การใช้ ที่ อัตราส่วน การ เคลื่อนไหว เฉลี่ย วิธีการ ตรวจสอบ the ไตรมาส ฤดูกาล ดัชนี

การใช้สเปรดชีตของการปรับฤดูกาลและการทำให้เรียบแบบทวีคูณเป็นเรื่องง่ายที่จะปรับแต่งตามฤดูกาลและจัดรูปแบบการเรียบแบบเลขแจงโดยใช้ Excel ภาพหน้าจอและแผนภูมิด้านล่างนี้นำมาจากสเปรดชีตที่ได้รับการตั้งค่าเพื่อแสดงการปรับตามฤดูกาลแบบคูณ ตามข้อมูลการขายรายไตรมาสจาก Outboard Marine เพื่อรับสำเนาไฟล์สเปรดชีตเองคลิกที่นี่รุ่นของการเพิ่มประสิทธิภาพเชิงเส้นแบบเสวนาเชิงเส้นที่จะใช้ที่นี่เพื่อจุดประสงค์ในการสาธิตคือรุ่น Brown's เนื่องจากสามารถใช้ได้กับคอลัมน์เดียว ของสูตรและมีเพียงหนึ่งราบเรียบคงที่เพื่อเพิ่มประสิทธิภาพมักจะดีกว่าที่จะใช้รุ่น Holt s ที่มีราบรื่นคงที่สำหรับระดับและแนวโน้มกระบวนการคาดการณ์ดำเนินการดังต่อไปนี้ i แรกข้อมูลมีการปรับฤดูกาลแล้ว ii แล้วการคาดการณ์จะสร้างขึ้นสำหรับ ข้อมูลที่ปรับฤดูกาลด้วยการให้ความเรียบแบบเป็นเส้นตรงและครีบ iii การปรับฤดูกาลตามฤดูกาลจะดำเนินการในคอลัมน์ D ถึง G ขั้นตอนแรกในการปรับฤดูกาลคือการคำนวณค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางที่นี่ในคอลัมน์ D ซึ่งสามารถทำได้โดย การใช้ค่าเฉลี่ยเฉลี่ยสองปีที่สองซึ่งหักล้างโดยระยะเวลาหนึ่งเมื่อเทียบกับแต่ละอื่น ๆ การรวมกันของสองค่าเฉลี่ยชดเชยแทนที่จะเป็นค่าเฉลี่ยเพียงอย่างเดียวเป็นสิ่งจำเป็นสำหรับจุดศูนย์กลางเมื่อจำนวนของฤดูกาลเป็นขั้นตอนต่อไปคือการคำนวณ อัตราส่วนนี้จะเท่ากับค่าเฉลี่ยที่เคลื่อนที่ได้โดยข้อมูลเดิมจะหารด้วยค่าเฉลี่ยเคลื่อนที่ในแต่ละช่วงซึ่งจะทำที่นี่ในคอลัมน์ E ซึ่งเรียกว่าส่วนประกอบของเทรนด์วัฏจักรของรูปแบบตราบใดที่แนวโน้มและผลกระทบของวัฏจักรธุรกิจอาจ ได้รับการพิจารณาให้เป็นสิ่งที่ยังคงอยู่หลังจากค่าเฉลี่ยตลอดทั้งปีที่คุ้มค่าของข้อมูลแน่นอนการเปลี่ยนแปลงรายเดือนที่ไม่ได้เกิดจากฤดูกาลอาจจะพิจารณาจากปัจจัยอื่น ๆ อีกมากมาย s แต่ค่าเฉลี่ยเฉลี่ย 12 เดือนจะดีกว่าในเกณฑ์ดีดัชนีฤดูกาลโดยประมาณสำหรับแต่ละฤดูกาลจะคำนวณโดยใช้อัตราส่วนเฉลี่ยทั้งหมดสำหรับฤดูกาลนั้นโดยเฉพาะซึ่งทำในเซลล์ G3-G6 