ง่าย เฉลี่ยเคลื่อนที่ และ ชี้แจง เคลื่อนไหว ค่าเฉลี่ย

ค่าเฉลี่ยของค่าเฉลี่ยที่เป็นไปได้ในการคำนวณค่าเฉลี่ยของค่าเฉลี่ยที่น้อยกว่าการศึกษาลำดับของตัวเลขในลำดับต่อเนื่องผู้ปฏิบัติงานต้นแบบของการวิเคราะห์อนุกรมเวลาเป็นจริงมากขึ้นเกี่ยวกับตัวเลขชุดข้อมูลแต่ละครั้งมากกว่าที่พวกเขาอยู่กับการแก้ไขของข้อมูลนั้นการแทรกแซงในรูปแบบของ ทฤษฎีความน่าจะเป็นและการวิเคราะห์มามากในภายหลังเป็นรูปแบบการพัฒนาและ correlations ค้นพบเมื่อเข้าใจเส้นโค้งรูปต่างๆและเส้นถูกวาดตามชุดเวลาในการพยายามที่จะคาดการณ์ที่จุดข้อมูลอาจไปเหล่านี้ถือเป็นวิธีการพื้นฐานที่ใช้ในปัจจุบัน โดยนักวิเคราะห์ทางเทคนิคการวิเคราะห์แผนภูมิสามารถโยงย้อนกลับไปยังศตวรรษที่ 18 ในประเทศญี่ปุ่นได้อย่างไรและอย่างไรเมื่อค่าเฉลี่ยเคลื่อนที่ถูกนำมาใช้เป็นครั้งแรกกับราคาในตลาดยังคงเป็นความลึกลับเป็นที่เข้าใจกันโดยทั่วไปว่าค่าเฉลี่ยเคลื่อนที่แบบเฉลี่ย SMA ถูกใช้มานานก่อนที่จะมีการเคลื่อนย้ายค่าเฉลี่ย EMA เนื่องจาก EMA ถูกสร้างขึ้นในกรอบ SMA และ SMA continuum สามารถเข้าใจได้ง่ายขึ้นสำหรับพล็อต ting และการติดตามวัตถุประสงค์คุณต้องการอ่านพื้นหลังเล็กน้อยตรวจสอบค่าเฉลี่ยเคลื่อนที่อะไรคือพวกเขาย้ายง่ายเฉลี่ย SMA ค่าเฉลี่ยเคลื่อนที่ง่ายกลายเป็นวิธีที่ต้องการในการติดตามราคาตลาดเนื่องจากรวดเร็วในการคำนวณและเข้าใจง่ายปฏิบัติตลาดก่อนดำเนินการโดยไม่ต้อง การใช้เมตริกกราฟที่ซับซ้อนในการใช้งานวันนี้ดังนั้นพวกเขาอาศัยหลักในราคาตลาดเป็นคำแนะนำ แต่เพียงผู้เดียวของพวกเขาพวกเขาคำนวณราคาตลาดด้วยมือและกราฟราคาเหล่านั้นเพื่อแสดงแนวโน้มและทิศทางตลาดกระบวนการนี้ค่อนข้างน่าเบื่อ แต่พิสูจน์แล้วว่าค่อนข้างมีกำไรด้วยการยืนยัน ของการศึกษาต่อไปการคำนวณค่าเฉลี่ยเคลื่อนที่ 10 วันเพียงแค่เพิ่มราคาปิดของ 10 วันที่ผ่านมาและหารด้วย 10 ค่าเฉลี่ยเคลื่อนที่ 20 วันจะคำนวณโดยการเพิ่มราคาปิดในช่วงระยะเวลา 20 วันและหารด้วย 20 และอื่น ๆ สูตรนี้ไม่ได้ขึ้นอยู่เฉพาะในราคาปิด แต่ผลิตภัณฑ์เป็นค่าเฉลี่ยของราคา - เซตย่อยค่าเฉลี่ยเคลื่อนที่หมายถึงการย้าย bec ใช้กลุ่มของราคาที่ใช้ในการคำนวณย้ายตามจุดในแผนภูมิซึ่งหมายความว่าวันเก่าจะลดลงในความโปรดปรานของวันราคาปิดใหม่ดังนั้นการคำนวณใหม่จำเป็นเสมอที่สอดคล้องกับกรอบเวลาของการใช้งานโดยเฉลี่ยดังนั้น a คำนวณเฉลี่ย 10 วันโดยการเพิ่มวันใหม่และลดลงวันที่ 10 และวันที่เก้าจะลดลงในวันที่สองสำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีการใช้แผนภูมิในการซื้อขายสกุลเงินโปรดดูข้อมูลพื้นฐานเกี่ยวกับแผนภูมิของเรา Walkthrough. Exponential Moving Average EMA ค่าเฉลี่ยเคลื่อนที่เชิงตัวเลขได้รับการปรับแต่งและใช้กันอย่างแพร่หลายมากขึ้นนับตั้งแต่ทศวรรษที่ 1960 โดยการทดลองกับคอมพิวเตอร์ก่อนหน้านี้ EMA ใหม่จะมุ่งเน้นที่ราคาล่าสุดมากกว่าในชุดข้อมูลยาว ๆ ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ที่ต้องใช้ในปัจจุบัน EMA Price current - ตัวคูณ EMA X ก่อนหน้า EMA ปัจจัยที่สำคัญที่สุดคือค่าคงที่ที่ราบเรียบที่ 2 1 N โดยที่ N จำนวนวัน EMA 10 วัน 2 10 1 18 8. มีระยะเวลา 10 EMA w eights ล่าสุดราคา 18 8, 20 วัน EMA 9 52 และ 50 วัน EMA 3 92 น้ำหนักในวันล่าสุด EMA ทำงานโดยการถ่วงน้ำหนักความแตกต่างระหว่างราคาปัจจุบันของราคาและ EMA ก่อนหน้านี้และเพิ่มผล ไปที่ EMA ก่อนหน้าระยะเวลาที่สั้นมากขึ้นจะมีน้ำหนักมากขึ้นในราคาล่าสุดเส้นขอบการติดตั้งโดยการคำนวณเหล่านี้จะมีการวางแผนจุดสังเกตเส้นฟิตกระชับด้านบนหรือด้านล่างของราคาในตลาดบ่งชี้ว่าค่าเฉลี่ยเคลื่อนที่ทั้งหมดเป็นตัวชี้วัดที่ล่าช้าและ จะใช้เป็นหลักสำหรับแนวโน้มดังต่อไปนี้พวกเขา don t ทำงานได้ดีกับตลาดช่วงและระยะเวลาของความแออัดเนื่องจากสายกระชับไม่ได้หมายถึงแนวโน้มเนื่องจากการขาดความชัดเจนสูงขึ้นหรือต่ำกว่าต่ำ Plus, สายกระชับมักจะคงที่โดยไม่ต้องคำแนะนำของทิศทาง สายการประกอบที่พอดีกับราคาที่ต่ำกว่าตลาดหมายถึงระยะยาวในขณะที่สายการผลิตที่เหมาะสมซึ่งอยู่เหนือตลาดหมายถึงคำแนะนำสั้น ๆ สำหรับคำแนะนำฉบับสมบูรณ์อ่าน Moving Average Tutorial ของเราวัตถุประสงค์ของการจ้างงานแบบง่ายๆ ค่าเฉลี่ยคือการวัดและแนวโน้มโดยการทำให้ข้อมูลเรียบโดยใช้วิธีของหลายกลุ่มของราคาแนวโน้มจะเห็นและอนุมานเป็นคาดการณ์สมมติฐานคือการเคลื่อนไหวของแนวโน้มก่อนจะดำเนินต่อไปสำหรับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายแนวโน้มในระยะยาวสามารถ พบและติดตามได้ง่ายกว่า EMA โดยมีข้อสันนิษฐานที่สมเหตุสมผลว่าสายพอดีจะแข็งแกร่งกว่าเส้น EMA เนื่องจากมุ่งเน้นไปที่ราคาเฉลี่ยมากกว่า EMA ใช้เพื่อจับภาพการเคลื่อนไหวที่สั้นลงเนื่องจากมุ่งเน้นไปที่ราคาล่าสุด โดยวิธีนี้ EMA ควรลดความล่าช้าใด ๆ ในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเพื่อให้เส้นที่เหมาะสมจะกักขังราคาใกล้กว่าค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยปัญหาเกี่ยวกับ EMA มีความเสี่ยงที่จะเกิดการขึ้นราคาโดยเฉพาะอย่างยิ่งในช่วงตลาดที่รวดเร็วและช่วงความผันผวน EMA ทำงานได้ดีจนกว่าราคาจะพังพอดีในช่วงที่ตลาดมีความผันผวนสูงขึ้นคุณอาจพิจารณาเพิ่มความยาวของค่าเฉลี่ยเคลื่อนที่โดยสามารถเปลี่ยนจาก EMA เป็น SMA ตั้งแต่ SMA ช่วยขจัดข้อมูลที่ดีกว่า EMA เนื่องจากมุ่งเน้นไปที่วิธีการในระยะยาวตัวบ่งชี้การแข็งตัวของเงินเฟ้อเป็นตัวบ่งชี้ที่ลดลงค่าเฉลี่ยเคลื่อนที่จะดีขึ้นเป็นเส้นค่าเฉลี่ยที่สนับสนุนและเส้นต้านทานหากราคาต่ำกว่าเส้นที่เหมาะสม 10 วันใน แนวโน้มอาจจะลดลงหรืออย่างน้อยตลาดอาจจะรวมถ้าราคาแตกเหนือค่าเฉลี่ยเคลื่อนที่ 10 วันในแนวโน้มลดลงแนวโน้มอาจจะลดลงหรือรวมในกรณีเหล่านี้จ้าง 10- และค่าเฉลี่ยเคลื่อนที่ 20 วันอยู่ด้วยกันและรอให้เส้น 10 วันข้ามด้านบนหรือด้านล่างบรรทัด 20 วันซึ่งจะเป็นตัวกำหนดทิศทางระยะสั้นถัดไปสำหรับราคาสำหรับระยะเวลาที่ยาวขึ้นให้ดู 100 และ 200 วัน ค่าเฉลี่ยเคลื่อนที่ในระยะยาวตัวอย่างเช่นการใช้ค่าเฉลี่ยเคลื่อนที่ 100 และ 200 วันหากค่าเฉลี่ยเคลื่อนที่ภายใน 100 วันต่ำกว่าค่าเฉลี่ย 200 วันจะเรียกว่าเครื่องหมายการเสียชีวิตและราคาที่ปรับลดลงสำหรับราคา A 100- วันเคลื่อนไหวเฉลี่ยที่ข้ามเหนือ 200 วันย้าย Ave. โกรธเรียกว่ากากบาทสีทองและเป็นที่พอใจมากสำหรับราคามันไม่สำคัญถ้า SMA หรือ EMA ใช้เพราะทั้งสองเป็นตัวชี้วัดแนวโน้มเฉพาะในระยะสั้นที่ SMA มีการเบี่ยงเบนเล็กน้อยจากคู่ของมัน, EMA ข้อสรุปค่าเฉลี่ยเคลื่อนที่เป็นพื้นฐานของการวิเคราะห์แบบแผนภูมิและเวลาการคำนวณค่าเฉลี่ยเคลื่อนที่แบบง่ายและค่าเฉลี่ยเคลื่อนที่เชิงเลขที่ซับซ้อนมากขึ้นจะช่วยให้เห็นภาพแนวโน้มโดยการปรับลดราคาการเคลื่อนไหวทางเทคนิคการวิเคราะห์ทางเทคนิคบางครั้งเรียกว่าศิลปะมากกว่าวิทยาศาสตร์ ซึ่งใช้เวลาหลายปีในการเรียนรู้ข้อมูลเพิ่มเติมในบทวิเคราะห์ทางเทคนิคของเราการสำรวจโดย US Bureau of Labor Statistics เพื่อช่วยในการวัดตำแหน่งงานว่างเก็บรวบรวมข้อมูลจากนายจ้างจำนวนเงินสูงสุดที่สหรัฐอเมริกาสามารถยืมได้สร้างเพดานหนี้ขึ้น ภายใต้พระราชบัญญัติตราสารหนี้เสรีภาพครั้งที่สองอัตราดอกเบี้ยที่สถาบันรับฝากเงินยืมเงินไว้ใน Federal Reserve ไปยังสถาบันรับฝากเงินแห่งอื่น 1 สถิติ การวัดผลการกระจายตัวของผลตอบแทนสำหรับการรักษาความปลอดภัยหรือดัชนีตลาดที่กำหนดความผันผวนสามารถวัดได้การกระทำรัฐสภาคองเกรสผ่านในปีพ. ศ. 2476 ตามพระราชบัญญัติการธนาคารซึ่งห้ามไม่ให้ธนาคารพาณิชย์เข้าร่วมในการลงทุนการจ่ายเงินเดือนของ Nonfarm หมายถึงงานใดนอก ของครัวเรือนฟาร์มเอกชนและภาคที่ไม่แสวงหาผลกำไร US Labor of Expectential Moving Average - EMA ลดลง Exponential Moving Average - EMA