Fremgangsmåte ved å velge en prognosemodell Din prognosemodell bør inneholde funksjoner som fanger opp alle viktige kvalitative egenskaper av dataene: variasjonsmønstre i nivå og trend, effekter av inflasjon og sesongmessighet, korrelasjoner mellom variabler, osv. Videre er antagelsene som ligger til grunn for din valgt modell bør være enig med din intuisjon om hvordan serien ser ut til å oppføre seg i fremtiden. Når du bruker en prognosemodell, har du noen av følgende valg: Disse alternativene er kort beskrevet nedenfor. Se det medfølgende prognostiseringsdiagrammet for en bildevisning av modellspesifikasjonsprosessen, og referer tilbake til Statgraphics Model Specification-panelet for å se hvordan modellegenskapene er valgt i programvaren. Deflation Hvis serien viser inflasjonær vekst, vil deflasjon bidra til å regne for vekstmønsteret og redusere heteroscedasticitet i residualene. Du kan enten (i) deflater de forrige dataene og gjenopplate de langsiktige prognosene med en konstant antatt hastighet, eller (ii) deflater de siste dataene med en prisindeks som KPI, og deretter kvittere med å reinflate de langsiktige prognosene ved å bruke en prognose av prisindeksen. Alternativ (i) er det enkleste. I Excel kan du bare opprette en kolonne med formler for å dele de opprinnelige verdiene med de relevante faktorene. For eksempel, hvis dataene er månedlige og du vil deflate med en hastighet på 5 per 12 måneder, vil du dele med en faktor (1.05) (k12) hvor k er radindeksen (observasjonsnummer). RegressIt og Statgraphics har innebygde verktøy som gjør dette automatisk for deg. Hvis du går denne ruten, er det vanligvis best å angi antatt inflasjonsrate som det beste estimatet av dagens rente, spesielt hvis du skal prognose mer enn en periode framover. Hvis du i stedet velger valgmulighet (ii), må du først lagre deflaterte prognosene og konfidensgrensene i dataregnearket ditt, og deretter generere og lagre en prognose for prisindeksen, og til slutt multiplisere de tilhørende kolonnene sammen. (Tilbake til toppen av siden.) Logaritme transformasjon Hvis serien viser sammensatt vekst og et multipliserende sesongmønster, kan en logaritme transformasjon være nyttig i tillegg til eller i stedet for deflasjon. Logging av dataene vil ikke flate et inflasjonsvækstmønster, men det vil rette det ut slik at det kan monteres av en lineær modell (for eksempel en tilfeldig tur eller ARIMA-modell med konstant vekst eller en lineær eksponensiell utjevningsmodell). Også logging vil konvertere multiplikative sesongmønstre til additivmønstre, slik at hvis du utfører sesongjustering etter logging, bør du bruke additiv typen. Logging handler om inflasjon på en implisitt måte hvis du vil at inflasjonen skal modelleres eksplisitt - dvs. Hvis du vil at inflasjonsraten skal være en synlig parameter for modellen, eller hvis du vil se plott av deflaterte data - så skal du deflate i stedet for å logge. En annen viktig bruk for logtransformasjonen er linearisering av relasjoner mellom variabler i en regresjonsmodus l. For eksempel, hvis den avhengige variabelen er en multiplikativ snarere enn additiv funksjon av de uavhengige variablene, eller hvis forholdet mellom avhengige og uavhengige variabler er lineært i forhold til prosentvise endringer i stedet for absolutte endringer, så bruker man en logtransformasjon til en eller flere variabler kan være hensiktsmessig, som i ølsalgseksemplet. (Tilbake til toppen av siden.) Sesongjustering Hvis serien har et sterkt sesongmessig mønster som antas å være konstant fra år til år, kan sesongjustering være en passende måte å estimere og ekstrapolere mønsteret på. Fordelen med sesongjustering er at den eksplisitt modellerer sesongmønsteret, og gir deg muligheten til å studere sesongindeksene og de sesongjusterte dataene. Ulempen er at det krever estimering av et stort antall tilleggsparametere (spesielt for månedlige data), og det gir ingen teoretisk begrunnelse for beregningen av kvotekvoterte konfidensintervaller. Validering utenfor prøven er spesielt viktig for å redusere risikoen for overpassing av tidligere data gjennom sesongjustering. Hvis dataene er sterkt sesongmessige, men du ikke velger sesongjustering, er alternativene å enten (i) bruke en sesongbasert ARIMA-modell. som implisitt prognoser sesongmønsteret ved hjelp av sesongmessige