Moving Media Punti Finali

6 2 Spostamento averages. The metodo classico delle serie storiche di decomposizione origine nel 1920 ed è stato ampiamente utilizzato fino al 1950 Si forma ancora la base di metodi serie temporali successive, e quindi è importante capire come funziona il primo passo di un classico la decomposizione è quello di utilizzare un metodo della media mobile per stimare l'andamento del ciclo, in modo da cominciare a discutere spostando smoothing. A media averages. Moving media di ordine m in movimento può essere scritta come cappello frac somma KY, dove m 2k 1 Cioè, la stima del trend-ciclo al tempo t è ottenuto facendo la media dei valori delle serie temporali entro i termini k di t le osservazioni che si trovano nelle vicinanze in tempo sono anche suscettibili di essere vicino in termini di valore, e la media elimina alcuni dei casualità nei dati, lasciando un componente liscia trend-ciclo chiamiamo questo un m - MA che significa una media mobile di ordine m ad esempio, si consideri la Figura 6 6 che mostra la quantità di energia elettrica venduta ai clienti residenziali in South Australia ogni anno dal 1989 al 2008 le vendite di acqua calda hanno stati esclusi I dati sono anche riportati nella tabella 6 1.Figure 6 6 vendite di energia elettrica residenziali esclusi acqua calda per il South Australia 1989-2008.ma elecsales, ordine 5.In la seconda colonna della tabella, viene mostrata una media mobile di ordine 5 , fornendo una stima della tendenza-ciclo il primo valore in questa colonna è la media dei primi cinque osservazioni 1989-1993 il secondo valore nella colonna 5-MA è la media dei valori 1990-1994 e così via Ogni valore la colonna 5-MA è la media delle osservazioni nel periodo di cinque anni centrata sulla anno corrispondente ci sono valori per i primi due anni o due anni, perché non ci sono i due osservazioni su entrambi i lati nella formula precedente, colonna 5-mA contiene i valori di cappello con k 2 Per vedere ciò che la stima di tendenza del ciclo sembra, tracciamo insieme con i dati originali in figura 6 7.Figure 6 7 Residential nero vendita di energia insieme alla stima di 5-mA di le elecsales trend-ciclo red. plot, principali vendite di energia elettrica residenziale, ylab GWh XLAB Anno linee MA elecsales, 5 col red. Notice come la tendenza in rosso è più liscia rispetto ai dati originali e cattura il movimento principale della serie tempo senza tutti i piccole oscillazioni il metodo della media mobile non permette stime di T dove t è vicino alle estremità della serie, quindi, la linea rossa non si estende ai bordi del grafico su entrambi i lati in seguito useremo metodi più sofisticati di stima trend-ciclo che non consentono stime vicino l'ordine endpoints. The della media mobile determina la morbidezza della stima di tendenza del ciclo In generale, un ordine più grande significa una curva liscia il grafico seguente mostra l'effetto di cambiare l'ordine della media mobile per il residenziale data. Figure vendite di energia elettrica 6 8 differenti medie mobili applicati ai residenziali data. Simple vendita dell'energia elettrica medie come questi movimento sono generalmente di ordine dispari esempio 3, 5, 7, ecc Questo è così che sono simmetriche in una media mobile di ordine m 2k 1, ci sono k osservazioni precedenti, K successive osservazioni e l'osservazione di mezzo che sono in media Ma se m è pari, essa non sarebbe più symmetric. Moving medie di movimento averages. It è possibile applicare una media mobile di una media mobile una ragione per fare questo è quello di rendere un ancora-ordine in movimento ad esempio media symmetric. For, potremmo prendere una media mobile di ordine 4, e poi applicare un altro media mobile di ordine 2 per i risultati nella tabella 6 2, questo è stato fatto per i primi anni del data. beer2 produzione di birra trimestrale australiani - finestra ausbeer, avviare 1992 MA4 - ma beer2, ordine 4 centro FALSO ma2x4 - ma beer2, ordine 4 centro TRUE. The notazione 2 times4 - MA negli ultimi medie di colonna 4-MA seguito da un 