ทั้ง EMA และ EMA ยาวนาน 26 วันเป็นค่าเฉลี่ยระยะสั้นที่ได้รับความนิยมสูงสุดและมีการใช้งาน เพื่อสร้างตัวบ่งชี้เช่นความแตกต่างของค่าเฉลี่ยของการเคลื่อนตัว MACD และค่าร้อยละของค่าเฉลี่ย PPO โดยทั่วไป EMA 50 และ 200 วันจะถูกใช้เป็นสัญญาณของแนวโน้มในระยะยาวนักวิจัยที่ใช้การวิเคราะห์ทางเทคนิคพบค่าเฉลี่ยเคลื่อนที่ที่มีประโยชน์และลึกซึ้งเมื่อ ใช้อย่างถูกต้อง แต่สร้างความหายนะเมื่อใช้ไม่ถูกต้องหรือตีความผิดค่าเฉลี่ยเคลื่อนที่ทั้งหมดที่ใช้กันโดยทั่วไปในการวิเคราะห์ทางเทคนิคเป็นไปตามธรรมชาติของตัวชี้วัดที่ล้าหลัง ผลสรุปจากการใช้ค่าเฉลี่ยเคลื่อนที่ไปสู่กราฟตลาดหนึ่ง ๆ ควรเป็นไปเพื่อยืนยันการเคลื่อนไหวของตลาดหรือเพื่อบ่งชี้ถึงความแข็งแกร่งของมันโดยปกติแล้วช่วงเวลาที่เส้นค่าเฉลี่ยเคลื่อนที่ได้เปลี่ยนแปลงไปเพื่อสะท้อนถึงการเคลื่อนไหวที่สำคัญในตลาด จุดที่เหมาะสมที่สุดของการเข้าสู่ตลาดได้ผ่านไปแล้ว EMA จะช่วยลดภาวะที่กลืนไม่เข้าคายไม่ออกนี้ไปบ้างเพราะการคำนวณ EMA จะให้น้ำหนักมากขึ้นกับข้อมูลล่าสุดทำให้การดำเนินการด้านราคาอ่อนลงและตอบสนองได้เร็วขึ้นนี่เป็นสิ่งที่พึงปรารถนาเมื่อ EMA ใช้เป็นตัวบ่งชี้สัญญาณการซื้อขายการปรับค่า EMA เช่นเดียวกับตัวบ่งชี้ค่าเฉลี่ยเคลื่อนที่ทั้งหมดจะดีกว่าสำหรับตลาดที่มีแนวโน้มมากขึ้นเมื่อตลาดอยู่ในแนวรองรับที่แข็งแกร่งและยั่งยืนเส้น EMA จะแสดงแนวโน้มขาขึ้นและขาลง ในทางตรงกันข้ามสำหรับแนวโน้มลดลงผู้ประกอบการระมัดระวังจะไม่เพียง แต่ใส่ใจกับทิศทางของเส้น EMA แต่ยังความสัมพันธ์ของอัตราการเปลี่ยนแปลงจากแถบหนึ่งไปยังอีกตัวอย่างเช่นเป็นราคา การเปลี่ยนแปลงของ EMA จากแถบหนึ่งไปยังอีกแถบหนึ่งจะเริ่มลดลงไปจนกว่าจะถึงเวลาดังกล่าวที่บรรทัดตัวบ่งชี้จะราบเรียบและอัตราการเปลี่ยนแปลงเป็นศูนย์เนื่องจากผลกระทบที่ปกคลุมด้วยวัตถุฉนวนล้าหลังโดย จุดนี้หรือแม้กระทั่งไม่กี่บาร์ก่อนการกระทำของราคาควรได้กลับรายการแล้วดังนั้นจึงสังเกตได้ว่าการลดอัตราการเปลี่ยนแปลงของ EMA ที่สอดคล้องกันอาจเป็นตัวบ่งชี้ที่จะช่วยป้องกันภาวะที่กลืนไม่เข้าคายไม่ออกได้ ผลกระทบของการเคลื่อนย้าย averagesmon การใช้ EMA. EMAs มักใช้ร่วมกับตัวบ่งชี้อื่น ๆ เพื่อยืนยันการย้ายตลาดที่สำคัญและเพื่อวัดความถูกต้องของพวกเขาสำหรับผู้ค้าที่ค้าขายระหว่างวันและตลาดที่เคลื่อนไหวเร็ว EMA มีผลบังคับใช้มากนักค้ามักใช้ EMA เพื่อ กำหนดความลำเอียงการค้าตัวอย่างเช่นถ้า EMA ในแผนภูมิรายวันแสดงให้เห็นถึงแนวโน้มที่แข็งแกร่งขึ้นกลยุทธ์การค้าระหว่างวันอาจเป็นการค้าเฉพาะจากด้านยาวบนกราฟระหว่างวัน erage และ exponential smoothing models. As ขั้นตอนแรกในการย้ายเกินกว่ารุ่นหมายถึงแบบจำลองการเดินแบบสุ่มและแบบจำลองแนวโน้มเชิงเส้นรูปแบบ nonseasonal และแนวโน้มสามารถอนุมานโดยใช้รูปแบบการเคลื่อนที่เฉลี่ยหรือราบเรียบสมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือ ชุดเวลาเป็นแบบคงที่เฉพาะที่มีค่าเฉลี่ยที่แตกต่างกันอย่างช้าๆดังนั้นเราจึงใช้ค่าเฉลี่ยในท้องถิ่นที่เคลื่อนที่เพื่อประเมินค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและ กลยุทธ์แบบเดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่นค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่าเรียบเนียนของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลทำให้การกระแทกกระแทกเข้า ชุดเดิมโดยการปรับระดับของความเรียบของความกว้างของค่าเฉลี่ยเคลื่อนที่เราสามารถหวังที่จะตีบางชนิดของความสมดุลที่ดีที่สุดระหว่างการปฏิบัติงานของค่าเฉลี่ยและ rando แบบจำลองการเดินแบบ m แบบจำลองเฉลี่ยที่ง่ายที่สุดคือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักอย่างเท่าเทียมกันการคาดการณ์ค่า Y ณ เวลา t 1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่เรียบง่ายของการสังเกตการณ์ m ล่าสุด ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ Y-hat เพื่อทำนายเวลาของชุด Y ที่ทำในวันที่ก่อนหน้านี้ได้โดยรูปแบบที่กำหนดค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - m 1 2 ซึ่งหมายความว่าประมาณการของ ค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าที่แท้จริงของค่าเฉลี่ยของท้องถิ่นโดยประมาณระยะเวลา m 1 2 ดังนั้นเราจึงกล่าวว่าอายุเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่แบบง่ายคือ m 1 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูลตัวอย่างเช่นถ้าคุณใช้ค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะอยู่ที่ประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเหโปรดสังเกตว่าถ้า m 1, ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่แบบ SMA เทียบเท่ากับรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโตถ้า m มีขนาดใหญ่มากเทียบเท่ากับความยาวของระยะเวลาประมาณค่ารุ่น SMA เท่ากับรูปแบบค่าเฉลี่ยเช่นเดียวกับพารามิเตอร์ของรูปแบบการคาดการณ์ เพื่อปรับค่าของกี่ n เพื่อให้ได้ข้อมูลที่เหมาะสมที่สุดคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ยนี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่มีความแตกต่างกันไปอย่างช้าๆก่อนอื่นให้ลองพอดีกับการเดินแบบสุ่ม ซึ่งเทียบเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอมรูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วเพื่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จึงทำให้เกิดเสียงรบกวนมากขึ้นในข้อมูลความผันผวนแบบสุ่มรวมทั้งสัญญาณท้องถิ่น หมายความว่าถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ 5 เทอมเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่าการคาดการณ์อัตราการเคลื่อนที่แบบเคลื่อน 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้อายุเฉลี่ยของข้อมูลในข้อมูลนี้ คือ 3 5 1 2 ดังนั้นจึงมีแนวโน้มที่จะล้าหลังจุดหักเหโดยประมาณสามงวดตัวอย่างเช่นการชะลอตัวที่ดูเหมือนว่าจะได้เกิดขึ้นในระยะเวลา 21 แต่การคาดการณ์ไม่ได้หันไปรอบ ๆ จนกระทั่งหลายช่วงเวลาในภายหลัง. คาดการณ์ระยะสั้นจาก SMA mod el เป็นเส้นตรงแนวนอนเช่นเดียวกับในรูปแบบการเดินแบบสุ่มดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูลอย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตล่าสุดการคาดการณ์จาก แบบจำลอง SMA มีค่าเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุดค่าความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากการเพิ่มขึ้นของขอบฟ้าพยากรณ์อากาศคาดว่าจะไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีพื้นฐาน ทฤษฎีทางสถิติที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไรก็ตามไม่ยากเกินไปที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ในอีกขอบฟ้าตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตในรูปแบบ SMA ได้ จะใช้ในการคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ขั้นตอน ฯลฯ ภายในตัวอย่างข้อมูลทางประวัติศาสตร์จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในแต่ละการคาดการณ์ h orizon แล้วสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสมหากเราลองค่าเฉลี่ยเคลื่อนที่ 9- ระยะเราจะได้รับการคาดการณ์ที่ราบรื่นยิ่งขึ้นและอื่น ๆ ของผลปกคลุมด้วยวัตถุฉนวนอายุเฉลี่ยคือ ตอนนี้ 5 ช่วงเวลา 9 1 2 ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ระยะเวลา 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10. ข้อสังเกตว่าการคาดการณ์ในตอนนี้ล้าหลังจุดหักเหประมาณ 10 รอบระยะเวลาการปรับให้ราบเรียบเป็นสิ่งที่ดีที่สุดสำหรับชุดข้อมูลนี้ ตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขารวมทั้งค่าเฉลี่ยระยะเวลา 