Eksponensiële Bewegende Gemiddelde Ontbrekende Waardes

'N Eenvoudige en algemene metode vir die invul van ontbrekende data, as jy loop van 'n volledige data het, is om Lineêre regressie gebruik. Sê jy 1000 lopies van 5 in 'n ry met geen ontbreek. Stel die 1000 x 1 vektor y en 1000 x 4 matriks X: Regressie sal jy 4 nommers A B C D wat 'n beste wedstryd gee vir jou 1000 rye data mdash verskillende data, anders A B C D gee. Dan gebruik jy hierdie A B C D om te skat (voorspel, interpoleer) ontbreek wt0. (Vir menslike gewigte, Id verwag ABCD aan almal rondom 04/01 wees.) (Daar is Honderde boeke en artikels oor regressie, op alle vlakke. Vir die verband met interpolasie, al is, ek weet nie van 'n goeie inleiding iemand) Ek 'n deurlopende waarde waarvoor id graag 'n eksponensiële bewegende gemiddelde te bereken. Normaalweg id gebruik net die standaard formule hiervoor: waar S n die nuwe gemiddelde, Alpha is die alfa, Y is die monster, en S N-1 is die vorige gemiddelde. Ongelukkig, as gevolg van verskeie kwessies Ek het nie 'n konsekwente monster tyd. Ek kan weet ek kan proe op die meeste, sê, een keer per millisekonde, maar as gevolg van faktore buite my beheer, kan ek nie in staat wees om 'n monster te neem vir 'n paar millisekondes op 'n slag. A waarskynlik meer algemeen geval, egter, is dat ek eenvoudig monster 'n bietjie vroeg of laat: in plaas van monsterneming by 0, 1 en 2 ms. Ek proe by 0, 0.9 en 2.1 Me. Ek het verwag dat, ongeag van vertragings, sal my monsterfrekwensie ver, ver bo die Nyquist limiet, en dus ek hoef nie bekommerd oor aliasing. Ek reken dat ek kan gaan met hierdie in 'n min of meer redelike wyse deur wisselende die alfa toepaslik, gebaseer op die lengte van die tyd sedert die laaste voorbeeld. Deel van my redenasie dat dit sal werk, is dat die EMO interpolates lineêr tussen die vorige data punt en die huidige een. As ons kyk na die berekening van 'n EMO van die volgende lys van monsters met tussenposes t: 0,1,2,3,4. Ons moet dieselfde resultaat te kry as wat ons gebruik interval 2t, waar die insette geword 0,2,4, reg As die EMO het aanvaar dat, by t 2 ter waarde het 2 sedert t 0. wat dieselfde is as die interval t berekening berekening op 0,2,2,4,4, wat sy nie doen sou wees. Of beteken dit sin maak glad Kan iemand my vertel hoe om wissel die alfa gepas Dui asseblief jou werk. Maw wys my die wiskunde wat bewys dat jou metode regtig doen die regte ding. gevra 21 Junie 09 by 13:05 Jy shouldn39t dieselfde EMO vir verskillende insette te kry. Dink aan EMO as 'n filter, monsterneming by 2t is gelykstaande aan af steekproefneming, en die filter gaan na 'n ander uitset gee. Dit vir my duidelik sedert 0,2,4 bevat hoër frekwensie komponente as 0,1,2,3,4. Tensy die vraag is, hoe kan ek die filter verander op die vlieg te maak dit dieselfde uitset gee. Dalk mis ek iets uitvoering Free Space 21 Junie 09 by 15:52 Maar die insette is nie verskillende, it39s net minder dikwels getoets. 0,2,4 met tussenposes 2t is soos 0, 2, 4 met tussenposes t, waar die blyk dat die monster geïgnoreer uitvoering maak Curt Sampson 21 Junie 09 om 23:45 Dit antwoord op grond van my goeie begrip van lae-pass filters (eksponensiële bewegende gemiddelde is regtig net 'n enkel-paal laagdeurlaatfilter), maar my vaag begrip van wat jy soek. Ek dink die volgende is wat jy wil hê: Eerstens, kan jy jou vergelyking 'n bietjie (lyk meer ingewikkeld, maar sy makliker in kode) te vereenvoudig. Im gaan Y gebruik vir produksie en X vir insette (in plaas van S vir uitvoer en Y vir insette, soos jy gedoen het). Tweedens, die waarde van alfa hier is gelyk aan 1-e - Deltat / TLU waar Deltat is die tyd tussen monsters, en TLU is die tydkonstante van die laaglaatfilter. Ek sê gelyke in aanhalingstekens, want dit werk goed