โดยใช้สูตร AVERAGEIF อัตราส่วนเฉลี่ย จะถูกปรับใหม่เพื่อให้รวมเป็น 100 เท่าของจำนวนงวดในฤดูหรือ 400 ในกรณีนี้ซึ่งทำในเซลล์ H3-H6 ด้านล่างในคอลัมน์ F สูตร VLOOKUP ใช้เพื่อแทรกค่าดัชนีตามฤดูกาลที่เหมาะสมใน แต่ละแถวของตารางข้อมูลเป็นไปตามไตรมาสของปีที่แสดงถึงค่าเฉลี่ยเคลื่อนที่ที่ศูนย์กลางและข้อมูลที่ปรับฤดูกาลจะมีลักษณะเช่นนี้โปรดทราบว่าค่าเฉลี่ยเคลื่อนที่โดยทั่วไปดูเหมือนจะเป็นชุดที่ปรับฤดูกาลใหม่และ จะสั้นลงทั้งสองด้านแผ่นงานอื่น ๆ ในไฟล์ Excel เดียวกันแสดงการประยุกต์ใช้รูปแบบการเพิ่มประสิทธิภาพเชิงตัวเลขแบบเสแสร้งกับข้อมูลที่ปรับฤดูกาลโดยเริ่มต้นจากค่า GA ของคอลัมน์สำหรับการปรับค่าคงที่อัลฟาคือ tered เหนือคอลัมน์คาดการณ์ที่นี่ในเซลล์ H9 และเพื่อความสะดวกมันถูกกำหนดให้ชื่อช่วง Alpha ชื่อถูกกำหนดโดยใช้คำสั่งสร้างชื่อใส่คำอธิบายรูปแบบ LES ถูกเตรียมใช้งานโดยการตั้งค่าการคาดการณ์สองครั้งแรกเท่ากับค่าจริงครั้งแรกของ seasonally ชุดที่ปรับใช้สูตรที่ใช้ที่นี่สำหรับการพยากรณ์ LES เป็นรูปแบบเดียว recursive สมการของรูปแบบน้ำตาลสูตรนี้จะถูกป้อนในเซลล์ที่สอดคล้องกับระยะเวลาสามที่นี่เซลล์ H15 และคัดลอกลงจากที่นั่นสังเกตว่าการคาดการณ์ LES สำหรับ ระยะเวลาปัจจุบันหมายถึงสองข้อสังเกตก่อนหน้านี้และสองข้อผิดพลาดในการคาดการณ์ก่อนหน้าเช่นเดียวกับค่าของอัลฟ่าดังนั้นสูตรการคาดการณ์ในแถว 15 อ้างอิงเฉพาะข้อมูลที่มีอยู่ในแถว 14 และรุ่นก่อนหน้าแน่นอนถ้าเราต้องการ ใช้ง่ายแทนของการเรียบแบบเสียดสีเชิงเส้นเราสามารถใช้สูตร SES แทนได้นอกจากนี้เรายังสามารถใช้ Holt แทน Brown's LES ซึ่งจะต้องใช้อีก 2 คอลัมน์ใน formu las เพื่อคำนวณระดับและแนวโน้มที่ใช้ในการคาดการณ์ข้อผิดพลาดถูกคำนวณในคอลัมน์ถัดไปที่นี่คอลัมน์ J โดยการลบการคาดการณ์จากค่าจริงค่ารูทหมายถึงกำลังสองยกกำลังสองคำนวณเป็นรากที่สองของความแปรปรวนของ ข้อผิดพลาดและตารางของค่าเฉลี่ยต่อไปนี้จากข้อผิดพลาดทางคณิตศาสตร์ MSE VARIANCE ข้อผิดพลาด AVERAGE 2 ในการคำนวณค่าเฉลี่ยและความแปรปรวนของข้อผิดพลาดในสูตรนี้สองช่วงแรกจะถูกแยกออกเนื่องจากโมเดลไม่ได้เริ่มต้นการคาดการณ์จนถึงระยะเวลาที่สาม