Moyenne mobile Cet exemple vous enseigne comment calculer la moyenne mobile d'une série temporelle dans Excel. Une moyenne mobile est utilisée pour lisser les irrégularités (pics et vallées) pour reconnaître facilement les tendances. 1. Tout d'abord, jetez un oeil à notre série chronologique. 2. Sous l'onglet Données, cliquez sur Analyse des données. Remarque: ne trouve pas le bouton Analyse des données Cliquez ici pour charger le complément Analysis ToolPak. 3. Sélectionnez Moyenne mobile et cliquez sur OK. 4. Cliquez dans la zone Plage d'entrée et sélectionnez la plage B2: M2. 5. Cliquez dans la zone Intervalle et tapez 6. 6. Cliquez dans la zone Plage de sortie et sélectionnez la cellule B3. 8. Tracez un graphique de ces valeurs. Explication: parce que nous définissons l'intervalle sur 6, la moyenne mobile est la moyenne des 5 points de données précédents et le point de données actuel. En conséquence, les crêtes et les vallées sont lissées. Le graphique montre une tendance à la hausse. Excel ne peut pas calculer la moyenne mobile pour les 5 premiers points de données car il n'y a pas assez de points de données antérieurs. 9. Répétez les étapes 2 à 8 pour l'intervalle 2 et l'intervalle 4. Conclusion: Plus l'intervalle est grand, plus les sommets et les vallées sont lissés. Plus l'intervalle est petit, plus les moyennes mobiles sont proches des points de données réels. En pratique, la moyenne mobile fournira une bonne estimation de la moyenne des séries chronologiques si la moyenne est constante ou change lentement. Dans le cas d'une moyenne constante, la plus grande valeur de m donnera les meilleures estimations de la moyenne sous-jacente. Une période d'observation plus longue évalue en moyenne les effets de la variabilité. Le but de fournir un plus petit m est de permettre à la prévision de répondre à un changement dans le processus sous-jacent. Pour illustrer, nous proposons un ensemble de données qui intègre des changements dans la moyenne sous-jacente de la série chronologique. La figure montre la série chronologique utilisée pour l'illustration ainsi que la demande moyenne à partir de laquelle la série a été générée. La moyenne commence comme une constante à 10. En commençant au temps 21, elle augmente d'une unité dans chaque période jusqu'à ce qu'elle atteigne la valeur de 20 au temps 30. Puis elle redevient constante. Les données sont simulées en ajoutant à la moyenne un bruit aléatoire issu d'une distribution normale avec moyenne nulle et écart-type 3. Les résultats de la simulation sont arrondis à l'entier le plus proche. Le tableau montre les observations simulées utilisées pour l'exemple. Lorsque nous utilisons la table, nous devons nous rappeler qu'à un moment donné, seules les données passées sont connues. Les estimations du paramètre du modèle, pour trois valeurs différentes de m, sont indiquées avec la moyenne des séries temporelles dans la figure ci-dessous. La figure montre l'estimation moyenne mobile de la moyenne à chaque instant et non pas la prévision. Les prévisions changeraient les courbes de la moyenne mobile vers la droite par périodes. Une conclusion ressort immédiatement de la figure. Pour les trois estimations, la moyenne mobile est en retard par rapport à la tendance linéaire, le décalage augmentant avec m. Le retard est la distance entre le modèle et l'estimation dans la dimension temporelle. En raison du décalage, la moyenne mobile sous-estime les observations à mesure que la moyenne augmente. Le biais de l'estimateur est la différence à un moment précis dans la valeur moyenne du modèle et la valeur moyenne prédite par la moyenne mobile. Le biais lorsque la moyenne augmente est négatif. Pour une moyenne décroissante, le biais est positif. Le retard dans le temps et le biais introduit dans l'estimation sont des fonctions de m. Plus la valeur de m. Plus l'ampleur du décalage et du biais est grande. Pour une série en constante augmentation avec tendance a. Les valeurs de retard et de biais de l'estimateur de la moyenne sont données dans les équations ci-dessous. Les courbes d'exemple ne correspondent pas à ces équations parce que le modèle d'exemple n'est pas en augmentation continue, plutôt qu'il commence comme une constante, des changements à une tendance et devient alors à nouveau constante. Les courbes d'exemple sont également affectées par le bruit. La prévision moyenne mobile des périodes dans le futur est représentée par le déplacement des courbes vers la droite. Le décalage et le biais augmentent proportionnellement. Les équations ci-dessous indiquent le décalage et le biais d'une période de prévision dans le futur par rapport aux paramètres du modèle. Encore une fois, ces formules sont pour une série chronologique avec une tendance linéaire constante. Nous ne devrions pas être surpris de ce résultat. L'estimateur de la moyenne mobile est basé sur l'hypothèse d'une moyenne constante, et l'exemple a une tendance linéaire dans la moyenne pendant une partie de la période d'étude. Étant donné que les séries de temps réel obéiront rarement exactement aux hypothèses de n'importe