الانتقال المتوسط الموسمية نمط

طرق السلسلة الزمنية طرق التسلسل الزمني هي تقنيات إحصائية تستخدم البيانات التاريخية المتراكمة على مدى فترة زمنية. تفترض طرق السلاسل الزمنية أن ما حدث في الماضي سيستمر في المستقبل. وكما توحي السلسلة الزمنية للاسم، فإن هذه الأساليب تربط التنبؤ بعامل واحد فقط - الوقت. وهي تشمل المتوسط ​​المتحرك، والتجانس الأسي، وخط الاتجاه الخطي، وهي من بين الأساليب الأكثر شعبية للتنبؤ قصير المدى بين شركات الخدمات والتصنيع. وتفترض هذه الأساليب أن أنماط أو اتجاهات تاريخية يمكن التعرف عليها مع مرور الوقت ستكرر نفسها. المتوسط ​​المتحرك يمكن أن تكون توقعات السلاسل الزمنية بسيطة مثل استخدام الطلب في الفترة الحالية للتنبؤ بالطلب في الفترة المقبلة. ويسمى هذا أحيانا توقعات ساذجة أو بديهية. 4 على سبيل المثال، إذا كان الطلب هو 100 وحدة هذا الأسبوع، والتوقعات لأسابيع الطلب المقبل هو 100 وحدة إذا كان الطلب تبين أن 90 وحدة بدلا من ذلك، ثم الطلب أسابيع التالية هو 90 وحدة، وهلم جرا. هذا النوع من طريقة التنبؤ لا يأخذ في الاعتبار سلوك الطلب التاريخي فإنه يعتمد فقط على الطلب في الفترة الحالية. وهو يتفاعل مباشرة مع حركة عادية، عشوائية في الطلب. وتستخدم طريقة المتوسط ​​المتحرك البسيط عدة قيم للطلب خلال الماضي القريب لوضع توقعات. وهذا يميل إلى إبطاء أو إبطال الزيادات العشوائية والنقصان في التوقعات التي تستخدم فترة واحدة فقط. إن المتوسط ​​المتحرك البسيط مفيد للتنبؤ بالطلب المستقر ولا يظهر أي سلوك واضح في الطلب، مثل الاتجاه أو النمط الموسمي. يتم حساب المتوسطات المتحركة لفترات محددة، مثل ثلاثة أشهر أو خمسة أشهر، وهذا يتوقف على مدى رغبة المتنبأ في تسهيل بيانات الطلب. وكلما طالت فترة المتوسط ​​المتحرك، كلما كان الأمر أكثر سلاسة. صيغة حساب المتوسط ​​المتحرك البسيط هي حساب متوسط ​​متحرك بسيط تقوم شركة توريد الورق الفوري بتزويد وتوريد اللوازم المكتبية إلى الشركات والمدارس والوكالات داخل دائرة نصف قطرها 50 ميلا من مستودعها. إن أعمال توريد المكاتب تنافسية، والقدرة على تقديم الطلبات فورا هي عامل في الحصول على عملاء جدد والحفاظ على العملاء القدامى. (عادة ما تطلب المكاتب عدم تشغيلها عند انخفاض الإمدادات، ولكن عندما تنفد تماما، ونتيجة لذلك، فإنها تحتاج إلى أوامرها على الفور.) مدير الشركة يريد أن يكون بعض السائقين كافية والمركبات المتاحة لتسليم أوامر على الفور و لديهم مخزون كاف في المخزون. ولذلك، فإن المدير يريد أن يكون قادرا على التنبؤ بعدد الطلبات التي ستحدث خلال الشهر المقبل (أي للتنبؤ الطلب على الولادات). من سجلات أوامر التسليم، تراكمت الإدارة البيانات التالية خلال الأشهر ال 10 الماضية، والتي تريد حساب المتوسطات المتحركة 3 و 5 أشهر. دعونا نفترض أن هذا هو نهاية تشرين الأول / أكتوبر. والتنبؤ الناتج عن المتوسط ​​المتحرك لمدة 3 أشهر أو 5 أشهر هو عادة للشهر التالي بالتسلسل، وهو في هذه الحالة هو نوفمبر. ويحسب المتوسط ​​المتحرك من الطلب على الأوامر خلال الأشهر الثلاثة السابقة بالتسلسل وفقا للمعادلة التالية: يحسب