bar na die volgende. Byvoorbeeld, as die prys aksie van 'n sterk uptrend begin plat en reverse, van die EMAS tempo van verandering van die een bar na die volgende sal begin om te verminder tot tyd en wyl die aanwyser lyn plat en die tempo van verandering is nul. As gevolg van die sloerende uitwerking, deur hierdie punt, of selfs 'n paar bars voor, die prys aksie moet reeds omgekeer. Dit volg dus dat die waarneming van 'n konsekwente verminderde in die tempo van verandering van die EMO kon self gebruik word as 'n aanduiding dat die dilemma wat veroorsaak word deur die sloerende uitwerking van bewegende gemiddeldes verder kon teen te werk. Algemene gebruike van die EMO EMA word algemeen gebruik word in samewerking met ander aanwysers aan beduidende mark beweeg bevestig en om hul geldigheid te meet. Vir handelaars wat intraday en vinnig bewegende markte handel te dryf, die EMO is meer van toepassing. Dikwels handelaars gebruik EMA om 'n handels vooroordeel bepaal. Byvoorbeeld, as 'n EMO op 'n daaglikse grafiek toon 'n sterk opwaartse neiging, kan 'n intraday handelaars strategie wees om net handel van die lang kant op 'n intraday chart. Spreadsheet implementering van seisoenale aanpassing en eksponensiële gladstryking Dit is maklik om seisoenale aanpassing voer en pas eksponensiële gladstryking modelle met behulp van Excel. Die skerm beelde en kaarte hieronder is geneem uit 'n sigblad wat is opgestel om multiplikatiewe seisoenale aanpassing en lineêre eksponensiële gladstryking op die volgende kwartaallikse verkope data van Buitenboord Marine illustreer: Om 'n afskrif van die sigbladlêer self te bekom, kliek hier. Die weergawe van lineêre eksponensiële gladstryking wat hier gebruik sal word vir doeleindes van demonstrasie is Brown8217s weergawe, bloot omdat dit geïmplementeer kan word met 'n enkele kolom van formules en daar is net een glad konstante te optimaliseer. Gewoonlik is dit beter om Holt8217s weergawe dat afsonderlike glad konstantes vir vlak en tendens het gebruik. Die vooruitskatting proses verloop soos volg: (i) die eerste keer die data is seisoenaal-aangepaste (ii) dan voorspellings gegenereer vir die seisoenaal-aangepaste data via lineêre eksponensiële gladstryking en (iii) Ten slotte het die seisoensaangesuiwerde voorspellings is quotreseasonalizedquot om voorspellings vir die oorspronklike reeks te verkry . Die aanpassingsproses seisoenale word in kolomme gedoen D deur G. Die eerste stap in seisoenale aanpassing is om te bereken 'n gesentreerde bewegende gemiddelde (hier opgevoer in kolom D). Dit kan gedoen word deur die gemiddelde van twee een-jaar-wye gemiddeldes wat geneutraliseer deur 'n tydperk relatief tot mekaar. ( 'N kombinasie van twee geneutraliseer gemiddeldes eerder as 'n enkele gemiddelde nodig vir sentrering doeleindes wanneer die aantal seisoene is selfs.) Die volgende stap is om die verhouding te bereken om bewegende gemiddelde --i. e. die oorspronklike data gedeel deur die bewegende gemiddelde in elke tydperk - wat hier uitgevoer word in kolom E. (Dit is ook die quottrend-cyclequot komponent van die patroon genoem, sover tendens en besigheid-siklus effekte kan oorweeg word om almal wat bly nadat gemiddeld meer as 'n geheel jaar se data. natuurlik, maand-tot-maand veranderinge wat nie as gevolg van seisoenale kan bepaal word deur baie ander faktore, maar die 12-maande-gemiddelde glad oor hulle 'n groot mate.) die na raming seisoenale indeks vir elke seisoen word bereken deur die eerste gemiddeld al die verhoudings vir daardie spesifieke seisoen, wat gedoen word in selle G3-G6 behulp van 'n AVERAGEIF formule. Die