3 เดือนด้วย C model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ระยะ 5 วันให้ผลตอบแทนต่ำสุดของ RMSE โดยมีส่วนต่างเล็ก ๆ ในระยะสั้น 3 และค่าเฉลี่ยระยะเวลา 9 และ สถิติอื่น ๆ ของพวกเขาเกือบเหมือนกันดังนั้นในหมู่รุ่นที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าเราต้องการตอบสนองน้อยมากหรือเรียบขึ้นเล็กน้อยในการคาดการณ์กลับไปด้านบนของหน้าการเรียบง่ายชี้แจง Smoothing ชี้แจงถ่วงน้ำหนัก ค่าเฉลี่ยเคลื่อนที่เฉลี่ยที่อธิบายไว้ข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะปฏิบัติต่อข้อสังเกตสุดท้าย k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตก่อนหน้านี้ทั้งหมดอย่างสังหรณ์ใจข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นเช่นการสังเกตล่าสุดควร รับน้ำหนักน้อยกว่าครั้งที่ 2 ล่าสุดและครั้งที่ 2 ล่าสุดควรได้รับน้ำหนักน้อยกว่าครั้งที่ 3 ล่าสุดและอื่น ๆ รูปแบบ SES แบบเรียบง่ายทำให้สำเร็จนี่แสดงให้เห็นถึงการปรับให้เรียบตัวเลขระหว่าง 0 ถึง 1 วิธีหนึ่งในการเขียนแบบคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบันเช่นค่าเฉลี่ยของท้องถิ่นของชุดตั้งแต่ประมาณการข้อมูลจนถึงปัจจุบันค่าของ L ในเวลา t คำนวณจากค่าเดิมของตัวเองเช่นนี้ ดังนั้นค่าที่ปรับให้เรียบในปัจจุบันเป็นค่าการแทรกสอดระหว่างค่าที่ได้จากการเรียบก่อนหน้านี้กับการสังเกตการณ์ในปัจจุบันซึ่งจะควบคุมความใกล้ชิดของค่าที่ถูก interpolation ให้มากที่สุด การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ราบรื่นในปัจจุบันเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้านี้ในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ในเวอร์ชันแรกการคาดการณ์คือการแก้ไข ระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าโดยเศษส่วนเป็นจำนวนเล็กน้อยข้อผิดพลาดที่เกิดขึ้น ณ เวลา t ในรุ่นที่สามการคาดการณ์คือ ถ่วงน้ำหนักแบบทวีคูณคือค่าเฉลี่ยเคลื่อนที่ที่ลดลงพร้อมด้วยปัจจัยส่วนลด 1 รุ่นการแก้ไขของสูตรพยากรณ์เป็นวิธีที่ง่ายที่สุดหากคุณใช้โมเดลในสเปรดชีตที่พอดีในเซลล์เดียวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้ สังเกตและเซลล์ที่มีการจัดเก็บค่าของโปรดสังเกตว่าถ้า 1 รุ่น SES เทียบเท่ากับรูปแบบการเดินแบบสุ่ม hout growth ถ้า 0 โมเดล SES เท่ากับรุ่นค่าเฉลี่ยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของค่าเฉลี่ยของความยาวของข้อมูลในการพยากรณ์ความเรียบง่ายของเลขลำดับคือ 1 relative ถึงระยะเวลาที่คาดการณ์การคำนวณนี้ไม่ควรจะเป็นที่ชัดเจน แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหโดยประมาณ 1 ช่วงตัวอย่างเช่นเมื่อ 0 5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 0 2 ความล่าช้าเป็น 5 ช่วงเวลาที่ 0 1 ล่าช้าเป็น 10 ระยะเวลาและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุเช่นจำนวนเงินล่าช้าที่เรียบง่ายชี้แจง SES คาดการณ์ค่อนข้างดีกว่าการเคลื่อนไหวที่เรียบง่าย SMA คาดการณ์โดยเฉลี่ยเนื่องจากมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - มันตอบสนองต่อการเปลี่ยนแปลงที่เกิดขึ้นในอดีตไม่นานตัวอย่างเช่นแบบ SMA ที่มี 9 คำและแบบ SES มีค่าเฉลี่ย 0 จาก 5 สำหรับ da ta ในการคาดการณ์ของพวกเขา แต่รูปแบบ SES ทำให้น้ำหนักมากขึ้นในช่วง 3 ค่ากว่ารุ่น SMA และในเวลาเดียวกันมัน doesn t ลืมอย่างสิ้นเชิงเกี่ยวกับค่ามากกว่า 9 งวดเก่าดังแสดงในแผนภูมินี้อีกหนึ่งข้อได้เปรียบที่สำคัญของ แบบจำลอง SES เหนือโมเดล SMA คือแบบจำลอง SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่องดังนั้นจึงสามารถปรับให้เหมาะสมโดยใช้อัลกอริธึมการแก้ปัญหาเพื่อลดข้อผิดพลาดของกำลังเฉลี่ยเฉลี่ยค่าที่เหมาะสมที่สุดในโมเดล SES