7 अवधि - हेंडरसन - चल - औसत

औसत संदर्भ और आगे पढ़ना चलाना केंडल एमजी, स्टुअर्ट ए, ओर्ड जेके (1 9 83) केंडॉल ने सांख्यिकी के सिद्धांत को उन्नत किया। वॉल 3। होडर अर्नोल्ड, लंदन लाडीराय डी, क्वीनवेली बी (2001) एक्स-11 विधि, वॉल 158 के साथ मौसमी समायोजन, आँकड़ों में व्याख्यान नोट्स के। स्प्रिंगर, बर्लिन MATH मर्किडैक एस एस, व्हीलर राइट, हांडमैन आरजे (1 99 8) पूर्वानुमान: तरीके और अनुप्रयोग, तीसरे संस्करण विले, न्यूयॉर्क स्पेन्सर जम्मू (1 9 04) 18 9 31897 की अवधि के दौरान मैनचेस्टर यूनिटी ऑफ ऑडेफलोव्स के अनुभव के द्वारा पेश की गई बीमारी और मृत्यु दर की स्नातक स्तर की पढ़ाई पर। जे इंस्टेंट अधिनियमों 38: 334343 इस संदर्भ कार्य प्रविष्टि के बारे में पढ़ना जारी रखें। इस शेष सामग्री को देखने के लिए कृपया ऊपर दिए गए डाउनलोड पीडीएफ लिंक का पालन करें। हम हमारी साइट के साथ अपने अनुभव को बेहतर बनाने के लिए कुकीज़ का उपयोग करते हैं। अधिक जानकारी अपनी उंगलियों पर 10 मिलियन से अधिक वैज्ञानिक दस्तावेज हमारी सामग्री अन्य साइट्स सहायता एम्प संपर्कों में लॉग इन नहीं किया गया असंबद्ध 78.10 9.24.111 स्प्रिंगर फॉर रिसर्च एम्प डेवलपमेंट जावास्क्रिप्ट वर्तमान में अक्षम है यदि आप अपने ब्राउज़र में जावास्क्रिप्ट को सक्षम करते हैं, तो यह साइट बहुत बेहतर काम करती है। हेंडरसन की औसत लंबाई में चलने की औसत चलन बी, (तालिका B7), पुनरावृत्ति सी (तालिका C7) और पुनरावृत्ति डी (टेबल D7 और तालिका डी 12) ट्रेंड - हेंडरसन मूविंग एवरेज का उपयोग करते हुए चक्र समायोजन श्रृंखला का एक अनुमान से चक्र घटक निकाला जाता है। दो-चरण प्रक्रिया में एक्स -12-एआरआईएमए द्वारा स्वचालित रूप से हेंडरसन फिल्टर की लंबाई चुना जाता है चलती औसत के आदेश की स्वत: चयन श्रृंखला के अनियमित घटक के महत्व को मापने वाले अनुपात के रूप में एक सूचक के मान पर आधारित है। अनियमित घटक जितना मजबूत होता है, चलती औसत का क्रम अधिक होता है। प्रत्येक चलना में इस्तेमाल की जाने वाली प्रक्रिया बहुत ही समान है, केवल अंतर ही उपलब्ध विकल्पों की संख्या और श्रृंखला के दोनों सिरों पर टिप्पणियों का उपचार है। नीचे की प्रक्रिया मासिक समय श्रृंखला के लिए लागू की जाती है। हेंडरसन फ़िल्टर का स्वत: विकल्प ndash भाग बी सबसे पहले, प्रवृत्ति चक्र 13-शब्द Henderson चलती औसत के रूप में गणना की जाती है: फिर, additive मामले में अनियमित घटक को मौसम-समायोजित श्रृंखला से प्रवृत्ति चक्र को घटाकर निकाला जाता है। गुणक अपघटन के लिए, एक अनियमित घटक प्रवृत्ति चक्र द्वारा मौसम समायोजित श्रृंखला को विभाजित करके निकाला जाता है। अनुपात की गणना करने के लिए एसए श्रृंखला (मौसमी समायोजित) की पहली अपघटन गणना की जाती है। सी (ट्रेंड-साइक्ल) और मैं (अनियमित) दोनों घटकों के लिए, मासिक विकास दर (गुणक मॉडल) या मासिक वृद्धि (जोड़नात्मक मॉडल) के लिए पूर्ण मूल्यों की औसत गणना की जाती है। वे चिह्नित हैं और ग्रहणशील रूप से, जहां और शुरुआत में और समय श्रृंखला के अंत में, जो सममित 13-अवधि के हेंडरसन मूविंग एवरेज से नहीं छूटे जा सकते हैं, को नजरअंदाज कर दिया जाता है। यदि अनुपात 1 से छोटा है, 9-शब्द हैन्डरसन चलती औसत अन्यथा चुना जाता है, तो 13-अवधि के हेंडरसन चलती औसत का चयन किया जाता है। टेंडर बी 6 से सीजन में समायोजित श्रृंखला में एक चयनित हेंडरसन फ़िल्टर को लागू करके प्रवृत्ति चक्र की गणना की जाती है। शुरुआती और समय श्रृंखला के अंत में टिप्पणियों को सममित हेंडरसन फिल्टर के माध्यम से नहीं गिना जा सकता है, जो तदर्थ असममित मूविंग एवरों द्वारा अनुमानित है। हेंडरसन फ़िल्टर का स्वचालित विकल्प ndash भाग सी और डी सबसे पहले, प्रवृत्ति चक्र 13-शब्द Henderson चलती औसत के रूप में गणना की जाती है: फिर additive मामले में, अनियमित घटक को मौसम-समायोजित से प्रवृत्ति चक्र को घटाकर निकाला जाता है श्रृंखला। गुणात्मक अपघटन के लिए, अनियमित घटक प्रवृत्ति चक्र द्वारा मौसम समायोजित श्रृंखला को विभाजित करके निकाला जाता है। अनुपात की गणना करने के लिए एसए श्रृंखला (मौसमी समायोजित) की पहली अपघटन गणना की जाती है। सी (ट्रेंड-साइक्ल) और मैं (अनियमित) दोनों घटकों के लिए, मासिक विकास दर (गुणक मॉडल) या मासिक वृद्धि (जोड़नात्मक मॉडल) के लिए पूर्ण मूल्यों की औसत गणना की जाती है। वे चिह्नित हैं और ग्रहणशील रूप से, जहां और शुरुआत में और समय श्रृंखला के अंत में, जो सममित 13-अवधि के हेंडरसन मूविंग एवरेज से नहीं छूटे जा सकते हैं, को नजरअंदाज कर दिया जाता है। यदि अनुपात 1 से छोटा है, 9-शब्द हेंडरसन चलती औसत चुना जाता है, यदि अनुपात 3.5 से अधिक है, तो 23-टर्म