Comment calculer des moyennes mobiles pondérées dans Excel en utilisant le lissage exponentiel Analyse de données Excel pour Dummies, 2e édition L'outil Exponential Smoothing dans Excel calcule la moyenne mobile. Cependant, le lissage exponentiel pondère les valeurs incluses dans les calculs de la moyenne mobile, de sorte que les valeurs plus récentes ont un effet plus important sur le calcul moyen et les anciennes valeurs ont un effet moindre. Cette pondération est réalisée par une constante de lissage. Pour illustrer le fonctionnement de l'outil Lissage exponentiel, supposons que vous réfléchissez de nouveau aux informations moyennes quotidiennes sur la température. Pour calculer les moyennes mobiles pondérées à l'aide du lissage exponentiel, procédez comme suit: Pour calculer une moyenne mobile exponentiellement lissée, cliquez d'abord sur le bouton de commande Analyse de données de l'onglet Données. Lorsque Excel affiche la boîte de dialogue Analyse des données, sélectionnez l'élément Exponential Smoothing dans la liste, puis cliquez sur OK. Excel affiche la boîte de dialogue Exponential Smoothing. Identifier les données. Pour identifier les données pour lesquelles vous souhaitez calculer une moyenne mobile exponentiellement lissée, cliquez dans la zone de texte Plage d'entrée. Ensuite, identifiez la plage d'entrée, en tapant une adresse de plage de feuille de calcul ou en sélectionnant la plage de feuille de calcul. Si votre plage de saisie comprend une étiquette de texte pour identifier ou décrire vos données, cochez la case Etiquettes. Fournir la constante de lissage. Entrez la valeur de la constante de lissage dans la zone de texte Facteur d'amortissement. Le fichier d'aide Excel suggère que vous utilisez une constante de lissage comprise entre 0,2 et 0,3. Cependant, si vous utilisez cet outil, vous avez probablement vos propres idées sur la constante de lissage correcte. (Si vous n'êtes pas clueless au sujet de la constante de lissage, peut-être vous ne devriez pas utiliser cet outil.) Dites à Excel où placer les données de moyenne mobile exponentiellement lissées. Utilisez la zone de texte Plage de sortie pour identifier la plage de feuilles de calcul dans laquelle vous souhaitez placer les données de la moyenne mobile. Dans l'exemple de feuille de calcul, par exemple, vous placez les données de la moyenne mobile dans la plage de feuilles de calcul B2: B10. (Facultatif) Tracez les données exponentiellement lissées. Pour tracer les données exponentiellement lissées, cochez la case Sortie du graphique. (Facultatif) Indiquez que vous souhaitez calculer les informations d'erreur standard. Pour calculer les erreurs standard, cochez la case Standard Errors. Excel place les valeurs d'erreur standard à côté des valeurs de moyenne mobile exponentiellement lissées. Une fois que vous avez terminé de spécifier les informations relatives à la moyenne mobile que vous souhaitez calculer et où vous voulez qu'elles soient placées, cliquez sur OK. Excel calcule l'information relative à la moyenne mobile. Mise en évidence par les techniques de lissage Ce site fait partie des objets d'apprentissage JavaScript E-Labs pour la prise de décision. Les autres JavaScript de cette série sont classés dans différents domaines d'application dans la section MENU de cette page. Une série chronologique est une séquence d'observations qui sont ordonnées dans le temps. Inherente à la collecte de données prises dans le temps est une forme de variation aléatoire. Il existe des procédés pour réduire l'annulation de l'effet dû à une variation aléatoire. Les techniques largement utilisées sont le lissage. Ces techniques, lorsqu'elles sont correctement appliquées, révèlent plus clairement les tendances sous-jacentes. Saisissez la série chronologique en ordre, en commençant par le coin supérieur gauche et le ou les paramètres, puis cliquez sur le bouton Calculer pour obtenir une prévision à une période. Les cases en blanc ne sont pas incluses dans les calculs mais les zéros sont. Lorsque vous entrez vos données pour passer d'une cellule à une cellule dans la matrice de données, utilisez la touche Tabulation et non la flèche ou entrez les touches. Caractéristiques des séries temporelles, qui pourraient être révélées en examinant son graphique. Avec les valeurs prévues, et le comportement des résidus, la prévision des conditions de modélisation. Moyennes mobiles: Les moyennes mobiles se classent parmi les techniques les plus populaires pour le prétraitement des séries chronologiques. Ils sont utilisés pour filtrer le bruit blanc aléatoire à partir des données, pour rendre la série temporelle plus lisse ou même pour mettre l'accent sur certains composants informatifs contenus dans la série chronologique. Lissage