المتوسط ​​المتحرك لمدة 5 أشهر من بيانات 5 أشهر السابقة من بيانات الطلب على النحو التالي: الشهران 3 و 5 أشهر يبين الجدول التالي توقعات المتوسط ​​المتحرك لجميع أشهر بيانات الطلب. في الواقع، فإن توقعات نوفمبر فقط على أساس الطلب الشهري الأخير سيتم استخدامها من قبل المدير. ومع ذلك، فإن التوقعات السابقة للأشهر السابقة تسمح لنا بمقارنة التوقعات مع الطلب الفعلي لمعرفة مدى دقة طريقة التنبؤ - أي مدى نجاحها. المتوسطات الثلاثة والخمسة أشهر يميل كل من التنبؤات المتحركة المتوسطة في الجدول أعلاه إلى إبطاء التباين الذي يحدث في البيانات الفعلية. ويمكن ملاحظة تأثير التمهيد هذا في الشكل التالي الذي تم فيه فرض متوسطات لمدة 3 أشهر و 5 أشهر على رسم بياني للبيانات الأصلية: إن المتوسط ​​المتحرك لمدة 5 أشهر في الشكل السابق يزيل التقلبات إلى حد أكبر من المتوسط ​​المتحرك لمدة 3 أشهر. غير أن متوسط ​​الأشهر الثلاثة يعكس بصورة أوثق أحدث البيانات المتاحة لمدير الإمدادات المكتبية. وبصفة عامة، فإن التنبؤات باستخدام المتوسط ​​المتحرك لفترة أطول أبطأ من أجل الاستجابة للتغيرات الأخيرة في الطلب مقارنة بتلك التي أجريت باستخدام متوسطات متحركة أقصر. فالفترات الإضافية للبيانات تضعف السرعة التي تستجيب بها التوقعات. وكثيرا ما يتطلب تحديد العدد المناسب من الفترات لاستخدامها في توقعات المتوسط ​​المتحرك قدرا من التجارب التجريبية والخطأ. أما عيب أسلوب المتوسط ​​المتحرك فهو أنه لا يتفاعل مع التغيرات التي تحدث لسبب ما، مثل الدورات والتأثيرات الموسمية. وعادة ما يتم تجاهل العوامل التي تسبب التغيرات. وهي في الأساس طريقة ميكانيكية، تعكس البيانات التاريخية بطريقة متسقة. ومع ذلك، فإن طريقة المتوسط ​​المتحرك تتميز بكونها سهلة الاستخدام وسريعة وغير مكلفة نسبيا. وبصفة عامة، يمكن لهذه الطريقة أن توفر توقعات جيدة على المدى القصير، ولكن لا ينبغي دفعها بعيدا جدا في المستقبل. المتوسط ​​المتحرك المرجح يمكن تعديل طريقة المتوسط ​​المتحرك لتعكس تقلبات البيانات بشكل أوثق. في طريقة المتوسط ​​المتحرك المرجح، يتم تعيين الأوزان إلى أحدث البيانات وفقا للمعادلة التالية: يبدو أن بيانات الطلب لخدمات الكمبيوتر بيإم (المبينة في الجدول الخاص بالمثال 10.3) تتبع اتجاها خطييا متزايدا. وتريد الشركة حساب خط اتجاه خطي لمعرفة ما إذا كان أكثر دقة من التجانس الأسي وتوقعات التمهيد الأسي المعدلة التي تم تطويرها في المثالين 10.3 و 10.4. وفيما يلي القيم المطلوبة لحسابات المربعات الصغرى: باستخدام هذه القيم، تحسب معلمات خط الاتجاه الخطي على النحو التالي: ولذلك، فإن معادلة خط الاتجاه الخطي هي لحساب التنبؤات للفترة 13، والسماح x 13 في الخطية خط الاتجاه: يظهر الرسم البياني التالي خط الاتجاه الخطي مقارنة مع البيانات الفعلية. ويبدو أن خط الاتجاه يعكس بشكل وثيق البيانات الفعلية - أي أن يكون مناسبا - ومن ثم سيكون نموذجا جيدا للتنبؤ بهذه المشكلة. ومع ذلك، فإن عيب خط الاتجاه الخطي هو أنه لن يتكيف مع تغيير في الاتجاه، حيث أن الأساليب التنبؤ الأسي التنبؤات وهذا هو، فمن المفترض أن جميع التوقعات