हेंडरसन चलती औसत अन्यथा चुना जाता है, एक 13-शब्द हैन्डरसन चलती औसत चयनित है तदनुसार, टेंडर सी 6, टेबल डी 7 या टैबलेट डी 12 से सीजन में समायोजित श्रृंखला में एक चयनित हेंडरसन फ़िल्टर को लागू करके प्रवृत्ति चक्र की गणना की जाती है। सीरीज़ के दोनों छोरों पर, जहां एक केंद्रीय हेंडरसन फिल्टर लागू नहीं किया जा सकता है, असममित 7 अवधि के हेंडरसन फ़िल्टर के लिए वजन समाप्त होता है (नोट) जैसा कि तालिका सी 1 की श्रृंखला अत्यधिक मूल्यों के लिए समायोजित की गई है, यह उम्मीद की जाती है कि भाग बी में गणना की तुलना में छोटा है। हेंडरसन फ़िल्टर X-12-ARIMA की मैन्युअल पसंद ट्रेंड-चक्र के अंतिम अनुमान के लिए मैन्युअल रूप से किसी भी विषम हेंडरसन चलती औसत को चुनने में सक्षम बनाता है। उपयोगकर्ता समय सीमा श्रृंखला के दोनों छोर पर टिप्पणियों के लिए लागू डिफ़ॉल्ट असममित हेंडरसन फ़िल्टर को भी बदल सकता है। समय श्रृंखला विश्लेषण: मौसमी समायोजन के तरीके X11 शैली के तरीके कैसे काम करते हैं मौसमी समायोजन X11 X11ARIMA X12ARIMA SEATSTRAMO DEMETRA प्रदर्शन करने के लिए उपयोग किए जाने वाले कुछ पैकेज क्या हैं मौसमी समायोजन से निपटने के लिए एबीएस द्वारा नियोजित तकनीकों सीएएसएबीएस कैसे काम करती है अन्य सांख्यिकीय एजेंसियां ​​मौसमी समायोजन के साथ कैसे काम करती हैं कैसे एक्स X स्टाइल पद्धति कार्य करते हैं मौसमी समायोजन के फ़िल्टर आधारित तरीकों को अक्सर X11 शैली के तरीकों के रूप में जाना जाता है ये 8216ratio पर आधारित है जो औसत 1 9 31 में 1 9 31 में वर्णित प्रक्रिया को अमेरिका में राष्ट्रीय ब्यूरो ऑफ इकोनॉमिक रिसर्च के फ्रेडरिक आर। इस प्रक्रिया में निम्नलिखित कदम होते हैं: 1) चलती औसत की प्रवृत्ति का आकलन करें 2) मौसमी और अनियमित घटकों को छोड़कर प्रवृत्ति को दूर करें 3) अनियमितताओं को सुचारू बनाने के लिए चलने की औसत का उपयोग करके मौसमी घटक का आकलन करें। प्रवृत्ति को ज्ञात होने तक आम तौर पर मौसमी पहचानी जा सकती है, हालांकि इस रुझान का अच्छा अनुमान तब तक नहीं किया जा सकता जब तक श्रृंखला को मौसम समायोजित नहीं किया जाता है। इसलिए X11 समय श्रृंखला के घटकों का अनुमान लगाने के लिए एक पुनरावृत्ति दृष्टिकोण का उपयोग करता है। एक डिफ़ॉल्ट रूप में, यह एक गुणात्मक मॉडल मानता है एक्स 11 में शामिल बुनियादी कदमों को स्पष्ट करने के लिए, एक गुणात्मक मॉडल के तहत मासिक समय श्रृंखला के अपघटन पर विचार करें। चरण 1: प्रवृत्ति का प्रारंभिक अनुमान एक सममित 13 अवधि (2x12) चलती औसत एक मूल मासिक समय श्रृंखला पर लागू होता है, ओ टी प्रवृत्ति का प्रारंभिक अनुमान तैयार करने के लिए टी टी मौसमी और अनियमित घटकों का अनुमान लगाने के लिए, इस प्रवृत्ति को मूल श्रृंखला से निकाल दिया गया है। श्रृंखला के प्रत्येक छोर पर छह मान समाप्त बिंदु की समस्या के परिणामस्वरूप खो जाते हैं - केवल सममित फिल्टर का उपयोग किया जाता है चरण 2: मौसमी घटक का प्रारंभिक अनुमान मौसमी घटक का एक प्रारंभिक अनुमान तब भारित 5 अवधि के चलते औसत (एस 3x3) एस टी के लिए लागू करके प्राप्त किया जा सकता है। प्रत्येक महीने के लिए मैं टी श्रृंखला अलग से यद्यपि यह फिल्टर एक्स 11 के भीतर डिफ़ॉल्ट है, एबीएस इसके बजाय 7 शब्द चलती औसत (एस 3x5) का उपयोग करता है। मौसमी घटकों को 12 लगभग 12 महीने की अवधि में जोड़ने के लिए समायोजित किया जाता है, जिससे कि यह सुनिश्चित करने के लिए कि वे मौसमी घटक श्रृंखला के स्तर को परिवर्तित नहीं करते हैं (प्रवृत्ति को प्रभावित नहीं करते हैं) के लिए 1 के औसत। मौसमी घटक के अंत में लापता मूल्यों को पिछले वर्ष के मूल्य को दोहराकर बदल दिया जाता है। चरण 3: समायोजित डेटा का प्रारंभिक अनुमान मौसमी रूप से समायोजित श्रृंखला का एक सन्निकटन पिछले चरण से मौसमी के अनुमान को विभाजित करके मूल श्रृंखला में पाया जाता है: चरण 4: प्रवृत्ति ए 9, 13 या 23 अवधि का बेहतर अनुमान हेंडरसन चलती औसत प्रवृत्ति के एक बेहतर अनुमान के उत्पादन के लिए, श्रृंखला के अस्थिरता (एक अधिक वाष्पशील श्रृंखला को अब और अधिक चलती औसत की आवश्यकता होती है) के आधार पर मौसमी रूप से समायोजित मूल्यों पर लागू किया जाता है। परिणामी प्रवृत्ति श्रृंखला को मौसमी और अनियमित घटकों का दूसरा अनुमान देने के लिए मूल श्रृंखला में विभाजित किया गया है। असममित फिल्टर का प्रयोग श्रृंखला के छोर पर किया जाता है, इसलिए चरण 1 की तरह कोई अनुपम मूल्य नहीं हैं। चरण 5: मौसमी घटक का अंतिम अनुमान दो चरण को दोहराया जाता है ताकि मौसमी घटक का अंतिम अनुमान प्राप्त किया जा सके। चरण 6: समायोजित आंकड़ों का अंतिम अनुमान अंतिम सीजन में समायोजित श्रृंखला अंतिम