lag og forskjeller, eller (ii) bruker Winters sesongmessige eksponensielle utjevningsmodell, som anslår tidsvarierende sesongindekser. (Gå tilbake til toppen av siden.) QuotIndependentquot variabler Hvis det finnes andre tidsserier som du mener har forklarende kraft i forhold til din serie av interesser (f. eks. Ledende økonomiske indikatorer eller policyvariabler som pris, reklame, kampanjer, etc.) kan ønske å vurdere regresjon som modelltype. Uansett om du velger regresjon, må du likevel vurdere mulighetene som er nevnt ovenfor for å omdanne variablene dine (deflasjon, logg, sesongjustering - og kanskje også differensiering) for å utnytte tidsdimensjonen og / eller linearisere relasjonene. Selv om du ikke velger regresjon på dette tidspunktet, kan du kanskje vurdere å legge til regressorer senere til en tidsseriemodell (for eksempel en ARIMA-modell) hvis residualene viser seg å ha signifikante krysskorrelasjoner med andre variabler. (Tilbake til toppen av siden.) Utjevning, gjennomsnittlig eller tilfeldig spasertur Hvis du har valgt å justere dataene sesongmessig - eller hvis dataene ikke er sesongmessige til å begynne med - kan du kanskje bruke en gjennomsnittlig eller utjevningsmodell til passe det ikke-soneformede mønsteret som forblir i dataene på dette punktet. En enkel glidende gjennomsnitt eller enkel eksponensiell utjevningsmodell beregner bare et lokalt gjennomsnitt av data på slutten av serien, under forutsetning av at dette er det beste estimatet av gjeldende middelverdien rundt hvilken dataene varierer. (Disse modellene antar at gjennomsnittet av serien varierer langsomt og tilfeldig uten vedvarende trender.) Enkel eksponensiell utjevning foretrekkes normalt for et enkelt bevegelige gjennomsnitt, fordi dets eksponentielt vektede gjennomsnitt gjør en mer fornuftig jobb med å diskontere de eldre dataene, fordi dens utjevningsparameter (alfa) er kontinuerlig og kan lett optimaliseres, og fordi den har et underliggende teoretisk grunnlag for beregning av konfidensintervall. Hvis utjevning eller gjennomsnitt ikke ser ut til å være nyttig - det vil si. hvis den beste prediktoren for den neste verdien av tidsseriene bare er dens tidligere verdi - så er en tilfeldig gangmodell angitt. Dette er tilfellet for eksempel hvis det optimale antall vilkår i det enkle glidende gjennomsnittet viser seg å være 1, eller hvis den optimale verdien av alfa i enkel eksponensiell utjevning viser seg å være 0.9999. Browns lineær eksponensiell utjevning kan brukes til å passe en serie med sakte tidsvarierende lineære trender, men vær forsiktig med å ekstrapolere slike trender veldig langt inn i fremtiden. (De raskt utvidede konfidensintervaller for denne modellen vitner for usikkerheten om den fjerne fremtid.) Huller lineær utjevning anslår også tidsvarierende trender, men bruker separate parametere for å jevne ut nivå og trend, som vanligvis gir bedre passform til dataene enn Brown8217s modell. Q uadratisk eksponensiell utjevning forsøker å estimere tidsvarierende kvadratiske trender, og bør nesten aldri brukes. (Dette vil korrespondere med en ARIMA-modell med tre ordrer av ikke-soneforskjeller.) Linjær eksponensiell utjevning med en dempet trend (det vil si en trend som flater ut i fjerne horisonter) anbefales ofte i situasjoner der fremtiden er svært usikker. De ulike eksponensielle utjevningsmodellene er spesielle tilfeller av ARIMA-modeller (beskrevet nedenfor) og kan utstyres med ARIMA-programvare. Spesielt er den enkle eksponensielle utjevningsmodellen en ARIMA (0,1,1) modell. Holt8217s lineær utjevningsmodell er en ARIMA (0,2,2) modell, og den dempede trendmodellen er en ARIMA (1,1,2 ) modell. Et godt sammendrag av ligningene i de ulike eksponentielle utjevningsmodeller finnes på denne siden på SAS nettside. (SAS-menyene for å spesifisere tidsseriemodeller vises også der de er lik de som er i Statgraphics.) Lineære, kvadratiske eller eksponentielle trendlinjemodeller er andre alternativer for ekstrapolering av en desesasonalisert serie, men de går sjelden utover tilfeldig gange, utjevning eller ARIMA modeller på forretningsdata. (Tilbake til toppen av siden.) Vinter Sesongmessig eksponensiell utjevning Vinter Sesonglig utjevning er en utvidelse av eksponensiell utjevning som samtidig estimerer tidsvarierende nivå, trend og sesongfaktorer ved bruk av