Double Moving Average Minitab

O que é uma média móvel A primeira média móvel é 4310, que é o valor da primeira observação. (Na análise de séries temporais, o primeiro número na série média móvel não é calculado é um valor faltante.) A próxima média móvel é a média das duas primeiras observações, (4310 4400) / 2 4355. A terceira média móvel é A média das observações 2 e 3, (4400 4000) / 2 4200, e assim por diante. Se você deseja usar uma média móvel do comprimento 3, três valores são calculados em média em vez de dois. Copyright 2016 Minitab Inc. Todos os direitos reservados. Ao usar este site, você concorda com o uso de cookies para análise e conteúdo personalizado. Leia nossa políticaMetodos para análise de séries temporais O Minitab oferece várias análises que permitem analisar séries temporais. Essas análises incluem métodos simples de previsão e suavização, métodos de análise de correlação e modelagem ARIMA. Embora a análise de correlação possa ser feita separadamente da modelagem ARIMA, o Minitab apresenta os métodos de correlação como parte da modelagem ARIMA. Métodos simples de previsão e suavização Os métodos simples de modelagem de métodos de previsão e suavização em uma série geralmente fácil de observar em um gráfico de séries temporais dos dados. Esta abordagem decompõe os dados em suas partes componentes e, em seguida, amplia as estimativas dos componentes para o futuro para fornecer previsões. Você pode escolher entre os métodos estáticos de análise de tendências e decomposição, ou os métodos dinâmicos de movimentação de suavização exponencial média, simples e dupla e método Winters. Os métodos estáticos têm padrões que não mudam ao longo do tempo. Os métodos dinâmicos possuem padrões que mudam ao longo do tempo e as estimativas são atualizadas usando valores vizinhos. Você pode usar dois métodos em combinação. Ou seja, você pode escolher um método estático para modelar um componente e um método dinâmico para modelar um componente diferente. Por exemplo, você pode ajustar uma tendência estática usando a análise de tendências e modelar dinamicamente o componente sazonal nos resíduos usando o método Winters. Ou, você pode ajustar um modelo sazonal estático usando a decomposição e modelar dinamicamente o componente de tendência nos resíduos usando o suavização exponencial dupla. Você também pode aplicar uma análise de tendências e uma decomposição para que você possa usar a seleção mais ampla de modelos de tendência oferecidos pela análise de tendências. A desvantagem de combinar métodos é que os intervalos de confiança para as previsões não são válidos. Para cada um dos métodos, a tabela a seguir fornece um resumo e um gráfico de ajustes e previsões de dados comuns. Análise de Tendências Adapta-se a um modelo de tendência geral aos dados da série temporal. Escolha entre os modelos de tendência da curva linear, quadrática, exponencial ou decadência, e da curva S. Use este procedimento para ajustar a tendência quando não há um componente sazonal em sua série. Previsões: Comprimento: longo Perfil: extensão da linha de tendência Decomposição Separa a série de tempos em componentes de tendência linear, componentes sazonais e o erro. Escolha se o componente sazonal é aditivo ou multiplicativo com a tendência. Use este procedimento para prever quando há um componente sazonal em sua série ou quando quiser examinar a natureza das partes componentes. Previsões: Comprimento: longo Perfil: tendência com padrão sazonal Média móvel Suaviza seus dados com a média de observações consecutivas em uma série. Você pode usar esse procedimento quando seus dados não tiverem um componente de tendência. Se você tem um componente sazonal, defina o comprimento da média móvel para igualar o comprimento do ciclo sazonal. Previsões: Comprimento: curto Perfil: linha plana Suavização exponencial simples Suaviza seus dados usando a fórmula de previsão perfeita ARIMA (0,1,1) de um passo à frente. Este procedimento funciona melhor sem uma tendência ou componente