2-MA i valori nell'ultima colonna sono ottenuti prendendo una media mobile di ordine 2 dei valori nella colonna precedente Ad esempio, i primi due valori nella colonna 4-MA sono 451 2 443 410 420 532 4 e 8 410 420 448 532 433 4 il primo valore nella colonna - MA 2 times4 è la media di questi due 450 0 451 448 2 8 2 Quando un 2-MA segue una media mobile di ordine pari ad esempio 4 , si parla di una media mobile centrato di ordine 4 questo è perché i risultati sono ora simmetrica Per vedere che questo è il caso, possiamo scrivere la - MA 2 times4 come segue iniziare cappello frac Big frac aaaa frac aaaa Big frac y frac14y frac14y frac14y frac18y end ora è una media ponderata delle osservazioni, ma è simmetrica Altre combinazioni di medie mobili sono possibili anche, ad esempio un - MA 3 times3 è spesso usato, ed è costituito da una media mobile di ordine 3 seguito da un altro media mobile per 3 In generale, un ancora mA ordine dovrebbe essere seguita da un ancora mA fine di rendere più simmetrica Allo stesso modo, un ordine mA dispari dovrebbe essere seguita da un ordine dispari MA. Estimating la tendenza-ciclo con data. The stagionale uso più comune di centrato medie mobili è nella stima del trend-ciclo dai dati stagionali consideri il 2 times4 cappello - MA frac y frac14y frac14y frac14y frac18y Quando viene applicato a dati trimestrali, ogni trimestre dell'anno è dato lo stesso peso come i primi e gli ultimi termini si applicano al stesso trimestre in anni consecutivi di conseguenza, la variazione stagionale saranno mediati e valori conseguenti del cappello t avrà poca o nessuna variazione stagionale restante Un effetto simile si otterrebbe utilizzando un 2 volte 8 - ma o un 2 volte 12 - MA in in generale, a 2 volte m - MA è equivalente a una media mobile ponderata di ordine m 1 con tutte le osservazioni che prendono di peso 1 m ad eccezione del primo e dell'ultimo termini che tengono i pesi 1 2m Quindi, se il periodo stagionale è anche e di ordine m, utilizzare un m 2 volte - MA per stimare l'andamento del ciclo Se il periodo stagionale è dispari e di ordine m, l'uso del mattino - MA per stimare il ciclo di tendenza, in particolare, a 2 volte 12 - MA possono essere utilizzate per stimare la trend - ciclo di dati mensili e un 7-MA possono essere usati per stimare l'andamento del ciclo di dati giornalieri Altre scelte per l'ordine del MA di solito provoca stime di tendenza del ciclo di essere contaminati dalla stagionalità nella data. Example 6 2 elettrico attrezzature manufacturing. Figure 6 9 mostra una - MA 2 times12 applicato alla elettrica ordini di apparecchiature indice noti che la linea liscia non mostra stagionalità è quasi lo stesso del trend-ciclo illustrato in figura 6 2 che è stato stimato utilizzando un più sofisticato metodo di medie mobili qualsiasi altra scelta per l'ordine della media mobile ad eccezione di 24, 36, ecc avrebbe portato ad una linea regolare che mostra alcune fluctuations. Figure stagionale 6 9 a 2x12-MA applicato agli ordini di apparecchiature elettriche index. plot elecequip, ylab Nuovo grigio indice degli ordinativi Col, principale apparecchiature elettriche di fabbricazione linee dell'area dell'euro mA elecequip, fine 12 col red. Weighted averagesbinations di medie mobili si traducono in medie mobili ponderate passando ad esempio, il 2x4-mA discusso sopra è equivalente a una ponderata 5 - MA con pesi fornite dal frac, frac, frac, frac, frac In generale, un m ponderata - MA può essere scritta come cappello t somma k aj y, dove k m-1 2 ei pesi sono date da una, puntini, ak è importante che i pesi tutto somma a uno e che sono simmetrici in modo che aj a Il semplice m - MA è un caso particolare in cui tutti i pesi sono uguali a 1 m un vantaggio importante di medie mobili ponderate è che essi producono un liscia stima del trend-ciclo Invece di osservazioni che entrano ed escono il calcolo a pieno il peso, il loro peso è aumentato lentamente e poi lentamente diminuita con conseguente una curva liscia alcuni specifici gruppi di pesi sono ampiamente utilizzati