wanneer Deltat / TLU is klein in vergelyking met 1, en alfa 1-e - Deltat / TLU asymp Deltat / TLU. (Maar nie te klein: youll loop in quantizing kwessies, en tensy jy terugval op 'n eksotiese tegnieke wat jy gewoonlik nodig om 'n ekstra N stukkies resolusie in jou toestand veranderlike S, waar N - Teken 2 (alfa).) Vir groter waardes van Deltat / TLU die filter effek begin om te verdwyn, totdat jy die punt waar Alpha is naby aan 1 en julle basies net die toeken van die insette om die uitset. Dit moet behoorlik werk met wisselende waardes van Deltat (die variasie van Deltat is nie baie belangrik solank Alpha is klein, anders sal jy hardloop in 'n paar eerder vreemd Nyquist kwessies / aliasing / ens), en as jy is besig om op 'n verwerker waar vermenigvuldiging is goedkoper as afdeling, of vaste punt kwessies is belangrik, precalculate omega 1 / TLU, en oorweeg probeer om die formule vir Alpha benader. As jy regtig wil weet hoe om die formule alfa 1-e - Deltat / TLU lei dan kyk sy differensiaalvergelyking bron: wat, wanneer X is 'n eenheid stap funksie, het die oplossing Y 1 - e t / TLU. Vir klein waardes van Deltat, kan die afgeleide benader word deur DeltaY / Deltat, opbrengs Y TLU DeltaY / Deltat X DeltaY (XY) (Deltat / TLU) alfa (XY) en die ekstrapolasie van alfa 1-e - Deltat / TLU kom uit probeer om aan te pas tot die gedrag met die eenheid stap funksie geval. Kan jy uitbrei oor die quottrying aan te pas om die behaviorquot deel ek verstaan ​​jou kontinue-tyd oplossing Y 1 - exp (-t47) en sy veralgemening 'n afgeskaal stap funksie met grootte x en aanvanklike toestand y (0). maar I39m nie sien hoe hierdie idees saam te stel om jou resultaat te bereik. uitvoering maak Rhys Ulerich 4 Mei 13 aan 22:34 Dit is nie 'n volledige antwoord nie, maar kan die begin van een. Sy sover ek het met hierdie in 'n uur of so van speel Im plaas dit as 'n voorbeeld van wat Im op soek na, en miskien 'n inspirasie vir ander werk aan die probleem. Ek begin met S 0. wat is die gemiddelde as gevolg van die vorige gemiddelde s -1 en die monster Y 0 geneem by t 0. (T 1 - t 0) is my voorbeeld interval en Alpha is ingestel op alles wat geskik is vir daardie monster interval en die tydperk waaroor ek wil gemiddeld. Ek het gesien hoe wat gebeur as ek die monster by t 1 mis en plaas moet klaarkom met die monster Y 2 geneem by t 2. Wel, kan ons begin deur die uitbreiding van die vergelyking om te sien wat sou gebeur het as ons Y 1 gehad het: Ek sien dat die reeks lyk oneindig verleng hierdie manier, want ons kan vervang die S N in die regterkant onbepaald: Ok , sodat sy nie regtig 'n polinoom (dom my), maar as ons die aanvanklike termyn vermenigvuldig met een, sien ons dan 'n patroon: Hm: sy 'n eksponensiële reeks. Quelle verrassing Verbeel uit te kom van die vergelyking vir 'n eksponensiële bewegende gemiddelde Dus in elk geval, ek het hierdie x 0 x 1 x 2 x 3. ding aan die gang, en Im seker Im ruik e of 'n natuurlike logaritme skop hier rond, maar ek kan nie onthou waar ek was op pad langs voordat ek tyd uitgehardloop het. Enige antwoord op hierdie vraag, of enige bewys van korrektheid van so 'n antwoord, hoogs afhanklik van die data jy meet. As jou monsters is geneem by t 0 0ms. t 1 0.9ms en t 2 2.1ms. maar jou keuse van Alpha is gebaseer op 1-me-intervalle, en dus wat jy wil 'n plaaslik aangepas Alpha N. die bewys van die korrektheid van die keuse sou beteken om te weet die monster waardes by t1ms en t2ms. Dit lei tot die vraag: Kan jy jou data interpoleer resonably om sane raaiskote oor wat tussenin waardes kon gewees het, of jy kan selfs interpoleer die gemiddelde self As nie een van hierdie is moontlik, dan is sover ek dit sien, die logiese keuse van 'n in-tussen waarde Y (t) is die mees onlangs bereken gemiddelde. maw