المستقبلية سوف تتبع خط مستقيم. هذا يحد من استخدام هذه الطريقة إلى إطار زمني أقصر الذي يمكن أن تكون مؤكدة نسبيا أن الاتجاه لن يتغير. التسويات الموسمية نمط موسمي هو زيادة متكررة وانخفاض في الطلب. العديد من العناصر الطلب تظهر السلوك الموسمية. وتتبع مبيعات الملابس أنماطا موسمية سنوية، حيث يزداد الطلب على الملابس الدافئة في الخريف والشتاء ويتراجع في الربيع والصيف مع زيادة الطلب على الملابس الباردة. الطلب على العديد من البنود التجزئة، بما في ذلك اللعب والمعدات الرياضية والملابس والأجهزة الإلكترونية، والهامب، والديك الرومي، والنبيذ، والفاكهة، وزيادة خلال موسم الأعياد. زيادة الطلب بطاقة معايدة جنبا إلى جنب مع أيام خاصة مثل عيد الحب وعيد الأم. ويمكن أيضا أن تحدث الأنماط الموسمية على أساس شهري أو أسبوعي أو حتى يومي. بعض المطاعم لديها ارتفاع الطلب في المساء مما كان عليه في الغداء أو في عطلة نهاية الأسبوع بدلا من أيام الأسبوع. حركة المرور - وبالتالي المبيعات - في مراكز التسوق تلتقط يومي الجمعة والسبت. هناك عدة طرق لتعكس الأنماط الموسمية في توقعات سلسلة زمنية. سنصف إحدى الطرق البسيطة باستخدام عامل موسمي. والعامل الموسمي هو قيمة رقمية تضرب في التوقعات العادية للحصول على توقعات معدلة موسميا. طريقة واحدة لتطوير الطلب على العوامل الموسمية هي تقسيم الطلب على كل فترة موسمية حسب الطلب السنوي الإجمالي، وفقا للمعادلة التالية: العوامل الموسمية الناتجة بين 0 و 1.0 هي في الواقع نسبة من إجمالي الطلب السنوي المخصص ل في كل موسم. وتضاعف هذه العوامل الموسمية في الطلب المتوقع سنويا لإعطاء التنبؤات المعدلة لكل موسم. حساب توقعات مع التعديلات الموسمية تنمو مزارع ويشبون من بيع الديك الرومي إلى شركة لتجهيز اللحوم على مدار السنة. ومع ذلك، من الواضح موسم الذروة خلال الربع الرابع من العام، من أكتوبر إلى ديسمبر. وقد شهدت مزارع عظمون الطلب على الديوك الرومي على مدى السنوات الثلاث الماضية المبينة في الجدول التالي: ولأن لدينا ثلاث سنوات من بيانات الطلب، يمكننا حساب العوامل الموسمية عن طريق قسمة الطلب الفصلي الكلي على مدى ثلاث سنوات من الطلب الكلي على مدى السنوات الثلاث : بعد ذلك، نريد مضاعفة الطلب المتوقع للعام القادم، 2000، من خلال كل من العوامل الموسمية للحصول على الطلب المتوقع لكل ربع سنة. ولتحقيق ذلك، نحتاج إلى توقعات الطلب لعام 2000. وفي هذه الحالة، وبما أن بيانات الطلب الواردة في الجدول يبدو أنها تظهر اتجاها متزايدا بشكل عام، فإننا نحسب خط اتجاه خطي لثلاث سنوات من البيانات الواردة في الجدول للحصول على الخام تقديرات التوقعات: وهكذا، فإن التوقعات لعام 2000 هي 58.17، أو 58.170 الديك الرومي. وباستخدام هذه التوقعات السنوية للطلب، فإن التنبؤات المعدلة موسميا، سف i، لعام 2000 هي مقارنة هذه التوقعات الفصلية بقيم الطلب الفعلية في الجدول، ويبدو أنها تقديرات توقعات جيدة نسبيا، مما يعكس كلا من التغيرات الموسمية في البيانات و الاتجاه التصاعدي العام. 