Alcuni di questi sono riportati nella tabella 6 3.Moving endpoint e la coerenza interna degli agenti ex ante Forecasts. Cite questo articolo come Kozicki, S Tinsley, P Computational Economics 1997 11 21 10 doi 1023 a 1008618512649.Forecasts da agenti razionali contenere degli condizioni al contorno iniziale e terminale I modelli standard della serie tempo generano due tipi di valori di lungo periodo al contorno o endpoint allo steady-state endpoint fissi e in movimento endpoint media Né può spiegare i punti finali spostamento implicite dai movimenti del dopoguerra nella sezione delle previsioni forward rate della struttura a termine o da modifiche post-1979 in un'indagine stime delle previsioni di inflazione multiperiodo di lungo periodo che ci si attende da una classe più ampia di movimento modelli di serie temporali endpoint forniscono sostanzialmente migliorato il monitoraggio della struttura storica termine e in genere supportano la coerenza interna della ex ante le aspettative di lungo periodo di commercianti obbligazionari e sondaggio respondents. boundary valori attesi structure. Andrews termine l'inflazione, D 1993 I test per il parametro instabilità e cambiamento strutturale, con punto di cambio sconosciuto, Econometrica 61 4, 821-56 Google Scholar. Beveridge, S e Nelson, C 1981 Un nuovo approccio alla decomposizione delle serie storiche economiche in componenti permanenti e transitorie, con particolare attenzione alla misurazione del business Cycle, Journal of Monetary Economics 7 2, 151-74 Google Scholar. Campbell, J 1986, una difesa di ipotesi tradizionali circa la struttura a termine dei tassi di interesse, Journal of Finance 41 183- 93 Google Scholar. Campbell, J e Shiller, R 1987 cointegrazione e prove di modelli di valore attuale, Journal of Political Economy 95 5, 1062-1088 Google Scholar. Choi, S e Wohar, M 1991 nuove prove relativa alla teoria delle aspettative per il breve estremità dello spettro maturità, The Journal of Financial Research 14 83-92 Google Scholar. Cox, J Ingersoll, J e Ross, S 1985 Un teoria della struttura a termine dei tassi di interesse, Econometrica 53 2, 385-407 Google Scholar. Crowder , W e Hoffman, D 1996 Le relazioni di lungo periodo tra i tassi di interesse nominali e l'inflazione L'equazione di Fisher rivisitato, Journal of Money, Credit, e bancari 28 1, 102-18 Google Scholar. Fama, e 1975 i tassi di interesse a breve termine come predittori di inflazione, americano Economic Review 65 3, 269-82 Google Scholar. Fama, e 1984 le informazioni di della struttura a termine, Journal of Financial Economics 13 509-28 Google Scholar. Fama, e e Bliss, R 1987 le informazioni a lungo scadenza i tassi a termine, la revisione americana economico 77 680-92 Google Scholar. Hall, A Anderson, H e Granger, C 1992 Un analisi di cointegrazione del Tesoro i rendimenti disegno di legge, la revisione di Economia e Statistica 74 1, 116-26 Google Scholar. Hamilton , J 1989 Un nuovo approccio per l'analisi economica delle serie storiche non stazionaria e il ciclo economico, Econometrica 57 357-84 Google Scholar. Hardouvelis, G 1988 potere predittivo della struttura a termine durante regimi monetari recenti, Journal of Finance 43 339-56 Google Scholar. Hinkley, D 1970 inferenza circa il cambiamento-punto in una sequenza di variabili casuali, Biometrika 57 1, 1-17 Google Scholar. Huizinga, J e Mishkin, F 1986 turni di regime di politica monetaria e il comportamento insolito di tassi di interesse reali , in K Brunner e Meltzer Un EDS,-Carnegie Rochester Serie Conferenza sulla politica pubblica 24 231-74.Kozicki, S e Tinsley, P 1996 Moving endpoint della struttura a termine dei tassi di interesse personale FRBKC FRB lavoro paper. Mankiw, G e Miron , J 1986 comportamento cambiamento della struttura a termine dei tassi di interesse, Quarterly Journal of Economics 101 211-28 Google Scholar. McCulloch, H 1975 la curva dei rendimenti corretta per l'imposta, The Journal of Finance 30 811-30 Google Scholar. McCulloch, H e Kwon, H 1993 US Term struttura dei dati, 1947-1991 Ohio State