exponentiel: Il s'agit d'un schéma très populaire pour produire une série chronologique lissée. Alors que dans les moyennes mobiles les observations passées sont pondérées également, le lissage exponentiel attribue des poids exponentiellement décroissants à mesure que l'observation vieillit. En d'autres termes, les observations récentes donnent relativement plus de poids dans les prévisions que les observations plus anciennes. Double lissage exponentiel est mieux à la manipulation des tendances. Triple Exponential Smoothing est mieux à la manipulation des tendances parabole. Une moyenne mobile exponentiellement pondérée avec une constante de lissage a. Correspond approximativement à une moyenne mobile simple de longueur (c'est-à-dire période) n, où a et n sont liés par: a 2 (n1) OR n (2 - a) a. Ainsi, par exemple, une moyenne mobile exponentiellement pondérée avec une constante de lissage égale à 0,1 correspondrait approximativement à une moyenne mobile de 19 jours. Et une moyenne mobile simple de 40 jours correspondrait approximativement à une moyenne mobile exponentiellement pondérée avec une constante de lissage égale à 0,04878. Holts Linear Exponential Smoothing: Supposons que la série temporelle soit non saisonnière mais affiche la tendance. Holts méthode estime à la fois le niveau actuel et la tendance actuelle. Notons que la moyenne mobile simple est un cas particulier du lissage exponentiel en définissant la période de la moyenne mobile sur la partie entière de (2-Alpha) Alpha. Pour la plupart des données commerciales, un paramètre Alpha inférieur à 0,40 est souvent efficace. Cependant, on peut effectuer une recherche de grille de l'espace des paramètres, avec 0,1 à 0,9, avec des incréments de 0,1. Ensuite, le meilleur alpha a la plus petite erreur absolue moyenne (erreur MA). Comment comparer plusieurs méthodes de lissage: Bien qu'il existe des indicateurs numériques pour évaluer la précision de la technique de prévision, l'approche la plus répandue consiste à utiliser la comparaison visuelle de plusieurs prévisions pour évaluer leur exactitude et choisir parmi les différentes méthodes de prévision. Dans cette approche, on doit tracer (en utilisant par exemple Excel) sur le même graphe les valeurs d'origine d'une variable de série temporelle et les valeurs prédites à partir de plusieurs méthodes de prévision différentes, facilitant ainsi une comparaison visuelle. Vous pouvez utiliser les prévisions passées par Smoothing Techniques JavaScript pour obtenir les valeurs de prévisions antérieures basées sur des techniques de lissage qui n'utilisent qu'un seul paramètre. Holt et Winters utilisent deux et trois paramètres, respectivement, donc il n'est pas facile de sélectionner les valeurs optimales, voire presque optimales par essai et les erreurs pour les paramètres. Le lissage exponentiel simple met l'accent sur la perspective à courte portée qu'il définit le niveau à la dernière observation et est basé sur la condition qu'il n'y a pas de tendance. La régression linéaire, qui correspond à une ligne de moindres carrés aux données historiques (ou aux données historiques transformées), représente la longue portée, conditionnée par la tendance de base. Le lissage linéaire linéaire de Holts capture des informations sur la tendance récente. Les paramètres dans le modèle de Holts sont les niveaux-paramètres qui devraient être diminués quand la quantité de variation de données est grande, et les tendances-paramètre devraient être augmentés si la direction de tendance récente est soutenue par le causal certains facteurs. Prévision à court terme: Notez que chaque JavaScript sur cette page fournit une prévision à un pas. Obtenir une prévision en deux étapes. Ajoutez simplement la valeur prévue à la fin de vos données chronologiques et cliquez sur le même bouton Calculer. Vous pouvez répéter ce processus quelques fois pour obtenir les prévisions à court terme nécessaires. Filtre exponentiel Cette page décrit le filtrage exponentiel, le filtre le plus simple et le plus populaire. Cela fait partie de la section Filtrage qui fait partie de A Guide to Fault Detection and Diagnostic .. Vue d'ensemble, constante de temps et équivalent analogique Le filtre le plus simple est le filtre exponentiel. Elle n'a qu'un seul paramètre d'accord (autre que l'intervalle d'échantillonnage). Elle nécessite le stockage d'une seule variable - la sortie précédente. Il s'agit d'un filtre IIR (autorégressif) - les effets d'un changement d'entrée décroissent exponentiellement jusqu'à ce que les limites d'affichage ou l'arithmétique informatique le masquent. Dans diverses disciplines, l'utilisation de ce filtre est également appelée lissage 8220exponentiel8221. Dans certaines disciplines telles que