10-12. كيف تكون طريقة المتوسط ​​المتحرك مشابهة للتجانس الأسي 10-13. ما تأثير على نموذج تمهيد الأسي وزيادة ثابت تمهيد لديها 10-14. كيف يختلف تعديل الأسي تعديل تختلف عن الأسي تمهيد 10-15. ما يحدد اختيار ثابت تمهيد للاتجاه في تعديل نموذج الأسي تعديل 10-16. وفي أمثلة الفصل لأساليب السلاسل الزمنية، كان من المفترض دائما أن تكون توقعات البداية هي نفس الطلب الفعلي في الفترة الأولى. اقتراح طرق أخرى يمكن أن تكون مشتقة التنبؤ البداية في الاستخدام الفعلي. 10-17. كيف يختلف نموذج التنبؤ بالخط الاتجاهي الخطي عن نموذج الانحدار الخطي للتنبؤ 10-18. من نماذج السلاسل الزمنية المعروضة في هذا الفصل، بما في ذلك المتوسط ​​المتحرك والمتوسط ​​المتحرك المرجح، والتجانس الأسي وتعديل الأسي المعدل، وخط الاتجاه الخطي، أي واحد تعتبره أفضل لماذا 10-19. ما هي المزايا التي عدلت التجانس الأسي على خط الاتجاه الخطي للطلب المتوقع الذي يظهر اتجاها 4 K. B. كاهن وجيه ت. منتزر، التنبؤ في المستهلك والأسواق الصناعية، مجلة توقعات الأعمال 14، لا. 2 (صيف 1995): 21-28.Spreadsheet تنفيذ التعديل الموسمي والتجانس الأسي فمن مباشرة لأداء التعديل الموسمية وتناسب نماذج التمهيد الأسي باستخدام إكسيل. يتم أخذ صور الشاشة والرسوم البيانية أدناه من جدول بيانات تم إعداده لتوضيح التعديل الموسمي الموسمي والتجانس الأسي الخطي على بيانات المبيعات الفصلية التالية من أوتبوارد مارين: للحصول على نسخة من ملف جدول البيانات نفسه، انقر هنا. نسخة من التجانس الأسي الخطي التي سيتم استخدامها هنا لأغراض مظاهرة هو Brown8217s الإصدار، لمجرد أنه يمكن تنفيذها مع عمود واحد من الصيغ وهناك واحد فقط ثابت تمهيد لتحسين. عادة فمن الأفضل استخدام الإصدار Holt8217s التي لديها ثوابت تمهيد منفصلة للمستوى والاتجاه. وتنتقل عملية التنبؤ على النحو التالي: '1' أولا تعدل البيانات موسميا '2'، ثم تنشأ التنبؤات للبيانات المعدلة موسميا عن طريق التمهيد الأسي الخطي؛ '3' وأخيرا، فإن التنبؤات المعدلة موسميا هي عبارة عن تنبؤات محسوبة موسميا للحصول على تنبؤات للمسلسل الأصلي . يتم إجراء عملية التعديل الموسمية في الأعمدة من D إلى G. الخطوة الأولى في التعديل الموسمية هي حساب المتوسط ​​المتحرك المركزة (يتم القيام به هنا في العمود D). ويمكن القيام بذلك عن طريق الأخذ بمتوسط ​​متوسطين على مدى سنة واحدة تقابلهما فترة واحدة بالنسبة لبعضهما البعض. (وهناك حاجة إلى مزيج من متوسطين للمقاصة بدلا من متوسط ​​واحد للأغراض المركزية عندما يكون عدد المواسم). والخطوة التالية هي حساب النسبة إلى المتوسط ​​المتحرك - أي. البيانات الأصلية مقسومة على المتوسط ​​المتحرك في كل فترة - والتي يتم تنفيذها هنا في العمود هاء (ويسمى هذا أيضا مكون كوتريند-سيكليكوت للنمط، بقدر ما يمكن اعتبار التأثيرات ودورات الأعمال على أنها كلها لا يزال بعد متوسطه على مدى سنوات كاملة من البيانات، وبطبيعة الحال، من شهر إلى آخر التغييرات التي لا تعود إلى الموسمية يمكن تحديدها من قبل العديد من العوامل الأخرى، ولكن متوسط ​​12 شهرا ينعم عليهم إلى حد كبير.) ذي يتم حساب المؤشر الموسمية المقدر لكل موسم من خلال متوسط ​​متوسط ​​جميع النسب لهذا الموسم