Y (t) asymp S N waar n maxmial sodanig dat T N LTT. Hierdie keuse het 'n eenvoudige gevolg: Laat Alpha alleen, maak nie saak wat die tydsverskil was. As, Aan die ander kant, is dit moontlik om jou waardes interpoleer, dan sal dit jou averagable konstante-interval monsters gee. Laastens, as sy selfs moontlik om die gemiddelde self interpoleer, wat sou die vraag betekenisloos maak. antwoord 21 Junie 09 by 15:08 balpha 9830 25.8k 9679 9 9679 84 9679 115 Ek sou dink ek kan my data interpoleer: gegee dat I39m monsterneming dit op diskrete intervalle, I39m doen al so met 'n standaard EMO In elk geval, aanvaar dat ek nodig het 'n quotproofquot wat wys dit werk, asook 'n standaard EMO, wat ook sal 'n verkeerde gevolg produseer indien die waardes nie redelik vlot verander tussen monster tydperke. â € Curt Sampson 21 Junie 09 by 15:21 Maar that39s wat I39m gesê: As jy die EMO oorweeg 'n interpolasie van jou waardes, you39re gedoen as jy alfa laat soos dit is (omdat die inbring van die mees onlangse gemiddelde as Y die gemiddelde doesn39t verander) . As jy sê dat jy iets wat sowel quotworks as 'n standaard EMAquot nodig - what39s fout met die oorspronklike Tensy jy meer inligting oor die data you39re meet, sal 'n plaaslike aanpassings aan alfa op sy beste arbitrêre wees. â € balpha 9830 21 Junie 09 by 15:31 Ek sal die alfa waarde uitlos, en die ontbrekende data in te vul. Aangesien jy nie weet wat gebeur tydens die tyd wanneer jy monster kan nie, kan jy die monsters te vul met 0'e, of in besit wees van die vorige waarde stabiele en gebruik daardie waardes vir die EMO. Of 'n paar agtertoe interpolasie wanneer jy 'n nuwe monster, vul in die ontbrekende waardes, en recompute die EMO. Wat ek probeer by te kry is jy 'n inset xn wat gate het. Daar is geen manier om die waarheid te sê jy mis data te kry. Sodat jy kan 'n bevel in die hande nul gebruik, of sit dit aan nul, of 'n soort van interpolasie tussen xn en xnM. waar m die aantal vermiste monsters en N die begin van die gaping. Moontlik selfs met behulp van waardes voor n. antwoord 21 Junie 09 by 13:35 Van spandeer 'n uur of so mucking oor 'n bietjie met die wiskunde vir hierdie, ek dink dat net die verandering van die alfa eintlik die behoorlike interpolasie tussen die twee punte wat jy praat oor sal gee my nie, maar in 'n baie makliker manier. Verder dink ek dat wisselende die alfa sal ook properply hanteer monsters geneem tussen die standaard monsterneming tussenposes. Met ander woorde, I39m op soek na wat jy beskryf, maar probeer om wiskunde te gebruik om uit te vind die eenvoudige manier om dit te doen. â € Curt Sampson 21 Junie 09 by 14:07 Ek don39t dink daar is so 'n dier as quotproper interpolationquot. Jy don39t net weet wat gebeur het in die tyd wat jy is nie monsterneming. Goeie en slegte interpolasie impliseer 'n bietjie kennis van wat jy gemis het, omdat jy nodig het om te meet teen daardie om te oordeel of 'n interpolasie is goed of sleg. Alhoewel dit gesê, kan jy beperkings plaas, dit wil sê met 'n maksimum versnelling, spoed, ens Ek dink as jy nie weet hoe om die vermiste datamodel, dan sal jy net 'n model van die vermiste data, dan pas die EMO algoritme met geen verandering, eerder as die verandering van alfa. Net my 2c :) â € Free Space 21 Junie 09 by 14:17 Dit is presies wat ek besig was om te in my wysig om die vraag 15 minute gelede: quotYou eenvoudig don39t weet wat gebeur het in die tyd wat jy is nie steekproefneming, quot maar that39s ware selfs as jy proe aan elke aangewese interval. So my Nyquist nadenke: so lank as wat jy weet die golf vorm doesn39t verandering aanwysings meer as elke paar monsters, die werklike voorbeeld interval shouldn39t saak, en moet in staat wees om te wissel. Die EMO vergelyking lyk vir my