University documento di lavoro 93-6.Mougoue, M 1992 la struttura a termine dei tassi di interesse come un sistema cointegrato evidenza empirica dal mercato Euromonete, The Journal of Financial Research 15 3 , 285-96 Google Scholar. Perron, P 1989 il grande crollo, lo shock del prezzo del petrolio, e l'ipotesi radice unitaria, Econometrica 57 1361-401 Google Scholar. Rudebusch, G 1995 Federal Reserve tasso di interesse targeting, aspettative razionali, e il termine struttura, Journal of Monetary Economics 35 245-74 Google Scholar. Sargent, T 1979 Un nota sulla stima di massima verosimiglianza del modello razionale delle aspettative della struttura a termine, Journal of Monetary Economics 5 133-43 Google Scholar. Shea, G 1992 Benchmarking la ipotesi di aspettative della struttura dei tassi di interesse termine l'analisi dei vettori di cointegrazione, rivista del business e Statistica economica 10 3, 347-66 Google Scholar. Shiller, R 1979, la volatilità dei tassi di interesse a lungo termine e le aspettative modelli della struttura a termine, Journal of Political Economy 67 6, 190-219 Google Scholar. Shiller, R 1990, la struttura a termine dei tassi di interesse, in B Friedman e F Hahn EDS Handbook of Monetary Economics 627-722.Shiller, R Campbell, J e Schoenholtz, K 1983 Avanti prezzi e politica futura interpretazione della struttura a termine dei tassi di interesse, informazioni Brookings Papers 173-223.Copyright. Kluwer Academic Publishers 1997.Authors e Affiliations. Sharon Kozicki.1 Federal Reserve Bank di Kansas City Kansas City USA.2 Federal Reserve Board di Washington, DC USA. About questa analisi Serie article. Time Il processo di Adjustment. What stagionali sono i due principali filosofie di adjustment. What stagionale è un filter. What è il punto finale problem. How decidiamo quale filtro per use. What è un function. What guadagno è un shift. What fase stanno muovendo Henderson averages. How possiamo affrontare la punto finale problem. What sono averages. Why movimento stagionale sono tendenza stima revised. How molti dati sono necessari per ottenere accettabile destagionalizzato estimates. How fare le due filosofie di destagionalizzazione compare. WHAT sONO le due filosofie pRINCIPALI sTAGIONALE ADJUSTMENT. The due principali filosofie di destagionalizzazione sono il metodo basato modello e la method. Filter basato filtro in base metodo methods. This applica una serie di filtri fissi medie mobili a decomporsi la serie storica in un trend, stagionalità e irregolare component. The concetto di fondo è che i dati economici è costituito da una serie di cicli, compresi i cicli di lavoro della tendenza, cicli stagionali stagionalità e rumore componente irregolare un filtro sostanzialmente elimina o riduce la forza di certi cicli dall'ingresso data. To produrre una serie destagionalizzate dai dati raccolti mensile, eventi che si verificano ogni 12, 6, 4, 3, 2 4 e 2 mesi devono essere rimossi, che corrispondono alle frequenze stagionali di 1, 2, 3, 4, 5 e 6 cicli all'anno I cicli più non stagionali sono considerati essere parte della tendenza ei cicli non stagionali brevi formano il irregolare Tuttavia il confine tra la tendenza e cicli irregolari possono variare con la lunghezza del filtro utilizzato per ottenere la tendenza In ABS destagionalizzazione, cicli che contribuiscono significativamente alla tendenza sono in genere più grande di circa 8 mesi per le serie mensili e 4 quarti per tendenza series. The trimestrale, i componenti stagionali e irregolari non hanno bisogno di modelli individuali espliciti la componente irregolare è definito come ciò che rimane dopo il trend e componenti stagionali sono stati rimossi dai filtri irregolari fanno non vengono visualizzati i metodi basati rumore bianco characteristics. Filter sono spesso noti come metodi di stile X11 Questi includono X11 sviluppato dal US Census Bureau, X11ARIMA sviluppato da Statistics Canada, X12ARIMA sviluppato da US Census Bureau, STL, SABL e SEASABS il pacchetto utilizzato dalle differenze ABSputational tra i vari metodi