8.4 Verschieben von Durchschnittsmodellen Anstatt vergangene Werte der Prognosedatei in einer Regression zu verwenden, verwendet ein gleitendes Durchschnittsmodell vergangene Prognosefehler in einem Regressionsmodell. Y c et the theta e dots theta e, wobei et weißes Rauschen ist. Wir bezeichnen dies als MA (q) - Modell. Natürlich beobachten wir nicht die Werte von et, also ist es nicht wirklich Regression im üblichen Sinne. Man beachte, daß jeder Wert von yt als gewichteter gleitender Durchschnitt der letzten Prognosefehler betrachtet werden kann. Allerdings sollten gleitende Durchschnittsmodelle nicht mit der gleitenden glatten Glättung verwechselt werden, die wir in Kapitel 6 besprochen haben. Ein gleitendes Durchschnittsmodell wird für die Prognose zukünftiger Werte verwendet, während eine gleitende glatte Glättung für die Schätzung des Trendzyklus der vergangenen Werte verwendet wird. Abbildung 8.6: Zwei Beispiele für Daten aus gleitenden Durchschnittsmodellen mit unterschiedlichen Parametern. Links: MA (1) mit yt 20e t 0,8e t-1. Rechts: MA (2) mit y t e t - e t-1 0,8e t-2. In beiden Fällen ist e t normal verteiltes Weißrauschen mit Mittelwert Null und Varianz Eins. Abbildung 8.6 zeigt einige Daten aus einem MA (1) - Modell und einem MA (2) - Modell. Das Ändern der Parameter theta1, dots, thetaq führt zu unterschiedlichen Zeitreihenmustern. Wie bei autoregressiven Modellen wird die Varianz des Fehlerterms et nur den Maßstab der Reihe ändern, nicht die Muster. Es ist möglich, jedes stationäre AR (p) - Modell als MA (infty) - Modell zu schreiben. Beispielsweise können wir dies bei einem AR (1) - Modell demonstrieren: begin yt amp phi1y et amp phi1 (phi1y e) et amp phi12y phi1 e et amp phi13y phi12e phi1 e et amptext ende Provided -1 lt phi1 lt 1 wird der Wert von phi1k kleiner, wenn k größer wird. So erhalten wir schließlich yt und phi1 e phi12 e phi13 e cdots, ein MA (infty) Prozess. Das umgekehrte Ergebnis gilt, wenn wir den MA-Parametern einige Einschränkungen auferlegen. Dann wird das MA-Modell invertierbar. Das heißt, dass wir alle invertierbaren MA (q) Prozess als AR (infty) Prozess schreiben können. Invertible Modelle sind nicht einfach, damit wir von MA-Modellen auf AR-Modelle umwandeln können. Sie haben auch einige mathematische Eigenschaften, die sie in der Praxis einfacher zu verwenden. Die Invertibilitätsbedingungen sind den stationären Einschränkungen ähnlich. Für ein MA (1) Modell: -1lttheta1lt1. Für ein MA (2) - Modell: -1lttheta2lt1, theta2theta1 gt-1, theta1 - theta2 lt 1. Kompliziertere Bedingungen gelten für qge3. Wiederum kümmert R diese Einschränkungen bei der Schätzung der Modelle. Wie berechnen Sie die verschiebende Differenz in Cognos 8 Problem (Zusammenfassung) Dieses Dokument beschreibt, wie zu berechnen Moving Differenz in Report Studio, wenn keine Moving-Difference-Funktion verfügbar ist. Lösen des Problems Berechnen Sie die Bewegungsdifferenz auf der Grundlage der Moving-Total-Funktion. Vorgehensweise: Öffnen Sie das Berichtsstudio mithilfe des Go Sales - und Retailers-Pakets Erstellen Sie einen leeren Kreuztabellenbericht Drag & Drop-Produktlinie in den Zeilen und Auftragsmonat in den Spalten Ziehen Sie Erlös in der Abfrage, erstellen Sie ein anderes Datenelement (Name D1) und verwenden Sie folgenden Ausdruck: Erstellen Sie ein anderes Datenelement (name it D2) und verwenden Sie folgenden Ausdruck: D1-Revenue Erstellen Sie ein anderes Datenelement (name it moving-diff) und verwenden Sie folgenden Ausdruck: Revenue-D2 Put Revenue und Moving-diff als Maßstab in der Kreuztabelle Historische Nummer Dokumentinformationen Mehr Unterstützung für: Cognos 8 Business Intelligence Report Studio Softwareversion: 8.1, 8.2 Betriebssystem: Windows Geändert am: 24 2008Moving-Average, das bestimmte Datensätze ausschließt. Moving-Average, die bestimmte Datensätze ausschließt. Software: Cognos BI 8211 Report Studio, relationale Datenbank, v10.0 Objekt: Moving-Average des Umsatzes für 2 Wochen zurück, nur unter Berücksichtigung von Produkten, die mindestens 4 Wochen zum Verkauf haben. Daten Muster: Produktkategorie Produkttyp Wochen Auf Verkauf Verkauf Bürobedarf Auflage aus Papier 1 10 Bürobedarf Auflage aus Papier 2 4 Bürobedarf Auflage aus Papier 3 5 Bürobedarf Auflage aus Papier 4 2 Bürobedarf Pad aus Papier 5 1 Bürobedarf Stifte 1 1 Bürobedarf Stifte 2 2 Bürobedarf Stifte 3 2 Bürobedarf Stifte 4 3 Bürobedarf Bleistifte 1 2 Bürobedarf Bleistifte 2 1 Bürobedarf Bleistifte 3 1 Bürobedarf Erasers 1 1 Bürobedarf Erasers 2 2 Beispiel: Bürobedarf 8211 Erasers 8211 Wochen am Verkauf 2, sollte durchschnittlich die folgenden: Stifte 8211 Wochen auf Verkauf 2 8211 Verkäufe 2 Auflage von Papier 8211 Wochen auf Verkauf 2 8211 Verkäufe 4 Bleistifte nicht berücksichtigt, weil es nur 3 Wochen auf Verkauf hat. Dies ist nur ein einfaches Beispiel und ist keine realen Daten. Dont bedeuten, dumb unten das Beispiel, aber es scheint verwirrend für mich. Ich kann Cognos nicht dazu bringen, mit mir zu arbeiten. Dies ist, was ich bis jetzt: gleitender Durchschnitt (Verkäufe, 2 für Wochen auf Verkauf) Gibt es eine obviouseasy Weise, damit sie vom Durchschnitt ausschließen, wenn Produktart nicht mindestens 4 Wochen auf Verkauf hat
No comments:
Post a Comment