การย้าย ค่าเฉลี่ย การ ลบ ฤดูกาล

การใช้สเปรดชีตของการปรับฤดูกาลและการทำให้เรียบแบบทวีคูณเป็นเรื่องง่ายในการปรับฤดูกาลและพอดีกับรูปแบบการคำนวณแบบเลขแจงโดยใช้ Excel ภาพหน้าจอและแผนภูมิด้านล่างนี้นำมาจากสเปรดชีตที่ได้รับการตั้งค่าเพื่อแสดงการปรับฤดูกาลตามฤดูกาลและการเพิ่มประสิทธิภาพเชิงเส้นแบบเสวนาเชิงเส้นสำหรับข้อมูลการขายรายไตรมาสต่อไปนี้จาก Outboard Marine: หากต้องการรับสำเนาไฟล์สเปรดชีตเองคลิกที่นี่ รุ่นของการเรียบแบบเสวนาเชิงเส้นที่จะใช้ที่นี่เพื่อจุดประสงค์ในการสาธิตคือรุ่น Brown8217s เพียงเพราะสามารถนำมาใช้กับคอลัมน์เดียวของสูตรและมีเพียงหนึ่งค่าคงที่ที่ราบเรียบเพื่อเพิ่มประสิทธิภาพ โดยปกติแล้วมันเป็นการดีที่จะใช้รุ่น Holt8217s ที่มีค่าคงที่ที่ราบเรียบแยกต่างหากสำหรับระดับและแนวโน้ม ขั้นตอนการคาดการณ์ดำเนินการดังนี้ (i) ข้อมูลแรกมีการปรับฤดูกาล (2) จากนั้นข้อมูลคาดการณ์จะถูกสร้างขึ้นสำหรับข้อมูลที่ปรับฤดูกาลตามฤดูกาลโดยการให้ความลื่นที่เป็นเส้นตรงและ (iii) ในที่สุดการคาดการณ์ที่ปรับฤดูกาลจะได้รับการคาดการณ์ล่วงหน้าเพื่อให้ได้ประมาณการสำหรับชุดเดิม . ขั้นตอนการปรับฤดูกาลตามฤดูกาลจะดำเนินการในคอลัมน์ D ถึง G. ขั้นตอนแรกในการปรับฤดูกาลคือการคำนวณค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลาง (ดำเนินการในคอลัมน์ D) ซึ่งสามารถทำได้โดยการใช้ค่าเฉลี่ยโดยเฉลี่ยของค่าเฉลี่ยสองปีที่สองซึ่งจะหักล้างโดยระยะเวลาหนึ่งเทียบกับแต่ละอื่น ๆ (ต้องใช้ค่าเฉลี่ยของค่าชดเชยทั้งสองค่ามากกว่าค่าเฉลี่ยเพียงค่าเดียวสำหรับจุดศูนย์กลางเมื่อจำนวนของฤดูกาลเป็นไปได้) ขั้นตอนต่อไปคือการคำนวณอัตราส่วนกับค่าเฉลี่ยเคลื่อนที่ - i. e ข้อมูลเดิมที่หารด้วยค่าเฉลี่ยเคลื่อนที่ในแต่ละช่วงเวลา - ซึ่งทำไว้ที่นี่ในคอลัมน์ E. (เรียกอีกอย่างว่าส่วนประกอบ quottrend-cyclequot ของรูปแบบตราบใดที่แนวโน้มและผลกระทบของวงจรธุรกิจอาจถูกพิจารณาว่าเป็นข้อมูลทั้งหมด ยังคงอยู่หลังจากเฉลี่ยตลอดทั้งปีที่มีค่าของข้อมูลแน่นอนการเปลี่ยนแปลงรายเดือนที่ไม่ได้เกิดจากฤดูกาลอาจพิจารณาจากปัจจัยอื่น ๆ แต่ค่าเฉลี่ยเฉลี่ย 12 เดือนจะดีกว่าในระดับที่ดี) ดัชนีตามฤดูกาลโดยประมาณสำหรับแต่ละฤดูกาลจะคำนวณโดยเฉลี่ยเป็นอัตราส่วนแรกสำหรับฤดูกาลนั้นโดยเฉพาะซึ่งทำในเซลล์ G3-G6 โดยใช้สูตร AVERAGEIF อัตราส่วนโดยเฉลี่ยจะถูกปรับใหม่เพื่อให้รวมเป็น 100 เท่าของจำนวนงวดในแต่ละฤดูกาลหรือ 400 ในกรณีนี้ซึ่งทำในเซลล์ H3-H6 ด้านล่างในคอลัมน์ F สูตร VLOOKUP ใช้เพื่อแทรกค่าดัชนีตามฤดูกาลที่เหมาะสมในแต่ละแถวของตารางข้อมูลตามไตรมาสของปีที่แสดง ค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางและข้อมูลที่ปรับฤดูกาลจะมีลักษณะเช่นนี้: โปรดทราบว่าค่าเฉลี่ยเคลื่อนที่โดยปกติแล้วจะมีลักษณะคล้ายกับซีรี่ส์ที่ปรับปรุงตามฤดูกาลและจะสั้นกว่าในทั้งสองด้าน แผ่นงานอื่นในไฟล์ Excel เดียวกันแสดงการประยุกต์ใช้โมเดลการปรับรูปแบบเลขแจงเชิงเส้นให้เป็นข้อมูลที่ปรับฤดูกาลแล้วโดยเริ่มต้นที่คอลัมน์ G. ค่าของค่าคงที่ที่ราบเรียบ (alpha) ถูกป้อนเหนือคอลัมน์พยากรณ์ (ที่นี่ในเซลล์ H9) และ เพื่ออำนวยความสะดวกให้กำหนดชื่อช่วงอัลฟา. quot (ชื่อถูกกำหนดโดยใช้คำสั่ง quotInsertNameCreatequot) โมเดล LES ได้รับการเตรียมใช้งานโดยตั้งค่าการคาดการณ์สองชุดแรกเท่ากับมูลค่าที่แท้จริงครั้งแรกของชุดที่ปรับฤดูกาล สูตรที่ใช้ในการพยากรณ์ LES คือรูปแบบการเรียกซ้ำรูปแบบเดียวของแบบ Brown8217s: สูตรนี้ถูกป้อนลงในเซลล์ที่ตรงกับระยะเวลาที่สาม (ที่นี่เซลล์ H15) และคัดลอกจากที่นั่น สังเกตว่าการคาดการณ์ LES สำหรับงวดปัจจุบันหมายถึงการสังเกตก่อนหน้านี้สองครั้งและข้อผิดพลาดในการคาดการณ์ทั้งสองข้อก่อนหน้าเช่นเดียวกับค่าของอัลฟา ดังนั้นสูตรการคาดการณ์ในแถว 15 อ้างอิงเฉพาะข้อมูลที่มีอยู่ในแถว 14 และก่อนหน้า (แน่นอนถ้าเราอยากจะใช้แบบเรียบง่ายแทนการเรียบแบบเสียดสีเชิงเส้นเราสามารถแทนที่สูตร SES ได้ที่นี่แทนนอกจากนี้เรายังสามารถใช้ Holt8217s