การย้าย ค่าเฉลี่ย ใน สถิติ

สมมติว่าคุณมี n คะแนน 1,2,3,4,5 n ค่าเฉลี่ยอย่างง่ายคือคณิตศาสตร์ (รวมคะแนนทั้งหมด) จำนวนคะแนนมั ธ ดังนั้นในกรณีข้างต้นค่าเฉลี่ยจะเป็น mathMean (1 2 3. n) nmath Moving average คือค่าเฉลี่ยแบบง่ายๆที่สร้างขึ้นจากเซตย่อยที่สร้างขึ้นจากชุดจุดข้อมูลเดิม โดยทั่วไปค่าเฉลี่ยเคลื่อนที่จะไม่ถูกกำหนดโดยปกติแล้วจุดการเคลื่อนย้ายของ 039 จุดจะมีค่าเฉลี่ยอยู่ที่ 039 โดยทั่วไปคุณจะได้คะแนน k แรกจากชุดเริ่มต้นแทนข้อมูลทั้งหมดและคำนวณค่าเฉลี่ย จากนั้นย้ายชุดไปทางขวาโดยขั้นตอนเดียว มีหลายวิธีในการสุ่มตัวอย่างข้อมูลสำหรับหน้าต่างที่กำลังเคลื่อนที่ แต่นี่เป็นวิธีที่ได้รับความนิยมมากที่สุด ดังนั้นสำหรับค่าเฉลี่ยเคลื่อนที่ 3 จุดในตัวอย่างข้างต้นคุณจะเลือกค่าเฉลี่ย (1,2,3) และค่าเฉลี่ย 2. จากนั้นเลื่อนหน้าต่างไปทางขวาเพื่อตั้งค่าถัดไป (2,3,4) และรับค่า เฉลี่ย 3. ดำเนินการต่อไปจนกว่าจะถึง (n-2, n-1, n) และให้ได้ค่าเฉลี่ย n-1 ซึ่งจะให้หมายเลข n-2 แทนค่าเพียง 1 ค่า แก้ไข: ตามที่ระบุไว้ในข้อคิดเห็นแก้ไขให้ถูกต้อง 243 Views middot ดูคำ UpVotes middot ไม่ได้สำหรับการสืบพันธุ์ middot คำตอบที่ร้องขอโดย Nikhil Gupta เมื่อค่าเฉลี่ยของค่าเฉลี่ยที่แท้จริงหมายถึงอะไร (สถิติ) เครื่องหมายบวก - ลบหมายถึงอะไรในแง่ของ layman0 ในสถิติหมายความว่าอย่างไรโดยการให้คะแนน ค่าเฉลี่ยหมายถึงอะไรมีสถิติเกี่ยวกับจำนวนการเดินทางที่ไม่ได้เดินทางโดยคนทั่วไปเทอม quotcase ปิด statisticallyquot หมายความว่าอย่างไรมันใช้การศึกษาของนักเรียนที่ทำสถิติ 101 ได้ทำ นักเรียนสี่ร้อยคนที่เรียนมานานกว่า 10 ชั่วโมงเป็นค่าเฉลี่ยของ B. นักเรียนสองร้อยคนที่ศึกษาได้น้อยกว่า 10 ชั่วโมงเฉลี่ยค. ความแตกต่างนี้มีนัยสำคัญที่ระดับ 0.01 ความหมายนี้หมายถึงอะไรในสถิติการแทนที่หมายถึงค่าเฉลี่ยโดยเฉลี่ยค่าเฉลี่ยเคลื่อนที่โดยใช้ชุดข้อมูลแบบเดิมค่าเฉลี่ยหมายถึงค่าสถิติแรกที่เป็นประโยชน์และเป็นสถิติที่มีประโยชน์มากที่สุดแห่งหนึ่งในการคำนวณ เมื่อข้อมูลอยู่ในรูปแบบของชุดเวลาซีรี่ส์หมายถึงการวัดที่เป็นประโยชน์ แต่ไม่ได้สะท้อนถึงลักษณะพลวัตของข้อมูล ค่าเฉลี่ยที่คำนวณจากช่วงสั้น ๆ ก่อนหน้าช่วงเวลาปัจจุบันหรือตรงกลางในช่วงเวลาปัจจุบันมักมีประโยชน์มากกว่า เนื่องจากค่าเฉลี่ยดังกล่าวจะแปรผันหรือเคลื่อนย้ายเนื่องจากระยะเวลาปัจจุบันจะเคลื่อนที่จากเวลา t 2, t 3 เป็นต้นเรียกว่าค่าเฉลี่ยเคลื่อนที่ (Mas) ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยคือ (โดยปกติ) ค่าเฉลี่ยที่ไม่มีการถัวเฉลี่ยของค่าก่อนหน้า k ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบเลขยกกำลังเป็นหลักเหมือนกับค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย แต่มีส่วนร่วมกับค่าเฉลี่ยที่ถ่วงน้ำหนักโดยความใกล้ชิดกับเวลาปัจจุบัน เนื่องจากไม่มีตัวอักษร แต่เป็นชุดค่าเฉลี่ยเคลื่อนที่ทั้งหมดสำหรับชุดใดก็ตามชุดของ Mas สามารถถูกจัดวางลงบนกราฟวิเคราะห์เป็นชุดและใช้ในการสร้างแบบจำลองและการคาดการณ์ ช่วงของแบบจำลองสามารถสร้างโดยใช้ค่าเฉลี่ยเคลื่อนที่และเป็นที่รู้จักในรูปแบบ MA ถ้าโมเดลดังกล่าวรวมกับโมเดลอัตถิภาวนิยม (AR) รูปแบบคอมโพสิตที่เป็นที่รู้จักกันในชื่อ ARMA หรือ ARIMA (แบบบูรณาการ) ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเนื่องจากชุดเวลาสามารถถือได้ว่าเป็นชุดของค่า, t 1,2,3,4, n ค่าเฉลี่ยของค่าเหล่านี้สามารถคำนวณได้ ถ้าเราคิดว่า n มีขนาดใหญ่มากและเราเลือกจำนวนเต็ม k ซึ่งน้อยกว่า n เราสามารถคำนวณชุดค่าเฉลี่ยบล็อกหรือค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ (ของคำสั่ง k): แต่ละค่าจะแสดงค่าเฉลี่ยของค่าข้อมูลในช่วงเวลาสังเกตการณ์ k โปรดทราบว่า MA ที่เป็นไปได้ครั้งแรกของคำสั่ง k GT0 คือสำหรับ t k โดยทั่วไปเราสามารถลด subscript พิเศษในนิพจน์ด้านบนและเขียนได้: ค่านี้ระบุว่าค่าเฉลี่ยที่เวลา t เป็นค่าเฉลี่ยที่ง่ายของค่าที่สังเกตได้ ณ เวลา t และขั้นตอน k-1 ก่อนหน้า ถ้าใช้น้ำหนักที่ลดการมีส่วนร่วมของการสังเกตที่ไกลออกไปในเวลาค่าเฉลี่ยเคลื่อนที่จะกล่าวได้ว่าเป็นแบบเรียบ ค่าเฉลี่ยเคลื่อนที่มักใช้เป็นรูปแบบของการคาดการณ์โดยที่ค่าประมาณสำหรับชุดในเวลา t 1, S t1 ถูกนำมาเป็น MA สำหรับระยะเวลาถึงและรวมถึงเวลา t เช่น. การประมาณในปัจจุบันคำนวณจากค่าเฉลี่ยที่บันทึกไว้ก่อนหน้านี้และรวมถึงวันวาน (สำหรับข้อมูลรายวัน) ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายสามารถเห็นได้ว่าเป็นรูปแบบการทำให้เรียบ ในตัวอย่างที่แสดงด้านล่างชุดข้อมูลมลพิษทางอากาศที่แสดงในบทนำสู่หัวข้อนี้ได้รับการเพิ่มขึ้นโดยเส้นค่าเฉลี่ยเคลื่อนที่ 7 วัน (MA) ซึ่งแสดงเป็นสีแดง ที่สามารถมองเห็นได้สาย MA ช่วยให้จุดสูงสุดและรางในข้อมูลเป็นไปอย่างราบรื่นและเป็นประโยชน์ในการระบุแนวโน้ม สูตรคำนวณการคำนวณล่วงหน้าหมายถึงจุดข้อมูล k -1 จุดแรกไม่มีค่า MA แต่หลังจากนั้นการคำนวณจะขยายไปยังจุดข้อมูลสุดท้ายในชุดข้อมูล ค่าเฉลี่ยของวัน PM10 แหล่งที่มาของ Greenwich: London Air Quality Network, londonair. org. uk เหตุผลหนึ่งในการคำนวณค่าเฉลี่ยเคลื่อนที่แบบง่ายๆในลักษณะที่อธิบายไว้คือค่าที่คำนวณได้สำหรับช่วงเวลาทั้งหมดตั้งแต่เวลา tk ขึ้นไปจนถึงปัจจุบันและ เป็นวัดใหม่ที่ได้รับสำหรับเวลา t 1, MA สำหรับเวลา t 1 สามารถเพิ่มไปยังชุดที่คำนวณแล้ว นี่เป็นขั้นตอนง่ายๆสำหรับชุดข้อมูลแบบไดนามิก อย่างไรก็ตามมีบางประเด็นเกี่ยวกับแนวทางนี้ มีเหตุผลที่จะยืนยันว่าค่าเฉลี่ยในช่วง 3 ช่วงสุดท้ายกล่าวคือควรตั้งอยู่ที่เวลา t -1 ไม่ใช่เวลา t และสำหรับ MA มากกว่าจำนวนคู่ของระยะเวลาบางทีมันควรจะอยู่ที่จุดกึ่งกลางระหว่างสองช่วงเวลา วิธีแก้ปัญหานี้คือการใช้การคำนวณ MA ซึ่งอยู่ตรงกลางซึ่ง MA ในเวลา t เป็นค่าเฉลี่ยของชุดสมมาตรของค่ารอบ t แม้จะมีประโยชน์อย่างเห็นได้ชัด แต่วิธีนี้ใช้ไม่ได้โดยทั่วไปเนื่องจากต้องการข้อมูลที่พร้อมใช้งานสำหรับเหตุการณ์ในอนาคตซึ่งอาจจะไม่ใช่กรณีนี้ ในกรณีที่การวิเคราะห์ทั้งหมดเป็นชุดที่มีอยู่การใช้ Mas ไว้ตรงกลางอาจเป็นที่นิยมกว่า ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายอาจถือได้ว่าเป็นรูปแบบหนึ่งของการปรับให้เรียบลบองค์ประกอบความถี่สูงบางส่วนของชุดเวลาและเน้นแนวโน้ม (แต่ไม่ลบ) ในลักษณะเดียวกันกับแนวคิดทั่วไปของการกรองแบบดิจิทัล แท้จริงค่าเฉลี่ยเคลื่อนที่คือรูปแบบของตัวกรองเชิงเส้น คุณสามารถใช้การคำนวณค่าเฉลี่ยเคลื่อนที่เป็นชุดที่ได้รับการปรับให้เรียบขึ้นแล้วเช่นการทำให้เรียบหรือกรองชุดที่เรียบขึ้นไปแล้ว ตัวอย่างเช่นมีค่าเฉลี่ยเคลื่อนที่ของลำดับที่ 2 เราสามารถพิจารณาว่าคำนวณโดยใช้น้ำหนักดังนั้น MA ที่ x 2 0.5 x 1 0.5 x 2 ในทำนองเดียวกัน MA ที่ x 3 0.5 x 2 0.5 x 3 ถ้าเรา เราใช้ 0.5 x 2 0.5 x 3 0.5 (0.5 x 1 0.5 x 2) 0.5 (0.5 x 2 0.5 x 3) 0.25 x 1 0.5 x 2 0.25 x 3 เช่นการกรองแบบ 2 ขั้นตอน กระบวนการ (หรือ convolution) ได้สร้างค่าเฉลี่ยเคลื่อนที่แบบสมมาตรที่มีการถ่วงน้ำหนักที่มีการเปลี่ยนแปลงโดยมีน้ำหนัก หลาย convolutions สามารถผลิตค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักค่อนข้างซับซ้อนซึ่งบางส่วนมีการใช้งานเฉพาะในสาขาพิเศษเช่นในการคำนวณการประกันชีวิต ค่าเฉลี่ยเคลื่อนที่สามารถใช้ในการลบเอฟเฟ็กต์เป็นระยะ ๆ หากคำนวณด้วยระยะเวลาเป็นระยะ ๆ ตามที่ทราบ ตัวอย่างเช่นเมื่อมีข้อมูลรายเดือนข้อมูลตามฤดูกาลสามารถเปลี่ยนแปลงได้โดยการใช้ค่าเฉลี่ยเคลื่อนที่ 12 เดือนที่สมมาตรกับทุกเดือนที่มีการถ่วงน้ำหนักอย่างเท่าเทียมกันยกเว้นกรณีที่ 1 และครั้งสุดท้ายที่มีการถ่วงน้ำหนักด้วย 12 เนื่องจากมี เป็นเวลา 13 เดือนในรูปแบบสมมาตร (ปัจจุบัน, t. - 6 เดือน) ทั้งหมดถูกแบ่งโดย 12 ขั้นตอนที่คล้ายกันสามารถนำมาใช้สำหรับระยะเวลาที่กำหนดไว้อย่างชัดเจน ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก (Expedential Weighted