rekursive ligninger. (Hvis du bruker denne modellen, vil du ikke først justere dataene sesongmessig.) Winters sesongfaktorer kan enten være multiplikativ eller additiv: normalt bør du velge multiplikasjonsalternativet med mindre du har logget inn dataene. Selv om Winters-modellen er smart og rimelig intuitiv, kan det være vanskelig å bruke i praksis: det har tre utjevningsparametere - alfa, beta og gamma - for å utjevne nivå, trend og sesongfaktorer separat, som må estimeres samtidig. Bestemmelse av startverdier for sesongindeksene kan gjøres ved å bruke forholdsmessige gjennomsnittlige metode for sesongjustering til deler eller hele serien andor ved tilbakekalling. Estimeringsalgoritmen som Statgraphics bruker for disse parametrene, feiler noen ganger ikke sammen, og gir verdier som gir bizarre prognoser og konfidensintervaller, så jeg vil anbefale forsiktighet når du bruker denne modellen. (Tilbake til toppen av siden.) ARIMA Hvis du ikke velger sesongjustering (eller hvis dataene ikke er sesongbaserte), kan du ønske å bruke ARIMA-modellrammen. ARIMA-modeller er en svært generell klasse av modeller som inkluderer tilfeldig gange, tilfeldig trend, eksponensiell utjevning og autoregressive modeller som spesielle tilfeller. Den konvensjonelle visdommen er at en serie er en god kandidat til en ARIMA-modell hvis (i) den kan stasjonæriseres ved en kombinasjon av differensiering og andre matematiske transformasjoner som logging, og (ii) du har en betydelig mengde data til å jobbe med : minst 4 fulle årstider når det gjelder sesongdata. (Hvis serien ikke kan stasjoneres på riktig måte ved differensiering - f. eks. Hvis den er svært uregelmessig eller synes å kvalitativt endre sin oppførsel over tid - eller hvis du har færre enn 4 årstider, kan du bli bedre med en modell som bruker sesongjustering og noen form for enkel gjennomsnitt eller utjevning.) ARIMA-modeller har en spesiell navngivningskonvensjon innført av Box og Jenkins. En ikke-sasonlig ARIMA-modell er klassifisert som en ARIMA-modell (p, d, q), hvor d er antall ikke-soneforskjeller, p er antall autoregressive termer (lag av differensierte serier) og q er antall flyttbare - gjennomsnittlige termer (lags av prognosefeilene) i prediksjonsligningen. En sesongbasert ARIMA-modell er klassifisert som en ARIMA (p, d, q) x (P, D, Q). hvor D, P og Q er henholdsvis antall sesongmessige forskjeller, sesongbaserte autoregressive termer (lags av differensierte serier ved multiplene av sesongperioden) og sesongmessige glidende gjennomsnittlige termer (lags av prognosefeilene ved flere ganger av sesongens periode). Det første trinnet i å montere en ARIMA-modell er å bestemme riktig rekkefølge for differensiering som trengs for å stasjonere serien og fjerne bruttoegenskapene til sesongmessigheten. Dette tilsvarer å avgjøre hvilken kvotestilling som tilfeldigvis eller tilfeldig trendmodell gir det beste utgangspunktet. Ikke forsøk å bruke mer enn 2 forskjellige ordrer av differensiering (sesongbasert og sesongbasert kombinert), og bruk ikke mer enn 1 sesongmessig forskjell. Det andre trinnet er å avgjøre om en konstant term skal inkluderes i modellen. Vanligvis inkluderer du en konstant term hvis total rekkefølgen av differensiering er 1 eller mindre, ellers gjør du det ikke. I en modell med en ordre av differensiering representerer den konstante sikt den gjennomsnittlige trenden i prognosene. I en modell med to differensordrer, er trenden i prognosene bestemt av lokal trenden observert i slutten av tidsserien, og den konstante sikt representerer trend-i-trenden, dvs. krumningen av langvarig langsiktige prognoser. Normalt er det farlig å ekstrapolere trender i trender, slik at du undertrykker kontantperioden i dette tilfellet. Det tredje trinnet er å velge antall autoregressive og bevegelige gjennomsnittsparametere (p, d, q, P, D, Q) som er nødvendige for å eliminere autokorrelasjon som forblir i gjenstander av naivmodellen (dvs. enhver korrelasjon som gjenstår etter bare differensiering). Disse tallene bestemmer antall lags av differenced series andor lags av prognosefeilene som inngår i prognosekvasjonen. Hvis det ikke er noen signifikant autokorrelasjon i residualene på dette punktet, så STOP, du er ferdig: Den beste modellen er en naiv modell Hvis det er betydelig autokorrelasjon ved lags 1 eller 2, bør