المحدد، والذي يتم في الخلايا G3-G6 باستخدام صيغة أفيراجيف. ثم يتم تعديل النسب المتوسطة بحيث تصل إلى 100 مرة بالضبط عدد الفترات في الموسم، أو 400 في هذه الحالة، والذي يتم في الخلايا H3-H6. أسفل العمود F، يتم استخدام صيغ فلوكوب لإدراج قيمة الفهرس الموسمية المناسبة في كل صف من جداول البيانات، وفقا لربع السنة الذي يمثله. وينتهي المتوسط ​​المتحرك المركب والبيانات المعدلة موسميا على النحو التالي: لاحظ أن المتوسط ​​المتحرك يشبه عادة نسخة أكثر سلاسة من السلسلة المعدلة موسميا، وهو أقصر على كلا الطرفين. وتظهر ورقة عمل أخرى في نفس ملف إكسيل تطبيق نموذج تمهيد الأسي الخطي على البيانات المعدلة موسميا، بدءا من العمود G. وتدخل قيمة ثابت التمهيد (ألفا) فوق عمود التنبؤ (هنا في الخلية H9) و من أجل الراحة يتم تعيين اسم النطاق كوتAlpha. quot (يتم تعيين الاسم باستخدام الأمر كوتينسنامكراتيكوت). يتم تهيئة نموذج ليس عن طريق تعيين أول اثنين من التوقعات مساوية للقيمة الفعلية الأولى للسلسلة المعدلة موسميا. الصيغة المستخدمة هنا لتوقعات ليس هي النموذج المعادلة وحيد المعادلة من طراز Brown8217s: يتم إدخال هذه الصيغة في الخلية المقابلة للفترة الثالثة (هنا، الخلية H15) ونسخها من هناك. لاحظ أن توقعات ليس للفترة الحالية تشير إلى الملاحظات السابقة واثنين من أخطاء التنبؤ السابقة، فضلا عن قيمة ألفا. وهكذا، فإن صيغة التنبؤ الواردة في الصف 15 تشير فقط إلى البيانات التي كانت متاحة في الصف 14 وما قبله. (بطبيعة الحال، إذا أردنا استخدام تمهيد أسي بسيط بدلا من خطي أسي، يمكننا استبدال صيغة سيس هنا بدلا من ذلك، ويمكننا أيضا استخدام هولت 8217s بدلا من طراز براون 8217s ليس، الأمر الذي يتطلب عمودين إضافيين من الصيغ لحساب المستوى والاتجاه التي تستخدم في التنبؤ.) وتحسب الأخطاء في العمود التالي (هنا، العمود J) بطرح التوقعات من القيم الفعلية. ويحسب خطأ متوسط ​​الجذر التربيعي باعتباره الجذر التربيعي للتباين في الأخطاء بالإضافة إلى مربع الوسط. (ويأتي ذلك من الهوية الرياضية: مس فاريانس (أخطاء) (أفيراج (أخطاء))). في حساب متوسط ​​وتفاوت الأخطاء في هذه الصيغة، يتم استبعاد الفترتين الأوليين لأن النموذج لا يبدأ فعلا التنبؤ حتى الفترة الثالثة (الصف 15 في جدول البيانات). يمكن العثور على القيمة المثلى ألفا إما عن طريق تغيير ألفا يدويا حتى يتم العثور على الحد الأدنى رمز، وإلا يمكنك استخدام كوتسولفيركوت لإجراء التقليل الدقيق. قيمة ألفا التي وجدت سولفر وجدت هنا (alpha0.471). وعادة ما تكون فكرة جيدة هي رسم أخطاء النموذج (في الوحدات المحولة)، وكذلك حساب ورسم مؤثراتهم الذاتية عند فترات تأخر تصل إلى موسم واحد. هنا هو مؤامرة سلسلة زمنية من الأخطاء (المعدلة موسميا): يتم حساب أوتوكوريلاتيونس خطأ باستخدام الدالة كوريل () لحساب الارتباطات من الأخطاء مع أنفسهم تأخرت من قبل واحد أو أكثر من فترات - يتم عرض التفاصيل في نموذج جدول البيانات . هنا هو مؤامرة من أوتوكوريلاتيونس من الأخطاء في الفترات الخمسة الأولى: و أوتوكوريلاتيونس في الفترات من 1 إلى 3 قريبة جدا من