presies te bereken asof die golfvorm lineêr verander van die laaste monster waarde tot die huidige een. â € Curt Sampson 21 Junie 09 by 14:26 Ek don39t dink dit is heeltemal waar nie. Nyquist39s stelling vereis vereis ten minste 2 voorbeelde per tydperk in staat wees om die sein uniek identifiseer. As jy don39t dit te doen, kry jy aliasing. Dit sou dieselfde wees as voorbeeld as FS1 vir 'n tyd, dan fs2, dan terug na FS1 wees, en jy aliasing in die data wanneer jy monster met fs2 as fs2 is onder die Nyquist limiet. Ek moet ook erken dat ek nie verstaan ​​wat jy bedoel met quotwaveform veranderinge lineêr van verlede monster huidige onequot. Kan jy asseblief verduidelik Cheers, Steve. â € Free Space 21 Junie 09 by 14:36 ​​Dit is soortgelyk aan 'n oop probleem op my todo lys. Ek het 'n skema uitgewerk tot 'n mate, maar het nie 'n wiskundige werk om hierdie voorstel nog terug. Dateer opsomming amp: wil graag die smoothing faktor (alfa) onafhanklik van die vergoeding faktor (wat ek verwys as beta hier) te hou. Jasons uitstekende antwoord hier reeds aanvaar werk baie goed vir my. As jy ook die tyd sedert die laaste monster geneem is (in afgeronde veelvoude van jou konstante monsterneming tyd - so 7,8 ms sedert verlede monster sal wees 8 eenhede) kan meet, kan dit gebruik word om die glad verskeie kere toe te pas. Pas die formule 8 keer in hierdie geval. Jy het effektief gemaak glad bevooroordeeld meer in die rigting van die huidige waarde. Om 'n beter glad te kry, moet ons die alfa aanpas, terwyl die toepassing van die formule 8 keer in die vorige geval. Wat sal hierdie smoothing benadering mis Dit het reeds gemis 7 monsters in die voorbeeld hierbo Dit is benader in stap 1 met 'n plat heraansoek van die huidige waarde 'n bykomende 7 keer as ons 'n benadering faktor beta wat aangewend sal word saam met alfa definieer (soos alphabeta in plaas van net alfa), sal ons die veronderstelling dat die 7 gemis monsters is glad verandering tussen die vorige en huidige monster waardes. antwoord 21 Junie 09 by 13:35 Ek het dink oor hierdie, maar 'n bietjie van mucking oor die wiskunde het my tot die punt waar ek glo dat, eerder as om die toepassing van die formule agt keer met die monster waarde, kan ek 'n berekening te doen van 'n nuwe alfa wat my sal toelaat om die formule een keer aansoek doen, en gee my dieselfde resultaat. Verder sou dit outomaties te gaan met die probleem van monsters verreken uit presiese voorbeeld keer. â € Curt Sampson 21 Junie 09 by 13:47 Die enkele aansoek in orde is. Wat ek is nie seker oor nog is hoe goed is die aanpassing van die 7 ontbrekende waardes. As die voortdurende beweging oor die 8 millisekondes maak die waarde beweging 'n baie, kan die benaderings nogal uit die werklikheid. Maar, dan as jy monsterneming by 1ms (hoogste resolusie uitgesluit die vertraagde monsters) het jy reeds die beweging uitgepluis binne 1ms is nie relevant. Is hierdie redenasie werk vir jou (ek is nog steeds probeer om myself te oortuig). â € nik 21 Junie 09 by 14:08 Reg. Dit is die faktor beta van my beskrywing. 'N beta faktor sal bereken word op grond van die verskil interval en die huidige en vorige monsters. Die nuwe Alpha sal wees (alphabeta), maar dit sal slegs gebruik word vir daardie monster. Terwyl jy blyk te wees 39moving39 die alfa in die formule, ek is geneig om die rigting van konstante alfa (glad faktor) en 'n onafhanklik bereken beta (a tuning faktor) wat vergoed vir monsters nou net gemis. â € nik 21 Junie 09 by 15: 23Smoothing Smoothing en filter is twee van die mees algemeen gebruikte tydreekse tegnieke vir die verwydering van die geraas van die onderliggende data te help openbaar die belangrikste kenmerke en komponente (bv tendens, seisoenaliteit, ens). Ons kan egter ook