du prøve å sette q1 hvis ett av følgende gjelder: ( i) det er en sesongmessig forskjell i modellen, (ii) lag 1-autokorrelasjonen er negativ. andor (iii) gjenværende autokorrelasjonsplott er renere utseende (færre, mer isolerte pigger) enn den gjenværende partielle autokorrelasjonsplottet. Hvis det ikke er noen sesongmessig forskjell i modellen, og er lag 1-autokorrelasjonen positiv, og den resterende partielle autokorrelasjonsplottet ser renere ut, så prøv p1. (Noen ganger er disse reglene for å velge mellom p1 og q1 konflikt med hverandre, i så fall gjør det sannsynligvis ikke stor forskjell som du bruker. Prøv dem begge og sammenlign.) Hvis det er autokorrelasjon ved lag 2 som ikke fjernes ved å sette p1 eller q1, kan du prøve p2 eller q2, eller noen ganger p1 og q1. Mer sjelden kan du oppleve situasjoner der p2 eller 3 og q1, eller omvendt, gir de beste resultatene. Det anbefales sterkt at du ikke bruker pgt1 og qgt1 i samme modell. Generelt, når du monterer ARIMA-modeller, bør du unngå å øke modellkompleksiteten for å oppnå bare små ytterligere forbedringer i feilstatistikken eller utseendet til ACF - og PACF-plottene. I en modell med både pgt1 og qgt1 finnes det også en god mulighet for redundans og ikke-unikhet mellom AR - og MA-siden av modellen, som forklart i notatene om den matematiske strukturen til ARIMA-modellen s. Det er vanligvis bedre å fortsette i en fremad trinnvis snarere enn bakover trinnvis måte når du tilpasser modellspesifikasjonene: Start med enklere modeller og legg bare til flere vilkår hvis det er et klart behov. De samme regler gjelder for antall sesongbaserte autoregressive termer (P) og antall sesongmessige glidende gjennomsnittlige betingelser (Q) med hensyn til autokorrelasjon i sesongperioden (for eksempel lag 12 for månedlige data). Prøv Q1 dersom det allerede er en sesongmessig forskjell i modellen, og hvis sesongens autokorrelasjon er negativ, og hvis gjenværende autokorrelasjonsplott ser renere ut i nærheten av sesongslaget, ellers kan du prøve P1. (Hvis det er logisk for serien å vise sterk sesongmessighet, må du bruke en sesongmessig forskjell, ellers vil sesongmønsteret fade ut når du gjør langsiktige prognoser.) Noen ganger kan du prøve å P2 og Q0 eller vice v ersa, eller PQ1. Det anbefales imidlertid sterkt at PQ aldri burde være større enn 2. Sesongmønstre har sjelden den typen perfekt regelmessighet over et stort antall årstider som vil gjøre det mulig å pålitelig identifisere og anslå at mange parametere. Også tilbakekallingsalgoritmen som brukes i parameterestimering, vil trolig gi upålitelige (eller til og med galte) resultater når antall sesonger av data ikke er vesentlig større enn PDQ. Jeg vil anbefale ikke mindre enn PDQ2 hele årstider, og mer er bedre. Igjen, når du monterer ARIMA-modeller, bør du være forsiktig med å unngå overpassing av dataene, til tross for at det kan være mye moro når du får tak i det. Viktige spesielle tilfeller: Som angitt ovenfor, er en ARIMA (0,1,1) modell uten konstant identisk med en enkel eksponentiell utjevningsmodell, og det antar et flytende nivå (det vil si ingen gjennomsiktig reversering), men med null langsiktig trend. En ARIMA (0,1,1) modell med konstant er en enkel eksponensiell utjevningsmodell med en ikke-lineær trendkategori inkludert. En ARIMA (0,2,1) eller (0,2,2) modell uten konstant er en lineær eksponensiell utjevningsmodell som muliggjør en tidsvarierende trend. En ARIMA (1,1,2) modell uten konstant er en lineær eksponensiell utjevningsmodell med fuktet trend, det vil si en trend som til slutt flater ut i langsiktige prognoser. De vanligste sesongbaserte ARIMA-modellene er ARIMA-modellen (0,1,1) x (0,1,1) uten konstant og ARIMA-modellen (1,0,1) x (0,1,1) med konstant. Den tidligere av disse modellene bruker i utgangspunktet eksponensiell utjevning til både de ikke-sesongmessige og sesongmessige komponentene i mønsteret i dataene, samtidig som det tillates en tidsvarierende trend, og sistnevnte modell er noe lik, men antar en konstant lineær trend og derfor litt lengre tidsforutsigbarhet. Du bør alltid inkludere disse to modellene blant ditt utvalg av mistenkte når du monterer data med konsekvent sesongmessige mønstre. En av dem (kanskje med en mindre variasjon som øker p eller q med 1 ogor setting P1 så vel som Q1) er ganske ofte det beste. (Gå