in famiglia X11 sono principalmente il risultato di differenti tecniche utilizzate alle estremità delle serie temporali per esempio, alcuni metodi utilizzano filtri asimmetrici alle estremità, mentre altri metodi estrapolano serie e applicare filtri simmetrici alla series. Model estesa approccio basato methods. This richiede la tendenza, componenti stagionali e irregolari delle serie temporali da modellare separatamente si assume la componente irregolare è rumore bianco - cioè tutte le lunghezze di ciclo sono ugualmente rappresentati Gli irregolari hanno media zero e varianza costante la componente stagionale ha un proprio rumore element. Two ampiamente utilizzato i pacchetti software che applicano metodi basati modello sono timbro e sedili TRAMO sviluppato dalla Banca d'Spain. Major differenze di calcolo tra i vari metodi basati modello sono di solito a causa di modellare le specifiche In alcuni casi, i componenti sono modellati direttamente Altri metodi richiedono la serie temporale originale per essere modellato prima, ei modelli di componenti decomposti da that. For un confronto tra i due filosofie a un livello più avanzato, vedere Come le due filosofie di destagionalizzazione compare. WHAT è un filtro filtri può essere usato per decomporre una serie temporale in una tendenza, componente mobile medie stagionali e irregolari sono un tipo di filtro che successivamente la media di un arco di tempo di spostamento dei dati per produrre una stima lisciato di una serie temporale Questa serie livellato può essere considerato sono stati ricavati eseguendo una serie di input attraverso un processo whic h filtra alcune cicli conseguenza, una media mobile è spesso definito come un processo di base filter. The tratta di definire una serie di pesi di lunghezza m 1 m 2 1 as. Note un set simmetrica dei pesi ha m 1 m 2 e WJW - ja valore filtrato al tempo t può essere calcolato by. where Y t descrive il valore della serie storica al momento t. For esempio, consideriamo il seguente series. Using un semplice 3 termine Filtro simmetrica iem 1 m 2 1 e tutti i pesi sono 1 3, il primo termine della serie lisciata è ottenuta applicando i pesi per i primi tre termini della series. The originale secondo valore livellato è prodotto applicando i pesi al secondo , i termini terzo e quarto nella series. WHAT originale è il punto finale PROBLEM. Reconsider serie series. This contiene 8 termini Tuttavia, la serie levigata ottenuta applicando il filtro simmetrica ai dati originale contiene solo 6 terms. This è perché non c'è dati sufficienti alle estremità della serie di applicare un filtro simmetrica il primo termine della serie lisciato è una media ponderata di tre termini, centrata sul secondo termine della serie originale a medio pesata centrata su primo termine della serie originale non può essere ottenuti come dati prima di questo punto non è disponibile Analogamente, non è possibile calcolare una media ponderata centrata sulla ultimo termine della serie, in quanto non vi sono dati dopo questo point. For questo motivo, filtri simmetrici non possono essere utilizzati sia Dopo una serie questo è noto come la fine punto problema Tempo analisti serie possono utilizzare filtri asimmetrici per produrre stime smussate in queste regioni in questo caso, il valore livellato è calcolato fuori centro, con la media essendo determinato utilizzando più dati da un lato di il punto che l'altro in base a ciò che è disponibile In alternativa, le tecniche di modellazione può essere utilizzato per estrapolare le serie temporali e poi applicare filtri simmetrici alla series. HOW esteso facciamo a decidere quale filtro avanti. I analista serie storica sceglie un filtro appropriato in base sulle sue proprietà, come ad esempio quali cicli il filtro rimuove quando applicate le proprietà di un filtro può essere studiata utilizzando un funzioni guadagno function. Gain sono usati per esaminare l'effetto di un filtro ad una data frequenza dell'ampiezza di un ciclo per un particolare serie temporali per maggiori dettagli su matematica associati