gebruik glad in ontbrekende waardes te vul en / of uit te voer 'n skatting. In hierdie uitgawe, sal ons bespreek vyf (5) verskillende glad metodes: geweeg bewegende gemiddelde (WBG i), eenvoudige eksponensiële gladstryking, dubbel eksponensiële gladstryking, lineêre eksponensiële gladstryking, en trippel eksponensiële gladstryking. Hoekom moet ons omgee Smoothing is baie dikwels gebruik (en misbruik) in die bedryf om 'n vinnige visuele ondersoek van die data eienskappe (bv tendens, seisoenaliteit, ens), pas in ontbrekende waardes maak, en uit te voer 'n vinnige buite-monster voorspelling. Waarom moet ons so baie glad funksies Soos ons sal sien in hierdie vraestel, elke funksie werk vir 'n ander aanname oor die onderliggende data. Byvoorbeeld, eenvoudige eksponensiële gladstryking aanvaar die data het 'n stabiele gemiddelde (of ten minste 'n stadig bewegende gemiddelde), so eenvoudig eksponensiële gladstryking sal sleg vaar in vooruitskatting data uitstal seisoenaliteit of 'n tendens. In hierdie vraestel, sal ons gaan oor elke smoothing funksie, na vore te bring sy aannames en parameters, en die toepassing daarvan deur voorbeelde te demonstreer. Geweegde bewegende gemiddelde (WBG) 'n bewegende gemiddelde is algemeen gebruik word met tydreeksdata te stryk korttermynskommelings en na vore te bring die langer termyn tendense of siklusse. 'N Geweegde bewegende gemiddelde het faktore vermenigvuldig om verskillende gewigte om data te gee op verskillende posisies in die monster venster. Die geweegde bewegende gemiddelde het 'n vaste venster (bv N) en die faktore is tipies gekies om gegewe meer gewig aan onlangse waarnemings. Die venster grootte (N) bepaal die aantal punte gemiddeld by elke keer, so 'n groter vensters grootte is minder gevoelig vir nuwe veranderinge in die oorspronklike tyd reeks en 'n klein venster grootte kan veroorsaak dat die reëlmatige uitset na lawaaierige wees. Want uit monster vooruitskatting doeleindes: Voorbeeld 1: Kom kyk na maandelikse verkope vir Maatskappy X, met behulp van 'n 4-maande (gelyk-geweegde) bewegende gemiddelde. Let daarop dat die bewegende gemiddelde altyd agter die data en die buite-monster voorspelling konvergeer na 'n konstante waarde. Kom ons probeer om 'n gewig skema (sien onder) wat meer klem op die nuutste waarneming gee gebruik. Ons geplot die gelyke-geweegde bewegende gemiddelde en WBG op dieselfde grafiek. Die WBG lyk meer reageer op onlangse veranderings en die buite-monster voorspelling konvergeer om dieselfde waarde as die bewegende gemiddelde. Voorbeeld 2: Kom ons kyk na die WBG in die teenwoordigheid van die tendens en seisoenaliteit. Vir hierdie voorbeeld, goed gebruik maak van die internasionale data passasier lugredery. Die bewegende gemiddelde venster is 12 maande. Die MA en die WBG tred hou met die tendens, maar die buite-monster voorspelling plat. Verder, hoewel die WBG vertoon 'n aantal seisoenaliteit, dit is altyd agter die oorspronklike data. (Browns) Eenvoudige Eksponensiële Smoothing Eenvoudige eksponensiële gladstryking is soortgelyk aan die WBG, met die uitsondering dat die venster grootte oneindige en die gewig faktore verminder eksponensieel. Soos ons gesien het in die WBG, word die eenvoudige eksponensiële geskik vir tydreekse met 'n stabiele gemiddelde, of ten minste 'n baie stadige bewegende gemiddelde. Voorbeeld 1: Kom ons gebruik die maandelikse verkope data (soos ons gedoen het in die WBG voorbeeld). In die voorbeeld hierbo, het ons besluit die glad faktor te wees 0.8, wat die vraag smeek: Wat is die beste waarde vir die smoothing faktor Beraming van die beste waarde uit die data met behulp van die TSSUB funksie (om die fout te bereken), SUMSQ, en Excel data tafels, bereken ons die som van die gekwadreerde foute (SSE) en