แทน Brown8217s LES แบบซึ่งจะต้องใช้สองคอลัมน์เพิ่มเติมของสูตรเพื่อคำนวณระดับและแนวโน้ม ที่ใช้ในการคาดการณ์) ข้อผิดพลาดจะคำนวณในคอลัมน์ถัดไป (ที่นี่คอลัมน์ J) โดยการลบการคาดการณ์ออกจากค่าที่แท้จริง รากหมายถึงกำลังสองกำลังคำนวณเป็นรากที่สองของความแปรปรวนของข้อผิดพลาดบวกสี่เหลี่ยมของค่าเฉลี่ย 2) ในการคำนวณค่าเฉลี่ยและความแปรปรวนของข้อผิดพลาดในสูตรนี้ช่วงสองช่วงแรกจะถูกแยกออกเนื่องจากโมเดลไม่ได้เริ่มคาดการณ์จริงจนกว่าจะถึงเวลาที่กำหนดไว้ ช่วงที่สาม (แถวที่ 15 ในสเปรดชีต) คุณสามารถหาค่าที่ดีที่สุดของอัลฟาได้ด้วยตนเองโดยการเปลี่ยนค่า alpha จนกว่าจะหาค่า RMSE ต่ำสุดหรือมิฉะนั้นคุณสามารถใช้ quotSolverquot เพื่อทำ minimization ให้ถูกต้อง ค่าของอัลฟาที่พบ Solver แสดงไว้ที่นี่ (alpha0.471) มักเป็นความคิดที่ดีที่จะพล็อตข้อผิดพลาดของโมเดล (ในหน่วยที่แปลง) และคำนวณและวางแผนการเชื่อมโยงกันที่เวลาไม่ถึงหนึ่งฤดูกาล นี่คือชุดข้อมูลอนุกรมเวลาของข้อผิดพลาด (มีการปรับฤดูกาล): การคำนวณความคลาดเคลื่อนของข้อผิดพลาดจะคำนวณโดยใช้ฟังก์ชัน CORREL () เพื่อคำนวณความสัมพันธ์ของข้อผิดพลาดกับตัวเองที่ล้าหลังโดยหนึ่งหรือหลายช่วงเวลา - รายละเอียดจะแสดงในรูปแบบสเปรดชีต . นี่คือพล็อตของความสัมพันธ์ระหว่างข้อผิดพลาดของข้อผิดพลาดห้าข้อแรก: ความสัมพันธ์ระหว่างความล่าช้าที่ 1 ถึง 3 ใกล้เคียงกับศูนย์มาก แต่ความล่าช้าที่ความล่าช้า 4 (ซึ่งมีค่าเท่ากับ 0.35) มีความลำบากเล็กน้อย การปรับฤดูกาลไม่ประสบความสำเร็จอย่างสมบูรณ์ อย่างไรก็ตามความเป็นจริงมีนัยสำคัญเพียงเล็กน้อยเท่านั้น 95 ความสำคัญของแถบสำหรับการทดสอบว่า autocorrelations แตกต่างจากศูนย์อย่างมีนัยสำคัญเป็นบวกหรือลบ 2SQRT (n-k) โดยที่ n คือขนาดของกลุ่มตัวอย่างและ k คือความล่าช้า n นี่คือ 38 และ k จะแตกต่างกันไปตั้งแต่ 1 ถึง 5 ดังนั้นรากที่สองของ n-minus-k มีค่าประมาณ 6 สำหรับทั้งหมดดังนั้นจึงมีข้อ จำกัด ในการทดสอบความสำคัญทางสถิติของการเบี่ยงเบนจากศูนย์เป็นค่าบวก - หรือ - ลบ 26 หรือ 0.33 ถ้าคุณเปลี่ยนแปลงค่า alpha ด้วยมือในรูปแบบ Excel นี้คุณสามารถสังเกตผลกระทบของชุดข้อมูลเวลาและแปลงความคลาดเคลื่อนของข้อผิดพลาดรวมทั้งข้อผิดพลาดของราก - ค่าเฉลี่ย - สี่เหลี่ยมซึ่งจะแสดงด้านล่าง ที่ด้านล่างของสเปรดชีตสูตรการคาดการณ์จะถูกเพิ่มลงในอนาคตโดยเพียงแทนที่การคาดการณ์สำหรับค่าจริง ณ จุดที่ข้อมูลจริงหมดลงนั่นคือ ที่ quotquest ในอนาคตจะเริ่มขึ้น (ในคำอื่น ๆ ในแต่ละเซลล์ที่มีค่าข้อมูลในอนาคตจะเกิดขึ้นการอ้างอิงเซลล์จะแทรกขึ้นซึ่งชี้ไปที่การคาดการณ์ที่ทำขึ้นสำหรับช่วงเวลานั้น) สูตรอื่น ๆ ทั้งหมดจะถูกคัดลอกมาจากด้านบน: สังเกตว่าข้อผิดพลาดในการคาดการณ์ของ อนาคตทั้งหมดจะคำนวณเป็นศูนย์ ไม่ได้หมายความว่าข้อผิดพลาดที่เกิดขึ้นจริงจะเป็นศูนย์ แต่เป็นเพียงการสะท้อนถึงข้อเท็จจริงที่ว่าเพื่อวัตถุประสงค์ในการคาดการณ์เราจะสมมติว่าข้อมูลในอนาคตจะเท่ากับการคาดการณ์โดยเฉลี่ย การคาดการณ์ของ LES สำหรับข้อมูลที่ปรับฤดูกาลแล้วมีลักษณะเช่นนี้: ด้วยค่า alpha นี้โดยเฉพาะซึ่งเป็นค่าที่เหมาะสมสำหรับการคาดการณ์ล่วงหน้าหนึ่งครั้งแนวโน้มที่คาดการณ์จะเพิ่มขึ้นเล็กน้อยสะท้อนถึงแนวโน้มในท้องถิ่นที่เกิดขึ้นในช่วง 2 ปีที่ผ่านมา หรือไม่ก็. สำหรับค่าอัลฟาอื่น ๆ อาจมีการคาดการณ์แนวโน้มที่แตกต่างกันออกไป โดยปกติแล้วควรพิจารณาว่าจะเกิดอะไรขึ้นกับการคาดการณ์แนวโน้มในระยะยาวเมื่ออัลฟามีความหลากหลายเนื่องจากค่าที่ดีที่สุดสำหรับการคาดการณ์ในระยะสั้นจะไม่จำเป็นต้องเป็นค่าที่ดีที่สุดสำหรับการคาดการณ์อนาคตที่ไกลกว่านี้ ตัวอย่างเช่นนี่เป็นผลที่ได้รับถ้าค่าของอัลฟาถูกตั้งด้วยตนเองเป็น 0.25: แนวโน้มในระยะยาวที่คาดการณ์ไว้ตอนนี้เป็นค่าลบมากกว่าบวกด้วยค่า alpha ที่เล็กลงโมเดลจะให้น้ำหนักกับข้อมูลเก่ามากขึ้นใน การประมาณระดับปัจจุบันและแนวโน้มและการคาดการณ์ในระยะยาวสะท้อนถึงแนวโน้มการลดลงที่เกิดขึ้นในช่วง 5 ปีที่ผ่านมาแทนที่จะเป็นแนวโน้มที่สูงขึ้น