चरण से मौलिक श्रृंखला के दूसरे अनुमान को मूल श्रृंखला में विभाजित करके पाई जाती है: चरण 7: प्रवृत्ति ए 9, 13 या 23 की अंतिम अनुमानित हेंडरसन चलती है औसत मौसमी समायोजित श्रृंखला के अंतिम अनुमान पर लागू होता है, जिसे चरम मानों के लिए ठीक किया गया है। यह प्रवृत्ति का एक बेहतर और अंतिम अनुमान देता है X11 के उन्नत संस्करणों (जैसे X12ARIMA और SEASABS) में, किसी भी अजीब लंबाई हेंडरसन मूविंग एवरी का इस्तेमाल किया जा सकता है। चरण 8: अनियमित घटक का अंतिम अनुमान तब अनियमितताओं का अनुमान लगाया जा सकता है कि प्रवृत्ति के अनुमानों को मौसम समायोजित डेटा में विभाजित कर। जाहिर है इन चरणों पर निर्भर करेगा कि किस मॉडल (गुणक, योजक और छद्म-योजक) को X11 में चुना गया है विभिन्न संस्करणों के बीच X11 के चरणों में भी छोटे अंतर हैं मौसमी कारकों का अनुमान लगाने में एक अतिरिक्त कदम, चरम सीमाओं के लिए एसआई मानों के संशोधन के द्वारा, औसत प्रक्रिया की मजबूती में सुधार करना है। शामिल प्रमुख कदमों के बारे में अधिक जानकारी के लिए, सूचना पत्र के खंड 7.2 को देखें: टाइम सीरीज़ विश्लेषण पर एक परिचयात्मक पाठ्यक्रम - इलेक्ट्रॉनिक डिलिवरी। SEASONAL समायोजन को निष्पादित करने के लिए कुछ पैकेज किए गए हैं क्या X11 परिवार में सबसे अधिक इस्तेमाल किए गए मौसमी समायोजन पैकेज हैं X11 जनगणना के यू.एस. ब्यूरो द्वारा विकसित किया गया था और संयुक्त राज्य अमेरिका में 1 9 65 में अभियान शुरू किया गया था। यह जल्द ही एबीएस सहित दुनिया भर में कई सांख्यिकीय एजेंसियों द्वारा अपनाया गया था। इसे कई व्यावसायिक रूप से उपलब्ध सॉफ़्टवेयर पैकेज जैसे एसएएस और स्टेटीस्टाका में एकीकृत किया गया है। यह मौसम का समायोजन करने के लिए फ़िल्टर का उपयोग करता है और एक समय श्रृंखला के घटकों का अनुमान लगाता है। एक्स 11 विधि में प्रवृत्ति, मौसमी और अनियमित घटकों का अनुमान लगाने के लिए समय-सीमा में सममित चलने वाली औसत लागू करना शामिल है। हालांकि श्रृंखला के अंत में, सममितीय भार 8211 8216end-point8217 समस्या का उपयोग करने के लिए अपर्याप्त डेटा उपलब्ध है। नतीजतन, या तो असममित भार का प्रयोग किया जाता है, या श्रृंखला को एक्सट्रापोलाटेड होना चाहिए। 1 99 8 में स्टैटिस्टिक्स कैनेडा द्वारा विकसित और 1 9 88 से एक्स 11 ईआरआईएमएएएम 88 तक विकसित X11ARIMA विधि, टाइम सीरीज बढ़ाने के लिए बॉक्स जेनकिंस ऑटोरेशेजिव इंटीग्रेटेड मूविंग एवरेज (एआरआईएए) मॉडल का उपयोग करती है। मूलतः, मूल श्रृंखला पर एआरआईएए मॉडलिंग का उपयोग, मौसम समायोजित श्रृंखला में संशोधन को कम करने में मदद करता है ताकि अंत-बिंदु समस्या का प्रभाव कम हो। X11ARIMA88 भी चरम मूल्यों के अपने उपचार में मूल X11 विधि से अलग है। यह सांख्यिकी कनाडा से संपर्क करके प्राप्त किया जा सकता है 1990 के अंत के अंत में, 1 99 8 में, अमेरिकी जनगणना ब्यूरो ने X12ARIMA को जारी किया। यह रेज़ारिमा मॉडल (एआरआईएआईए त्रुटियों के साथ प्रतिगमन मॉडल) का उपयोग करता है जिससे कि उपयोगकर्ता को पूर्वानुमान के साथ सीरीज का विस्तार करने और मौसमी समायोजन होने से पहले बाहरी और कैलेंडर प्रभावों के लिए श्रृंखला को पहले से समायोजित करने की अनुमति मिल सके। X12ARIMA ब्यूरो से प्राप्त किया जा सकता है यह मुफ़्त उपलब्ध है और जनगणना.govsrdwwwx12a से डाउनलोड किया जा सकता है। विक्टर गोमेज़ और अगस्टन मारवाल द्वारा विकसित, सीट्स (एआरआईएएम टाइम सीरीज़ में सिग्नल एक्सट्रक्शन) एक प्रोग्राम है जो एआरआईएए मॉडल पर लागू सिग्नल निष्कर्षण तकनीकों का उपयोग करते हुए एक समय श्रृंखला की प्रवृत्ति, मौसमी और अनियमित घटकों का अनुमान और पूर्वानुमान करता है। ट्रामो (एआरआईएमए शोर, लापता टिप्पणियों और आउटलिअर्स के साथ टाइम सीरीज़ रिग्रेसन) एआरआईएएए त्रुटियों और लापता मूल्यों के साथ प्रतिगमन मॉडल के अनुमान और पूर्वानुमान के लिए एक साथी कार्यक्रम है। यह एक श्रृंखला को पहले से समायोजित करने के लिए उपयोग किया जाता है, जिसे बाद में सीट्स द्वारा समायोजित किया जाएगा। इंटरनेट से दो प्रोग्राम डाउनलोड करने के लिए, बैंक ऑफ स्पेन से संपर्क करें। bde. eshomee. htm Eurostat दो मौसमी समायोजन विधियों पर केंद्रित है: TramoSeats और X12Arima इन प्रोग्राम्स के संस्करणों को एक इंटरफ़ेस में कार्यान्वित किया गया है, जिसे quotDEMETRAquot कहा जाता है। इससे समय की श्रृंखला के बड़े पैमाने पर सेट करने के लिए इन तकनीकों के उपयोग की सुविधा मिलती है। डेमेट्रा में दो मुख्य मॉड्यूल हैं: स्वचालित प्रक्रिया के साथ मौसमी समायोजन और रुझान अनुमान (उदाहरण के लिए, अननुभौत उपयोगकर्ताओं के लिए या समय श्रृंखला के बड़े पैमाने पर सेट