แถวที่ 15 ในสเปรดชีตค่าที่เหมาะสมที่สุดของอัลฟาสามารถหาได้ด้วยการเปลี่ยนอัลฟาด้วยตนเองจนกว่าจะหาค่า RMSE ต่ำสุดหรือมิฉะนั้นคุณสามารถใช้ Solver เพื่อทำการลดค่าที่แน่นอนได้ค่า alpha ที่ Solver พบจะแสดงที่นี่ alpha 0 471. มักเป็นความคิดที่ดีที่จะพล็อตข้อผิดพลาดของโมเดลในหน่วยที่แปลงแล้วและคำนวณและพล็อตความสัมพันธ์กันที่เวลาไม่ถึงหนึ่งฤดูกาลนี่คือชุดข้อมูลเวลา พล็อตของข้อผิดพลาดที่ปรับตามฤดูกาลข้อผิดพลาดเกี่ยวกับการคำนวณอัตโนมัติจะคำนวณโดยการใช้ฟังก์ชัน CORREL เพื่อคำนวณความสัมพันธ์ของข้อผิดพลาดกับตัวเองที่ล้าหลังโดยหนึ่งหรือหลายช่วงเวลา - รายละเอียดจะแสดงในรูปแบบสเปรดชีตนี่คือพล็อตของการเชื่อมโยง ข้อผิดพลาดที่ห้าล่าช้าแรก autocorrelations ที่ล่าช้า 1 ถึง 3 มีความใกล้เคียงกับศูนย์ แต่ขัดขวางที่ความล่าช้าที่ 4 ซึ่งมีค่าเป็น 0 35 ลำบากเล็กน้อย - มันแสดงให้เห็นว่าการปรับฤดูกาลไม่ได้รับความสำเร็จอย่างสมบูรณ์อย่างไรก็ตาม, เป็นจริงเพียงเล็กน้อยสำคัญ 95 วงนัยสำคัญสำหรับการทดสอบว่า autocorrelations แตกต่างอย่างมีนัยสำคัญจากศูนย์เป็นประมาณบวกหรือลบ 2 SQRT nk โดยที่ n คือขนาดของกลุ่มตัวอย่างและ k คือความล่าช้าที่นี่ n คือ 38 และ k แตกต่างกันไปตั้งแต่ 1 ถึง 5 ดังนั้นรากที่สี่ของ - n-minus-k มีค่าประมาณ 6 สำหรับทั้งหมดดังนั้นจึงมีข้อ จำกัด ในการทดสอบความสำคัญทางสถิติของการเบี่ยงเบนจากศูนย์เป็นจำนวนบวกหรือลบ 2 6 หรือ 0 33 ถ้า คุณแตกต่างกัน ค่า alpha ด้วยมือในรูปแบบ Excel นี้คุณสามารถสังเกตผลกระทบต่อชุดข้อมูลเวลาและแปลงความสัมพันธ์ของข้อผิดพลาดรวมทั้งข้อผิดพลาดของราก - หมายถึงสองเหลี่ยมซึ่งจะแสดงด้านล่างที่ด้านล่างของสเปรดชีต , สูตรการคาดการณ์เป็น bootstrapped ในอนาคตโดยเพียงการแทนการคาดการณ์สำหรับค่าจริงที่จุดที่ข้อมูลจริงหมด - คือที่อนาคตเริ่มต้นในคำอื่น ๆ ในแต่ละเซลล์ที่มีค่าข้อมูลในอนาคตจะเกิดขึ้นการอ้างอิงเซลล์ จะแทรกซึ่งชี้ไปที่การคาดการณ์ที่ทำสำหรับช่วงเวลาที่ทุกสูตรอื่น ๆ จะคัดลอกเพียงลงมาจากด้านบนข้อสังเกตว่าข้อผิดพลาดสำหรับการคาดการณ์ของอนาคตจะคำนวณทั้งหมดเป็นศูนย์นี้ไม่ได้หมายความว่าข้อผิดพลาดที่เกิดขึ้นจริงจะเป็นศูนย์ แต่ค่อนข้าง มันสะท้อนให้เห็นเพียงความจริงที่ว่าเพื่อวัตถุประสงค์ในการทำนายเราสมมติว่าข้อมูลในอนาคตจะเท่ากับการคาดการณ์โดยเฉลี่ยการคาดการณ์ของ LES สำหรับข้อมูลที่ปรับฤดูกาลแล้วมีลักษณะเช่นนี้ e ของ alpha ซึ่งเป็นค่าที่เหมาะสมสำหรับการคาดการณ์ล่วงหน้าหนึ่งครั้งแนวโน้มที่คาดการณ์จะเพิ่มขึ้นเล็กน้อยสะท้อนถึงแนวโน้มในท้องถิ่นที่พบในช่วง 2 ปีที่ผ่านมาหรือดังนั้นสำหรับค่าอัลฟาอื่น ๆ อาจมีการคาดการณ์แนวโน้มที่แตกต่างกันมาก โดยปกติแล้วควรพิจารณาว่าจะเกิดอะไรขึ้นกับการคาดการณ์แนวโน้มในระยะยาวเมื่ออัลฟามีความหลากหลายเนื่องจากค่าที่ดีที่สุดสำหรับการคาดการณ์ในระยะสั้นจะไม่จำเป็นต้องเป็นค่าที่ดีที่สุดสำหรับการคาดการณ์อนาคตที่ไกลกว่าตัวอย่างเช่นที่นี่ เป็นผลที่ได้รับถ้าค่าของอัลฟาถูกตั้งด้วยตัวเองเป็น 0 25. แนวโน้มในระยะยาวที่คาดการณ์อยู่ในขณะนี้เป็นค่าลบมากกว่าบวกด้วยค่า alpha ที่เล็กลงรูปแบบจะให้น้ำหนักมากกว่าข้อมูลที่เก่ากว่าในการประมาณค่าของ แนวโน้มในปัจจุบันและแนวโน้มและการคาดการณ์ในระยะยาวสะท้อนให้เห็นถึงแนวโน้มการลดลงที่เกิดขึ้นในช่วง 5 ปีที่ผ่านมาแทนที่จะเป็นแนวโน้มที่สูงขึ้นเมื่อเร็ว ๆ นี้แผนภูมินี้ยังแสดงให้เห็นอย่างชัดเจนว่ารูปแบบที่มีค่าน้อยลงของอัลฟาจะช้าลง เพื่อตอบสนองต่อจุดหักเหในข้อมูลและมีแนวโน้มที่จะทำให้ข้อผิดพลาดของเครื่องหมายเดียวกันเป็นเวลาหลายช่วงแถวข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนมีขนาดใหญ่กว่าค่าเฉลี่ยที่ได้รับก่อน RMSE เท่ากับ 34 4 มากกว่า 27 4 และ autocorrelated ความสัมพันธ์กับความล่าช้าของ 0 56 มากเกินกว่าค่าของ 0 33 ที่คำนวณข้างต้นสำหรับความแตกต่างอย่างมีนัยสำคัญทางสถิติจากศูนย์เป็นทางเลือกในการ cranking ค่าของอัลฟาเพื่อที่จะแนะนำอนุรักษนิยมมากขึ้นในการคาดการณ์ในระยะยาว a ปัจจัยผันผวนแนวโน้มบางครั้งจะถูกเพิ่มเข้ามาในรูปแบบเพื่อให้แนวโน้มที่คาดการณ์แผ่ออกไปหลังจากไม่กี่ขั้นตอนขั้นตอนสุดท้ายในการสร้างแบบจำลองการคาดการณ์คือการให้เหตุผลการคาดการณ์ LES โดยการคูณด้วยดัชนีตามฤดูกาลที่เหมาะสมดังนั้นการคาดการณ์ที่คาดการณ์ไว้ ในคอลัมน์ฉันเป็นเพียงผลิตภัณฑ์ของดัชนีตามฤดูกาลในคอลัมน์ F และการคาดการณ์ LES ตามฤดูกาลในคอลัมน์ H. มันค่อนข้างง่ายในการคำนวณความเชื่อมั่น สำหรับการคาดการณ์ล่วงหน้าอย่างน้อยหนึ่งครั้งที่ทำโดยโมเดลนี้ก่อนอื่นจะคำนวณข้อผิดพลาด RMSE root-mean-squared ซึ่งเป็นเพียงรากที่สองของ MSE และคำนวณช่วงความเชื่อมั่นสำหรับการคาดการณ์ที่ปรับฤดูกาลด้วยการเพิ่มและลบสองครั้ง RMSE โดยทั่วไปช่วงความเชื่อมั่น 95 สำหรับการคาดการณ์ล่วงหน้าหนึ่งครั้งใกล้เคียงกับการคาดการณ์ของจุดบวกหรือลบสองเท่าของค่าเบี่ยงเบนมาตรฐานโดยประมาณของข้อผิดพลาดในการคาดการณ์โดยสมมติว่าการกระจายข้อผิดพลาดมีค่าใกล้เคียงปกติและขนาดของกลุ่มตัวอย่าง มีขนาดใหญ่พอพูดว่า 20 หรือมากกว่าที่นี่ RMSE แทนที่จะเป็นส่วนเบี่ยงเบนมาตรฐานของข้อผิดพลาดคือค่าประมาณที่ดีที่สุดของส่วนเบี่ยงเบนมาตรฐานของข้อผิดพลาดในการคาดการณ์ในอนาคตเนื่องจากจะใช้รูปแบบที่มีความลำเอียงและการสุ่มในบัญชีความเชื่อมั่นที่ จำกัด สำหรับฤดูกาล โดยการคูณด้วยดัชนีตามฤดูกาลที่เหมาะสมในกรณีนี้ RMSE มีค่าเท่ากับ 27 4 และปรับฤดูกาลแล้ว การคาดการณ์สำหรับระยะเวลาแรกในเดือนธันวาคม 93 เป็น 273 2 ดังนั้นช่วงความเชื่อมั่น 95 ที่ปรับฤดูกาลแล้วจะมาจาก 273 2-2 27 4 218 4 ถึง 273 2 2 27 4 328 0 คูณค่าขีด จำกัด เหล่านี้ตามดัชนีฤดูกาลธันวาคมของ 68 61 ที่เราได้รับ ความเชื่อมั่นด้านล่างและด้านบนของ 149 8 และ 225 0 รอบการคาดการณ์จุดธันวาคม -93 187 4. ข้อ จำกัด ของการคาดการณ์สำหรับการคาดการณ์มากกว่าหนึ่งรอบระยะเวลาข้างหน้าโดยทั่วไปจะขยายขึ้นเมื่อช่วงที่คาดการณ์เพิ่มขึ้นเนื่องจากความไม่แน่นอนเกี่ยวกับระดับและแนวโน้มเช่นกัน เป็นปัจจัยตามฤดูกาล แต่เป็นการยากที่จะคำนวณโดยทั่วไปด้วยวิธีการวิเคราะห์วิธีที่เหมาะสมในการคำนวณขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ของ LES คือการใช้ทฤษฎี ARIMA แต่ความไม่แน่นอนในดัชนีตามฤดูกาลเป็นอีกเรื่องหนึ่งหากคุณต้องการความมั่นใจที่สมจริง