Moving Average - EWMA) โดยใช้สูตรค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ: การสังเกตทั้งหมดมีการถ่วงน้ำหนักอย่างเท่าเทียมกัน ถ้าเราเรียกว่าน้ำหนักเท่ากันนี้อัลฟา t แต่ละ k น้ำหนักจะเท่ากับ 1 k ดังนั้นผลรวมของน้ำหนักจะเป็น 1 และสูตรจะเป็น: เราได้เห็นแล้วว่าการใช้งานหลายขั้นตอนนี้ส่งผลให้น้ำหนักที่แตกต่างกัน ด้วยค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกกำลังให้ความสำคัญกับค่าเฉลี่ยจากการสังเกตที่ถูกลบออกไปในเวลามากขึ้นจะลดลงด้วยเหตุนี้จึงเน้นเหตุการณ์ที่เกิดขึ้นเมื่อเร็ว ๆ นี้ โดยทั่วไปจะมีการปรับค่าพารามิเตอร์การให้ราบเรียบ alpha lt1 ll1 และสูตรที่ได้รับการแก้ไขไปเป็น: รูปแบบสมมาตรของสูตรนี้จะมีรูปแบบดังนี้: ถ้าน้ำหนักในรูปแบบสมมาตรถูกเลือกเป็นเงื่อนไขของข้อกำหนดของการขยายตัวแบบทวินาม (1212) 2q พวกเขาจะรวมกันเป็น 1 และเมื่อ q กลายเป็นขนาดใหญ่จะใกล้เคียงกับการแจกแจงแบบปกติ นี่คือรูปแบบของการถ่วงน้ำหนักของเคอร์เนลโดยมีฟังก์ชัน Binomial ทำหน้าที่เป็นฟังก์ชันเคอร์เนล การแกว่งสองขั้นตอนที่อธิบายไว้ในหมวดย่อยก่อนหน้านี้คือการจัดเรียงนี้อย่างแม่นยำด้วย q 1 ซึ่งให้น้ำหนัก ในการทำให้เรียบเรียบขึ้นจำเป็นต้องใช้ชุดของน้ำหนักที่รวมกันเป็น 1 และลดขนาดทางเรขาคณิต น้ำหนักที่ใช้มีรูปแบบดังนี้: เพื่อแสดงให้เห็นว่าน้ำหนักเหล่านี้รวมกันเป็น 1 ให้พิจารณาการขยายตัวเป็น 1 เป็นชุด เราสามารถเขียนและขยายนิพจน์ในวงเล็บโดยใช้สูตรทวินาม (1- x) p. โดยที่ x (1-) และ p -1 ซึ่งจะให้: ค่านี้จะให้รูปแบบของค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักของแบบฟอร์ม: ผลรวมนี้สามารถเขียนเป็นความสัมพันธ์ที่เกิดขึ้นใหม่ซึ่งช่วยลดความซับซ้อนในการคำนวณและหลีกเลี่ยงปัญหาที่ระบบการถ่วงน้ำหนัก ควรมีความยาวไม่ จำกัด สำหรับน้ำหนักที่จะรวมกันเป็น 1 (สำหรับค่าอัลฟ่าเล็กน้อยนี่ไม่ใช่กรณีปกติ) สัญกรณ์ที่ใช้โดยผู้เขียนที่แตกต่างกันจะแตกต่างกันออกไป บางตัวใช้ตัวอักษร S เพื่อระบุว่าสูตรเป็นตัวแปรที่มีความราบเรียบและเขียนว่า: ในขณะที่ทฤษฎีวรรณคดีควบคุมมักใช้ Z แทน S แทนค่าที่ถ่วงน้ำหนักหรือเรียบง่าย (ดูตัวอย่างเช่น Lucas and Saccucci, 1990, LUC1 , และเว็บไซต์ NIST สำหรับรายละเอียดเพิ่มเติมและตัวอย่างการทำงาน) สูตรที่อ้างถึงข้างต้นมาจากผลงานของ Roberts (1959, ROB1) แต่ Hunter (1986, HUN1) ใช้การแสดงออกของรูปแบบ: ซึ่งอาจเหมาะสมกว่าสำหรับการใช้ในขั้นตอนการควบคุมบางอย่าง ด้วยค่า alpha 1 ค่าประมาณเฉลี่ยคือค่าที่วัดได้ (หรือมูลค่าของรายการข้อมูลก่อนหน้า) ด้วยค่าประมาณ 0.5 ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ของการวัดในปัจจุบันและก่อนหน้า ในรูปแบบการคาดการณ์ S t. มักใช้เป็นประมาณการหรือค่าพยากรณ์ในช่วงเวลาต่อไปนั่นคือค่าประมาณสำหรับ x ณ เวลา t ดังนั้นเราจึงได้แสดงให้เห็นว่าค่าพยากรณ์ที่ t 1 เป็นค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบ บวกกับส่วนประกอบที่แสดงถึงข้อผิดพลาดในการทำนายถ่วงน้ำหนักเอปไซลอน เวลา t สมมติว่ามีชุดเวลาและต้องมีการคาดการณ์ค่าอัลฟาต้อง นี้สามารถประมาณจากข้อมูลที่มีอยู่โดยการประเมินผลรวมของข้อผิดพลาดการทำนายกำลังสองได้รับกับค่าที่แตกต่างของ alpha สำหรับแต่ละ t 2,3 การกำหนดค่าแรกที่จะเป็นค่าข้อมูลที่สังเกตได้ครั้งแรก x 1. ในแอ็พพลิเคชันควบคุมค่าของอัลฟามีความสำคัญในการใช้ในการกำหนดขีด จำกัด การควบคุมด้านบนและด้านล่างและมีผลต่อระยะเวลาในการทำงานโดยเฉลี่ย (ARL) ก่อนที่ข้อ จำกัด ในการควบคุมเหล่านี้จะเสีย (ภายใต้สมมติฐานว่าชุดข้อมูลเวลาเป็นชุดของตัวแปรอิสระที่แจกแจงแบบกระจายเดียวกันซึ่งมีความแปรปรวนร่วมกัน) ภายใต้สถานการณ์เช่นนี้ความแปรปรวนของสถิติการควบคุม: คือ (ลูคัสและ Saccucci, 1990): ขีด จำกัด ของการควบคุมมักจะตั้งค่าเป็นทวีคูณที่คงที่ของความแปรปรวนของการไม่ทำงานนี้เช่น - ค่าเบี่ยงเบนมาตรฐาน 3 เท่า ถ้าตัวอย่างเช่น alpha 0.25 และข้อมูลที่ได้รับการตรวจสอบจะถือว่ามีการแจกแจงแบบปกติ N (0,1) เมื่ออยู่ในการควบคุมขีด จำกัด ของการควบคุมจะเป็น - 1.134 และกระบวนการนี้จะถึงหนึ่งหรือขีด จำกัด อื่น ๆ ใน 500 ขั้นตอน โดยเฉลี่ย. Lucas และ Saccucci (1990 LUC1) ได้รับค่า ARLs สำหรับค่า alpha และภายใต้สมมติฐานต่างๆโดยใช้กระบวนการ Markov Chain พวกเขาจัดทำเป็นตารางผลลัพธ์รวมถึงการให้ ARLs เมื่อค่าเฉลี่ยของกระบวนการควบคุมได้รับการเปลี่ยนแปลงโดยค่าเบี่ยงเบนมาตรฐานหลายค่าหลายค่า ตัวอย่างเช่นเมื่อมีการเปลี่ยนแปลง 0.5 กับ alpha 0.25 ค่า ARL จะน้อยกว่า 50 ขั้นตอนเวลา วิธีการที่อธิบายข้างต้นเป็นที่รู้จักกันในชื่อเดียวเรียบ เป็นขั้นตอนที่ใช้ครั้งเดียวกับชุดเวลาและจากนั้นการวิเคราะห์หรือการควบคุมกระบวนการจะดำเนินการในชุดข้อมูลที่เกิดเรียบ หากชุดข้อมูลมีส่วนประกอบของเทรนด์ตามฤดูกาลหรืออาจใช้การทำให้เรียบแบบทวีคูณแบบสองขั้นตอนหรือสามขั้นตอนเพื่อลบลักษณะเหล่านี้ (ดูเพิ่มเติมส่วนของการพยากรณ์อากาศด้านล่างและตัวอย่างการทำงานของ NIST) CHA1 Chatfield C (1975) การวิเคราะห์ไทม์ซีรี่ส์: ทฤษฎีและการปฏิบัติ แชปแมนและฮอลล์, ลอนดอน HUN1 เธ่อเจเอส (1986) ค่าเฉลี่ยถ่วงน้ำหนักแบบเลขยกกำลัง J