के लिए), और एकल समय श्रृंखला के विस्तृत विश्लेषण के लिए उपयोगकर्ता-अनुकूल प्रक्रिया के साथ। इसे फोरम से डाउनलोड किया जा सकता है। Europa. eu. intircdsiseurosaminfodatademetra. htm। एब्स द्वारा सीज़ोनल एडजेस्टमेंट के साथ सौदा करने के लिए एपीएस द्वारा संचालित तकनीक क्या हैं ऑस्ट्रेलियाई ब्यूरो ऑफ स्टेटिस्टिक्स में इस्तेमाल किया जाने वाला मुख्य उपकरण एसईएएसएबीएस (सीसोनल विश्लेषण, एबीएस मानकों) सीएएसएबीएसएएस एक X11 और X12ARIMA पर आधारित कोर प्रोसेसिंग सिस्टम के साथ एक मौसमी एडजस्टमेंट सॉफ्टवेयर पैकेज है। SEASABS एक ज्ञान आधारित प्रणाली है जो एक समय श्रृंखला के विश्लेषण में उचित और सही निर्णय लेने में समय श्रृंखला विश्लेषकों की सहायता कर सकती है। एसईएएसएबीएस एबीएस मौसमी समायोजन प्रणाली का एक हिस्सा है। अन्य घटकों में एबीएसडीबी (एबीएस सूचना वेअरहाउस) और फेम (समय श्रृंखला डेटा को स्टोर और हेरफेर करने के लिए उपयोग किए जाने वाले पूर्वानुमान, विश्लेषण और मॉडलिंग पर्यावरण) शामिल हैं। सीईएएसएबीएस चार प्रमुख कार्य करता है: डेटा की समीक्षा समय श्रृंखला के मौसमी रेनलालिसिस समय श्रृंखला की जांच समय श्रृंखला ज्ञान के रखरखाव एसईएएसएबीएएस एक्स 12 विधि (जो कि एबीएस द्वारा काफी बढ़ाया गया है) के विशेषज्ञ और ग्राहक दोनों को इस्तेमाल करते हैं। इसका मतलब यह है कि किसी उपयोगकर्ता को X11 पैकेज के विस्तृत ज्ञान की आवश्यकता नहीं है ताकि उचित समय-समय पर मौसम श्रृंखला को समायोजित किया जा सके। एक बुद्धिमान इंटरफ़ेस उपयोगकर्ता को मौसमी विश्लेषण प्रक्रिया के माध्यम से मार्गदर्शित करता है, जिससे पैरामीटर और अनुकूलन विधियों के उपयुक्त विकल्प बनाने से उपयोगकर्ताओं को कम या कोई मार्गदर्शन आवश्यक नहीं होता है। सीसाब में शामिल बुनियादी अवक्रम प्रक्रिया है: 1) मौसमी ब्रेक के लिए टेस्ट और सही। 2) डेटा में बड़े स्पाइक्स का परीक्षण और निकालें। 3) टेस्ट और सही ट्रेंड ब्रेक के लिए। 4) मौसमी समायोजन उद्देश्यों के लिए चरम मूल्यों का परीक्षण और सही करें। 5) कोई भी ट्रेडिंग दिन प्रभाव वर्तमान का अनुमान 6) छुट्टी सुधार बढ़ने या बदलने के लिए। 7) चलती औसत (रुझान चलती औसत, और फिर मौसमी चलती औसत) की जांच करें। 8) X11 चलाएं 9) समायोजन को अंतिम रूप दें सीईएएसएबीएएस एक सीरीज़ के पिछले विश्लेषण के रिकॉर्ड रखता है ताकि यह समय के साथ X11 डायग्नोस्टिक्स की तुलना कर सकता है और यह जान सकता है कि अंतिम विश्लेषण में कौन से मापदंडों स्वीकार्य समायोजन की ओर बढ़े। यह प्रवृत्ति और मौसमी विरामों को पहचानता है और साथ ही चरम मूल्यों को ठीक करता है, आवश्यकतानुसार व्यापारिक कारकों को सम्मिलित करता है, और छुट्टी के सुधारों को बढ़ने की अनुमति देता है। एसईएएसएबीएस अन्य सरकारी संगठनों के लिए मुफ़्त है। अधिक जानकारी के लिए संपर्क करें time. series. analysisabs. gov. au। अन्य सामरिक एजेंसियों को SEASONAL समायोजन सांख्यिकी न्यूजीलैंड का उपयोग कैसे करता है X12-ARIMA का उपयोग करता है, लेकिन पैकेज की ARIMA क्षमताओं का उपयोग नहीं करता है। राष्ट्रीय सांख्यिकी कार्यालय, यूके का उपयोग करता है X11ARIMA88 सांख्यिकी कनाडा जनगणना का X11-ARIMA88 यूएस ब्यूरो का उपयोग करता है X12-ARIMA यूरोस्टैट का उपयोग करता है सीटस्टामो यह पृष्ठ पहले 14 नवंबर 2005 को प्रकाशित हुआ था, अंतिम अद्यतन 10 सितम्बर 2008 टाइम सीरीज़ विश्लेषण: मौसमी समायोजन की प्रक्रिया क्या है मौसमी समायोजन के दो मुख्य दर्शन एक फिल्टर क्या है अंत बिंदु समस्या क्या है हम कैसे तय करते हैं कि किस फ़िल्टर का उपयोग करना है लाभ फ़ंक्शन क्या है चरण पोजिशन क्या है हेंडरसन मूविंग एवरेज क्या हैं एंड पॉइंट समस्या से हम कैसे काम करते हैं मौसमी चलती औसत क्यों रुझान के अनुमानों को संशोधित किया जाता है स्वीकार्य मौसम समायोजित अनुमान प्राप्त करने के लिए कितना डेटा आवश्यक है दो मौसमी समायोजन दर्शन किस तरह से तुलना करते हैं, मौसम के समायोजन के दो मुख्य फिलीस्तीनी क्या हैं मौसमी समायोजन के दो मुख्य दर्शन मॉडल आधारित पद्धति हैं और फ़िल्टर आधारित विधि फ़िल्टर आधारित विधियों यह पद्धति फिक्स्ड फ़िल्टर (औसत चलती) का एक सेट लागू करती है ताकि समय श्रृंखला को एक प्रवृत्ति, मौसमी और अनियमित घटक में विघटित किया जा सके। अंतर्निहित धारणा यह है कि आर्थिक आंकड़े व्यापार चक्र (प्रवृत्ति), मौसमी चक्र (मौसम) और शोर (अनियमित घटक) सहित कई चक्रों से बना है। एक फिल्टर इनपुट डेटा से अनिवार्य रूप से कुछ चक्रों की ताकत को हटा या कम कर देता है। मासिक एकत्रित आंकड़ों से मौसम समायोजित श्रृंखला तैयार करने के लिए, प्रत्येक 12, 6, 4, 3, 2.4 और 2 महीने होने