quel modèle, nous devrions être préparés à de tels résultats. On peut aussi conclure de la figure que la variabilité du bruit a le plus grand effet pour m plus petit. L'estimation est beaucoup plus volatile pour la moyenne mobile de 5 que la moyenne mobile de 20. Nous avons les désirs contradictoires d'augmenter m pour réduire l'effet de la variabilité due au bruit et diminuer m pour rendre la prévision plus sensible aux changements En moyenne. L'erreur est la différence entre les données réelles et la valeur prévue. Si la série chronologique est vraiment une valeur constante, la valeur attendue de l'erreur est nulle et la variance de l'erreur est composée d'un terme qui est une fonction de et d'un second terme qui est la variance du bruit,. Le premier terme est la variance de la moyenne estimée avec un échantillon de m observations, en supposant que les données proviennent d'une population avec une moyenne constante. Ce terme est minimisé en faisant m le plus grand possible. Un grand m rend la prévision insensible à une modification de la série chronologique sous-jacente. Pour rendre la prévision sensible aux changements, nous voulons m aussi petit que possible (1), mais cela augmente la variance d'erreur. La prévision pratique nécessite une valeur intermédiaire. Prévision avec Excel Le complément de prévision met en œuvre les formules de moyenne mobile. L'exemple ci-dessous montre l'analyse fournie par l'add-in pour les données d'échantillon de la colonne B. Les 10 premières observations sont indexées -9 à 0. Par rapport au tableau ci-dessus, les indices de période sont décalés de -10. Les dix premières observations fournissent les valeurs de démarrage pour l'estimation et sont utilisées pour calculer la moyenne mobile pour la période 0. La colonne MA (10) (C) montre les moyennes mobiles calculées. Le paramètre de la moyenne mobile m est dans la cellule C3. La colonne Fore (1) (D) montre une prévision pour une période dans le futur. L'intervalle de prévision est dans la cellule D3. Lorsque l'intervalle de prévision est changé en un nombre plus grand, les nombres de la colonne Fore sont décalés vers le bas. La colonne Err (1) (E) montre la différence entre l'observation et la prévision. Par exemple, l'observation au temps 1 est 6. La valeur prévisionnelle faite à partir de la moyenne mobile au temps 0 est 11.1. L'erreur est alors de -5,1. L'écart-type et l'écart moyen moyen (MAD) sont calculés respectivement dans les cellules E6 et E7. Ajouter une ligne de tendance ou de moyenne mobile à un graphique S'applique à: Excel 2016 Word 2016 PowerPoint 2016 Excel 2013 Word 2013 Outlook 2013 PowerPoint 2013 Plus. Moins Pour afficher les tendances des données ou les moyennes mobiles dans un graphique que vous avez créé. Vous pouvez ajouter une ligne de tendance. Vous pouvez également étendre une ligne de tendance au-delà de vos données réelles pour vous aider à prédire les valeurs futures. Par exemple, la ligne de tendance linéaire suivante prévoit deux trimestres à venir et montre clairement une tendance à la hausse qui semble prometteuse pour les ventes futures. Vous pouvez ajouter une ligne de tendance à un graphique 2-D qui n'est pas empilé, y compris la zone, la barre, la colonne, la ligne, le stock, la dispersion et la bulle. Vous ne pouvez pas ajouter une ligne de tendance à un diagramme 3D, empilé, de radar, de tarte, de surface ou de beignet. Ajouter une ligne de tendance Sur votre graphique, cliquez sur la série de données à laquelle vous souhaitez ajouter une ligne de tendance ou une moyenne mobile. La ligne de tendance commencera sur le premier point de données de la série de données que vous choisissez. Cochez la case Trendline. Pour choisir un autre type de ligne de tendance, cliquez sur la flèche à côté de Trendline. Puis cliquez sur Exponentiel. Prévision linéaire. Ou moyenne mobile à deux périodes. Pour des lignes de tendance supplémentaires, cliquez sur Plus d'options. Si vous choisissez Plus d'options. Cliquez sur l'option souhaitée dans le volet Format Trendline sous Trendline Options. Si vous sélectionnez Polynomial. Entrez la puissance la plus élevée pour la variable indépendante dans la case Ordre. Si vous sélectionnez Moyenne mobile. Entrez le nombre de périodes à utiliser pour calculer la moyenne mobile dans la zone Période. Astuce: Une ligne de tendance est la plus précise lorsque sa valeur R-carré (un nombre de 0 à 1 qui révèle à quel point les valeurs estimées pour la ligne de tendance correspondent à vos données réelles) est à ou près de 1. Lorsque vous ajoutez une ligne de tendance à vos données , Excel calcule automatiquement sa valeur R-squared. Vous pouvez afficher cette valeur sur votre organigramme en cochant la case Afficher le R-carré sur la zone de graphique (fenêtre Format Trendline, Trendline Options). Vous pouvez en apprendre plus sur toutes les options de ligne de tendance dans les sections ci-dessous. Ligne de tendance linéaire Utilisez ce type de ligne de tendance pour créer une ligne droite optimale pour des ensembles de données linéaires simples. Vos données sont