gemiddelde verhoudings word dan verklein sodat hulle som presies 100 keer die aantal periodes in 'n seisoen, of 400 in hierdie geval, wat gedoen word in selle H3-H6. Onder in kolom F, word VLOOKUP formules wat gebruik word om die toepaslike seisoenale indeks waarde in elke ry van die datatabel voeg, volgens die kwartaal van die jaar wat dit verteenwoordig. Die gesentreerde bewegende gemiddelde en die seisoensaangepaste data beland lyk soos hierdie: Let daarop dat die bewegende gemiddelde lyk tipies soos 'n gladder weergawe van die seisoensaangepaste reeks, en dit is korter aan beide kante. Nog 'n werkblad in dieselfde Excel lêer toon die toepassing van die lineêre eksponensiële gladstryking model om die seisoensaangepaste data, begin in kolom G. 'n Waarde vir die glad konstante (alfa) bo die voorspelling kolom ingeskryf (hier, in sel H9) en vir gerief dit die omvang naam quotAlpha. quot (die naam is opgedra deur die opdrag quotInsert / naam / Createquot.) die LES model is geïnisialiseer deur die oprigting van die eerste twee voorspellings gelyk aan die eerste werklike waarde van die seisoensaangepaste reeks toegeken. Die formule wat hier gebruik word vir die LES voorspelling is die enkel-vergelyking rekursiewe vorm van Brown8217s model: Hierdie formule is in die sel wat ooreenstem met die derde tydperk (hier, sel H15) aangegaan en kopieer af van daar af. Let daarop dat die LES voorspelling vir die huidige tydperk verwys na die twee voorafgaande waarnemings en die twee voorafgaande voorspelling foute, sowel as om die waarde van alfa. So, die voorspelling formule in ry 15 slegs verwys na data wat beskikbaar is in ry 14 en vroeër was. (Natuurlik, as ons wou eenvoudig in plaas van lineêre eksponensiële gladstryking te gebruik, kan ons die SES formule hier vervang in plaas. Ons kan ook gebruik Holt8217s eerder as Brown8217s LES model, wat nog twee kolomme van formules sou vereis dat die vlak en tendens bereken wat gebruik word in die vooruitsig.) die foute word bereken in die volgende kolom (hier, kolom J) deur die aftrekking van die voorspellings van die werklike waardes. Die wortel beteken kwadraat fout is bereken as die vierkantswortel van die variansie van die foute plus die vierkant van die gemiddelde. (Dit volg uit die wiskundige identiteit. MSE afwyking (foute) (gemiddeld (foute)) 2) By die berekening van die gemiddelde en variansie van die foute in hierdie formule, is die eerste twee periodes uitgesluit omdat die model vooruitskatting nie eintlik nie begin totdat die derde tydperk (ry 15 op die sigblad). Die optimale waarde van alfa kan óf gevind word deur die hand verander alfa tot die minimum RMSE is gevind, of anders kan jy die quotSolverquot gebruik om 'n presiese minimering. Die waarde van alfa dat die Solver gevind word hier (alpha0.471) getoon. Dit is gewoonlik 'n goeie idee om die foute van die model (in omskep eenhede) te plot en ook om te bereken en stip hul outokorrelasies by lags van tot een seisoen. Hier is 'n tydreeks plot van die (seisoenaangepaste) foute: Die fout outokorrelasies word bereken deur gebruik te maak van die funksie CORREL () om die korrelasies van die foute te bereken met hulself uitgestel word deur een of meer periodes - besonderhede word in die sigblad model . Hier is 'n plot van die outokorrelasies van die foute by die eerste vyf lags: Die outokorrelasies by lags 1 tot 3 is baie naby aan nul, maar die pen op lag 4 (wie se waarde is 0.35) is 'n bietjie lastig - dit dui daarop dat die seisoenale aanpassing proses het nie heeltemal suksesvol. Maar dit is eintlik net effens betekenisvol. 