الصفر، ولكن الارتفاع في تأخر 4 (الذي هو 0.35) هو مزعجة قليلا - فإنه يشير إلى أن عملية التعديل الموسمية لم تكن ناجحة تماما. ومع ذلك، فإنه في الواقع هامشية فقط. 95 لفحص ما إذا كانت أوتوكوريلاتيونس تختلف اختلافا كبيرا عن الصفر تقريبا زائدا أو ناقص 2SQRT (n-k)، حيث n هو حجم العينة و k هو الفارق الزمني. هنا n هو 38 و k يختلف من 1 إلى 5، وبالتالي فإن مربع الجذر من-ن-ناقص-ك حوالي 6 للجميع، وبالتالي حدود لاختبار الأهمية الإحصائية للانحرافات من الصفر هي تقريبا زائد - أو ناقص 26، أو 0.33. إذا قمت بتغيير قيمة ألفا باليد في هذا النموذج إكسيل، يمكنك مراقبة تأثير على سلسلة زمنية ومؤامرات الارتباط الذاتي من الأخطاء، وكذلك على الخطأ الجذر متوسط ​​التربيع، والتي سيتم توضيحها أدناه. في الجزء السفلي من جدول البيانات، يتم إعداد صيغة التنبؤات في المستقبل عن طريق استبدال التنبؤات بالقيم الفعلية فقط عند النقطة التي يتم فيها نفاد البيانات الفعلية. حيث تبدأ كوتوركوتلكوت. (وبعبارة أخرى، في كل خلية حيث تحدث قيمة بيانات مستقبلية، يتم إدراج مرجع الخلية الذي يشير إلى التوقعات التي تم إجراؤها لتلك الفترة.) يتم نسخ جميع الصيغ الأخرى ببساطة من أسفل: لاحظ أن الأخطاء للتنبؤات من يتم حساب كل المستقبل ليكون صفر. وهذا لا يعني أن الأخطاء الفعلية ستكون صفرا، بل إنها تعكس مجرد حقيقة أنه لأغراض التنبؤ، نفترض أن البيانات المستقبلية ستساوي التوقعات في المتوسط. وتظهر توقعات ليس على البيانات المعدلة موسميا على النحو التالي: مع هذه القيمة الخاصة ألفا، وهو الأمثل للتنبؤات قبل فترة واحدة، فإن الاتجاه المتوقع هو أعلى قليلا، مما يعكس الاتجاه المحلي الذي لوحظ على مدى العامين الماضيين أو هكذا. وبالنسبة لقيم ألفا الأخرى، يمكن الحصول على إسقاط اتجاه مختلف جدا. وعادة ما تكون فكرة جيدة لمعرفة ما يحدث لإسقاط الاتجاه على المدى الطويل عندما يكون ألفا متنوعا، لأن القيمة الأفضل للتنبؤ على المدى القصير لن تكون بالضرورة أفضل قيمة للتنبؤ بالمستقبل البعيد. على سبيل المثال، هنا هي النتيجة التي يتم الحصول عليها إذا تم تعيين قيمة ألفا يدويا إلى 0.25: الاتجاه المتوقع على المدى الطويل هو الآن سلبي بدلا من إيجابي مع قيمة أصغر من ألفا، نموذج يضع المزيد من الوزن على البيانات القديمة في وتقديره للمستوى الحالي واتجاهه الحالي، وتنبؤاته الطويلة الأجل تعكس الاتجاه التنازلي الذي لوحظ خلال السنوات الخمس الماضية بدلا من الاتجاه التصاعدي الأحدث. ويوضح هذا المخطط أيضا بوضوح كيف أن النموذج مع قيمة أصغر من ألفا أبطأ للرد على نقاط كوتورنينغكوت في البيانات وبالتالي يميل إلى جعل خطأ من نفس علامة لعدة فترات متتالية. وأخطاء التنبؤ المتوقعة من خطوة واحدة أكبر في المتوسط ​​من تلك التي تم الحصول عليها من قبل (رمز 34.4 بدلا من 27.4) وترتبط ارتباطا إيجابيا قويا. ويتجاوز الترابط الذاتي المتخلف 1،56 قيمة 0،33 المحسوبة أعلاه لانحراف ذي دلالة إحصائية عن الصفر. وكبديل لتخفيض قيمة ألفا من أجل إدخال مزيد من التحفظ في التنبؤات طويلة الأجل، يضاف أحيانا عامل التخميد المعتدل إلى النموذج من أجل جعل