वाली घटनाओं को निकालने की आवश्यकता होती है। ये प्रति वर्ष 1, 2, 3, 4, 5 और 6 चक्रों के मौसमी आवृत्तियों के अनुरूप हैं। अब गैर-मौसमी चक्र को इस प्रवृत्ति का हिस्सा माना जाता है और छोटे गैर-मौसमी चक्र अनियमित रूप से बनाते हैं हालांकि प्रवृत्ति और अनियमित चक्रों के बीच की सीमा प्रवृत्ति को प्राप्त करने के लिए उपयोग किए जाने वाले फ़िल्टर की लंबाई के साथ भिन्न हो सकती है। एबीएस मौसमी समायोजन में, चक्र जो कि प्रवृत्ति में काफी योगदान करते हैं, आम तौर पर मासिक श्रृंखला के लिए 8 महीने से अधिक होते हैं और त्रैमासिक श्रृंखला के लिए 4 क्वार्टर होते हैं। प्रवृत्ति, मौसमी और अनियमित घटकों को अलग-अलग मॉडल की आवश्यकता नहीं होती है। अनियमित घटक को परिभाषित किया गया है कि प्रवृत्ति और मौसमी घटकों को फिल्टर द्वारा हटा दिए जाने के बाद क्या रहता है। अनियमित सफेद शोर विशेषताओं को प्रदर्शित नहीं करते हैं। फ़िल्टर आधारित विधियों को अक्सर X11 शैली विधियों के रूप में जाना जाता है इनमें एक्स 11 (यू.एस. सेन्सस ब्यूरो द्वारा विकसित), एक्स 11 ईरिमका (स्टैटिस्टिक्स कैनेडा द्वारा विकसित), एक्स 12 इरिमा (यू.एस. सेन्सस ब्यूरो द्वारा विकसित), एसटीएल, एसएबीएल और एसईएएसएबीएस (एबीएस द्वारा उपयोग किए गए पैकेज) शामिल हैं। X11 परिवार में विभिन्न तरीकों के बीच कम्प्यूटेशनल अंतर मुख्यतः समय श्रृंखला के अंत में इस्तेमाल की जाने वाली विभिन्न तकनीकों का परिणाम है। उदाहरण के लिए, कुछ तरीके समाप्त होने पर असममित फिल्टर का उपयोग करते हैं, जबकि अन्य विधियों समय श्रृंखला का विस्तार करते हैं और विस्तारित श्रृंखला में सममित फिल्टर लागू करते हैं। मॉडल आधारित विधियों इस दृष्टिकोण को अलग-अलग मॉडलिंग करने के लिए समय श्रृंखला की प्रवृत्ति, मौसमी और अनियमित घटकों की आवश्यकता होती है। यह मानता है कि अनियमित घटक 8220 वाइट शोर 8221 है - ये सभी चक्र लंबाई समान रूप से प्रदर्शित होते हैं। अनियमितताओं का शून्य मतलब और निरंतर विचरण होता है। मौसमी घटक का अपना शोर तत्व है दो व्यापक रूप से इस्तेमाल किए गए सॉफ़्टवेयर पैकेज जो मॉडल आधारित विधियों को लागू करते हैं, STAMP और SEATSTRAMO (बैंक ऑफ स्पेन द्वारा विकसित) विभिन्न मॉडल आधारित विधियों के बीच मेजर कम्प्यूटेशनल अंतर आमतौर पर मॉडल विनिर्देशों के कारण होते हैं। कुछ मामलों में, घटक सीधे मॉडल किए जाते हैं। मूल समय श्रृंखला को पहले मॉडलिंग की आवश्यकता होती है, और घटक मॉडल उस से विघटित होते हैं। अधिक उन्नत स्तर पर दो दर्शनों की तुलना के लिए, देखें कि दो मौसमी समायोजन दर्शन कैसे तुलना करता है कि एक फिल्टर फ़िल्टर का उपयोग विघटित करने के लिए किया जा सकता है एक प्रवृत्ति, मौसमी और अनियमित घटक में एक समय श्रृंखला। मूविंग एवरेस्ट एक प्रकार का फिल्टर है जो एक समय श्रृंखला के एक चिकना अनुमान के उत्पादन के क्रम में क्रमिक आंकड़ों के स्थानांतरण समय का औसत होता है। यह आसान सीरीज को प्राप्त किया जा सकता है एक चक्र के माध्यम से एक इनपुट श्रृंखला को चलाने के द्वारा जो कुछ चक्रों को फ़िल्टर करता है। परिणामस्वरूप, चलती औसत को अक्सर फिल्टर के रूप में जाना जाता है मूल प्रक्रिया में लंबाई 1 मीटर 2 1 के भार के एक सेट को परिभाषित करना शामिल है: ध्यान दें: वजन का एक सममित सेट एम 1 एम 2 और वाईजेड-जे ए समय पर फ़िल्टर्ड मान की गणना की जा सकती है, जहां वाई टी का वर्णन मूल्य समय सीमा के समय में टी उदाहरण के लिए, निम्नलिखित श्रृंखलाओं पर विचार करें: एक सरल 3 अवधि के सममित फिल्टर का उपयोग करना (यानी मी 1 एम 2 1 और सभी वजन 13 हैं), शूटर श्रृंखला के पहले कार्य को मूल के पहले तीन शब्दों में भार लगाने से प्राप्त किया जाता है श्रृंखला: दूसरा सुगम मूल्य मूल श्रृंखला में दूसरे, तीसरे और चौथे पदों के लिए वजन को लागू करके निर्मित किया गया है: अंत बिंदु समस्या क्या है श्रृंखला पर पुनर्विचार: इस श्रृंखला में 8 शब्द हैं हालांकि, मूल डेटा में सममित फिल्टर लगाने से प्राप्त की गई आसान श्रृंखला में केवल 6 शब्द होते हैं: ऐसा इसलिए है क्योंकि सीमियों के अंत में अपर्याप्त डेटा एक सममित फिल्टर लागू करने के लिए है। निर्बाध श्रृंखला का पहला कार्यकाल तीन शब्दों का भारित औसत है, मूल श्रृंखला के दूसरे कार्यकाल पर केंद्रित है। मूल बिंदु के पहले पद पर केंद्रित एक भारित औसत डेटा के रूप में प्राप्त नहीं किया जा सकता है इससे पहले कि यह बिंदु उपलब्ध नहीं है। इसी प्रकार, श्रृंखला के आखिरी कार्यकाल पर केंद्रित भारित औसत की गणना करना संभव नहीं है, क्योंकि इस बिंदु के बाद कोई डेटा नहीं है। इस कारण से, सीरीमीटर के किसी भी अंत में सममित फिल्टर का उपयोग नहीं किया