sazonal. O componente dinâmico único em um modelo de média móvel é o nível. Previsões: Comprimento: curto Perfil: linha lisa Suavização exponencial dupla Suaviza seus dados usando a fórmula de previsão ARIMA (0,2,2) ótima de um passo à frente. Este procedimento pode funcionar bem quando há uma tendência, mas também pode servir como um método geral de suavização. Double Suavização Exponencial calcula estimativas dinâmicas para dois componentes: nível e tendência. Previsões: Comprimento: curto Perfil: linha reta com inclinação igual à estimativa da última tendência Método Winters Suaviza seus dados pelo suavização exponencial Holt-Winters. Use este procedimento quando há tendência e sazonalidade, sendo estes dois componentes aditivos ou multiplicativos. Winters Method calcula estimativas dinâmicas para três componentes: nível, tendência e sazonal. Previsões: Comprimento: curto a médio Perfil: tendência com padrão sazonal Análise de correlação e modelagem ARIMA A modelagem ARIMA (média móvel integrada autoregressiva) também faz uso de padrões nos dados, mas esses padrões podem não ser facilmente visíveis em um gráfico dos dados. Em vez disso, a modelagem ARIMA usa as funções de diferenciação e autocorrelação e autocorrelação parcial para ajudar a identificar um modelo aceitável. A modelagem ARIMA pode ser usada para modelar várias séries temporais diferentes, com ou sem componentes de tendência ou sazonal, e fornecer previsões. O perfil de previsão depende do modelo que esteja em forma. A vantagem da modelagem ARIMA em comparação com os métodos simples de previsão e suavização é que é mais flexível na montagem dos dados. No entanto, identificar e montar um modelo pode demorar muito, e a modelagem ARIMA não é facilmente automatizada. Diferenças Calcula e armazena as diferenças entre valores de dados de uma série temporal. Se você quiser ajustar um modelo ARIMA, mas seus dados têm um componente de tendência ou sazonalidade, diferenciar os dados é um passo comum na avaliação de modelos ARIMA prováveis. A diferenciação é usada para simplificar a estrutura de correlação e para revelar qualquer padrão subjacente. Lag Calcula e armazena os atrasos de uma série de tempo. Quando você atrasa uma série de tempo, o Minitab move os valores originais abaixo da coluna e insere valores faltantes na parte superior da coluna. O número de valores ausentes inseridos depende do comprimento do atraso. Autocorrelação Calcula e cria um gráfico das autocorrelações de uma série temporal. A autocorrelação é a correlação entre observações de uma série temporal separada por unidades de tempo K. O enredo de autocorrelações é chamado de função de autocorrelação (ACF). Veja o ACF para orientar sua escolha de termos para incluir em um modelo ARIMA. Autocorrelação parcial Calcula e cria um gráfico das autocorrelações parciais de uma série temporal. Autocorrelações parciais, como autocorrelações, são correlações entre conjuntos de pares de dados ordenados de séries temporais. Tal como acontece com as correlações parciais no caso de regressão, as autocorrelações parciais medem a força do relacionamento com outros termos que estão sendo explicados. A autocorrelação parcial em um atraso de k é a correlação entre os resíduos no tempo t de um modelo autorregressivo e as observações no intervalo k com os termos para todos os atrasos intermédios no modelo autorregressivo. O enredo de autocorrelações parciais é chamado de função de autocorrelação parcial (PACF). Veja o PACF para orientar sua escolha de termos para incluir em um modelo ARIMA. Correlação cruzada Calcula e cria um gráfico das correlações entre duas séries temporais. ARIMA se encaixa em um modelo de caixa-Jenkins ARIMA em uma série temporal. Em ARIMA, média autoregressiva, integrada e móvel, consulte as etapas de filtragem tomadas no cálculo do modelo ARIMA até que permaneça apenas o ruído aleatório. Use o ARIMA para modelar o comportamento da série temporal e gerar previsões. Copyright 2016 Minitab Inc. Todos os direitos reservados.