geplot die resultate: die SSE sy minimum waarde rondom 0.8 bereik, sodat ons opgetel hierdie waarde vir ons glad. (Holt-Winters) Double Eksponensiële Smoothing Eenvoudige eksponensiële gladstryking nie goed doen in die teenwoordigheid van 'n tendens, so 'n paar metode onder die dubbele eksponensiële sambreel bedink word voorgestel om hierdie tipe van data te hanteer. NumXL ondersteun Holt-Winters dubbele eksponensiële gladstryking, wat die volgende formulering neem: Voorbeeld 1: Kom ons kyk na die internasionale data passasiers lugredery Ons het 'n Alpha waarde van 0,9 en 'n Beta van 0,1. Let asseblief daarop dat hoewel dubbel glad spore van die oorspronklike data goed, die buite-monster voorspelling is minderwaardig teenoor die eenvoudige bewegende gemiddelde. Hoe kan ons die beste glad faktore Ons neem 'n soortgelyke benadering tot ons eenvoudige eksponensiële gladstryking voorbeeld, maar aangepas is vir twee veranderlikes. Ons bereken die som van die gekwadreerde foute op te rig 'n twee-veranderlike data tafel, en pluk die alfa en beta waardes wat die algehele SSE verminder. (Browns) Lineêre Eksponensiële Smoothing Dit is 'n ander metode van dubbele eksponensiële gladstryking funksie, maar dit het een glad faktor: Browns dubbele eksponensiële gladstryking neem een ​​parameter minder as Holt-Winters funksie, maar dit mag nie so 'n goeie passing as daardie funksie. Voorbeeld 1: Kom ons gebruik dieselfde voorbeeld in Holt-Winters dubbele eksponensiële en vergelyk die optimale som van die gekwadreerde foute. Die Browns dubbele eksponensiële pas nie in die voorbeeld van die data asook die Holt-Winters metode, maar die buite-monster (in hierdie geval) is beter. Hoe kan ons die beste glad faktor () Ons gebruik dieselfde metode om die alfa waarde dat die som van die gekwadreerde foute verminder kies. Vir die voorbeeld steekproefdata, is die alfa bevind word 0.8. (Winters) Drie Eksponensiële glad die driedubbele eksponensiële gladstryking in ag neem seisoenale veranderinge sowel as tendense. Hierdie metode vereis 4 parameters: Die formulering vir trippel eksponensiële gladstryking is meer betrokke as enige van die voriges. Maak seker ons online help vir die presiese formulering. Voorbeeld: Gebruik die internasionale passasiers lugredery data, kan ons winters toepassing trippel eksponensiële gladstryking, vind optimale parameters, en uit te voer 'n out-of monster skatting. Dit is duidelik dat, is die winter trippel eksponensiële gladstryking beste toegepas vir hierdie data monster, want dit volg die waardes en en die buite-monster voorspelling vertoon seisoenaliteit (L12). Hoe kan ons die beste glad faktor () Weereens, moet ons die waardes wat die algehele som van die gekwadreerde foute (SSE) verminder haal, maar die data tabelle kan gebruik word vir meer as twee veranderlikes, sodat ons terugval op die Excel oplosser: (1) stel die minimalisering probleem met die SSE as die nutsfunksie (2) die beperkings vir hierdie probleem Gevolgtrekking ondersteuning FilesWere 'n uitdaging probeer om die 20 (handelsdae) sit Eksponensiële bewegende gemiddelde (EMA) in ons datamodel in PowerPivot. Hier is die EMO formule en voorbeeld spreadsheet: stockcharts / skool / dokuidchartschool: technicalindicators: movingaverages Geplak die formule hier vir gerief: SMA (eenvoudige bewegende gemiddelde): 10 tydperk som / 10 Vermenigvuldiger: 2 / (Tydperk 43 1)) EMO: x vermenigvuldiger 43 EMO (vorige dag). Monster sigblad stockcharts / skool / data / media / chartschool / technicalindicatorsandoverlays / movingaverages / CS-movavg. xls In ons model van die feit tafel het hierdie kolomme: Simbool Datum Oop Hoog Laag Close Deel En in die kalender tafel weve geïdentifiseer die handelsdae (CalendarTradingDayNumber ) as 