ช่วงเวลาคาดการณ์ล่วงหน้ามากกว่าหนึ่งรอบโดยคำนึงถึงแหล่งที่มาของข้อผิดพลาดทุกข้อโดยทางออกที่ดีที่สุดคือการใช้วิธีการเชิงประจักษ์ตัวอย่างเช่นเพื่อให้ได้ช่วงความเชื่อมั่นสำหรับการคาดการณ์ล่วงหน้า 2 ขั้นตอนคุณสามารถสร้าง อีกคอลัมน์หนึ่งในสเปรดชีตเพื่อคำนวณการคาดการณ์ล่วงหน้า 2 ขั้นตอนสำหรับทุกๆช่วงเวลาโดยการคาดการณ์การคาดการณ์ล่วงหน้าหนึ่งก้าวจากนั้นคำนวณ RMSE ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 2 ขั้นตอนและใช้ข้อมูลนี้เป็นพื้นฐานสำหรับขั้นตอนที่ 2 ช่วงความเชื่อมั่นที่ดีขึ้นไซต์ไลบรารีใช้คุกกี้เพื่อปรับปรุงฟังก์ชันการทำงานและประสิทธิภาพการทำงานและเพื่อให้คุณได้รับการโฆษณาที่เกี่ยวข้องหากคุณเรียกดูไซต์ต่อไปคุณยินยอมที่จะใช้คุกกี้ในเว็บไซต์นี้ดูข้อตกลงสำหรับผู้ใช้และนโยบายความเป็นส่วนตัวไซด์ไลฟ์ของเราใช้คุกกี้เพื่อ ปรับปรุงการทำงานและประสิทธิภาพการทำงานและเพื่อให้การโฆษณาที่เกี่ยวข้องกับคุณหากคุณเรียกดูไซต์ต่อไปคุณยอมรับการใช้คุกกี้ในเว็บไซต์นี้ดูนโยบายความเป็นส่วนตัวและข้อตกลงสำหรับผู้ใช้ของเราเพื่อดูรายละเอียดการสำรวจหัวข้อที่คุณโปรดปรานทั้งหมดในแอปพลิเคชัน SlideShare รับ แอ็พพลิเคชัน SlideShare เพื่อบันทึกไว้ในภายหลังแม้จะออฟไลน์ให้ดำเนินการต่อไปยังไซต์บนมือถือแตะสองครั้งเพื่อซูมออกแชร์นี้ SlideShare. LinkedIn Corporation 2017 การปรับเปลี่ยนแบบหลายรูปแบบพิจารณากราฟของสหรัฐฯ t otal ขายปลีกรถยนต์ตั้งแต่เดือนมกราคม 1970 ถึงพฤษภาคม 1998 ในหน่วยของพันล้านดอลลาร์ตามรายงานในเวลาโดยสหรัฐอเมริกาสำนักวิเคราะห์เศรษฐกิจ. แนวโน้มของการเป็นเพียงเนื่องจากเงินเฟ้อค่าสามารถ deflated คือแปลงเป็น หน่วยของค่าคงที่มากกว่าเหรียญที่ระบุโดยการหารด้วยดัชนีราคาที่เหมาะสมปรับขนาดให้เป็นค่า 1 0 ในปีใดเป็นที่ต้องการเป็นปีฐานที่นี่ผลจากการหารด้วยดัชนีราคาผู้บริโภคสหรัฐ CPI ปรับไป 1 0 ใน 1990 ซึ่งแปลงหน่วยเป็นพันล้านเหรียญ 1990 ข้อมูลสามารถพบได้ในไฟล์ Excel นี้และได้รับการวิเคราะห์ในรายละเอียดเพิ่มเติมในหน้าเว็บเกี่ยวกับรุ่น ARIMA