tilbake til toppen av siden.) Regnearkimplementering av sesongjustering og eksponensiell utjevning Det er greit å utføre sesongjustering og passe eksponentielle utjevningsmodeller ved hjelp av Excel. Skjermbildene og diagrammene nedenfor er hentet fra et regneark som er satt opp for å illustrere multiplikativ sesongjustering og lineær eksponensiell utjevning på følgende kvartalsvise salgsdata fra Outboard Marine: Klikk her for å få en kopi av regnearkfilen selv. Utgaven av lineær eksponensiell utjevning som skal brukes her for demonstrasjonsformål er Brown8217s versjon, bare fordi den kan implementeres med en enkelt kolonne med formler, og det er bare én utjevningskonstant for å optimalisere. Vanligvis er det bedre å bruke Holt8217s versjon som har separate utjevningskonstanter for nivå og trend. Fremskrivningsprosessen fortløper som følger: (i) først er dataene sesongjustert (ii) så blir prognoser generert for sesongjusterte data via lineær eksponensiell utjevning og (iii) til slutt er de sesongjusterte prognosene kvoteres for å få prognoser for den opprinnelige serien . Sesongjusteringsprosessen utføres i kolonne D til G. Det første trinnet i sesongjustering er å beregne et sentrert glidende gjennomsnitt (utført her i kolonne D). Dette kan gjøres ved å ta gjennomsnittet av to ettårige gjennomsnitt som kompenseres av en periode i forhold til hverandre. (En kombinasjon av to offset-gjennomsnitt i stedet for et enkelt gjennomsnitt er nødvendig for sentrering når antall årstider er like.) Det neste trinnet er å beregne forholdet til glidende gjennomsnitt, dvs. De opprinnelige dataene divideres med det bevegelige gjennomsnittet i hver periode - som utføres her i kolonne E. (Dette kalles også quottrend-cyclequot-komponenten i mønsteret, forutsatt at trend og konjunktursykluser kan anses å være alt som forblir etter gjennomsnitt over en helårs verd av data. Selvfølgelig kan endringer i måned til måned som ikke skyldes sesongbestemte, bestemmes av mange andre faktorer, men gjennomsnittet på 12 måneder glatter seg over dem i stor grad.) Beregnet sesongindeks for hver sesong beregnes ved først å beregne alle forholdene for den aktuelle sesongen, som er gjort i celler G3-G6 ved hjelp av en AVERAGEIF formel. Gjennomsnittstallene blir deretter rescaled slik at de summerer til nøyaktig 100 ganger antall perioder i en sesong, eller 400 i dette tilfellet, som er gjort i celler H3-H6. Nedenfor i kolonne F brukes VLOOKUP-formler til å sette inn riktig sesongindeksverdi i hver rad i datatabellen, i henhold til kvartalet av året representerer den. Det sentrert glidende gjennomsnittet og de sesongjusterte dataene ser ut som dette: Merk at det bevegelige gjennomsnittet vanligvis ser ut som en jevnere versjon av sesongjusterte serien, og den er kortere i begge ender. Et annet regneark i samme Excel-fil viser anvendelsen av den lineære eksponensielle utjevningsmodellen til sesongjusterte data, som begynner i kolonne G. En verdi for utjevningskonstanten (alfa) er angitt over prognose-kolonnen (her i celle H9) og For enkelhets skyld er det tildelt rekkeviddenavnet quotAlpha. quot (Navnet er tilordnet med kommandoen quotInsertNameCreatequot.) LES-modellen initialiseres ved å sette de to første prognosene tilsvarer den første virkelige verdien av sesongjusterte serien. Formelen som brukes her for LES-prognosen, er den recirkulære resirkulære formen av Brown8217s-modellen: Denne formelen er oppgitt i cellen som svarer til den tredje perioden (her, celle H15) og kopieres derfra. Legg merke til at LES-prognosen for den nåværende perioden refererer til de to foregående observasjonene og de to foregående feilene, samt til verdien av alfa. Således refererer prognoseformelen i rad 15 kun til data som var tilgjengelige i rad 14 og tidligere. (Selvfølgelig, hvis vi ønsket å bruke enkle i stedet for lineær eksponensiell utjevning, kunne vi erstatte SES-formelen her i stedet. Vi kunne også bruke Holt8217s i stedet for Brown8217s LES-modellen, som ville kreve to flere kolonner med formler for å beregne nivå og trend som brukes i prognosen.) Feilene beregnes i neste kolonne (her, kolonne J) ved å trekke prognosene fra de faktiske verdiene. Rotenes middelkvadratfeil beregnes som kvadratroten av variansen av feilene pluss kvadratet av gjennomsnittet. (Dette følger av den matematiske identiteten: MSE VARIANCE (feil) (AVERAGE (feil)). 