ของ Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) แผนการควบคุมค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบทวีคูณ: สมบัติและการเพิ่มประสิทธิภาพ Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) การควบคุมแผนภูมิการทดสอบขึ้นอยู่กับค่าเฉลี่ยเคลื่อนที่ทางเรขาคณิต Technometrics, 1, 239-250Moving Average: อะไรคืออะไรและคำนวณอย่างไรดูวิดีโอหรืออ่านบทความด้านล่าง: ค่าเฉลี่ยเคลื่อนที่เป็นเทคนิคเพื่อให้ได้แนวคิดโดยรวมของแนวโน้มในชุดข้อมูลซึ่งเป็นค่าเฉลี่ยของค่าใด ๆ เซตย่อยของตัวเลข ค่าเฉลี่ยเคลื่อนที่เป็นประโยชน์อย่างมากสำหรับการคาดการณ์แนวโน้มในระยะยาว คุณสามารถคำนวณได้ตลอดช่วงเวลา ตัวอย่างเช่นหากคุณมีข้อมูลการขายเป็นระยะเวลายี่สิบปีคุณสามารถคำนวณค่าเฉลี่ยเคลื่อนที่ 5 ปีค่าเฉลี่ยเคลื่อนที่สี่ปีค่าเฉลี่ยเคลื่อนที่สามปีเป็นต้น นักวิเคราะห์ตลาดสต็อกมักจะใช้ค่าเฉลี่ยเคลื่อนที่ 50 หรือ 200 วันเพื่อช่วยให้พวกเขามองเห็นแนวโน้มของตลาดหุ้นและคาดหวังว่าตลาดหุ้นจะอยู่ที่ใด ค่าเฉลี่ยแสดงถึงค่า 8220middling8221 ของชุดตัวเลข ค่าเฉลี่ยเคลื่อนที่ตรงเหมือนกัน แต่ค่าเฉลี่ยคำนวณหลายครั้งสำหรับหลายชุดข้อมูล ตัวอย่างเช่นหากคุณต้องการค่าเฉลี่ยเคลื่อนที่สองปีสำหรับชุดข้อมูลตั้งแต่ปี 2000, 2001, 2002 และ 2003 คุณจะหาค่าเฉลี่ยสำหรับส่วนย่อย 20002001, 20012002 และ 20022003 ค่าเฉลี่ยเคลื่อนที่จะถูกวางแผนและแสดงผลได้ดีที่สุด การคำนวณตัวอย่างเฉลี่ยปีที่ 5 ปีตัวอย่างการคำนวณ: คำนวณค่าเฉลี่ยเคลื่อนที่ 5 ปีจากชุดข้อมูลต่อไปนี้: (4M 6M 5M 8M 9M) ​​5 6.4M ยอดขายเฉลี่ยสำหรับเซ็ตย่อยที่สองห้าปี (2004 8211 2008) (6M 5M 8M 9M 5M) 5 6.6M ยอดขายเฉลี่ยสำหรับเซตย่อยที่สามห้าปี (2005 8211 2009) ศูนย์ประมาณปีพ. ศ. 2550 6.6M: (5M 8M 9M 5M 4M) 5 6.2M คำนวณต่อค่าเฉลี่ยในแต่ละปีที่ห้าจนกว่าจะถึงจุดสิ้นสุดของชุด (2009-2013) ซึ่งจะช่วยให้คุณมีคะแนนสะสม (ค่าเฉลี่ย) ที่คุณสามารถใช้เพื่อคำนวณกราฟค่าเฉลี่ยเคลื่อนที่ ตาราง Excel ต่อไปนี้แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้สำหรับ 2003-2012 พร้อมกับพล็อตข้อมูลที่กระจาย: ดูวิดีโอหรืออ่านขั้นตอนด้านล่าง: Excel มี Add-in ที่มีประสิทธิภาพ Toolpak การวิเคราะห์ข้อมูล (วิธีโหลดข้อมูล Toolpak การวิเคราะห์) ที่ช่วยให้คุณมีตัวเลือกพิเศษมากมายรวมทั้งฟังก์ชันการเคลื่อนที่โดยเฉลี่ยที่เคลื่อนที่ได้ ฟังก์ชันนี้ไม่เพียง แต่คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับคุณเท่านั้น แต่ยังทำกราฟข้อมูลเดิมในเวลาเดียวกัน ประหยัดคุณมากกดแป้นพิมพ์ Excel 2013: ขั้นตอนที่ 1: คลิกแท็บ 8220Data8221 แล้วคลิก 