95 betekenis bands om te toets of outokorrelasies is aansienlik verskil van nul is min of meer plus-of-minus 2 / SQRT (N-k), waar n die steekproefgrootte en k is die lag. Hier N 38 en k wissel van 1 tot 5, so die vierkant-wortel-van-n-minus-k is ongeveer 6 vir almal, en vandaar die perke vir die toets van die statistiese betekenisvolheid van afwykings van nul is min of meer plus - of-minus 2/6, of 0.33. As jy die waarde van alfa wissel met die hand in hierdie Excel model, kan jy die effek op die tydreeks en outokorrelasie erwe van die foute in ag te neem, sowel as op die wortel-gemiddelde-kwadraat fout, wat onder sal wees geïllustreer. Aan die onderkant van die sigblad, is die voorspelling formule quotbootstrappedquot in die toekoms deur bloot vervang voorspellings vir werklike waardes by die punt waar die werklike data loop uit - d. w.z. waar quotthe futurequot begin. (Met ander woorde, in elke sel waar 'n toekomstige datawaarde sou plaasvind, 'n selverwysing is ingevoeg wat daarop dui dat die voorspelling gemaak vir daardie tydperk.) Al die ander formules is eenvoudig van bo af gekopieer: Let daarop dat die foute vir voorspellings van die toekoms is al bereken as nul. Dit beteken nie dat die werklike foute sal nul wees nie, maar eerder dit weerspieël bloot die feit dat vir doeleindes van voorspelling is ons veronderstelling dat die toekoms data die voorspellings sal gelyk gemiddeld. Die gevolglike LES voorspellings vir die seisoenaal-aangepaste data soos volg lyk: Met hierdie besondere waarde van Alpha, wat is optimaal vir een-periode-vooruit voorspellings, die geprojekteerde tendens is effens opwaarts, wat die plaaslike tendens wat oor die afgelope 2 jaar is waargeneem of so. Vir ander waardes van Alpha dalk 'n heel ander tendens projeksie verkry. Dit is gewoonlik 'n goeie idee om te sien wat gebeur met die langtermyn-tendens projeksie wanneer Alpha is uiteenlopend, omdat die waarde wat die beste vir 'n kort termyn vooruitskatting sal nie noodwendig die beste waarde vir die voorspelling van die meer verre toekoms wees. Byvoorbeeld, hier is die resultaat wat verkry word indien die waarde van alfa hand is ingestel op 0,25: Die geprojekteerde langtermyn-tendens is nou negatiewe eerder as positiewe Met 'n kleiner waarde van Alpha model plaas meer gewig op ouer data in sy skatting van die huidige vlak en tendens, en sy voorspellings langtermyn weerspieël die afwaartse neiging waargeneem oor die afgelope 5 jaar, eerder as die meer onlangse opwaartse neiging. Hierdie grafiek ook duidelik illustreer hoe die model met 'n kleiner waarde van Alpha is stadiger te reageer op quotturning pointsquot in die data en dus geneig is om 'n fout van die dieselfde teken maak vir baie tye in 'n ry. Die 1-stap-ahead voorspelling foute is groter gemiddeld as dié verkry voordat (RMSE van 34,4 eerder as 27.4) en sterk positief autocorrelated. Die lag-1 outokorrelasie van 0,56 oorskry grootliks die waarde van 0.33 hierbo bereken vir 'n statisties beduidende afwyking van nul. As 'n alternatief vir slingerspoed die waarde van alfa ten einde meer konserwatisme te voer in 'n lang termyn voorspellings, is 'n quottrend dampeningquot faktor soms by die model ten einde te maak die geprojekteerde tendens plat uit na 'n paar periodes. Die finale stap in die bou van die voorspelling model is om die LES voorspellings quotreasonalizequot deur hulle deur die toepaslike seisoenale indekse te vermenigvuldig. So, die reseasonalized voorspellings in kolom Ek is net die produk van die seisoenale indekse in kolom F en die seisoensaangepaste LES voorspellings in kolom H. Dit is relatief maklik om vertrouensintervalle