이동평균법의 주요 기능은 단기적인 우발적 요인으로 인한 변동을 약화시키는 것입니다.
용어설명:
이동평균법은 시계열을 기준으로 항목별로, 일정 개수의 항목이 포함된 순차평균을 순차적으로 계산하여 예측하는 방식입니다.
이동평균법 사용 시 기존 문제점:
1. 이동평균법의 기간 수를 늘리면(즉, n 값을 늘리면) 평활 효과가 좋아집니다. 하지만 예측 값이 데이터의 실제 변화에 덜 민감하게 됩니다.
2. 이동 평균이 항상 추세를 잘 반영하는 것은 아닙니다. 평균이기 때문에 예측값은 항상 과거 수준에 머무르며 향후 변동폭이 높아지거나 낮아지는 것을 예측할 수 없습니다.
3. 이동평균법은 과거의 데이터 기록이 많이 필요합니다.
4. 점점 더 주기적인 새로운 데이터를 도입하여 평균값을 예측값으로 지속적으로 수정합니다.
이동평균법의 주요 특징 및 규칙:
주요 특징:
1 이동평균은 원래 시퀀스를 평활화하거나 평활화하는 효과가 있습니다. :
원래 시퀀스의 상한 및 하한 변동이 약해지며, 평균 시간 간격 N 수가 클수록 시퀀스에 대한 평활화 효과가 강해집니다.
2. 이동평균 시간구간 개수 N이 홀수인 경우:
이동평균은 하나만 필요하며, 해당 이동평균을 추세 대표값으로 사용합니다. 이동 평균 항목 수의 중간 기간입니다.
이동평균 항목 개수 N이 짝수일 경우, 이동평균은 짝수 항목의 중간 위치 수준을 나타내며, 일정 기간 동안 정렬이 불가능할 경우 필요합니다. 인접한 두 항목의 평균을 수행합니다. 해당 값의 이동 평균은 특정 기간 동안 평균 값을 정확하게 만들 수 있으며 이를 이동 평균이라고도 하며 중앙 이동 평균이 됩니다.
3. 시퀀스에 계절 변화가 포함된 경우:
계열의 경우 계절 변화를 제거하려면 이동 평균 시간 간격 N의 수는 계절 변화의 길이와 일치해야 합니다. 주기적인 변화를 포함합니다. 평균 시간 간격 N의 수는 기본적으로 주기 길이와 일치해야 주기적인 변동을 더 잘 제거할 수 있습니다.
4. 이동 평균 용어의 수는 너무 커서는 안 됩니다.
이동 법칙 규칙:
통계의 이동 평균 규칙이 동적 시퀀스를 평활화하는 한 가지 방법은 동적 시퀀스의 시간 간격을 확장하는 것입니다. 차이점은 확장된 시간 간격의 평균값을 계산하기 위해 단순 산술 평균 방법이 사용된다는 점입니다. 이러한 계열의 순차적 평균은 새로운 시퀀스를 형성합니다.
이동 평균을 통해 현상의 단기 불규칙 변화의 영향을 제거합니다. 확장된 시간 간격이 현상의 순환 변동 시간 간격과 일치하거나 그 배수가 될 수 있으면, 계절 변화와 순환 변화의 영향은 더욱 약화될 수 있으며 현상 발전의 기본 추세를 더 잘 반영할 수 있습니다.