l'analyse d'investissement, le filtre exponentiel est appelé 8220 Moyenne mobile pondérée exponentiellement8221 (EWMA), ou juste 8220 Moyenne mobile exponentielle8221 (EMA). Cela empiète sur la terminologie traditionnelle ARMA 8220moving average8221 de l'analyse des séries temporelles, car il n'y a pas d'historique d'entrée utilisé - juste l'entrée courante. Il s'agit de l'équivalent temps discret du lag8221 de premier ordre 8220 couramment utilisé dans la modélisation analogique de systèmes de contrôle en temps continu. Dans les circuits électriques, un filtre RC (filtre avec une résistance et un condensateur) est un décalage de premier ordre. En mettant l'accent sur l'analogie avec les circuits analogiques, le paramètre d'accord unique est la constante de temps 82208221, généralement écrite sous la forme de la lettre minuscule grecque Tau (). En fait, les valeurs aux temps d'échantillonnage discrets correspondent exactement au décalage de temps continu équivalent avec la même constante de temps. La relation entre l'implémentation numérique et la constante de temps est représentée dans les équations ci-dessous. Equations du filtre exponentiel et initialisation Le filtre exponentiel est une combinaison pondérée de l'estimation précédente (sortie) avec les données d'entrée les plus récentes, la somme des poids égaux à 1 pour que la sortie corresponde à l'entrée à l'état stationnaire. Après la notation de filtre déjà introduite: y (k) ay (k-1) (1-a) x (k) où x (k) est l'entrée brute au temps ky (k) est la sortie filtrée au temps ka Est une constante entre 0 et 1, normalement comprise entre 0,8 et 0,99. (A-1) ou a est parfois appelée la constante de lissage 82208221. Pour des systèmes avec un intervalle de temps T fixe entre des échantillons, la constante 8220a8221 est calculée et stockée pour des raisons de commodité seulement lorsque le développeur d'application spécifie une nouvelle valeur de la constante de temps souhaitée. Pour les systèmes avec échantillonnage de données à des intervalles irréguliers, la fonction exponentielle ci-dessus doit être utilisée à chaque pas de temps, où T est le temps écoulé depuis l'échantillon précédent. La sortie du filtre est généralement initialisée pour correspondre à la première entrée. Lorsque la constante de temps approche 0, a passe à zéro, donc il n'y a pas de filtrage 8211 la sortie est égale à la nouvelle entrée. Comme la constante de temps devient très grande, une approches 1, de sorte que la nouvelle entrée est presque ignorée 8211 très lourd de filtrage. L'équation de filtre ci-dessus peut être réarrangée dans l'équivalent prédicteur-correcteur suivant: Cette forme rend plus évident que l'estimation variable (sortie du filtre) est prédite comme étant inchangée par rapport à l'estimation précédente y (k-1) plus un terme de correction basé Sur l'inattendue 8220innovation8221 - la différence entre la nouvelle entrée x (k) et la prédiction y (k-1). Cette forme est également le résultat de dériver le filtre exponentiel comme un simple cas particulier d'un filtre de Kalman. Qui est la solution optimale à un problème d'estimation avec un ensemble particulier d'hypothèses. Etape réponse Une façon de visualiser le fonctionnement du filtre exponentiel est de tracer sa réponse dans le temps à une entrée pas à pas. C'est-à-dire, en commençant par l'entrée et la sortie du filtre à 0, la valeur d'entrée est soudainement changée à 1. Les valeurs résultantes sont tracées ci-dessous: Dans le graphique ci-dessus, le temps est divisé par la constante de temps tau du filtre, Les résultats pour toute période de temps, pour toute valeur de la constante de temps du filtre. Après un temps égal à la constante de temps, la sortie du filtre s'élève à 63,21 de sa valeur finale. Après un temps égal à 2 constantes de temps, la valeur s'élève à 86,47 de sa valeur finale. Les sorties après des temps égaux à 3,4 et 5 constantes de temps sont respectivement 95,02, 98,17 et 99,33 de la valeur finale. Etant donné que le filtre est linéaire, cela signifie que ces pourcentages peuvent être utilisés pour n'importe quelle grandeur du changement de pas, pas seulement pour la valeur de 1 utilisée ici. Bien que la réponse d'échelon prenne en théorie un temps infini, d'un point de vue pratique, pensez au filtre exponentiel comme 98 à 99 8220done8221 répondant après un temps égal à 4 à 5 constantes de temps de filtrage. Variations sur le filtre exponentiel Il existe une variation du filtre exponentiel appelé filtre exponentiel non linéaire, qui vise à filtrer fortement le bruit dans une certaine amplitude 8220typical8221, mais qui réagit plus rapidement à des changements plus importants. Copyright 2010 - 2013, Greg Stanley Partager cette page:
No comments:
Post a Comment