bereken vir een-stap-ahead voorspellings gemaak deur hierdie model: eerste bereken die RMSE (wortel-gemiddelde-kwadraat fout, wat net die vierkantswortel van die MSE) en dan bereken 'n vertrouensinterval vir die seisoensaangepaste voorspel deur optelling en aftrekking twee keer die RMSE. (Oor die algemeen 'n 95 vertrouensinterval vir 'n een-tydperk lig voorspelling is min of meer gelyk aan die punt voorspelling plus-of-minus twee keer die geskatte standaardafwyking van die voorspelling foute, die aanvaarding van die fout verspreiding is ongeveer normale en die steekproefgrootte groot genoeg is, sê, 20 of meer. Hier is die RMSE eerder as die monster standaardafwyking van die foute is die beste raming van die standaard afwyking van toekomstige vooruitsig foute, want dit neem vooroordeel sowel toevallige variasies in ag.) die vertroue perke vir die seisoensaangepaste voorspelling is dan reseasonalized. saam met die voorspelling, deur hulle met die toepaslike seisoenale indekse te vermenigvuldig. In hierdie geval is die RMSE is gelyk aan 27.4 en die seisoensaangepaste voorspelling vir die eerste toekoms tydperk (Desember-93) is 273,2. sodat die seisoensaangepaste 95 vertrouensinterval is 273,2-227,4 218,4 te 273.2227.4 328,0. Vermenigvuldig hierdie perke deur Decembers seisoenale indeks van 68,61. Ons kry onderste en boonste vertroue grense van 149,8 en 225,0 rondom die Desember-93 punt voorspelling van 187,4. Vertroue perke vir voorspellings meer as een tydperk wat voorlê, sal oor die algemeen uit te brei as die voorspelling horison toeneem, as gevolg van onsekerheid oor die vlak en tendens asook die seisoenale faktore, maar dit is moeilik om hulle te bereken in die algemeen deur analitiese metodes. (Die geskikte manier om vertroue perke vir die LES voorspelling bereken is deur die gebruik van ARIMA teorie, maar die onsekerheid in die seisoenale indekse is 'n ander saak.) As jy 'n realistiese vertroue interval vir 'n voorspelling wil meer as een tydperk wat voorlê, met al die bronne van fout in ag, jou beste bet is om empiriese metodes gebruik: byvoorbeeld, 'n vertrouensinterval vir 'n 2-stap vorentoe voorspel verkry, jy kan 'n ander kolom skep op die sigblad om 'n 2-stap-ahead voorspelling bereken vir elke tydperk ( deur Opstarten die een-stap-ahead voorspelling). bereken dan die RMSE van die 2-stap-ahead voorspelling foute en gebruik dit as die basis vir 'n 2-stap-ahead vertroue interval. The bedrywighede wat gebruik kan word in die TRANSFORMIN en TRANSFORMOUT opsies word in Tabel 14.1. Bedrywighede word toegepas op elke waarde van die reeks. Elke waarde van die reeks word vervang deur die uitslag van die operasie. In Tabel 14.1. of x die waarde van die reeks op 'n bepaalde tydperk t voor die transformasie toegepas word, verteenwoordig die waarde van die resultaat-reeks, en N verteenwoordig die totale aantal waarnemings. Die notasie N dui daarop dat die argument N is opsioneel die verstek is 1. Die venster notasie word gebruik as die argument vir die bewegende statistieke operateurs, en dit dui daarop dat jy óf 'n heelgetal aantal periodes N of 'n lys van N gewigte in kan spesifiseer tussen hakies. Die notasie volgorde gebruik word as die argument vir die volgorde operateurs, en dit dui daarop dat jy 'n ry getalle moet spesifiseer. Die notasie s dui die lengte van seisoenaliteit, en dit is 'n vereiste argument. Table 14.1 Transformasie Bedryf Moving Tyd Venster Operateurs Sommige operateurs bereken statistieke vir 'n stel waardes binne 'n bewegende tyd venster Dit is genoem beweeg tyd venster operateurs. Daar is gesentreer en agtertoe weergawes van