8220Data Analysis.8221 ขั้นตอนที่ 2: คลิก 8220Moving average8221 แล้วคลิก 8220OK.8221 ขั้นที่ 3: คลิกกล่อง 8220Input Range8221 จากนั้นเลือกข้อมูลของคุณ หากคุณรวมส่วนหัวของคอลัมน์ตรวจสอบให้แน่ใจว่าคุณได้เลือกช่องทำเครื่องหมายในช่องแถวแรก ขั้นตอนที่ 4: พิมพ์ช่วงเวลาลงในช่อง ช่วงเวลาคือจำนวนจุดที่คุณต้องการให้ Excel ใช้คำนวณค่าเฉลี่ยเคลื่อนที่ ตัวอย่างเช่น 822058221 จะใช้จุดข้อมูล 5 ก่อนหน้านี้เพื่อคำนวณค่าเฉลี่ยสำหรับแต่ละจุดที่ตามมา ช่วงเวลาที่ใกล้เคียงกันยิ่งค่าเฉลี่ยเคลื่อนที่ของคุณก็ใกล้เคียงกับชุดข้อมูลเดิมเท่านั้น ขั้นที่ 5: คลิกในกล่อง 8220Output Range8221 และเลือกพื้นที่บนแผ่นงานที่คุณต้องการให้ผลลัพธ์ปรากฏ หรือคลิกปุ่มวิทยุ 8220 ใหม่ worksheet8221 (ถ้าคุณลืมทำเช่นนี้คุณสามารถกลับไปเพิ่มหรือเลือกแผนภูมิจาก 8220Insert8221 tab.8221 ขั้นตอนที่ 7: กด 8220OK หากต้องการดูตาราง 8220Chart Output8221 .8221 Excel จะส่งคืนผลลัพธ์ในพื้นที่ที่คุณระบุไว้ในขั้นตอนที่ 6 ดูวิดีโอหรืออ่านขั้นตอนด้านล่างตัวอย่างปัญหา: คำนวณค่าเฉลี่ยเคลื่อนที่สามปีใน Excel สำหรับข้อมูลการขายต่อไปนี้: 2003 (33M), 2004 (22M), 2005 (36M), 2006 (34M), 2007 (43M), 2008 (39M), 2009 (41M), 2010 (36M), 2011 (45M), 2012 (56M), 2013 (64M) 1: พิมพ์ข้อมูลของคุณลงในคอลัมน์สองคอลัมน์ใน Excel คอลัมน์แรกควรมีปีและคอลัมน์ที่สองข้อมูลเชิงปริมาณ (ในตัวอย่างนี้ปัญหายอดขาย) ตรวจสอบว่าไม่มีแถวที่ว่างเปล่าในข้อมูลเซลล์ของคุณขั้นที่ 2 : คำนวณค่าเฉลี่ยสามปีแรกสำหรับข้อมูล (2003-2005) สำหรับปัญหาตัวอย่างนี้ให้พิมพ์ 8220 (B2B3B4) 38221 ลงในเซลล์ D3 การคำนวณค่าเฉลี่ยแรกขั้นตอนที่ 3: ลากสี่เหลี่ยมที่มุมล่างขวา d เป็นเจ้าของเพื่อย้ายสูตรไปยังเซลล์ทั้งหมดในคอลัมน์ ซึ่งคำนวณค่าเฉลี่ยสำหรับปีต่อ ๆ ไป (เช่น 2004-2006, 2005-2007) ลากสูตร ตรวจสอบช่อง YouTube ของเราเพื่อดูข้อมูลเพิ่มเติมเกี่ยวกับความช่วยเหลือและเคล็ดลับเกี่ยวกับสถิติการย้ายเฉลี่ย: สิ่งที่ต้องการและวิธีการคำนวณได้รับการแก้ไขครั้งล่าสุด: 8 มกราคม 2556 โดย Andale 22 ความเห็นเกี่ยวกับ ldquo ค่าเฉลี่ยเคลื่อนที่: คืออะไรและคำนวณหาได้อย่างไร rdquo นี่คือ สมบูรณ์แบบและง่ายที่จะดูดซึม ขอบคุณสำหรับการทำงานนี้มีความชัดเจนและให้ข้อมูล คำถาม: คุณคำนวณค่าเฉลี่ยเคลื่อนที่ 4 ปีได้อย่างไรปีที่ศูนย์เฉลี่ยเคลื่อนที่ 4 ปีจะเป็นศูนย์รวมในปลายปีที่สอง (เช่น 31 ธ. ค. ) ฉันสามารถใช้รายได้เฉลี่ยที่คาดการณ์รายได้ในอนาคตได้อย่างชัดเจนและเรียบง่าย ขอบคุณมากวิธีการสร้างวิธีการเฉลี่ยเคลื่อนที่โปรดแนะนำฉัน