แผนภูมินี้ยังแสดงให้เห็นอย่างชัดเจนว่ารูปแบบที่มีค่าน้อยลงของอัลฟาจะช้ากว่าในการตอบสนองต่อจุด quoturn ในข้อมูลดังนั้นจึงมีแนวโน้มที่จะทำให้ข้อผิดพลาดของเครื่องหมายเดียวกันในช่วงเวลาหลายช่วงเวลา ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนมีขนาดใหญ่กว่าค่าเฉลี่ยที่ได้รับก่อนหน้า (RMSE เท่ากับ 34.4 มากกว่า 27.4) และมีความเกี่ยวพันกันในเชิงบวกอย่างมาก ความสัมพันธ์กับค่าความคลาดของความล่าช้าที่ 0.56 มีค่ามากกว่า 0.33 ค่านัยสำคัญทางสถิติสำหรับค่าเบี่ยงเบนจากศูนย์ เป็นทางเลือกหนึ่งในการลดคุณค่าของอัลฟาเพื่อที่จะนำแนวคิดอนุรักษนิยมไปสู่การคาดการณ์ในระยะยาวมากขึ้นปัจจัยบางอย่างในบางครั้งจะถูกเพิ่มลงในแบบจำลองเพื่อทำให้แนวโน้มที่คาดการณ์ราบเรียบออกไปหลังจากไม่กี่ช่วง ขั้นตอนสุดท้ายในการสร้างแบบจำลองการคาดการณ์คือการให้เหตุผลในการคาดการณ์ LES โดยการคูณด้วยดัชนีตามฤดูกาลที่เหมาะสม ดังนั้นการคาดการณ์ของ reseasonalized ในคอลัมน์ I เป็นเพียงผลิตภัณฑ์ของดัชนีตามฤดูกาลในคอลัมน์ F และการคาดการณ์ LES ที่ปรับปรุงตามฤดูกาลในคอลัมน์ H. เป็นเรื่องง่ายในการคำนวณช่วงความเชื่อมั่นสำหรับการคาดการณ์ล่วงหน้าอย่างน้อยหนึ่งขั้นโดยใช้โมเดลนี้ คำนวณ RMSE (ข้อผิดพลาดของราก - กลาง - สี่เหลี่ยมซึ่งเป็นเพียงรากที่สองของ MSE) จากนั้นคำนวณช่วงความเชื่อมั่นสำหรับการคาดการณ์ที่ปรับตามฤดูกาลโดยการบวกและลบสองครั้ง RMSE (โดยทั่วไปช่วงความเชื่อมั่น 95 สำหรับการคาดการณ์ล่วงหน้าหนึ่งรอบใกล้เคียงกับการคาดการณ์ของจุดบวกหรือลบสองเท่าของค่าเบี่ยงเบนมาตรฐานโดยประมาณของข้อผิดพลาดในการคาดการณ์โดยสมมติว่าการกระจายข้อผิดพลาดมีค่าใกล้เคียงปกติและขนาดตัวอย่าง มีขนาดใหญ่พอพูดว่า 20 หรือมากกว่าที่นี่ RMSE แทนที่จะเป็นค่าเบี่ยงเบนมาตรฐานของข้อผิดพลาดคือค่าประมาณการที่ดีที่สุดของค่าส่วนเบี่ยงเบนมาตรฐานของข้อผิดพลาดในการคาดการณ์ในอนาคตเนื่องจากใช้รูปแบบที่มีความลำเอียงและการสุ่มอย่างเหมาะสม) สำหรับการคาดการณ์ที่ปรับฤดูกาลแล้วจะมีการปรับตัว พร้อมกับการคาดการณ์โดยการคูณด้วยดัชนีตามฤดูกาลที่เหมาะสม ในกรณีนี้ RMSE มีค่าเท่ากับ 27.4 และการคาดการณ์ตามฤดูกาลสำหรับงวดแรกในอนาคต (ธ. ค. 93) คือ 273.2 ดังนั้นช่วงความเชื่อมั่น 95 ที่ปรับฤดูกาลแล้วมีค่าตั้งแต่ 273.2-227.4 218.4 ถึง 273.2227.4 328.0 คูณค่าขีด จำกัด เหล่านี้ตามดัชนี Decembers ตามฤดูกาลที่ 68.61 เราได้รับความเชื่อมั่นด้านล่างและด้านบนของ 149.8 และ 225.0 รอบการคาดการณ์จุดธันวาคม -93 ที่ 187.4 ความเชื่อมั่นที่กำหนดไว้สำหรับการคาดการณ์มากกว่าหนึ่งรอบระยะเวลาข้างหน้าโดยทั่วไปจะขยายตัวเมื่อช่วงเวลาที่คาดการณ์เพิ่มขึ้นเนื่องจากความไม่แน่นอนเกี่ยวกับระดับและแนวโน้มตลอดจนปัจจัยฤดูกาล แต่เป็นการยากที่จะคำนวณโดยทั่วไปด้วยวิธีการวิเคราะห์ (วิธีที่เหมาะสมในการคำนวณขีดจำกัดความเชื่อมั่นในการคาดการณ์ LES คือการใช้ทฤษฎี ARIMA แต่ความไม่แน่นอนในดัชนีตามฤดูกาลเป็นอีกเรื่องหนึ่ง) ถ้าคุณต้องการช่วงความเชื่อมั่นที่สมจริงสำหรับการคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วงเวลา ข้อผิดพลาดในบัญชีวิธีที่ดีที่สุดคือการใช้วิธีเชิงประจักษ์ตัวอย่างเช่นเพื่อให้ได้ช่วงความเชื่อมั่นสำหรับการคาดการณ์ล่วงหน้า 2 ขั้นตอนคุณสามารถสร้างคอลัมน์อื่นในสเปรดชีตเพื่อคำนวณการคาดการณ์ล่วงหน้า 2 ขั้นตอนในแต่ละช่วงเวลา ( โดยการคาดการณ์ล่วงหน้าอย่างน้อยหนึ่งก้าว) จากนั้นคำนวณ RMSE ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 2 ขั้นตอนและใช้ข้อมูลนี้เป็นพื้นฐานสำหรับช่วงความเชื่อมั่นขั้นตอนที่ 2 ขั้นตอนต่อไป 8216 นี่คือฤดูกาลของเมตริกของคุณไม่กี่โพสต์ฉันได้ตรวจสอบเทคนิคง่ายๆสำหรับการใช้การเคลื่อนที่แบบเลขยกกำลัง ค่าเฉลี่ย (EMA) ของเมตริกชุดข้อมูลตามเวลา ข้อดีของการทำให้เมตริกเรียบขึ้นในขณะเดียวกันก็ยังคงรักษาค่า 8220memory8221 ของค่าก่อนหน้าทั้งหมดของเมตริกที่มาก่อน นอกจากนี้ยังมีประโยชน์ด้านการปรับปรุงให้ง่ายขึ้นเนื่องจากค่าใหม่ ๆ ของเมตริกของคุณจะพร้อมใช้งาน คราวนี้ฉันต้องการแสดงให้คุณเห็นเทคนิคในการแก้ไขปัญหาเกี่ยวกับชุดเวลาทั่วไป: ฤดูกาล ใช่เมตริกของคุณลดลงในเดือนมกราคม แต่เป็นการลดลงของยอดขายในช่วงหลังวันหยุดหรือเป็นจุดเริ่มต้นของขาลงที่แท้จริงที่คุณต้องจับตาดูบทความนี้จะแสดงวิธีที่ง่ายและรวดเร็วในการยกเลิกการทำตามฤดูกาลของคุณ ข้อมูล. Let8217 ทำงานผ่านตัวอย่างทีละขั้นตอน: ลองจินตนาการว่า we8217re ทำงานที่ บริษัท ซอฟต์แวร์ซึ่งผลิตภัณฑ์ระดับองค์กรมีรอบการขายที่ค่อนข้างยาวและเมตริกของเราเป็น Conversion ดิบที่เกิดขึ้นจริงในช่วงไตรมาส หากคุณกำลังดูเมตริกการขาย Conversion ของคุณในแผนภูมิด้านบนคุณทำอะไรได้บ้างเมื่อเร็ว ๆ นี้ดีกว่าปี 2010 ถึงปี 2011 Here8217 ข้อมูลดิบ: ขั้นที่ 1: รวบรวมข้อมูลเมตริกที่จะย้อนกลับไปอย่างน้อย 3 รอบเต็มเวลาสำหรับคนส่วนใหญ่, หมายถึงข้อมูลรายไตรมาสหรือรายเดือนย้อนหลังไปสามปี ใช่คุณสามารถใช้ข้อมูลรายสัปดาห์หรือรายวันแม้ว่าคุณจะต้องการให้ข้อมูลนี้ราบรื่น (cha-ching อีกหนึ่งการใช้งานที่ยอดเยี่ยมสำหรับค่าเฉลี่ยเคลื่อนที่แบบเสวนา) และจำเป็นต้องใช้ตลอดทั้งปีหาก 8220seasons8221 ข้อมูลของคุณผ่านการตรวจสอบโดยวัดจากเดือนปฏิทิน 8212 ดังนั้นหาก you8217re มองหาข้อมูลข้อมูลวันในสัปดาห์พูดเพื่อเปรียบเทียบว่าลูกค้าของคุณทำอะไรในวันจันทร์ เมื่อเทียบกับพฤหัสบดีแล้วข้อมูลที่ดี 8-12 สัปดาห์จะเป็นข้อมูลขั้นต่ำที่ชาญฉลาด ขั้นตอนที่ 2: เปรียบเทียบช่วงเวลาเหมือนกับช่วงเวลาตัวอย่างเช่นดูทุกเดือนมกราคมหรือทุกวันอังคารและคำนวณค่าเฉลี่ย ที่นี่ฉันใช้ค่าเฉลี่ยที่เรียบง่ายไม่ใช่ EMA เนื่องจาก EMA ได้รับการออกแบบมาเพื่อเป็นประโยชน์สำหรับระยะเวลาของชุดข้อมูลเปรียบเทียบ 8212 ตามลำดับเมื่อเปรียบเทียบเดือนกุมภาพันธ์กับเดือนมกราคมที่มีมาก่อนหน้านั้น 8212 และ we8217 ไม่ได้ทำอย่างนั้นในที่นี้ค่อนข้างมาก we8217re ถือว่าข้อมูลเป็นข้อมูลที่บริสุทธิ์และเป้าหมายสุดท้ายคือการ สารสกัดจากชุดฤดูกาลตามฤดูกาล ขั้นตอนที่ 3: การเปรียบเทียบแบบปกติเปรียบเทียบค่าเฉลี่ยเหล่านี้กับค่าเฉลี่ยของแต่ละค่าเฉลี่ยและหารค่าเฉลี่ยแต่ละค่าเป็นค่าเฉลี่ยโดยเฉลี่ยโดยให้ค่าปัจจัยปรับฤดูกาลตามช่วงเวลานั้นโดยเฉลี่ยเมื่อเทียบกับค่าปกติที่เรียกว่า 8220normalization.8221 นี่ คือวิธีที่เราเปรียบเทียบ 8220 แอปเปิ้ลกับแอปเปิ้ล 8221 ในช่วงหลายปีและในบริบทของผลกระทบตามฤดูกาลทั้งหมด ขั้นตอนที่ 4: แบ่งแต่ละจุดข้อมูลต้นฉบับโดยใช้ปัจจัยที่ปรับตามฤดูกาลซึ่งจะให้ค่าที่มีประสิทธิภาพสำหรับเมตริกที่มีองค์ประกอบตามฤดูกาลออก ขั้นตอนที่ 5: สรุปข้อสรุปดูข้อมูลใหม่ที่ไม่ได้รับการเกรนตามฤดูกาลและดึงข้อสรุปออกจากข้อมูล ตอนนี้เราได้หักลบฤดูกาลของยอดขายแล้วข้อสรุปของคุณแตกต่างกันไปดูข้อมูลสีแดงที่มีการใช้งานที่ไม่ถูกต้องดูว่าราคาต่ำสุดของปี 2012 ต่ำกว่าสิ้นปี 2010 และ 2012 isn8217t เกือบสูงเท่า ในปี 2554 ซึ่งอาจทำให้เกิดความสับสนในการประชุมการขายครั้งถัดไปแน่นอนว่ามีข้อเตือนเรื่อง zillion ที่นี่ เป็นข้อมูลของคุณแม้ตามฤดูกาลในสถานที่แรกมองไปที่เส้นสีฟ้าที่ดีที่สุดที่เราสามารถพูดได้คือ 8220maybe8221 8212 it8217d จะดีที่มีข้อมูลมากขึ้น อาจมีการแจกแจงรายเดือนข้อมูลแทนไตรมาส ข้อควรระวังอีกข้อหนึ่งอาจเป็นวงจร 8212 ถ้าวัฏจักรเศรษฐกิจครอบงำวงจรการขายของคุณจากนั้นก็สามารถรุกส่วนประกอบตามฤดูกาล 8212 ได้ แต่ถ้ากรณี that8217s เกิดว่าทำไมยอดขายต่ำกว่าปี 2012 ดังนั้นคำถามของฉันในเดือนนี้: เมื่อคุณดูเมตริกของคุณ คุณทำบัญชีสำหรับ seasonality หรือคุณเพียงดูเพื่อดูว่าตัวเลขเป็น 8220up8221 ในรายงานล่าสุดคุณอาจจะไม่มีข้อมูลเชิงลึกที่สำคัญ ความคิดเห็นบางอย่างที่แสดงในบทความนี้อาจเป็นผลงานของนักเขียนทั่วไปและไม่จำเป็นต้องเป็น Marketing Land ผู้เขียนมีรายชื่ออยู่ที่นี่ เกี่ยวกับผู้เขียน John Quarto-vonTivadar เป็นหนึ่งในนักประดิษฐ์ของสถาปัตยกรรมชักชวนและต่อสู้อย่างสม่ำเสมอ innumeracy