hierdie operateurs. Die gesentreerde bewegende tyd venster operateurs is CMOVAVE, CMOVCSS, CMOVGMEAN, CMOVMAX, CMOVMED, CMOVMIN, CMOVPROD, CMOVRANGE, CMOVRANK, CMOVSTD, CMOVSUM, CMOVTVALUE, CMOVUSS, en CMOVVAR. Hierdie operateurs bereken statistieke van die waardes vir waarnemings. Die agtertoe beweeg tyd venster operateurs is MOVAVE, MOVCSS, MOVGMEAN, MOVMAX, MOVMED, MOVMIN, MOVPROD, MOVRANGE, MOVRANK, MOVSTD, MOVSUM, MOVTVALUE, MOVUSS, en MOVVAR. Hierdie operateurs bereken statistieke van die waardes. Al die bewegende tyd venster operateurs aanvaar 'n argument waarin die aantal periodes in die tyd venster te sluit. Byvoorbeeld, die volgende stelling bere 'n vyf-tydperk agteruit bewegende gemiddelde van X. In hierdie voorbeeld, die gevolglike transformasie is die volgende stelling bere 'n vyf-tydperk gesentreer bewegende gemiddelde van X. In hierdie voorbeeld, die gevolglike transformasie As die venster met 'n gesentreerde bewegende tyd venster operateur is nie 'n onewe getal, een meer uitgestel waarde as lood waarde is ingesluit in die tyd venster. Byvoorbeeld, die gevolg van die CMOVAVE 4 operateur is Jy kan 'n vorentoe beweeg tyd venster operasie bereken deur die kombinasie van 'n agterlike bewegende tyd venster operateur met die omgekeerde operateur. Byvoorbeeld, die volgende stelling bere 'n vyf-tydperk vorentoe bewegende gemiddelde van X. In hierdie voorbeeld, die gevolglike transformasie Sommige van die bewegende tyd venster operateurs jou in staat stel om 'n lys van gewig waardes spesifiseer om geweegde statistieke te bereken. Dit is CMOVAVE, CMOVCSS, CMOVGMEAN, CMOVPROD, CMOVSTD, CMOVTVALUE, CMOVUSS, CMOVVAR, MOVAVE, MOVCSS, MOVGMEAN, MOVPROD, MOVSTD, MOVTVALUE, MOVUSS, en MOVVAR. Om 'n geweegde bewegende tyd venster operateur spesifiseer, betree die gewig waardes in hakies na die naam operateur. Die breedte venster is gelyk aan die aantal gewigte wat jy spesifiseer nie spesifiseer. Byvoorbeeld, die volgende stelling bere n geweegde Vyf-tydperk gesentreer bewegende gemiddelde van X. In hierdie voorbeeld, die gevolglike transformasie is die gewig waardes moet groter as nul wees. As die gewigte nie vat om 1, word die gespesifiseerde gewigte gedeel deur hul som om die gewigte wat gebruik word om die statistiek te bereken produseer. 'N Volledige tyd venster is nie beskikbaar aan die begin van die reeks. Vir die gesentreerde operateurs is ook 'n volledige venster nie beskikbaar aan die einde van die reeks. Die berekening van die bewegende tyd venster operateurs is aangepas vir hierdie randvoorwaardes soos volg. Vir agtertoe beweeg venster operateurs, is die breedte van die tyd venster verkort aan die begin van die reeks. Byvoorbeeld, die resultate van die MOVSUM 3 operateur ontbreek Waardes Jy kan die lengte van die resultaat reeks afgestomp deur die gebruik van die trim, TRIMLEFT, en TRIMRIGHT operateurs om waardes te stel om vermiste aan die begin of einde van die reeks. Jy kan hierdie funksies gebruik om die resultate van die beweging van tyd venster operateurs snoei sodat die resultaat reeks bevat slegs waardes bereken vanaf 'n volle breedte tyd venster. Byvoorbeeld, die volgende stellings bereken 'n gesentreerde Vyf-tydperk bewegende gemiddelde van X. en hulle het tot ontbrekende waardes aan die einde van die reeks wat gemiddeldes van minder as vyf waardes. Gewoonlik, die bewegende tyd venster en kumulatiewe statistieke operateurs ignoreer ontbrekende waardes en bereken hul resultate vir die nonmissing waardes. Wanneer voorafgegaan deur die NOMISS operateur, hierdie funksies lewer 'n vermiste gevolg indien enige waarde binne die venster