1, sodat ons kan hulle tel terug. Ons wil die EMO berekende veld in 'n spilpunt tafel soos hierdie Filter konteks: 'n datum gekies op CalendarFullDate Ry konteks: FactTableSymbol Waardes: FactTableClose FactTableEMA 20D gtgt Missing Tot dusver het ons hierdie berekende velde: Ema Vermenigvuldiger 2 / (Tydperk 43 1) Gemiddeld 20D sluit indien (som van CLOSEBLANK (), leë (), (BEREKEN (gemiddeld (FactTableCLOSE), FILTER (ALL (Kalender), CalendarTradingDayNumberltMAX (CalendarTradingDayNumber) ampamp CalendarTradingDayNumbergtMAX (CalendarTradingDayNumber) - periode)))) Maar dit lyk asof die EMO formule bevat 'n self verwysing van vorige waardes, en dit begin ook van 'n SMA (Gemiddeld 20D Maak) waarde. Hoe kan ons dit doen Dankie by voorbaat. Ek hoogs waardeer jou ondersteuning. Saterdag, 19 Julie, 2014 09:42 PMStata: Data-analise en statistiese sagteware Nicholas J. Cox, Durham Universiteit, die Verenigde Koninkryk Christopher Baum, Boston College egen, MA () en sy beperkinge Statarsquos mees voor die hand liggend bevel vir die berekening van bewegende gemiddeldes is die ma ( ) funksie van egen. Gegewe 'n uitdrukking, dit skep 'n - periode bewegende gemiddelde van daardie uitdrukking. By verstek, is geneem as 3. moet vreemd wees. Maar, soos die handleiding inskrywing dui, egen, MA () mag nie gekombineer word met die varlist:. en, net vir hierdie rede is dit nie van toepassing op paneel data. In elk geval, dit staan ​​buite die stel instruksies wat spesifiek vir tydreekse geskryf sien tydreekse vir meer inligting. Alternatiewe benaderings tot bereken bewegende gemiddeldes vir paneel data, is daar ten minste twee keuses. Beide is afhanklik van die dataset nadat vooraf tsset. Dit is baie moeite werd te doen: nie alleen kan bespaar jy jouself herhaaldelik spesifiseer paneel veranderlike en tyd veranderlike, maar Stata optree slim enige gapings in die data gegee. 1. Skryf jou eie definisie met behulp genereer Gebruik time-reeks operateurs soos L. en F.. gee die definisie van die bewegende gemiddelde as die argument om 'n te genereer verklaring. As jy dit doen, jy, natuurlik, nie beperk tot die gelyke gewigte (ongeweegde) gesentreer bewegende gemiddeldes bereken deur egen, MA (). Byvoorbeeld, ewe-geweeg drie-tydperk bewegende gemiddeldes sal deur gegee word en 'n paar gewigte kan maklik gespesifiseerde: Jy kan natuurlik, spesifiseer 'n uitdrukking soos log (myvar) in plaas van 'n veranderlike naam soos myvar. Een groot voordeel van hierdie benadering is dat Stata doen outomaties die regte ding vir paneel data: voorste en agter waardes uitgewerk binne panele, net soos logika dikteer hulle behoort te wees. Die mees noemenswaardige nadeel is dat die command line eerder lank kan kry as die bewegende gemiddelde behels verskeie terme. Nog 'n voorbeeld is 'n eensydige bewegende gemiddelde wat slegs gebaseer is op vorige waardes. Dit kan nuttig wees vir die opwekking van 'n aangepaste verwagting van wat 'n veranderlike sal suiwer gebaseer op inligting tot op hede: wat kan iemand voorspelling vir die huidige tydperk gebaseer op die afgelope vier waardes, met behulp van 'n vaste gewig skema (A 4-tydperk lag kan wees veral algemeen gebruik met kwartaallikse tijdreeksen.) 