ในหมู่นักการตลาดในคณิตศาสตร์ยอดนิยมของเขาสำหรับนักการตลาดชุด ผู้ขายที่ดีที่สุดของ Johns 2008 Always Be Testing เขียนขึ้นโดย Bryan Eisenberg ซึ่งเป็นพันธมิตรทางธุรกิจ Bryan Eisenberg ได้รับการอ้างอิงมาตรฐานสำหรับการเพิ่มประสิทธิภาพ Conversion ผ่านการทดสอบนับตั้งแต่เปิดตัวและได้รับการใช้เป็นพื้นฐานทั้งในด้านวิชาการและการฝึกอบรมขององค์กร หัวข้อที่เกี่ยวข้องการปรับปรุงประสบการณ์ของลูกค้าแบบออนไลน์การลบฤดูกาลรายวันออกจากฤดูกาลโดยทั่วไปในขณะที่ฉันมักจะเริ่มดูข้อมูลการวิเคราะห์เว็บในระดับรายสัปดาห์หรือรายเดือนมีบางครั้งที่มีประโยชน์ในการเจาะลึกรายวัน ซึ่งอาจเป็นเมื่อตรวจสอบสาเหตุของการเปลี่ยนแปลงข้อมูลหรือเพียงเพื่อดูประสิทธิภาพของวันก่อนหน้า แต่มีปัญหาเกิดขึ้นซึ่งอาจทำให้ยากที่จะตีความและดึงข้อมูลเชิงลึกที่เป็นประโยชน์จากข้อมูลรายวันนี้ เมตริกส่วนใหญ่เมื่อดูในระดับรายวันจะมีรูปแบบเป็นรายวัน นี่เป็นวิธีการวัดที่ชัดเจนที่สุดเช่นการเข้าชมการดูหน้าเว็บหรือการขายซึ่งเป็นตัวเลขที่แน่นอน มีรูปแบบใหม่ที่เกิดขึ้นตลอดทั้งสัปดาห์ที่มียอดและ troughs ในวันเดียวกันในแต่ละสัปดาห์ ตัวอย่างของรูปแบบนี้สามารถมองเห็นได้ในรูปที่ 1 ด้านล่าง แม้ว่าสิ่งนี้จะทำให้แผนภูมิใด ๆ ดูสวย แต่ก็ยากที่จะระบุแนวโน้มหรือการเพิ่มขึ้นของข้อมูล เป็นจุดข้อมูลที่สูงเนื่องจากมีการขัดขวางหรือเพราะเป็นวันจันทร์เป็นวันหยุดของโรงเรียน แต่ควรมีจำนวนการเข้าชมในวันเสาร์ที่ต่ำลงและแน่นอนว่าวันไหนเราเริ่มเห็นการลดลงของการเข้าชมและเท่าใด ของการเปลี่ยนแปลงเป็นจริงวิธีการทั่วไปที่ใช้ในการลบฤดูกาลรายวันคือการเรียบเส้นออกโดยใช้ค่าเฉลี่ยเคลื่อนที่ เนื่องจากเป็นรูปแบบรายสัปดาห์ค่าเฉลี่ยเคลื่อนที่เจ็ดจุดควรจะนำไปสู่เส้นเรียบที่ดี แต่น่าเสียดายที่สามารถเห็นได้ในรูปที่ 2 ซึ่งหมายความว่าคุณจะได้รับเส้นเรียบที่ยอดเยี่ยมซ่อนส่วนที่น่าสนใจและการเปลี่ยนแปลงขั้นตอนและแนวโน้มข้อมูลทั่วไป คุณสามารถดูแนวโน้มโดยรวม แต่ไม่สามารถระบุวันที่เฉพาะเจาะจงเมื่อมีการเปลี่ยนแปลงได้ นอกจากนี้ยังเป็นการยากที่จะระบุการเปลี่ยนแปลงได้โดยทันทีเนื่องจากแต่ละวันมีเพียงหนึ่งในเจ็ดเท่านั้นที่จะส่งข้อมูลแต่ละจุด สิ่งที่ฉันแนะนำให้ทำแทนคือการลบฤดูกาลรายวันจากแต่ละจุดข้อมูลส่งผลให้สายที่ไม่ได้รับผลกระทบจากสิ่งที่วันของสัปดาห์เป็น การใช้วิธีนี้หมายความว่าเห็นได้ชัดว่าประสิทธิภาพในแต่ละวันดีหรือไม่ดี ตัวอย่างเช่นในรูปที่ 3 จะเห็นได้ว่าวันที่เลวร้ายที่สุดสำหรับการเข้าชมคือวันที่ 25 ส. ค. แม้ว่าการเข้าชมในวันนั้นสูงกว่าวันอื่น ๆ ในช่วงเวลาที่รายงานก็ตาม เทคนิคการลบฤดูกาลรายวันสามารถประยุกต์ใช้ในแต่ละวันซึ่งหมายความว่าคุณสามารถระบุและตอบสนองต่อการเปลี่ยนแปลงประสิทธิภาพได้ทันที ความยากลำบากคือการคำนวณรายวันตามฤดูกาลในช่วงสัปดาห์ นี้สามารถทำได้อย่างถูกต้องโดยใช้ SPSS หรือเครื่องมือที่คล้ายกัน แต่ฉันใช้วิธีแก้ปัญหาการตัดอย่างรวดเร็วใน Excel ที่ในขณะที่ไม่ถูกต้อง 100 ได้รับงานทำ ขั้นตอนในการคำนวณรายวันตามฤดูกาลสำหรับเมตริก (โดยใช้ตัวอย่างการเข้าชม) มีดังนี้ตัวอย่างที่แสดงในรูปที่ 4: ดึงข้อมูลการเข้าชมรายวันที่ผ่านมา คุณจะต้องใช้เวลาอย่างน้อย 6 สัปดาห์ขึ้นไปหากระยะเวลารวมปัจจัยที่ทราบว่าอาจส่งผลต่อการเข้าชมเช่น วันหยุดราชการวันหยุดราชการการเผยแพร่ผลิตภัณฑ์แคมเปญการตลาด ฯลฯ จัดเรียงข้อมูลใหม่เพื่อให้แต่ละคอลัมน์มีสัปดาห์เดียวและแต่ละแถวจะมีข้อมูลเฉพาะสำหรับวันในสัปดาห์เท่านั้น สร้างตารางนี้ใหม่เพื่อแทนที่การเข้าชมในแต่ละวันด้วยการเข้าชมนั้นในวันนั้นมีส่วนช่วยในการเข้าชมทั้งหมดในสัปดาห์นั้น เพิ่มคอลัมน์อีกสองคอลัมน์เพื่อคำนวณค่าเฉลี่ยและค่ามัธยฐานสำหรับแต่ละแถวของข้อมูล ลบทุกสัปดาห์ซึ่งมีวันที่ don8217t แสดงรูปแบบทั่วไป ในตัวอย่างนี้สัปดาห์ที่ 5 และ 6 ถูกลบ เมื่อถึงจุดนี้ค่าเฉลี่ยและค่ามัธยฐานควรมีความคล้ายกันสำหรับแต่ละวันในสัปดาห์ รูปแบบรายวันรายวันสามารถทำได้โดยการคูณค่าเฉลี่ยรายวันเป็น 7 