الاتجاه المتوقع يتسطح بعد بضع فترات. وتتمثل الخطوة الأخيرة في بناء نموذج التنبؤات في التنبؤ بالتنبؤات المتوقعة من خلال ضربها بالمؤشرات الموسمية المناسبة. ومن ثم فإن التنبؤات المعاد تشكيلها في العمود الأول هي ببساطة نتاج المؤشرات الموسمية في العمود F وتوقعات ليس الموضوعة موسميا في العمود ح. ومن السهل نسبيا حساب فترات الثقة للتنبؤات من خطوة واحدة إلى الأمام التي يقدمها هذا النموذج: أولا حساب رمز (الجذر متوسط ​​مربع الخطأ، الذي هو مجرد الجذر التربيعي للمشاريع الصغيرة والمتوسطة) ومن ثم حساب فترة الثقة للتوقعات المعدلة موسميا عن طريق جمع وطرح مرتين من رمز. (عموما فاصل الثقة 95 للتنبؤ بفترة زمنية واحدة يساوي تقريبا نقطة التنبؤ زائد أو ناقص ضعف الانحراف المعياري المقدر لأخطاء التنبؤ، على افتراض أن توزيع الخطأ يكون طبيعيا تقريبا وحجم العينة هي كبيرة بما فيه الكفاية، ويقول 20 أو أكثر. هنا، رمزز بدلا من العينة الانحراف المعياري للأخطاء هو أفضل تقدير للانحراف المعياري للأخطاء التوقعات المستقبلية لأنه يأخذ التحيز وكذلك عشوائية الاختلافات في الاعتبار.) حدود الثقة من أجل التنبؤ المعدل موسميا ثم ريساوناليزد. إلى جانب التوقعات، بضربها بالمؤشرات الموسمية المناسبة. وفي هذه الحالة، يساوي الرمز رمز 27.4 والتوقعات المعدلة موسميا للفترة المقبلة الأولى (ديسمبر / كانون الأول 93) هي 273.2. بحيث تكون فترة الثقة 95 المعدلة موسميا من 273.2-227.4 218.4 إلى 273.2227.4 328.0. مضاعفة هذه الحدود من قبل ديسمرس مؤشر موسمية من 68.61. نحصل على حدود أدنى وأعلى من الثقة 149.8 و 225.0 حول توقعات ديسمبر 93 نقطة من 187.4. ومن المتوقع أن تتسع حدود الثقة للتنبؤات بأكثر من فترة واحدة مع تزايد الأفق المتوقع بسبب عدم اليقين بشأن المستوى والاتجاه فضلا عن العوامل الموسمية، ولكن من الصعب حسابها عموما بطرائق تحليلية. (الطريقة المناسبة لحساب حدود الثقة لتوقعات ليس هي باستخدام نظرية أريما، ولكن عدم اليقين في المؤشرات الموسمية هو مسألة أخرى). إذا كنت ترغب في فترة ثقة واقعية للتنبؤ أكثر من فترة واحدة المقبلة، واتخاذ جميع مصادر في الاعتبار، أفضل رهان هو استخدام طرق تجريبية: على سبيل المثال، للحصول على فترة ثقة لتوقعات من خطوتين إلى الأمام، يمكنك إنشاء عمود آخر في جدول البيانات لحساب توقعات خطوة بخطوة لكل فترة ( من خلال بوتسترابينغ توقعات خطوة واحدة إلى الأمام). ثم حساب رمز (رمز) لأخطاء التنبؤ المسبق من خطوتين واستخدامها كأساس لفترة الثقة من خطوتين. النموذج المضاعف أ. يستخدم المتوسط ​​المتحرك المتحرك لتسهيل تقلبات الاتجاه. ب. يزيل الاتجاه قبل عزل المكونات الموسمية. ج. يزيل سلسلة زمنية عن طريق قسمة القيم حسب الفهرس الموسمي المناسب. د. يوفر مؤشر موسمية فريدة من نوعها لكل مراقبة من السلاسل الزمنية. ج (يميز سلسلة زمنية عن طريق قسمة القيم حسب الفهرس الموسمية المناسب.) 10. النماذج السببية أ. يجب تجنب استخدام تحليل الانحدار. ب. محاولة شرح سلوك السلاسل الزمنية. ج. لا تستخدم بيانات سلسلة الوقت. د. جميع البدائل صحيحة. ب (محاولة شرح سلوك السلاسل الزمنية.)