2.) Ved beregning av gjennomsnitt og varians av feilene i denne formelen, er de to første periodene utelukket fordi modellen ikke faktisk begynner å prognose til den tredje perioden (rad 15 på regnearket). Den optimale verdien av alfa kan bli funnet enten ved å endre alfa manuelt til minimum RMSE er funnet, ellers kan du bruke quotSolverquot til å utføre en nøyaktig minimering. Verdien av alfa som Solver funnet er vist her (alfa0.471). Det er vanligvis en god ide å plotte feilene i modellen (i transformerte enheter) og også å beregne og plotte sine autokorrelasjoner på lags på opptil en sesong. Her er en tidsserier av de (sesongjusterte) feilene: Feilautokorrelasjonene beregnes ved hjelp av CORREL () - funksjonen for å beregne korrelasjonene til feilene med seg selv forsinket av en eller flere perioder - detaljer vises i regnearkmodellen . Her er et plot av autokorrelasjonene til feilene ved de fem første lagene: Autokorrelasjonene på lags 1 til 3 er svært nær null, men spissen ved lag 4 (hvis verdien er 0,35) er litt plagsom - det antyder at Sesongjusteringsprosessen har ikke vært helt vellykket. Men det er faktisk bare marginalt signifikant. 95 signifikansbånd for å teste om autokorrelasjoner er signifikant forskjellig fra null er omtrent pluss-eller-minus 2SQRT (n-k), hvor n er prøvestørrelsen og k er lagret. Her er n 38 og k varierer fra 1 til 5, slik at square-root-of-n-minus-k er rundt 6 for dem alle, og derfor er grensene for å teste den statistiske signifikansen av avvik fra null tilnærmet pluss - eller-minus 26 eller 0,33. Hvis du varierer verdien av alpha for hånd i denne Excel-modellen, kan du observere effekten på tidsseriene og autokorrelasjonsplottene av feilene, så vel som på den rotte-kvadratiske feilen, som vil bli illustrert nedenfor. På bunnen av regnearket er prognoseformelen kvotetatt i fremtiden ved bare å erstatte prognoser for faktiske verdier ved det punktet der de faktiske dataene går tom - det vil si. hvor quotthe futurequot begynner. (Med andre ord, i hver celle der en fremtidig dataværdi vil oppstå, settes en cellereferanse som peker på prognosen som er laget for den perioden.) Alle de andre formlene kopieres ganske enkelt ned fra oven: Legg merke til at feilene for prognoser for fremtiden er alle beregnet til å være null. Dette betyr ikke at de faktiske feilene vil være null, men det reflekterer bare det faktum at vi forutsetter at fremtidige data vil svare til prognosene i gjennomsnitt. De resulterende LES-prognosene for de sesongjusterte dataene ser slik ut: Med denne spesielle verdien av alfa, som er optimal for prognoser med en periode fremover, er den forventede trenden litt oppadgående, noe som gjenspeiler den lokale trenden som ble observert de siste 2 årene eller noe. For andre verdier av alfa, kan det oppnås en helt annen trendprojeksjon. Det er vanligvis en god ide å se hva som skjer med den langsiktige trendprojeksjonen når alfa er variert, fordi verdien som er best for kortsiktig prognose, ikke nødvendigvis vil være den beste verdien for å forutse den lengre fremtid. For eksempel er her resultatet som oppnås hvis verdien av alfa er manuelt satt til 0,25: Den projiserte langsiktige trenden er nå negativ, heller enn positiv. Med en mindre verdi av alfa, legger modellen vekt på eldre data i sin estimering av dagens nivå og trend, og langsiktige prognoser reflekterer den nedadgående trenden observert de siste 5 årene i stedet for den nyere oppadgående trenden. Dette diagrammet illustrerer også tydelig hvordan modellen med en mindre verdi av alfa er langsommere for å svare på quotturning pointsquot i dataene og derfor har en tendens til å gjøre en feil på det samme tegnet i mange perioder på rad. Dens 1-trinns prognosefeil er større i gjennomsnitt enn de som er oppnådd før (RMSE på 34,4 i stedet for 27,4) og sterkt positivt autokorrelert. Lag-1 autokorrelasjonen på 0,56 overstiger sterkt verdien av 0,33 beregnet ovenfor for en statistisk signifikant avvik fra null. Som et alternativ til å svekke verdien av alfa for å introdusere mer konservatisme i langsiktige prognoser, blir det noen ganger lagt til en quotrend dampeningquot-faktor i modellen for å gjøre den projiserte trenden flatt ut etter noen perioder. Det siste trinnet i å bygge prognosemodellen er å