con le funzioni di guadagno, è possibile scaricare il Time Series Corso Notes, una guida introduttiva di analisi delle serie temporali pubblicato dal tempo di analisi serie sezione del ABS riferimento alla sezione 4 4. schema seguente è il funzione di guadagno per il filtro simmetrica 3 termine abbiamo studiato earlier. Figure 1 guadagno di funzione per l'asse orizzontale Symmetric 3 termine filter. The rappresenta la lunghezza di un ciclo di input relativi al periodo compreso tra punti di osservazione nella serie storica originale in modo un ciclo di input di lunghezza 2 è completato in 2 periodi, che rappresenta 2 mesi per una serie mensile, e 2 quarti per una serie trimestrale l'asse verticale mostra la ampiezza del ciclo uscita relativa ad un filtro cycle. This ingresso riduce la forza di 3 cicli di periodo a zero Cioè, rimuove completamente cicli di circa questa lunghezza Ciò significa che per una serie temporale in cui i dati vengono raccolti mensile, eventuali effetti stagionali che si verificano trimestrale sarà eliminato applicando questo filtro allo sfasamento series. A originale è lo sfasamento temporale tra il ciclo filtrato e il ciclo non filtrata a sfasamento positivo significa che il ciclo filtrato viene spostato all'indietro e uno spostamento di fase negativa viene spostato in avanti in time. Phase spostamento si verifica quando tempistica di punti di svolta è distorto, per esempio quando la media mobile è posto fuori centro dai filtri asimmetrici Cioè essi avvenire sia prima o dopo nella serie filtrato, che nell'originale simmetrica lunghezza dispari medie mobili usati per l'ABS, in cui il risultato è in posizione centrale, non causano fase di time shifting e ' è importante per i filtri utilizzati per ricavare la tendenza a mantenere la fase di tempo, e quindi la tempistica di qualsiasi points. Figures tornitura 2 e 3 mostrano gli effetti di applicazione di una simmetrica 2x12 media mobile che è fuori centro le curve continue rappresentano i cicli iniziali e le curve spezzate rappresentano i cicli di uscita dopo l'applicazione della media mobile filter. Figure 2 24 Mese Cycle, Phase -5 5 mesi ampiezza 63.Figure 3 8 mesi Cycle, Fase -1 5 mesi di ampiezza 22.WHAT SONO HENDERSON MOVING AVERAGES. Henderson medie mobili sono filtri che sono stati ricavati da Robert Henderson nel 1916 per l'uso in applicazioni attuariali sono filtri di tendenza, comunemente utilizzati in analisi di serie temporali per appianare le stime destagionalizzati al fine di generare una stima tendenza Essi sono utilizzati di preferenza per semplici medie mobili perchè si possono riprodurre polinomi fino al grado 3, catturando così tendenza girando points. The ABS utilizza Henderson medie mobili per la produzione di tendenza stima da una serie destagionalizzata le stime di tendenza pubblicati dalla ABS sono in genere derivati ​​dall'uso di un 13 termine Henderson filtro per le serie mensili , ed un filtro Henderson 7 termine per filtri series. Henderson trimestrali può essere sia simmetrici o asimmetrici Symmetric medie mobili possono essere applicati in punti sufficientemente lontani dalle estremità di una serie temporale in questo caso, il valore livellato per un determinato punto nel tempo serie è calcolato da un numero uguale di valori su entrambi i lati del point. To dati ottenere i pesi, un compromesso raggiunto tra le due caratteristiche generalmente previsti di una serie di tendenza Questi sono che la tendenza dovrebbe essere in grado di rappresentare un vasta gamma di curvature e che dovrebbe anche essere il più agevole possibile per la derivazione matematica dei pesi, fare riferimento alla sezione 5 3 delle serie temporali Note sui corsi che può essere scaricato gratuitamente dai modelli di ponderazione ABS web site. The per una gamma di Henderson simmetrica medie mobili sono riportati nella seguente pattern table. Symmetric di ponderazione per Henderson Moving Average. In generale, più lungo è il filtro di tendenza, il più agevole la tendenza risulta, come è evidente dal confronto delle funzioni