สำหรับชุดข้อมูลนี้จะปรากฏออกมา เป็น 0 2961 ตามที่แสดงไว้ที่นี่อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 1 0 2961 3 4 รอบระยะเวลาซึ่งคล้ายกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะยาวการคาดการณ์ในระยะยาวจากรูปแบบ SES คือ แนวเส้นตรงในแนวนอนเช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเจริญเติบโตอย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างในรูปแบบที่สมเหตุสมผลและพวกเขามีความแคบกว่าช่วงความเชื่อมั่นสำหรับแรนด์ om walk model รุ่น SES สันนิษฐานว่าซีรีส์มีความสามารถในการคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่มโมเดล SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีทางสถิติของรูปแบบ ARIMA จึงเป็นพื้นฐานสำหรับการคำนวณช่วงความเชื่อมั่นสำหรับ แบบจำลอง SES โดยเฉพาะแบบจำลอง SES เป็นแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีนัยสำคัญระยะ MA 1 และไม่มีระยะคงที่เรียกอีกอย่างว่ารูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่ค่าสัมประสิทธิ์ของ MA1 ในรูปแบบ ARIMA สอดคล้องกับ ปริมาณ 1 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณมีรูปแบบ ARIMA 0,1,1 โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA 1 โดยประมาณจะเท่ากับ 0 7029 ซึ่งใกล้เคียงกับ 0 2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES เมื่อต้องการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันและ MA 1 ระยะโดยมีค่าคงที่คือ ARIMA 0,1,1 รุ่น คงที่การคาดการณ์ระยะยาวจะ จากนั้นมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมดคุณไม่สามารถดำเนินการนี้ร่วมกับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อมีการตั้งค่าชนิดของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มค่าคงที่ที่ยาวได้ การขยายตัวของอัตราเงินเฟ้อที่เหมาะสมต่องวดสามารถคำนวณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลใน ร่วมกับการแปลงลอการิทึมธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาวกลับไปด้านบนของหน้าการคำนวณของ Linear คือการสร้าง Smoothing แบบ Double Exponential แบบ SMA และ SES สมมติว่าไม่มีแนวโน้มของ ชนิดใดในข้อมูลซึ่งมักจะเป็นอย่างน้อยหรืออย่างน้อยไม่มากเกินไปสำหรับการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อข้อมูลมีความไม่แน่นอน sy และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นที่คงที่ดังที่แสดงไว้ด้านบนแนวโน้มในระยะสั้นถ้าชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องใช้ คาดการณ์ล่วงหน้ามากกว่า 1 รอบแล้วการประมาณแนวโน้มภายในอาจเป็นปัญหาได้รูปแบบเรียบง่ายชี้แจงสามารถสรุปเพื่อให้ได้รูปแบบ LES แบบเรียบที่อธิบายถึงการประมาณการในระดับท้องถิ่นและระดับแนวโน้มแนวโน้มที่ต่างกันง่ายที่สุด เป็นแบบจำลองการให้ความเรียบแบบเสี้ยวของแบบสีน้ำตาลซึ่งใช้สองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่างๆในเวลาสูตรการคาดการณ์จะขึ้นอยู่กับการอนุมานของเส้นผ่านสองศูนย์รูปแบบที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt s คือ กล่าวถึงด้านล่างรูปแบบเกี่ยวกับพีชคณิตของรูปแบบการเรียบแบบเสียดสีของเส้นสีน้ำตาลเช่นเดียวกับรูปแบบการเรียบง่ายที่ชี้แจงสามารถแสดงออกได้ในจำนวนที่แตกต่างกัน รูปแบบมาตรฐานรูปแบบมาตรฐานของรูปแบบนี้มักจะแสดงเป็นดังนี้ปล่อยให้ S หมายถึงชุดที่เรียบโดยใช้การเรียบอย่างง่ายแทนชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย จำได้ว่าภายใต้การเรียบง่ายชี้แจงนี้จะเป็นที่คาดการณ์สำหรับ Y ที่ระยะเวลา t 1 แล้วให้ S หมายถึงชุดทวีคูณเรียบเรียงได้โดยใช้การเรียบง่ายชี้แจงโดยใช้ชุดเดียวกันในท้ายที่สุดการคาดการณ์สำหรับ Y tk สำหรับใด ๆ k 1 ให้ผลตอบแทน e 1 0 คือโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตแรกที่เกิดขึ้นจริงและ e 2 Y 2 Y 1 หลังจากที่มีการคาดคะเนโดยใช้สมการข้างต้นนี้จะให้ค่าที่เหมือนกัน เป็นสูตรขึ้นอยู่กับ S และ S ถ้าเริ่มต้นขึ้นโดยใช้ S 1 S 1 Y 1 รุ่นของรูปแบบนี้จะใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบเรียงชี้แจงกับการปรับตามฤดูกาลฮอลแลนด์ s Linear Exponential Smoothing. Brown แบบจำลอง LES คำนวณค่าประมาณและระดับท้องถิ่นโดยการให้ข้อมูลที่ราบรื่น แต่ความจริงที่ว่าด้วยพารามิเตอร์ smoothing เดียวทำให้ข้อ จำกัด ในรูปแบบข้อมูลที่สามารถปรับให้พอดีกับระดับและแนวโน้มไม่ได้รับอนุญาตให้เปลี่ยนแปลงไป ที่ อัตราที่เป็นอิสระแบบจำลอง Holt s LES ระบุถึงปัญหานี้โดยการรวมค่าคงที่สองค่าหนึ่งค่าหนึ่งค่าหนึ่งค่าหนึ่งค่าเทรนด์ ณ เวลาใด ๆ t ในรูปแบบของ Brown มีการประมาณการ L t ของระดับท้องถิ่นและค่าประมาณ T t ของแนวโน้มในท้องถิ่นที่นี่พวกเขาจะคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การทำให้เกิดการแจกแจงแบบเอกซ์โพเนนเชียลให้แก่พวกเขาแยกกันหากระดับและแนวโน้มโดยประมาณในเวลา t-1 คือ L t 1 และ T t-1 ตามลำดับจากนั้นการคาดการณ์สำหรับ Y t ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณที่ปรับปรุงใหม่ของ ระดับจะถูกคำนวณโดยการ interpolating ระหว่าง Y t และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของและ 1. การเปลี่ยนแปลงในระดับโดยประมาณคือ L t L t 1 สามารถตีความได้ว่าเป็นการวัดความดังของ แนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดย recolive โดย interpolating ระหว่าง L t t t 1 และการประมาณการก่อนหน้านี้ของแนวโน้ม T t-1 โดยใช้น้ำหนักของและ 1. การตีความของค่าคงที่ของการปรับความเรียบของกระแสจะคล้ายคลึงกับค่าคงตัวของระดับที่คงที่ด้วยค่าเล็กน้อยที่สมมติว่าแนวโน้มการเปลี่ยนแปลง เพียงอย่างช้า ๆ เมื่อเวลาผ่านไปในขณะที่แบบจำลองที่มีขนาดใหญ่สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็วขึ้นโมเดลที่มีขนาดใหญ่เชื่อว่าอนาคตที่ห่างไกลมีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการประมาณค่าแนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วงเวลา ของค่าคงที่ของหน้าและสามารถประมาณได้ตามปกติโดยการลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอนเมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 0 3048 และ 0 008 ค่าที่น้อยมากของ หมายความว่ารูปแบบสมมติการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปอีกดังนั้นโดยทั่วไปรุ่นนี้พยายามที่จะประมาณแนวโน้มระยะยาวโดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณ t เขาระดับท้องถิ่นของซีรีส์อายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 แม้ว่าจะไม่เท่ากันก็ตามในกรณีนี้จะกลายเป็น 1 0 006 125 นี่เป็นตัวเลขที่แม่นยำมาก เนื่องจากความถูกต้องของการประมาณเลขที่จริง 3 ตำแหน่งทศนิยม แต่เป็นลำดับเดียวกันของขนาดเป็นขนาดตัวอย่าง 100 ดังนั้นรูปแบบนี้จึงเป็นค่าเฉลี่ยมากกว่าค่อนข้างมากในประวัติศาสตร์ในการประมาณแนวโน้มพล็อตการคาดการณ์ ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นที่มีขนาดใหญ่กว่าเล็กน้อยในตอนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่โดยประมาณในรูปแบบแนวโน้ม SES นอกจากนี้ค่าประมาณของเกือบจะเหมือนกันกับค่าที่ได้จากการปรับรุ่น SES โดยมีแนวโน้มหรือไม่มีแนวโน้ม ดังนั้นนี่เป็นรูปแบบเดียวกันเกือบทุกวันนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับแบบจำลองที่คาดว่าจะเป็นการประมาณแนวโน้มในระดับท้องถิ่นหากคุณทำแผนผังเรื่องนี้ให้ดูราวกับว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของ ซีรีส์ Wh ที่เกิดขึ้นพารามิเตอร์ของโมเดลนี้ได้รับการประมาณโดยการลดข้อผิดพลาดของการคาดการณ์ล่วงหน้า 