quotereasonizequot LES prognosene ved å multiplisere dem med de riktige sesongindeksene. De resesaliserte prognosene i kolonne I er således bare produktene av sesongindeksene i kolonne F og de sesongjusterte LES-prognosene i kolonne H. Det er relativt enkelt å beregne konfidensintervaller for en-trinns prognoser fra denne modellen: først beregne RMSE (root-mean-squared-feilen, som bare er kvadratroten til MSE), og beregne deretter et konfidensintervall for sesongjustert prognose ved å legge til og trekke to ganger RMSE. (Generelt er et 95 konfidensintervall for en prognose for en periode fremdeles omtrent lik punktsprognosen pluss-eller-minus-to ganger estimert standardavvik for prognosefeilene, forutsatt at feilfordelingen er omtrent normal og prøvenes størrelse er stor nok, si 20 eller mer. Her er RMSE i stedet for standardfeilavviket for feilene det beste estimatet av standardavviket for fremtidige prognosefeil fordi det tar forvirring, samt tilfeldige variasjoner i betraktning.) Tillitgrensene for sesongjustert prognose blir deretter resesasonalized. sammen med prognosen, ved å multiplisere dem med de riktige sesongindeksene. I dette tilfellet er RMSE lik 27,4 og sesongjustert prognose for den første fremtidige perioden (desember 93) er 273,2. så sesongjustert 95 konfidensintervall er fra 273,2-227,4 218,4 til 273,2227,4 328,0. Multiplicere disse grensene med Decembers sesongindeks på 68,61. Vi oppnår lavere og øvre konfidensgrenser på 149,8 og 225,0 rundt prognosen på 93,9 prosent på 187,4. Forventningsgrenser for prognoser mer enn en periode framover vil generelt øke etter hvert som prognosehorisonten øker på grunn av usikkerhet om nivå og trend, samt sesongfaktorer, men det er vanskelig å beregne dem generelt ved hjelp av analytiske metoder. (Den riktige måten å beregne konfidensgrenser for LES-prognosen er ved å bruke ARIMA-teorien, men usikkerheten i sesongindeksene er en annen sak.) Hvis du vil ha et realistisk konfidensintervall for en prognose mer enn en periode framover, tar du alle kilder til Feil i betraktning, din beste innsats er å bruke empiriske metoder: for eksempel for å oppnå et konfidensintervall for en 2-trinns prognose, kan du opprette en annen kolonne på regnearket for å beregne en 2-trinns prognose for hver periode ( ved å starte opp en-trinns prognose). Beregn deretter RMSE for de to-trinns prognosefeilene og bruk dette som grunnlag for et 2-trinns konfidensintervall. I Dead Frontier er Shotguns den svakere, men mer effektive versjonen av maskinpistoler. Shotguns er generelt utformet for nærkamp kamp på grunn av deres spredt skudd, men de kan også være nyttige på lengre områder på grunn av den høye sjansen til å slå fienden med minst en enkelt pellet og den ganske stramme spredningen. Hver godt målrettet haglepellet gir opp til total skade per skudd, men igjen kan du også gjøre veldig lite skade hvis for få pellets rammer målet. Det bemerkes at alle hagler har gjennomsnittlig nøyaktighet. Shotgun skade er kjent som (Skader per pellet) x (pellets per skudd) Skade, for eksempel kan Washington 870 med 3,3 x 8 skader gjøre opp til 26,4 skader per skudd. På grunn av de små pelletsene av buckshot, versus de større kulene til andre skytevåpen, kan hagler ikke score en kritisk hit. Nøyaktighet påvirker hagler unikt, ettersom nøyaktighet ikke reduserer spredningen av deres buckshot, men i stedet sentrerer plasseringen av skuddet. Shotguns er en delmengde av våpen som ofte brukes i høy-aggro kamp på grunn av deres betydelige tilbakeslag og spredt pelletsdispersjon er også bemerkelsesverdig for sin sakte reload og noen ganger langsommere avfyringshastigheter. Vær oppmerksom på at skader påført av noen haglevåpen har å gjøre med måleren på skallet, ikke våpenet som er avfyrt fra. Typer Shotguns Det finnes mange forskjellige typer hagler - alt fra pause til pumpe-handling til halvautomatisk til spak-action osv. Men i Dead Frontier er haglene enkeltkategorisert etter deres Shots Per Second eller SPS. De fire typer hagler er: Single Shot: De svakeste haglene som Highlander. Mancini M1 er her også, til tross for at den er semi-auto. Bare ett skudd per sekund. Disse er et dårlig valg for publikumskontroll, selv i erfarne hender. Pump-action: Starter ved Washington 870 et flertall av haglene, inkludert Corpse Blaster. Scores 1,5 skudd per