di guadagno sopra un termine 5 Henderson riduce i cicli di circa 2 4 periodi o meno di almeno 80, mentre un 23 termine Henderson riduce i cicli di circa 8 periodi o meno da almeno 90 In realtà un termine 23 Henderson filtrare completamente rimuove cicli di meno di 4 periods. Henderson medie mobili anche smorzare i cicli stagionali a vari livelli Tuttavia le funzioni di guadagno delle figure 4-8 mostrano che i cicli annuali in serie mensili e trimestrali non sono smorzate abbastanza significativo per giustificare l'applicazione di un filtro Henderson direttamente alle previsioni iniziali, è per questo che vengono applicate solo a un serie destagionalizzate, dove i relativi effetti di calendario sono già stati rimossi con filters. Figure appositamente 9 mostra gli effetti lisciatura di applicare un filtro a un Henderson series. Figure 9 23-Term Henderson Filtro - il valore della non-edificio residenziale Approvals. HOW abbiamo a che fare con la fine problem. The PUNTO filtro Henderson simmetrica può essere applicato solo alle regioni di dati che sono sufficientemente lontani dalle estremità della serie, ad esempio lo standard 13 termine Henderson può essere applicato solo ai dati mensile che è di almeno 6 osservazioni da l'inizio o la fine dei dati Questo è perché il filtro Uniformità la serie prendendo una media ponderata dei 6 termini su entrambi i lati del punto di dati, nonché il punto stesso Se tentiamo di applicarlo a un punto che è meno di 6 osservazioni dalla fine dei dati, allora non c'è abbastanza dati disponibili su un lato del punto da calcolare il average. To fornire stime tendenza di questi punti di dati, una media mobile modificato o asimmetrica è usato Calcolo asimmetrica filtri Henderson possono essere generati da un certo numero di metodi diversi che producono simili, ma i risultati non identici I quattro metodi principali sono il metodo Musgrave, la minimizzazione del metodo di revisione Mean Square, il Best Linear imparziale Stime metodo BLU, e il Kenny e Durbin metodo Shiskin et al 1967 deriva i pesi asimmetrici originali per la media mobile a Henderson che vengono utilizzati all'interno dei pacchetti X11 per informazioni sulla derivazione dei pesi asimmetrici, vedi sezione 5 3 della serie Corso tempo Notes. Consider una serie temporale dove l'ultimo punto dati osservati si verifica in fase N Poi una simmetrica filtro Henderson 13 termine non può essere applicato ai punti di dati che vengono misurate in qualsiasi momento dopo e compreso il tempo N-5 per tutti questi punti, una serie asimmetrica di pesi deve essere utilizzata La tabella seguente riporta il modello di ponderazione asimmetrica per un 13 termine standard Henderson movimento average. The asimmetrici filtri Henderson 13 termine non rimuovere o attenuare gli stessi cicli come il filtro simmetrica 13 termine Henderson In realtà il modello di ponderazione asimmetrica utilizzato per stimare la tendenza alle ultime amplifica osservazione la forza di 12 cicli di periodo anche i filtri asimmetrici producono qualche fase di tempo shifting. WHAT si stanno muovendo STAGIONALE AVERAGES. Almost tutti i dati indagati dalle ABS hanno caratteristiche stagionali Poiché le medie mobili Henderson utilizzati per stimare le serie di tendenza non eliminano la stagionalità, la dati devono essere regolati stagionalmente primo mezzo del filtro stagionale stagionale filters. A ha pesi applicati allo stesso periodo nel tempo un esempio del pattern ponderazione per un filtro stagionale sarebbe. 