2. gebruik egen, filter () van SSC gebruik die gebruiker geskryf egen funksie filter () van die egenmore pakket op SSC. In Stata 7 (opgedateer na 14 November 2001), kan jy die pakket installeer deur waarna help egenmore punte om besonderhede oor filter (). Die twee voorbeelde hierbo sou word gelewer (In hierdie vergelyking genereer die benadering is dalk meer deursigtig, maar ons sal 'n voorbeeld van die teenoorgestelde in 'n oomblik sien.) Die lags is 'n numlist. lei dat negatiewe lags: in hierdie geval -1/1 brei om -1 0 1 of lei 1, lag 0, lag 1. Die Coëf ficients, 'n ander numlist, vermeerder die ooreenstemmende sloerende of leidende items: in hierdie geval die items is F1.myvar. myvar en L1.myvar. Die effek van die opsie normaliseer is aan elke koëffisiënt skaal deur die som van die koëffisiënte sodat Coëf (1 1 1) normaliseer is gelykstaande aan koëffisiënte van 1/3 1/3 1/3 en Coëf (1 2 1) normaliseer is gelykstaande om koëffisiënte van 1/4 1/2 1/4. Jy moet nie net die lags, maar ook die koëffisiënte spesifiseer. Omdat egen, MA () gee die ewe geweegde geval, die belangrikste rasionaal vir egen, filter () is om die ongelyk geweegde geval, waarvoor jy moet koëffisiënte spesifiseer ondersteun. Dit kan ook gesê word dat die verpligting om gebruikers te koëffisiënte spesifiseer 'n bietjie ekstra druk op hulle om te dink oor wat koëffisiënte wat hulle wil. Die belangrikste rede vir gelyke gewigte is, ons dink, eenvoud, maar gelyke gewigte het gemeen frekwensiedomein eienskappe, om net 'n oorweging te noem. Die derde voorbeeld hierbo kan óf waarvan net omtrent so ingewikkeld as die genereer benadering. Daar is gevalle waar egen, filter () gee 'n eenvoudiger formulering as genereer. As jy 'n nege-termyn binomiaal filter, wat klimatoloë nuttig vind wil, kyk dan miskien minder aaklig as, en makliker om reg as kry, net soos met die genereer benadering, egen, filter () werk behoorlik met paneel data. Trouens, soos hierbo genoem, dit hang af van die dataset nadat vooraf tsset. 'N Grafiese punt Na die berekening van jou bewegende gemiddeldes, sal jy waarskynlik wil hê om te kyk na 'n grafiek. Die gebruiker geskrewe tsgraph is slim oor tsset datastelle. Installeer dit in 'n up-to-date Stata 7 deur SSC Inst tsgraph. Wat van subsetting met as een van die bogenoemde voorbeelde maak gebruik van as beperkings. Om die waarheid te egen, sal ma () nie toelaat dat indien gespesifiseer word. Soms mense wil gebruik as die berekening bewegende gemiddeldes, maar die gebruik daarvan is 'n bietjie meer ingewikkeld as wat dit is gewoonlik. Wat sou jy verwag van 'n bewegende gemiddelde bereken met as. Kom ons identifiseer twee moontlikhede: Swak interpretasie: Ek dont wil enige resultate vir die uitgesluit Waarnemings sien. Sterk interpretasie: Ek dont selfs wil hê jy moet die waardes vir die uitgesluit waarnemings. Hier is 'n konkrete voorbeeld. Veronderstel as gevolg van 'n paar as voorwaarde, waarnemings 1-42 ingesluit maar nie Waarnemings 43 op. Maar die bewegende gemiddelde vir 42 sal afhang, onder andere, op die waarde vir waarneming 43 as die gemiddelde strek heen en weer en is van lengte ten minste 3, en dit sal op soortgelyke wyse afhanklik van 'n paar van die waarnemings 44 en verder in sekere omstandighede. Ons raaiskoot is dat die meeste mense sal gaan vir die swak interpretasie, maar of dit korrek is, beteken egen, filter () nie ondersteun as óf. Jy kan altyd ignoreer wat jy donrsquot wil of selfs ongewenste waardes stel om daarna ontbreek deur die gebruik van te vervang. 'N Nota oor vermiste resultate aan die einde van 'n reeks Omdat bewegende gemiddeldes is funksies van sloerings en lei, egen, MA () produseer ontbreek waar die lags en lei nie bestaan ​​nie, aan die begin en einde van die reeks. 'N opsie nomiss dwing die berekening van korter, uncentered bewegende gemiddeldes vir die sterte. In teenstelling hiermee het nie genereer word nie egen, filter () doen, of laat, niks spesiaal ontbreek resultate te vermy. Indien enige van die waardes wat nodig is vir die berekening ontbreek, dan is dit gevolg ontbreek. Dit is aan gebruikers om te besluit of en watter korrektiewe chirurgie nodig is vir sulke waarnemings, vermoedelik na te kyk na die datastel en die oorweging van enige onderliggende wetenskap wat gebruik kan word uitgeoefen.