sekund. Disse er et godt valg for publikumskontroll i kun erfarne hender. Semi-automatisk: Inkluderer, men er ikke begrenset til Sega-20, Sweeper og Biforce C7. Scores to skudd per sekund gir en gjennomsnittlig mengdekontroll i semi-erfarne hender. Fullautomatisk: Inkluderer, men er ikke begrenset til USAN-12, AA-12 og Dusk Striker. Disse haglgeværene gir den beste mengden kontroll i sin kategori. Bare to av haglene som gir 1,5 skudd per sekund, er ekstremt kraftige. Corpse Blaster avtaler 67,2 dmg per når alle pellets rammer et mål Painshot 10 avtaler 74,1 dmg per treff når alle pellets rammer et mål. Shotguns kan også klassifiseres av ammunisjonen som brukes: Jo lavere tallet er, desto høyere er haglgeværets skade. Dette skyldes diameteren på haglene i tunnelen - jo lavere måler nummer, jo større fat. Sitert fra Wikipedia: Gauge er bestemt av vekten av en solid blykule som passer til borehullets skyte, og uttrykkes som multiplikativ invers av sfærens vekt som en brøkdel av et pund (f. eks. En 112 pund ball passer til en 12-gauge-boring. Det er åpenbart at en større tønne gir større pellets og mer krutt å bli sparket på en gang, derfor er større barreled hagler mer skade. Krav Shotguns er et av de få våpnene som har høy styrke krav. Høyspenningen tilgjengelig, Mancini M1, krever 10 haglgeværspesifikasjonspoeng å bruke. Politioffiserklassen starter også med en Mancini M1 Shotgun, sammen med 25 skall. Fra tredje haglgeværet er det et styrkekrav, vanligvis nær ferdighetene krav. Det er ikke behov for høy nøyaktighet eller reloading som det er ubrukelig - haglgeværer fungerer bra uten høy nøyaktighet eller reloading. Kamp mot Utenfor - LootScout Run Genererer en betydelig mengde aggro med hver bla St, hagler er et dårlig valg hvis du prøver å unngå store mengder zombier. For å maksimere deres effektivitet, vil du bruke følgende tips: Vent til zombie er i punkt-tomt rekkevidde. Dette sikrer at alle pelleter vil streike. Hvis du prøver å komme et sted og en zombie blokkerer veien din, kan et blikk på blankt skyve ham ut av veien. Vær ammo bevisst. Med en sakte reloadtid og ofte bare en håndfull runder per magasin, er det viktig å lære å laste på nytt når du får et stille øyeblikk. Ett triks er å slå R rett før du går over til en annen skjerm, da dette resulterer i øyeblikkelig gjenlasting når du kommer til neste blokk. Aggro Combat (Multiplayer) Shotguns er en klasse av våpen designet for høy aggro kamp. Deres knockback og evne til å treffe flere mål på en gang og det faktum at hvis de dreper en zombie. pellet passerer gjennom den til neste zombie. Noen tips for effektiv bruk160: Målet for klynger av zombier å slå dem alle sammen. Aldri slutte å flytte. Fortsett å sirkle zombiene for å unngå å bli rammet av dem. Igjen, når du får en sjanse, last på nytt. Å bli rushed av en plutselig svømmetur når du går ned til tre runder, er ikke morsom. Det anbefales også å bytte til et sidevåpen i stramme situasjoner der opplasting kan føre til sår. Prøv å slå flere skadede zombier bak hverandre - hvis du dreper den første zombie, blir den neste zombie rammet av pellets. Spredt skudd mot zombier horder er svært nyttige - når du klarer å lande en dødsblås, falt de spredte skuddene flere zombier, noe som betyr at mengden kan bli drept raskt. Fordeler og ulemper På grunn av deres spredt skudd kan du treffe flere fiender. Shotguns krever ingen kritisk hit på grunn av at de ikke har en kritisk sjanse, noe som betyr at statistikk er lagret. De fleste hagle ammunisjon er billig 20 gauge og 16 gauge er de billigste, 10 og 12 gauge er de dyreste. Hvis en zombie blir drept. pellets vil passere gjennom zombie og slå zombie bak den. gjør haglgeværer ekstremt nyttige i mengdekontroll situasjoner (det vil si hvis du gjør den ekstra skaden). De har den nest minste ammunisjonsboksen (400 per boks). Hvis en fiende er for langt unna, vil haglgeværer gjøre svært liten skade. Shotguns synes ikke godt i PvP med mindre i erfarne hender. Shotguns kan forårsake tung aggro, enda mer enn tunge maskinpistoler og miniguns. Note160: Nøyaktighetseffekter haglgeværer unikt, da det ikke reduserer spredningen av pelletsene, men i stedet sentrerer plasseringen av skuddet. Liste over Shotguns Skrapverdiene i parentes angir skrapprisen med Master Crafted (MC) - elementer.
No comments:
Post a Comment