1 3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1 3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1 3.Qualora, per esempio, un peso di un terzo viene applicato a tre consecutivi Januarys. Within X11, una gamma di filtri stagionali sono a disposizione per scegliere da queste sono una ponderata 3 termine media mobile ma S 3x1 ponderato ma 5-termine S 3x3 ponderata 7 termine ma S 3x5 e una ponderata 11-termine ma S 3x9.The struttura di ponderazione delle medie mobili ponderate della forma, S NXM è che un media semplice dei termini m calcolato, e poi una media mobile di n di queste medie è determinata Ciò significa che n m-1 termini sono usati per calcolare ogni ultimo esempio lisciato value. For, per calcolare una S 3x9 11 termine un peso di 1 9 viene applicata allo stesso periodo 9 anni consecutivi Poi una semplice 3 termine media mobile viene applicata attraverso i values. This medi dà un modello ponderazione finale di 1 27 2 27 1 9, 1 9, 1 9, 1 9, 1 9, 1 9, 1 9, 2 27, 1 27.La funzione di guadagno per un filtro di stagione 11 termine, S 3x9 sembra like. Figure 10 guadagno di funzione per 11 termine S 3x9 stagionale Filter. Applying un filtro di stagione per i dati genererà una stima della componente stagionale della serie storica, in quanto conserva la forza di armoniche stagionali e smorza cicli di filtri stagionali lengths. Asymmetric non stagionali sono utilizzati alle estremità della serie i pesi asimmetrici per ciascuno dei filtri stagionali impiegati in X11 si possono trovare nella sezione 5 4 delle Note sui corsi di serie storica. Perchè TREND PREVENTIVI REVISED. At fine corrente di una serie temporale, non è possibile utilizzare filtri simmetrici per stimare la tendenza a causa del problema punto finale Invece, filtri asimmetrici sono utilizzati per produrre tendenza provvisorio stima Tuttavia, come più dati diventa disponibile, è possibile ricalcolare la tendenza utilizzando i filtri simmetrici e migliorare le stime iniziali Questo è noto come una tendenza revision. HOW di dati è necessaria per ottenere ACCETTABILE destagionalizzato ESTIMATES. If un tempo di esposizione serie stagionalità relativamente stabile e non è dominato dal componente irregolare, 5 anni di dati possono essere considerati una durata accettabile per derivare stime destagionalizzati da per una serie che mostra stagionalità particolarmente forte e stabile, una regolazione grezza può essere effettuata con 3 anni di dati è generalmente preferibile avere almeno 7 anni di dati per una serie di tempo normale, per identificare con precisione i modelli stagionali, giorno di mercato aperto e in movimento effetti vacanze, tendenza e pause di stagione, così come outliers. ADVANCED modo i approcci basati DUE STAGIONALE dI REGOLAZIONE FILOSOFIE COMPARE. Model consentono la proprietà stocastiche casualità della serie in analisi, nel senso che essi adattare i pesi dei filtri in base alla natura della serie il modello s capacità di descrivere con precisione il comportamento della serie può essere valutata, ed inferenze statistiche per le stime sono disponibili basato sul presupposto che la componente irregolare è metodi basati noise. Filter bianchi sono meno dipendenti dalle proprietà stocastiche della serie temporale è la serie analista tempo s responsabilità per selezionare il filtro più appropriato da una collezione limitata per una particolare serie è non è possibile eseguire controlli rigorosi sulla adeguatezza del modello implicita e le misure esatte di precisione e di inferenza statistica non sono disponibili Pertanto, un intervallo di confidenza non può essere costruito intorno alle estimate. The seguenti schemi confrontare la presenza di ciascuna delle componenti del modello al frequenze stagionali per i due destagionalizzazione filosofie l'asse x è la durata del periodo del ciclo e l'asse y rappresenta la forza dei cicli che comprendono ciascuna component. Figure 11 Confronto dei due metodi basati regolazione philosophies. Filter stagionali supponga che il ciascun componente esiste solo un certo ciclo di lunghezze I cicli più lunghi formano la tendenza, la componente stagionale è presente a frequenze stagionali e la componente irregolare è definito come cicli di qualsiasi altro length. Under una filosofia modello basato, la tendenza, componente stagionale e irregolari sono presenti a tutto il ciclo lunghezze la componente irregolare è di forza costante, i picchi stagionali di componenti a frequenze di stagione e la componente di trend è più forte nella pagina più cycles. This pubblicato 14 novembre 2005, ultimo aggiornamento 25 luglio 2008.