जा सकता। इसे अंत बिंदु समस्या के रूप में जाना जाता है समय क्षेत्र के विश्लेषकों इन क्षेत्रों में सुव्यवस्थित अनुमानों का उत्पादन करने के लिए असममित फिल्टर का उपयोग कर सकते हैं। इस मामले में, चिकनाई मूल्य 8216off centre8217 की गणना की जाती है, साथ ही औसत की तुलना में बिंदु के एक तरफ से अधिक डेटा का उपयोग करके निर्धारित किया जा सकता है जो उपलब्ध है। वैकल्पिक रूप से, मॉडलिंग तकनीकों का इस्तेमाल समय श्रृंखला के एक्सट्रपलेशन के लिए किया जा सकता है और फिर सममित फिल्टर को विस्तारित श्रृंखला में लागू किया जा सकता है। हम कैसे तय करते हैं कि फ़िल्टर का उपयोग करने के लिए समय श्रृंखला विश्लेषक अपनी संपत्तियों के आधार पर एक उपयुक्त फिल्टर चुनता है, जैसे कि जब लागू होता है तब फिल्टर को हटा दिया जाता है एक फ़ंक्शन के गुणों को लाभ फ़ंक्शन का उपयोग करके जांच की जा सकती है। किसी विशेष समय श्रृंखला के लिए एक चक्र के आयाम पर दी गई आवृत्ति पर फ़िल्टर के प्रभाव की जांच करने के लिए लाभ कार्य का उपयोग किया जाता है। लाभ कार्यों से जुड़े गणित के अधिक विवरण के लिए, आप टाइम सीरीज़ कोर्स नोट्स, एबीएस के टाइम सीरीज विश्लेषण अनुभाग द्वारा प्रकाशित समय श्रृंखला विश्लेषण के लिए एक प्रारंभिक गाइड डाउनलोड कर सकते हैं (अनुभाग 4.4 देखें)। निम्नलिखित आरेख, हम पहले समझाए गए सममित 3 शब्द फ़िल्टर के लिए लाभ कार्य है। चित्रा 1: सममित 3 अवधि फ़िल्टर के लिए लाभ समारोह क्षैतिज अक्ष मूल समय श्रृंखला में अवलोकन बिंदुओं के बीच की अवधि के सापेक्ष इनपुट चक्र की लंबाई का प्रतिनिधित्व करता है। इसलिए लंबाई 2 का एक इनपुट चक्र 2 अवधि में पूरा हो गया है, जो मासिक श्रृंखला के लिए 2 महीने का प्रतिनिधित्व करता है, और तिमाही श्रृंखला के लिए 2 क्वार्टर का प्रतिनिधित्व करता है। ऊर्ध्वाधर अक्ष इनपुट चक्र के सापेक्ष उत्पादन चक्र के आयाम को दर्शाता है। यह फिल्टर 3 अवधि चक्र की ताकत शून्य तक घटाता है। यही है, यह पूरी तरह से लगभग इस लंबाई के चक्र को हटा देता है इसका मतलब यह है कि एक समय श्रृंखला के लिए जहां डेटा एकत्र किया जाता है, किसी भी मौसमी प्रभाव जो तिमाही होते हैं, इस फ़िल्टर को मूल श्रृंखला में लागू करके समाप्त कर दिया जाएगा। एक फ़ैशन पारी फ़िल्टर्ड चक्र और अनफ़िल्टर्ड चक्र के बीच का समय पारी है। एक सकारात्मक चरण बदलाव का मतलब है कि फ़िल्टर्ड चक्र पीछे की ओर स्थानांतरित हो जाता है और एक नकारात्मक चरण बदलाव इसे समय समय पर स्थानांतरित कर दिया जाता है। फ़ॉरेज़ स्थानांतरण तब होता है जब मोड़ करने का समय विकृत हो जाता है, उदाहरण के लिए, जब चलती औसत असममित फिल्टर द्वारा ऑफ़-सेंटर रखा जाता है। यह है कि वे या तो पहले या बाद में फ़िल्टर की गई श्रृंखला में मूल के मुकाबले होंगे। विषम लंबाई सममित मूविंग एवरेज (जैसा कि एबीएस द्वारा उपयोग किया जाता है), जहां परिणाम केंद्रीय रूप से रखा जाता है, समय के चरण स्थानांतरण का कारण नहीं है। समय के स्तर को बनाए रखने के लिए प्रवृत्ति को प्राप्त करने के लिए उपयोग किए जाने वाले फ़िल्टरों के लिए यह महत्वपूर्ण है, और इसलिए किसी भी मोड़ के समय का समय। आंकड़े 2 और 3 एक 2x12 सममित चलने वाले औसत को लागू करने के प्रभाव दिखाते हैं जो ऑफ-सेंटर है। सतत घटता प्रारंभिक चक्र का प्रतिनिधित्व करते हैं और टूटी हुई घटता चलती औसत फिल्टर लागू करने के बाद उत्पादन चक्र का प्रतिनिधित्व करता है। चित्रा 2: 24 महीना चक्र, चरण -5.5 महीने का आयाम 63 चित्रा 3: 8 महीने चक्र, चरण -1.5 महीने आयाम 22 क्या हेंडरसन चलती औसत हेंडरसन मूविंग एवरेज हैं फिल्टर जो रॉबर्ट हेंडरसन द्वारा 1 9 16 में बीमांकिक अनुप्रयोगों में इस्तेमाल के लिए प्राप्त किए गए थे। वे रुझान फ़िल्टर हैं, जो आम तौर पर समय-सीमा विश्लेषण में उपयोग किए जाते हैं ताकि रुझान अनुमान अनुमान उत्पन्न करने के लिए मौसमी समायोजित अनुमानों को चिकना कर सके। उनका उपयोग सरल मूविंग औसत के लिए वरीयता में किया जाता है क्योंकि वे 3 डिग्री तक के बहुपदों को पुन: उत्पन्न कर सकते हैं, जिससे रुझान बदलते अंक बदल सकते हैं। एबीएस हेंडसन को एक मौसमी समायोजित श्रृंखला से प्रवृत्ति अनुमानों का उत्पादन करने के लिए औसत चलती है। एबीएस द्वारा प्रकाशित रुझान का अनुमान आम तौर पर मासिक श्रृंखला के लिए 13 टर्म हेंडरसन फ़िल्टर का उपयोग करके प्राप्त होता है, और त्रैमासिक श्रृंखला के लिए एक 7 शब्द हेन्डरसन फ़िल्टर होता है। हेंडरसन फिल्टर या तो सममित या असममित हो सकते हैं। सममित मूविंग एवरेज उन बिंदुओं पर लागू किया जा सकता है जो एक समय श्रृंखला के अंत से पर्याप्त दूर हैं। इस स्थिति में, समय श्रृंखला में दिए गए बिंदु के