ontbreek. Die NOMISS operateur geen berekeninge nie, maar dien om die werking van die bewegende tyd venster operateur wat daarop volg verander. Die NOMISS operateur het geen effek tensy dit word gevolg deur 'n bewegende tyd venster operateur. Byvoorbeeld, die volgende stelling bere 'n vyf-tydperk bewegende gemiddelde van die veranderlike X, maar lewer 'n vermiste waarde wanneer enige van die vyf waardes word vermis. Die volgende stelling bere die kumulatiewe bedrag van die veranderlike X, maar lewer 'n vermiste waarde vir alle tye na die eerste ontbreek X waarde. Soortgelyk aan die NOMISS operateur, het die MISSONLY operateur nie enige berekeninge (tensy gevolg deur die opsie beteken), maar dit dien om die werking van die bewegende tyd venster operateur wat daarop volg verander. Wanneer voorafgegaan deur die MISSONLY operateur, hierdie bewegende tyd venster operateurs vervang enige ontbrekende waardes met die bewegende statistiek en laat nonmissing waardes onveranderd. Byvoorbeeld, die volgende stelling vervang enige ontbrekende waardes van die veranderlike X met 'n eksponensieel geweeg bewegende gemiddelde van die afgelope waardes van X en blare nonmissing waardes onveranderd. Die ontbrekende waardes interpol met behulp van die gespesifiseerde eksponensieel geweeg bewegende gemiddelde. (Dit is ook bekend as eenvoudige eksponensiële gladstryking.) Die volgende stelling vervang enige ontbrekende waardes van die veranderlike X met die algehele gemiddelde van X. Jy kan die SETMISS operateur gebruik om ontbrekende waardes te vervang met 'n gespesifiseerde aantal. Byvoorbeeld, die volgende stelling vervang enige ontbrekende waardes van die veranderlike X met die aantal 8,77. Klassieke Ontbinding Operateurs As 'n seisoenale tyd reeks met waarnemings per seisoen, klassieke ontbinding metodes breek die tyd reeks in vier komponente: tendens, siklus, seisoenale en onreëlmatige komponente. Die tendens en siklus komponente word dikwels gekombineer met die tendens-siklus komponent te vorm. Daar is twee basiese vorme van klassieke ontbinding: multiplikatiewe en toevoeging, wat hieronder wys. Voorbeelde van gebruik Die vermenigvuldiging seisoenale indekse is 0.9, 1.2. 0.8 en 1.1 vir die vier kwartale. Laat SEASADJ 'n kwartaallikse tydreekse veranderlike wat seisoenaal het aangepas in 'n vermenigvuldigende mode. Om die seisoen herstel SEASADJ gebruik die volgende transformasie: Die toevoeging seisoenale indekse is 4.4, -1,1, -2,1 en -1,2 vir die vier kwartale. Laat SEASADJ 'n kwartaallikse tydreekse veranderlike wat seisoenaal het aangepas in toevoeging mode. Om die herstel van die seisoen te SEASADJ gebruik die volgende transformasie: Stel Operateurs Vir die stel operateurs, die eerste parameter, verteenwoordig die waarde vervang word en die tweede parameter, verteenwoordig die vervangingswaarde. Die vervanging kan gelokaliseer aan die begin, middel, of die einde van die reeks. Voorbeelde van gebruik Veronderstel dat 'n winkel het onlangs geopen en dat die verkope geskiedenis word gestoor in 'n databasis wat ontbrekende waardes nie erken. Selfs al is die vraag voor die winkels oop te kan bestaan, hierdie databasis ken die waarde van nul. Modellering van die verkope geskiedenis kan problematies wees, want die verkope geskiedenis is meestal nul. Om te vergoed vir hierdie tekort, moet die voorste nul waardes ingestel word om vermiste met die res van nul waardes onveranderd (wat geen vraag). Net so, dink 'n winkel is onlangs gesluit. Die vraag kan steeds teenwoordig wees en dus 'n aangeteken waarde van nul nie akkuraat weerspieël die werklike vraag. skaal Operateur