คุณหมายถึงวิธีการเก็บสินค้าคงคลังโดยเฉลี่ยเฉลี่ยอยู่ที่ไหนฉันจะให้คะแนนการคาดการณ์ครั้งแรกของฉันเป็นระยะเวลา 2 SMA ฉันควรวางไว้ในบรรทัดที่สองหรือสามฉันจะใส่ไว้ในบรรทัดที่สอง ตัวอย่างเช่นถ้าเป็นเช่นนี้จะเป็นประโยชน์ตัวอย่างที่ดีมากตัวอย่างสิ่งที่เกิดขึ้นถ้ายอดรวมของทั้งหมดไม่เกินแม้แต่จะเห็นความเห็นของฉันในช่วง 4 ปีที่จะย้ายไปอยู่ที่ปลายปี ทุกคนรู้เกี่ยวกับความหมายตรงกลางโปรดแจ้งให้ฉันทราบหากใครรู้ ที่นี่ it8217s ระบุว่าเราต้องพิจารณา 5 ปีสำหรับการเฉลี่ยซึ่งอยู่ในศูนย์แล้วสิ่งที่เกี่ยวกับปีที่เหลือถ้าเราต้องการได้รับค่าเฉลี่ยของ 20118230as เรา don8217t มีค่าเพิ่มเติมหลังจากปี 2012 แล้วว่าเราจะคำนวณเป็นคุณ don8217t มีข้อมูลเพิ่มเติมใด ๆ ก็จะเป็นไปไม่ได้ที่จะคำนวณ MA 5 ปีสำหรับ 2011 คุณอาจได้รับค่าเฉลี่ยเคลื่อนที่สองปีแม้ว่า สวัสดีขอขอบคุณสำหรับวิดีโอ อย่างไรก็ตามสิ่งหนึ่งที่ไม่ชัดเจน วิธีการคาดการณ์ในอีกไม่กี่เดือนข้างหน้าวิดีโอแสดงการคาดการณ์สำหรับเดือนที่มีข้อมูลอยู่แล้ว สวัสดีดิบ I8217m กำลังทำงานเพื่อขยายบทความเพื่อรวมการคาดการณ์ กระบวนการนี้ซับซ้อนกว่าการใช้ข้อมูลในอดีตเล็กน้อย ลองดูบทความของมหาวิทยาลัยดุ๊กที่อธิบายถึงความลึกนี้ ขอแสดงความนับถือ Stephanie ขอขอบคุณสำหรับคำอธิบายที่ชัดเจน สวัสดีไม่สามารถระบุลิงก์ไปยังบทความ Duke University ที่แนะนำ การร้องขอเพื่อโพสต์ลิงค์ meanmoving average redmoving ค่าเฉลี่ยของข้อมูลชุดข้อมูล (observations เท่ากันเว้นระยะเวลา) จากหลายช่วงเวลาติดต่อกัน เรียกว่าย้ายเนื่องจากมีการคำนวณใหม่อย่างต่อเนื่องจากข้อมูลใหม่จะพร้อมใช้งานดำเนินการโดยการลดค่าที่เก่าสุดและเพิ่มมูลค่าล่าสุด ตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ของยอดขายในหกเดือนอาจคำนวณได้โดยคำนวณยอดขายเฉลี่ยตั้งแต่เดือนมกราคมถึงเดือนมิถุนายนจากนั้นยอดขายโดยเฉลี่ยของเดือนกุมภาพันธ์ถึงเดือนกรกฎาคมถึงเดือนมีนาคมถึงเดือนสิงหาคมเป็นต้น ค่าเฉลี่ยเคลื่อนที่ (1) ลดผลกระทบของรูปแบบชั่วคราวของข้อมูล (2) ปรับปรุงพอดีข้อมูลให้เป็นเส้น (กระบวนการที่เรียกว่าการทำให้ราบเรียบ) เพื่อแสดงแนวโน้มข้อมูลให้ชัดเจนขึ้นและ (3) เน้นค่าใด ๆ เหนือหรือต่ำกว่า แนวโน้ม หากคุณกำลังคำนวณสิ่งที่มีความแปรปรวนสูงมากสิ่งที่ดีที่สุดที่คุณอาจทำได้คือคิดค่าเฉลี่ยเคลื่อนที่ ฉันต้องการทราบว่าค่าเฉลี่ยเคลื่อนที่เป็นข้อมูลอย่างไรดังนั้นฉันจึงมีความเข้าใจในวิธีที่เรากำลังทำอยู่ เมื่อคุณพยายามคิดตัวเลขที่เปลี่ยนแปลงบ่อยครั้งที่ดีที่สุดที่คุณสามารถทำได้คือคำนวณค่าเฉลี่ยเคลื่อนที่ การอนุมานแนวโน้ม