รูปแบบฤดูกาลนี้สามารถใช้เพื่อลบฤดูกาลตามฤดูกาลสำหรับเมตริกดังกล่าวได้ทุกวัน เพียงหารค่าสำหรับแต่ละวันตามฤดูกาลประจำวันที่เกี่ยวข้องเพื่อลบออก ฉันมักทำเช่นนี้โดยใช้ vlookup กับวันในสัปดาห์สำหรับแต่ละวัน กลับไปที่เหตุผลสำหรับการวิเคราะห์เว็บคุณสามารถใช้เทคนิคนี้เพื่อล้างข้อมูลเพื่อให้คุณสามารถระบุวันที่ดีและไม่ดีได้ทันทีไม่ว่าจะเป็นข้อมูลที่ผ่านมาหรือเพียงสำหรับวันก่อนหน้า หากคุณกำลังใช้ข้อมูลประวัตินี้คุณสามารถระบุวันที่น่าสนใจในการตรวจสอบต่อไป (เล่นโดยแบ่งกลุ่ม) หากคุณกำลังใช้งานอยู่ในขณะนี้คุณจะเห็นได้ทันทีว่าประสิทธิภาพการทำงานเป็นอย่างไรสำหรับวันก่อนหน้าและหากจำเป็นต้องตรวจสอบและตอบสนองต่อการเปลี่ยนแปลงตามลำดับ ในปัจจุบันเพื่อที่จะสามารถทำการวิเคราะห์แบบนี้ได้คุณต้องแยกข้อมูลออกเป็น Excel หวังว่าวันหนึ่งเครื่องมือวิเคราะห์เว็บจะช่วยให้คุณสามารถอัปโหลดรูปแบบรายวันรายวันสำหรับเมตริกเพื่อให้คุณสามารถแสดงข้อมูลรายวันที่มีการลบตามฤดูกาลนี้ได้ และความฝันของฉันเป็นเครื่องมือที่จะรวมความสามารถในการสร้างรูปแบบสำหรับเมตริกที่เลือกไว้โดยอัตโนมัติ (ด้วยการใช้งานด้วยตนเองสำหรับการปรับแต่งแน่นอน) การใช้กุญแจสำคัญอื่น ๆ ที่ฉันได้พบในรูปแบบรายวันรายวันก็คือสามารถใช้ในการคาดการณ์ระดับการเข้าชมได้ทุกวัน หากคุณสามารถคาดการณ์ปริมาณการเข้าชมของสัปดาห์8217ได้จะสามารถคูณด้วยการใช้รูปแบบรายวันรายวันเพื่อคาดการณ์การเข้าชมในระดับรายวันได้โดยง่าย สำเนาของไฟล์ Excel ที่มีข้อมูลแผนภูมิและสูตรที่ใช้ในตัวอย่างข้างต้นสามารถดาวน์โหลดได้ที่นี่ 8211 Daily Seasonality File โพสต์นี้ถูกเผยแพร่ครั้งแรกเมื่อ AussieWebAnalys t ในวันที่ 26 พ. ย. 821708 โพสต์การเดินเรือการวิเคราะห์ซีรี่ส์เวลา: วิธีการปรับฤดูกาลวิธีการทำงานของสไตล์ X11 วิธีการทำงานของรูปแบบ X11 อะไรบ้างที่ใช้ในการปรับฤดูกาล X11 X11ARIMA X12ARIMA SEATSTRAMO DEMETRA อะไรคือเทคนิคที่ ABS ใช้เพื่อจัดการ วิธีการทำงานของ SEASABS หน่วยงานทางสถิติอื่น ๆ สามารถจัดการกับการปรับฤดูกาลได้อย่างไรวิธีการของ XYP STYLE WORK วิธีการกรองตามฤดูกาลของการปรับฤดูกาลมักเรียกว่าวิธีการแบบ X11 เหล่านี้มีพื้นฐานมาจาก 8216ratio to moving average8217 procedure ซึ่งอธิบายโดย Fredrick R. Macaulay ในปีพศ. 1931 จาก National Bureau of Economic Research ในสหรัฐอเมริกา ขั้นตอนประกอบด้วยขั้นตอนต่อไปนี้ 1) คาดการณ์แนวโน้มโดยค่าเฉลี่ยเคลื่อนที่ 2) ลบแนวโน้มออกจากองค์ประกอบตามฤดูกาลและไม่สม่ำเสมอ 3) ประเมินองค์ประกอบตามฤดูกาลโดยใช้ค่าเฉลี่ยเคลื่อนที่เพื่อให้สม่ำเสมอกับค่าที่ไม่เป็นไปตามข้อกำหนด ฤดูกาลโดยทั่วไปไม่สามารถระบุได้จนกว่าแนวโน้มจะเป็นที่รู้จักกัน แต่ไม่สามารถคาดการณ์ถึงแนวโน้มที่ดีจนกว่าชุดจะได้รับการปรับฤดูกาลแล้ว ดังนั้น X11 ใช้วิธีซ้ำเพื่อประมาณส่วนประกอบของชุดข้อมูลเวลา เป็นค่าเริ่มต้นจะถือว่าแบบจำลองแบบทวีคูณ เพื่ออธิบายขั้นตอนพื้นฐานที่เกี่ยวข้องกับ X11 ให้พิจารณาการสลายตัวของชุดข้อมูลรายเดือนภายใต้รูปแบบการคูณ ขั้นที่ 1: การคาดการณ์เบื้องต้นของแนวโน้มใช้ค่าเฉลี่ยเคลื่อนที่แบบสมมาตร 13 (2x12) กับชุดค่าผสมรายเดือนแบบเดิม O t เพื่อสร้างประมาณการเบื้องต้นของแนวโน้ม t t แนวโน้มจะถูกลบออกจากชุดต้นฉบับเพื่อประมาณค่าองค์ประกอบที่ตามฤดูกาลและไม่สม่ำเสมอ หกค่าที่ปลายแต่ละชุดจะสูญหายไปเนื่องจากปัญหาจุดสิ้นสุด - ใช้ตัวกรองสมมาตรเท่านั้น การประมาณเบื้องต้นขององค์ประกอบตามฤดูกาลสามารถหาได้จากการใช้ค่าเฉลี่ยถ่วงน้ำหนัก 5 ช่วง (S 3x3) ไปเป็นชุด S t II สำหรับแต่ละเดือนแยกกัน แม้ว่าตัวกรองนี้จะเป็นค่าดีฟอลต์ภายใน X11 ระบบจะใช้ค่าเฉลี่ยเคลื่อนที่ระยะยาว 7 (S 3x5) แทน คอมโพเนนต์ตามฤดูกาลจะมีการปรับเพิ่มเป็น 12 รอบระยะเวลา 12 เดือนเพื่อให้ค่าเฉลี่ยอยู่ที่ 1 เพื่อให้แน่ใจว่าองค์ประกอบตามฤดูกาลไม่เปลี่ยนแปลงระดับชุดข้อมูล (ไม่มีผลต่อแนวโน้ม) ค่าที่หายไป ณ สิ้นส่วนของฤดูกาลจะถูกแทนที่ด้วยการทำซ้ำค่าจากปีที่แล้ว ขั้นตอนที่ 3: การประมาณค่าเบื้องต้นของข้อมูลที่ปรับปรุงแล้วการประมาณค่าของชุดที่ปรับฤดูกาลแล้วจะพบได้โดยการหารประมาณการของฤดูกาลจากขั้นตอนก่อนหน้าลงในชุดต้นฉบับ: ขั้นตอนที่ 4: ประมาณการแนวโน้มที่ดีขึ้นในระยะ 9, 13 หรือ 23 ค่าเฉลี่ยเคลื่อนที่ของเฮนเดอร์สันใช้กับค่าที่ปรับตามฤดูกาลขึ้นอยู่กับความผันผวนของชุดข้อมูล (ชุดความผันผวนมากขึ้นต้องใช้ค่าเฉลี่ยเคลื่อนที่อีกต่อไป) เพื่อสร้างการคาดการณ์แนวโน้มที่ดีขึ้น ชุดแนวโน้มที่ได้รับจะถูกแบ่งออกเป็นชุดดั้งเดิมเพื่อให้ได้ประมาณที่สองขององค์ประกอบตามฤดูกาลและไม่สม่ำเสมอ ตัวกรองแบบอสมมาตรจะถูกใช้ในตอนท้ายของซีรี่ส์ดังนั้นจึงไม่มีค่าที่ขาดหายไปเช่นในขั้นตอนที่ 1 ขั้นตอนที่ 5: การประมาณขั้นสุดท้ายของส่วนประกอบตามฤดูกาลขั้นตอนที่สองซ้ำเพื่อให้ได้ค่าประมาณขั้นสุดท้ายขององค์ประกอบตามฤดูกาล ขั้นที่ 6: การประมาณการสุดท้ายของข้อมูลที่ปรับแล้วชุดที่ปรับฤดูกาลตามฤดูกาลจะได้จากการหารประมาณการที่สองของฤดูกาลจากขั้นตอนก่อนหน้าลงในชุดต้นฉบับ: ขั้นตอนที่ 7: ประมาณการโดยประมาณของแนวโน้ม 9, 13 หรือ 23 เทอมเฮนเดอร์สันย้าย ค่าเฉลี่ยจะถูกนำไปใช้กับการประมาณการสุดท้ายของชุดที่ปรับฤดูกาลตามฤดูกาลซึ่งได้รับการแก้ไขแล้วสำหรับค่าที่มากเกินไป ซึ่งจะช่วยให้ประมาณการที่ดีขึ้นและสุดท้ายของแนวโน้ม ในรุ่นที่สูงขึ้นของ X11 (เช่น X12ARIMA และ SEASABS) สามารถใช้ค่าเฉลี่ยเคลื่อนที่แบบยาว Henderson ที่มีความยาวไม่แน่นอน ขั้นตอนที่ 8: ประมาณการขั้นสุดท้ายขององค์ประกอบที่ผิดปกติผู้ประเมินสามารถคำนวณโดยการหารประมาณการแนวโน้มเป็นข้อมูลที่ปรับฤดูกาล ขั้นตอนเหล่านี้จะขึ้นอยู่กับรูปแบบ (multiplicative, additive และ pseudo-additive) ใน X11 นอกจากนี้ยังมีความแตกต่างเล็ก ๆ น้อย ๆ ในขั้นตอนใน X11 ระหว่างเวอร์ชันต่างๆ ขั้นตอนเพิ่มเติมในการประมาณปัจจัยฤดูกาลคือการปรับปรุงความทนทานของกระบวนการเฉลี่ยโดยการปรับเปลี่ยนค่า SI สำหรับสุดขั้ว สำหรับข้อมูลเพิ่มเติมเกี่ยวกับขั้นตอนสำคัญ ๆ ที่เกี่ยวข้องโปรดดูหัวข้อ 7.2 ของเอกสารข้อมูล: บทแนะนำการวิเคราะห์อนุกรมเวลา - การจัดส่งทางอิเล็กทรอนิกส์ แพคเกจที่ใช้ในการปรับเปลี่ยนฤดูกาลเป็นแพคเกจการปรับฤดูกาลที่ใช้กันมากที่สุดคือชุดอุปกรณ์ในตระกูล X11 X11 ได้รับการพัฒนาโดยสำนักสำมะโนประชากรของสหรัฐอเมริกาและเริ่มดำเนินการในสหรัฐอเมริกาเมื่อปีพ. ศ. 2508 ซึ่งเป็นที่ยอมรับโดยเร็ว ๆ นี้โดยหน่วยสถิติหลายแห่งทั่วโลกรวมถึงเอบีเอส ได้รับการรวมไว้ในชุดซอฟต์แวร์ที่มีจำหน่ายในท้องตลาดเช่น SAS และ STATISTICA ใช้ตัวกรองเพื่อปรับข้อมูลตามฤดูกาลและประมาณส่วนประกอบของชุดข้อมูลเวลา วิธี X11 เกี่ยวข้องกับการใช้ค่าเฉลี่ยเคลื่อนที่แบบสมมาตรเป็นชุดเวลาเพื่อประเมินแนวโน้มส่วนประกอบตามฤดูกาลและไม่สม่ำเสมอ อย่างไรก็ตามในตอนท้ายของชุดข้อมูลมีข้อมูลไม่เพียงพอที่จะใช้น้ำหนักสมมาตร 8211 ปัญหา 8216end-point8217 ดังนั้นจึงต้องใช้น้ำหนักที่ไม่สมมาตรหรือต้องมีการอนุมานอนุกรม วิธีการ X11ARIMA ซึ่งพัฒนาขึ้นโดยสถิติแคนาดาในปีพ. ศ. 2523 และได้รับการปรับปรุงในปีพ. ศ. 2531 ให้แก่ X11ARIMA88 ใช้แบบจำลองการถดถอยเคลื่อนที่แบบบูรณาการ (AutoRegressive Integrated Moving Average - ARIMA) ของ Box Jenkins เพื่อยืดเวลาออกไป การใช้แบบจำลอง ARIMA ในชุดต้นฉบับจะช่วยลดการแก้ไขชุดที่ปรับฤดูกาลตามฤดูกาลเพื่อให้ผลกระทบของปัญหาจุดสิ้นสุดลดลง X11ARIMA88 ยังแตกต่างจากวิธี X11 ดั้งเดิมในการรักษาค่าที่มาก คุณสามารถหาได้โดยการติดต่อสถิติแคนาดา ในช่วงปลายทศวรรษที่ 19908217s สำนักสำรวจสำมะโนประชากรของสหรัฐฯได้เปิดตัว X12ARIMA ใช้โมเดล regARIMA (แบบจำลองการถดถอยที่มีข้อผิดพลาด ARIMA) เพื่อให้ผู้ใช้สามารถขยายชุดข้อมูลด้วยการคาดการณ์และปรับแต่งชุดสำหรับผลที่ผิดปกติและปฏิทินก่อนที่การปรับฤดูกาลจะเกิดขึ้น คุณสามารถขอรับข้อมูล X12ARIMA จากสำนักได้ฟรีและสามารถดาวน์โหลดได้จาก census. govsrdwwwx12a พัฒนาโดย Victor Gomez และ Augustn Maravall, SEATS (การสกัดสัญญาณใน ARIMA Time