1 ขั้นตอนโดยไม่ จำกัด การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนักหากคุณกำลังมองหาสิ่งที่ได้คือ 1 ข้อผิดพลาดที่เกิดขึ้นล่วงหน้าคุณจะไม่เห็นภาพใหญ่ของแนวโน้มมากกว่าพูด 10 หรือ 20 รอบระยะเวลาเพื่อให้ได้รูปแบบนี้มากขึ้นสอดคล้องกับการคาดการณ์ลูกตาของข้อมูลของเราเราสามารถปรับแนวโน้มคงที่เรียบเพื่อที่จะ ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้มตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 0 1 อายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในพื้นที่มีระยะเวลา 10 ช่วงซึ่งหมายความว่าเราใช้ค่าเฉลี่ยของแนวโน้มในช่วง 20 ช่วงที่ผ่านมา นี่คือพล็อตพล็อตที่คาดการณ์ไว้ถ้าเราตั้งค่า 0 1 ขณะที่รักษา 0 3 นี่ดูเหมาะสมสำหรับซีรีส์นี้แม้ว่าจะอาจเป็นไปได้ที่จะคาดการณ์แนวโน้มนี้เกินกว่า 10 งวดในอนาคตสิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือ การเปรียบเทียบโมเดล f หรือแบบจำลองสองแบบที่แสดงข้างต้นรวมทั้งสามแบบ SES ค่าที่ดีที่สุดของแบบจำลอง SES อยู่ที่ประมาณ 0 3 แต่ผลที่คล้ายคลึงกันกับการตอบสนองเล็กน้อยหรือน้อยกว่าตามลำดับจะได้รับกับ 0 5 และ 0 2. การคำนวณสมการเชิงเส้นของ Holt กับอัลฟา 0 3048 และเบต้า 0 008 การคำนวณเชิงเส้นของ B Holt ด้วยอัลฟา 0 3 และเบต้า 0 1. ซีสมูทเอ็มโพเนนเชียลที่เรียบง่ายด้วยอัลฟา 0 5. D การเรียบง่ายแบบเอ็กซ์โปนเนนด้วยอัลฟา 0 3. อีเรียบเนียนเรียบด้วย alpha 0 2 สถิติของพวกเขาเกือบเหมือนกันดังนั้นเราจึงไม่สามารถเลือกทางเลือกตามข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูลเราต้องย้อนกลับไปในการพิจารณาอื่น ๆ หากเราเชื่อมั่นว่าการสร้างฐานในปัจจุบันเป็นเรื่องที่เหมาะสม การประมาณแนวโน้มของสิ่งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 0 3 และ 0 1 ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับภูมิภาคแล้วหนึ่งในโมเดล SES อาจ ง่ายกว่าที่จะอธิบายและยังจะให้มากขึ้น middl การคาดการณ์ e-of-the-road สำหรับถัดไป 5 หรือ 10 รอบระยะเวลาย้อนกลับไปด้านบนของหน้าประเภทของแนวโน้มการอนุมานที่ดีที่สุดในแนวนอนหรือเชิงเส้นหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าถ้าข้อมูลได้รับการปรับแล้วถ้าจำเป็นสำหรับอัตราเงินเฟ้อแล้ว มันอาจจะไม่ระมัดระวังในการคาดการณ์แนวโน้มเชิงเส้นระยะสั้นมากไปไกลในอนาคตแนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตเนื่องจากสาเหตุที่แตกต่างกันเช่นล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและ downturns วัฏจักรหรือ upturns ในอุตสาหกรรมด้วยเหตุนี้ชี้แจงอย่างง่าย การทำให้เรียบมักจะมีประสิทธิภาพดีกว่าตัวอย่างอื่น ๆ ที่คาดไว้แม้ว่าจะมีการคาดการณ์เกี่ยวกับแนวโน้มในแนวนอนที่ไร้เดียงสาการปรับเปลี่ยนรูปแบบการปรับตัวของแบบจำลองการเยื้องแบบเชิงเส้นแบบเชิงเส้นมักใช้ในการแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม รูปแบบ LES สามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA 1,1,2 model. It สามารถคำนวณช่วงความเชื่อมั่น arou การคาดการณ์ในระยะยาวครั้งที่ผลิตโดยแบบจำลองการทำให้เป็นรูปเป็นร่างโดยการพิจารณาว่าเป็นกรณีพิเศษของโมเดล ARIMA ระวังซอฟต์แวร์ทั้งหมดไม่คำนวณช่วงความเชื่อมั่นสำหรับโมเดลเหล่านี้อย่างถูกต้องความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ i ข้อผิดพลาด RMS ของรุ่น ii ประเภท ของการเรียบง่ายหรือเชิงเส้น iii ค่าของการทำให้ราบเรียบคงที่ s และ iv จำนวนรอบระยะเวลาก่อนที่คุณจะคาดการณ์โดยทั่วไประยะห่างกระจายออกได้เร็วขึ้นตามที่ได้รับขนาดใหญ่ในรูปแบบ SES และพวกเขากระจายออกได้เร็วขึ้นมากเมื่อเส้นตรงมากกว่าง่าย เรียบใช้หัวข้อนี้จะกล่าวถึงต่อไปในส่วนแบบ ARIMA ของบันทึกย่อกลับไปด้านบนของหน้า