लिए समरूप मूल्य डेटा बिंदु के दोनों तरफ समान मूल्यों की संख्या से गणना की जाती है। वज़न प्राप्त करने के लिए, एक प्रवृत्ति श्रृंखला की अपेक्षा की जाने वाली दो विशेषताओं के बीच समझौता होता है। यह ये है कि प्रवृत्ति को एक विस्तृत श्रेणी की वक्रता का प्रतिनिधित्व करने में सक्षम होना चाहिए और यह संभव के रूप में चिकनी होना चाहिए। वजन के गणितीय व्युत्पत्ति के लिए, टाइम सीरीज कोर्स नोट्स के अनुभाग 5.3 का संदर्भ लें। जो एबीएस वेब साइट से मुफ्त डाउनलोड किया जा सकता है। हेंडर्स के चलते चलने वाले औसत सममित हेंडरसन की श्रेणी के लिए भार पैटर्न निम्न तालिका में दिए गए हैं: हेंडरसन के लिए सममित भार पैटर्न सामान्य औसत चल रहा है, प्रवृत्ति फ़िल्टर की अवधि, चिकनी परिणामी प्रवृत्ति, लाभ कार्यों की तुलना से स्पष्ट है ऊपर। एक 5 शब्द हेंडरसन ने कम से कम 80 के बीच 2.4 अवधि या उससे कम के चक्र को कम कर दिया है, जबकि एक 23 अवधि के हेंडरसन ने कम से कम 90 दिनों के दौरान लगभग 8 अवधियों या उससे कम चक्रों को कम कर दिया है। वास्तव में एक 23 शब्द हेंडरसन फ़िल्टर पूरी तरह से 4 से कम अवधि के चक्र को हटा देता है । हेंडरसन मूविंग एवरेज भी अलग-अलग डिग्री करने के लिए मौसमी चक्र को कम कर देता है। हालांकि आंकड़े 4-8 में लाभ कार्यवाही यह दर्शाते हैं कि मासिक और त्रैमासिक श्रृंखलाओं में वार्षिक चक्र काफी हद तक कम नहीं हो सकते हैं ताकि हेंडरसन फ़िल्टर को मूल अनुमानों पर सीधे लागू किया जा सके। यही कारण है कि वे केवल एक मौसमी रूप से समायोजित श्रृंखला में लागू होते हैं, जहां कैलेंडर संबंधी प्रभाव विशेष रूप से डिज़ाइन फ़िल्टर से पहले ही निकाल दिए गए हैं। चित्रा 9 एक हेंडरसन फ़िल्टर को एक श्रृंखला में लागू करने के चौरसाई प्रभावों को दिखाता है: चित्रा 9: 23-टर्म हेंडरसन फ़िल्टर - गैर-आवासीय भवन मंजूरी का मूल्य हम अंत बिंदु की समस्या से कैसे निपट सकते हैं सममित हेंडरसन फ़िल्टर केवल क्षेत्रों पर लागू किया जा सकता है सीरीज़ के छोर से पर्याप्त रूप से बहुत दूर हैं। उदाहरण के लिए मानक 13 शब्द हेंडरसन केवल मासिक डेटा पर लागू किया जा सकता है जो आंकड़ों के प्रारंभ या अंत से कम से कम 6 टिप्पणियां हैं। इसका कारण यह है कि इस डाटा को डेटा बिंदु के दोनों तरफ और साथ ही पॉइंट ही के 6 शब्दों के एक भारित औसत लेते हुए फ़िल्टर आसानी से श्रृंखला को शांत करता है। अगर हम इसे उस बिंदु पर लागू करने का प्रयास करते हैं जो आंकड़ों के अंत से 6 टिप्पणियों से कम है, तो औसत की गणना करने के लिए बिंदु के एक तरफ पर्याप्त डेटा उपलब्ध नहीं है। इन डेटा बिंदुओं के रुझान अनुमान प्रदान करने के लिए, एक संशोधित या असममित चलती औसत उपयोग किया जाता है। असममित हेंडरसन फिल्टर की गणना कई तरह के तरीकों से उत्पन्न की जा सकती है, जो समान समान होती हैं, लेकिन समान परिणाम नहीं। चार मुख्य विधियां मुस्ग्रेव विधि, मीन स्क्वायर रिव्यूशन विधि का न्यूनतमकरण, सर्वश्रेष्ठ रैखिक निष्पक्ष अनुमान (नीला) विधि और केनी और डर्बीन विधि हैं। शिस्किन एट अल (1 9 67) ने हेंडरसन मूविंग एसेल्स के लिए मूल असममित भार हासिल किया जो एक्स 11 पैकेजों के भीतर उपयोग किया जाता है। असममित भार के व्युत्पन्न के बारे में जानकारी के लिए, टाइम सीरीज कोर्स नोट्स का अनुभाग 5.3 देखें। एक समय श्रृंखला पर विचार करें जहां अंतिम बार देखा गया डेटा बिंदु एन। पर होता है। तब 13 बार सममित हेंडरसन फ़िल्टर डेटा बिंदुओं पर लागू नहीं किया जा सकता है जो कि एन -5 के बाद और समय सहित किसी भी समय मापा जाता है। इन सभी बिंदुओं के लिए, वजन के एक असममित सेट का उपयोग किया जाना चाहिए। निम्न तालिका मानक 13 अवधि के हेंडरसन मूविंग औसत के लिए असममित भार पैटर्न को देती है। असममित 13 शब्द हेंडरसन फ़िल्टर समान चक्र को 13 मिमी Henderson फ़िल्टर के रूप में नहीं हटाते या ढंका नहीं करते। वास्तव में पिछले अवलोकन में प्रवृत्ति का अनुमान लगाने के लिए इस्तेमाल असममित भार पैटर्न 12 अवधि चक्र की ताकत को बढ़ाता है। असममित फिल्टर भी कुछ समय के लिए स्थानांतरण का समय बदलते हैं। मौसमी चलने का औसत क्या है एबीएस द्वारा जांच की जाने वाली लगभग सभी डेटा में मौसमी विशेषताएं हैं चूंकि हेंडरसन चलने की औसत प्रवृत्ति श्रृंखला का अनुमान लगाने के लिए इस्तेमाल करता है, इसलिए सीज़री समाप्त नहीं होती है, डेटा को मौसमी फ़िल्टरों का उपयोग करके पहले मौसम में समायोजित किया जाना चाहिए। मौसमी फ़िल्टर में भार है जो समय के साथ समान अवधि में लागू होते हैं। मौसमी फ़िल्टर के लिए भार पैटर्न का एक उदाहरण होगा: (13, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 13, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 13) जहां, उदाहरण के लिए, एक तिहाई का वजन लगातार तीन जनवरी तक लागू होता है। एक्स 11 के भीतर, मौसमी फ़िल्टर की एक श्रृंखला से चुनने के लिए उपलब्ध हैं ये एक भारित 3-अवधि की चलती औसत (एमए) एस 3x1 है भारित 5-शब्द मा एस 3x3 भारित 7-शब्द मा एस 3x5 और एक भारित 11-अवधि के मा एस 3x9 फॉर्म के भारित चलती औसत की भार संरचना, एस एनएक्सएम। यह है कि साधारण शब्दों की औसत औसत गणना की जाती है, और फिर इन औसत के एन के चलती औसत निर्धारित होते हैं। इसका अर्थ है कि एनएम -1 नियम प्रत्येक अंतिम निर्बाध मूल्य की गणना के लिए उपयोग किया जाता है। उदाहरण के लिए, एक 11-टर्म एस 3x9 की गणना करने के लिए 9 साल का वजन 9 वर्षों में लगातार इसी अवधि में लागू होता है। फिर एक सरल 3 टर्म चल औसत औसत मूल्यों पर लागू होता है: यह (127, 227, 1 9, 1 9, 1 9, 1 9, 1 9, 1 9, 1 9, 227, 127) का अंतिम भार वाला पैटर्न देता है। 11 अवधि के मौसमी फ़िल्टर के लिए लाभ कार्य, एस 3x 9 जैसा दिखता है: चित्रा 10: 11 टर्म (एस 3x 9) मौसमी फ़िल्टर के लिए लाभ फ़ंक्शन डेटा के लिए मौसमी फ़िल्टर को लागू करने से टाइम सीरीज के मौसमी घटक का आकलन उत्पन्न होगा, क्योंकि यह मौसमी हार्मोनिक्स की ताकत को सुरक्षित रखता है और गैर - मौसमी लंबाई श्रृंखला के छोर पर असममित मौसमी फिल्टर का उपयोग किया जाता है X11 में उपयोग किए जाने वाले प्रत्येक मौसमी फिल्टर के लिए असममित वजन, टाइम सीरीज कोर्स नोट्स की धारा 5.4 में पाया जा सकता है। क्यों रुझान अनुमानित हैं एक समय श्रृंखला के वर्तमान अंत में, अंत बिंदु समस्या की वजह से प्रवृत्ति का अनुमान करने के लिए सममित फिल्टर का उपयोग करना संभव नहीं है। इसके बजाय, असममित फिल्टर का उपयोग अनंतिम प्रवृत्ति अनुमानों के लिए किया जाता है। हालांकि, अधिक डेटा उपलब्ध होने पर, सममित फिल्टर का उपयोग करके प्रवृत्ति की पुन: गणना करना और प्रारंभिक अनुमानों में सुधार करना संभव है। इसे प्रवृत्ति संशोधन के रूप में जाना जाता है कितने आंकड़े स्वीकार्य ढंग से स्वीकार्य मौसम प्राप्त करने के लिए आवश्यक है यदि एक समय श्रृंखला अपेक्षाकृत स्थिर ऋतुमान को प्रदर्शित करती है और अनियमित घटक का वर्चस्व नहीं करती है, तो 5 वर्ष के डेटा को स्वीकार्य लंबाई से मौसमी समायोजित अनुमान प्राप्त करने के लिए माना जा सकता है। श्रृंखला के लिए जो विशेष रूप से मजबूत और स्थिर ऋतुमानता दिखाती है, एक कच्चे समायोजन 3 साल के डेटा के साथ किया जा सकता है आम तौर पर सामान्य समय श्रृंखला के लिए कम से कम 7 वर्ष का आंकड़ा होना बेहतर होता है, ताकि आप मौसमी पैटर्न, व्यापारिक दिन और चलती छुट्टी प्रभाव, प्रवृत्ति और मौसमी ब्रेक, साथ ही साथ आउटलेयर को पहचान सकें। उन्नत दो समायोजन समायोजन फ़िलोज़ों को कैसे विकसित किया जाता है मॉडल आधारित दृष्टिकोण श्रृंखला के प्रकृति के आधार पर फ़िल्टर वजन दर्जी के अनुसार, विश्लेषण के तहत श्रृंखला के स्टोकेस्टिक गुणों (यादृच्छिकता) के लिए अनुमति देते हैं। श्रृंखला के व्यवहार का सही ढंग से वर्णन करने के लिए मॉडल 8217 की क्षमता का मूल्यांकन किया जा सकता है, और अनुमान के लिए सांख्यिकीय आंकड़े इस धारणा के आधार पर उपलब्ध हैं कि अनियमित घटक सफेद शोर है। फ़िल्टर आधारित विधियों समय श्रृंखला के stochastic गुणों पर कम निर्भर हैं। यह समय श्रृंखला विश्लेषक 8217 की जिम्मेदारी है कि किसी विशेष श्रृंखला के लिए सीमित संग्रह से सबसे उपयुक्त फिल्टर का चयन करें। निहित मॉडल की पर्याप्तता पर कठोर जांच करना और सटीक और सांख्यिकीय निष्कर्ष के सटीक उपायों को संभव नहीं है। इसलिए, अनुमान के आस-पास एक आत्मविश्वास अंतराल नहीं बनाया जा सकता। निम्नलिखित आरेखों में मौसमी आवृत्तियों के दो मौसमी समायोजन दर्शनों के लिए प्रत्येक मॉडल घटकों की मौजूदगी की तुलना होती है। एक्स अक्ष चक्र की अवधि की अवधि है और y अक्ष प्रत्येक चक्र को शामिल करने वाले चक्र की ताकत का प्रतिनिधित्व करता है: चित्रा 11: दो मौसमी समायोजन दर्शनों की तुलना फ़िल्टर आधारित पद्धतियों का मानना ​​है कि प्रत्येक घटक केवल एक निश्चित चक्र लंबाई मौजूद है। लंबी चक्र प्रवृत्ति को बनाते हैं, मौसमी घटक मौसमी आवृत्तियों पर मौजूद होते हैं और अनियमित घटक को किसी भी अन्य लंबाई के चक्र के रूप में परिभाषित किया जाता है। एक मॉडल आधारित दर्शन के तहत, प्रवृत्ति, मौसमी और अनियमित घटक सभी चक्र लंबाई पर मौजूद होते हैं। अनियमित घटक निरंतर ताकत का होता है, मौसमी आवृत्तियों पर मौसमी घटक चोटियों और प्रवृत्ति घटक लंबे चक्रों में सबसे मजबूत होता है। यह पृष्ठ पहले 14 नवंबर 2005 को प्रकाशित हुआ था, अंतिम अद्यतन 25 जुलाई 2008