Series) เป็นโปรแกรมที่ประเมินและคาดการณ์แนวโน้มส่วนประกอบตามฤดูกาลและไม่สม่ำเสมอของชุดข้อมูลเวลาโดยใช้เทคนิคการแยกสัญญาณที่ใช้กับโมเดล ARIMA TRAMO (การถดถอยของซีรี่ส์เวลาด้วยเสียง ARIMA การสังเกตที่ไม่ได้ผลและข้อผิดพลาด) เป็นโปรแกรมที่ใช้ในการประมาณและคาดการณ์โมเดลการถดถอยที่มีข้อผิดพลาด ARIMA และค่าที่ขาดหายไป มีการใช้ชุด preadjust ซึ่งจะปรับตามฤดูกาลโดย SEATS หากต้องการดาวน์โหลดโปรแกรมทั้งสองแบบจากอินเทอร์เน็ตได้อย่างอิสระโปรดติดต่อธนาคารแห่งประเทศสเปน bde. eshomee. htm Eurostat มุ่งเน้นไปที่วิธีปรับฤดูกาล 2 แบบ ได้แก่ TramoSeats และ X12Arima รุ่นของโปรแกรมเหล่านี้ได้รับการติดตั้งในอินเทอร์เฟซเดียวชื่อว่า quotDEMETRAquot นี้อำนวยความสะดวกในการประยุกต์ใช้เทคนิคเหล่านี้เพื่อชุดขนาดใหญ่ของชุดเวลา DEMETRA ประกอบด้วยโมดูลสองส่วนคือการปรับฤดูกาลและการประมาณแนวโน้มโดยใช้ขั้นตอนอัตโนมัติ (เช่นสำหรับผู้ใช้ที่ไม่มีประสบการณ์หรือชุดชุดข้อมูลขนาดใหญ่) และด้วยขั้นตอนที่ใช้งานง่ายสำหรับการวิเคราะห์รายละเอียดของชุดข้อมูลแบบเวลาเดียว สามารถดาวน์โหลดได้จาก forum. europa. eu. intircdsiseurosaminfodatademetra. htm เทคนิคที่ใช้โดย ABS ในการจัดการกับการปรับเปลี่ยนทางภูมิศาสตร์เป็นเครื่องมือหลักที่ใช้ใน Australian Bureau of Statistics คือ SEASABS (การวิเคราะห์ตามฤดูกาล, มาตรฐาน ABS) SEASABS เป็นซอฟต์แวร์แบบปรับฤดูกาลตามฤดูกาลโดยมีระบบประมวลผลหลักจาก X11 และ X12ARIMA SEASABS เป็นระบบฐานความรู้ซึ่งสามารถช่วยนักวิเคราะห์ในชุดเวลาได้ในการตัดสินที่เหมาะสมและถูกต้องในการวิเคราะห์ชุดข้อมูลเวลา SEASABS เป็นส่วนหนึ่งของระบบการปรับฤดูกาลตามฤดูกาลของ ABS ส่วนประกอบอื่น ๆ ได้แก่ ABSDB (คลังข้อมูล ABS) และ FAME (การพยากรณ์การวิเคราะห์และสภาพแวดล้อมแบบจำลองที่ใช้ในการจัดเก็บและจัดการกับข้อมูลชุดข้อมูล) SEASABS ทำหน้าที่หลัก 4 ประการ ได้แก่ การทบทวนข้อมูลการวิเคราะห์ตามฤดูกาลของชุดข้อมูลเวลาการตรวจสอบชุดข้อมูลเวลาการบำรุงรักษาความรู้เกี่ยวกับชุดข้อมูลตามฤดูกาล SEASABS ช่วยให้ทั้งผู้เชี่ยวชาญและลูกค้าใช้วิธีการ X11 (ซึ่งได้รับการปรับปรุงอย่างมีนัยสำคัญโดย ABS) ซึ่งหมายความว่าผู้ใช้ไม่จำเป็นต้องรู้รายละเอียดของแพคเกจ X11 เพื่อปรับช่วงเวลาตามฤดูกาลอย่างเหมาะสม อินเตอร์เฟสอัจฉริยะแนะนำผู้ใช้ผ่านกระบวนการวิเคราะห์ตามฤดูกาลทำให้สามารถเลือกพารามิเตอร์และวิธีการปรับค่าที่เหมาะสมได้โดยไม่ต้องมีคำแนะนำเล็กน้อยหรือไม่มีเลยในส่วนของผู้ใช้ขั้นตอนการทำซ้ำขั้นพื้นฐานที่เกี่ยวข้องกับ SEASABS คือ 1) ทดสอบและแก้ไขช่วงพักตามฤดูกาล 2) ทดสอบและลบข้อมูลที่มีขนาดใหญ่ 3) ทดสอบและแก้ไขช่วงพักที่เหมาะสม 4) ทดสอบและแก้ไขค่าที่มากที่สุดสำหรับการปรับฤดูกาล 5) ประเมินผลของวันซื้อขายที่มีอยู่ 6) ใส่หรือเปลี่ยนแปลงวันหยุดแก้ไข 7) ตรวจสอบค่าเฉลี่ยเคลื่อนที่ (แนวโน้มค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยเคลื่อนที่ตามฤดูกาล) 8) เรียกใช้ X11 9) สรุปผลการปรับ SEASABS เก็บบันทึกการวิเคราะห์ชุดก่อนหน้าที่จะสามารถเปรียบเทียบการวินิจฉัย X11 เมื่อเวลาผ่านไปและรู้ว่าพารามิเตอร์ใดที่นำไปสู่การปรับค่าที่ยอมรับได้ในการวิเคราะห์ครั้งล่าสุด ระบุและแก้ไขแนวโน้มและช่วงพักตามฤดูกาลรวมถึงค่าที่มากเกินไปแทรกปัจจัยการซื้อขายวันที่หากจำเป็นและช่วยให้สามารถย้ายการแก้ไขวันหยุดได้ SEASABS ให้บริการฟรีแก่หน่วยงานรัฐบาลอื่น ๆ ติดต่อ time. series. analysisabs. gov. au เพื่อดูรายละเอียดเพิ่มเติม หน่วยงานด้านสถิติอื่น ๆ ที่เกี่ยวข้องกับการปรับฤดูกาลสถิติประเทศนิวซีแลนด์ใช้ X12-ARIMA แต่ไม่ได้ใช้ความสามารถของ ARIMA ในแพ็คเกจ สำนักงานสถิติแห่งชาติสหราชอาณาจักรใช้ X11ARIMA88 สถิติแคนาดาใช้ X11-ARIMA88 สำนักสำรวจสำมะโนประชากรของสหรัฐใช้ X12-ARIMA Eurostat ใช้ SEATSTRAMO หน้านี้เผยแพร่ครั้งแรกเมื่อวันที่ 14 พฤศจิกายน พ. ศ. 2548 ปรับปรุงข้อมูลครั้งล่าสุดเมื่อวันที่ 10 กันยายน 2551