linéaires si le motif de ses points de données ressemble à une ligne. Une ligne de tendance linéaire indique généralement que quelque chose augmente ou diminue à un rythme régulier. Une ligne de tendance linéaire utilise cette équation pour calculer l'ajustement des moindres carrés pour une ligne: où m est la pente et b l'intercepte. La ligne de tendance linéaire suivante montre que les ventes de réfrigérateurs ont constamment augmenté au cours d'une période de 8 ans. Notez que la valeur R-squared (un nombre de 0 à 1 qui révèle comment étroitement les valeurs estimées pour la ligne de tendance correspondent à vos données réelles) est 0.9792, ce qui est un bon ajustement de la ligne aux données. En affichant une ligne courbe optimale, cette ligne de tendance est utile lorsque le taux de changement dans les données augmente ou diminue rapidement, puis se stabilise. Une ligne de tendance logarithmique peut utiliser des valeurs négatives et positives. Une ligne de tendance logarithmique utilise cette équation pour calculer l'ajustement des moindres carrés par points: où c et b sont des constantes et ln est la fonction logarithmique naturelle. La courbe de tendance logarithmique suivante montre la croissance démographique prédite des animaux dans une zone d'espace fixe, où la population s'est stabilisée en tant qu'espace pour les animaux a diminué. Notez que la valeur R-carré est 0.933, ce qui est un ajustement relativement bon de la ligne aux données. Cette tendance est utile lorsque vos données fluctuent. Par exemple, lorsque vous analysez les gains et les pertes sur un grand ensemble de données. L'ordre du polynôme peut être déterminé par le nombre de fluctuations des données ou par le nombre de virages (collines et vallées) apparaissant dans la courbe. Typiquement, une ligne de tendance polynomiale Ordre 2 n'a qu'une seule colline ou une seule vallée, un Ordre 3 a une ou deux collines ou vallées, et un Ordre 4 a jusqu'à trois collines ou vallées. Une ligne de tendance polynomiale ou curviligne utilise cette équation pour calculer l'ajustement des moindres carrés par points: où b et sont des constantes. La ligne de tendance polynomiale Ordre 2 (une colline) montre la relation entre la vitesse de conduite et la consommation de carburant. Notez que la valeur R-squared est 0.979, ce qui est proche de 1 donc les lignes un bon ajustement aux données. En montrant une ligne courbe, cette ligne de tendance est utile pour les ensembles de données qui comparent des mesures qui augmentent à un taux spécifique. Par exemple, l'accélération d'une voiture de course à intervalles de 1 seconde. Vous ne pouvez pas créer une ligne de tendance de puissance si vos données contiennent des valeurs nulles ou négatives. Une ligne de tendance de puissance utilise cette équation pour calculer l'ajustement des moindres carrés par points: où c et b sont des constantes. Remarque: Cette option n'est pas disponible lorsque vos données incluent des valeurs négatives ou nulles. Le diagramme de mesure de distance suivant montre la distance en mètres par seconde. La ligne de tendance de puissance démontre clairement l'accélération croissante. Notez que la valeur R-squared est 0.986, ce qui est un ajustement presque parfait de la ligne aux données. Montrant une ligne courbe, cette ligne de tendance est utile lorsque les valeurs de données augmentent ou diminuent à des taux constamment croissants. Vous ne pouvez pas créer une ligne de tendance exponentielle si vos données contiennent des valeurs nulles ou négatives. Une courbe de tendance exponentielle utilise cette équation pour calculer l'ajustement des moindres carrés par points: où c et b sont des constantes et e est la base du logarithme naturel. La ligne de tendance exponentielle suivante montre la quantité décroissante de carbone 14 dans un objet à mesure qu'elle vieillit. Notez que la valeur R-squared est 0,990, ce qui signifie que la ligne s'adapte parfaitement aux données. Moyenne mobile Cette ligne de tendance corrige les fluctuations des données pour montrer un modèle ou une tendance plus clairement. Une moyenne mobile utilise un nombre spécifique de points de données (définis par l'option Période), les met en moyenne et utilise la valeur moyenne comme un point dans la ligne. Par exemple, si Période est défini sur 2, la moyenne des deux premiers points de données est utilisée comme premier point dans la ligne de tendance moyenne mobile. La moyenne des deuxième et troisième points de données est utilisée comme deuxième point dans la ligne de tendance, etc. Une ligne de tendance moyenne mobile utilise cette équation: Le nombre de points dans une ligne de tendance moyenne mobile est égal au nombre total de points de la série, Numéro que vous spécifiez pour la période. Dans un diagramme de dispersion, la ligne de tendance est basée sur l'ordre des valeurs x dans le graphique. Pour obtenir un meilleur résultat, triez les valeurs x avant d'ajouter une moyenne mobile. La tendance suivante montre la tendance du nombre de maisons vendues sur une période de 26 semaines.
No comments:
Post a Comment