ตามฤดูกาลในเว็บไซต์นี้ยังคงมีแนวโน้มสูงขึ้นโดยทั่วไปและความกว้างที่เพิ่มขึ้นของการเปลี่ยนแปลงตามฤดูกาลคือการชี้นำของรูปแบบตามฤดูกาล multiplicative ผลกระทบตามฤดูกาลแสดงออกในแง่เปอร์เซ็นต์ดังนั้นจำนวนที่แน่นอนของการเปลี่ยนแปลงตามฤดูกาลจะเพิ่มขึ้นเมื่อชุดเติบโตขึ้นเมื่อเวลาผ่านไปรูปแบบดังกล่าวสามารถลบออกได้โดยการปรับฤดูกาลตามฤดูกาลซึ่งทำได้โดยการหารแต่ละค่าของชุดข้อมูลตามดัชนีตามฤดูกาลเป็นจำนวน ในบริเวณใกล้เคียงของ 1 0 ซึ่งหมายถึงเปอร์เซ็นต์ของจำนวนปกติที่พบบ่อยในฤดูกาลนั้นตัวอย่างเช่นถ้ายอดขายในเดือนธันวาคมมีค่าเฉลี่ยรายเดือน 130 ตามค่าข้อมูลรายเดือนตามปกติแล้วยอดขายในแต่ละเดือนธันวาคมจะได้รับการปรับปรุงตามฤดูกาลโดยแบ่งตาม 1] [3] ในทำนองเดียวกันถ้ายอดขายเดือน ม. ค. มีเพียง 90 เท่าของปกติแล้วยอดขายในเดือนมกราคมจะปรับฤดูกาลตามวันที่ 0 9 ดังนั้นค่าของเดือนธันวาคมจะปรับลดลงในขณะที่มกราคมจะปรับตัวสูงขึ้นเพื่อแก้ไขผลกระทบที่คาดการณ์ได้ตามฤดูกาลทั้งนี้ขึ้นอยู่กับว่าข้อมูลเหล่านี้ได้รับการประเมินจากดัชนีชี้วัดตามฤดูกาลอาจไม่เท่ากันจากปีหนึ่งไปจนถึงปีถัดไปหรือ พวกเขาอาจแตกต่างกันอย่างช้าๆตามกาลเวลาดัชนีตามฤดูกาลที่คำนวณโดยขั้นตอนการสลายตัวตามฤดูกาลใน Statgraphics จะคงที่เมื่อเวลาผ่านไปและคำนวณโดยใช้วิธีเฉลี่ยที่เรียกว่าอัตราส่วนต่อการเคลื่อนไหวสำหรับคำอธิบายของวิธีนี้ดูภาพนิ่งในการคาดการณ์ มีการปรับฤดูกาลและบันทึกการใช้สเปรดชีตของการปรับฤดูกาลตามฤดูกาลนี่คือดัชนีตามฤดูกาลแบบคูณสำหรับยอดขายรถยนต์ตามที่คำนวณโดยขั้นตอนการย่อยสลายตามฤดูกาลใน Statgraphics ในที่สุดนี่เป็นรุ่นที่ปรับฤดูกาลตามฤดูกาลของยอดขายรถยนต์ที่ลดลงโดยได้รับโดยการหารแต่ละเดือน s โดยประมาณตามฤดูกาลของดัชนีชี้ให้เห็นว่ารูปแบบฤดูกาลเด่นชัดหายไปและสิ่งที่ยังคงมีแนวโน้มเป็น d ของข้อมูลและการสุ่มสัญญาณรบกวนการปรับค่าใช้จ่ายเพิ่มเติมเป็นทางเลือกหนึ่งของการปรับฤดูกาลตามฤดูกาลซึ่งเป็นไปได้ที่จะทำการปรับฤดูกาลตามฤดูกาลได้ชุดเวลาที่มีการเปลี่ยนแปลงตามฤดูกาลมีค่าคงที่โดยประมาณในระดับที่ไม่ขึ้นกับค่าเฉลี่ยของค่าเฉลี่ยในปัจจุบัน series จะเป็นผู้สมัครสำหรับการปรับฤดูกาลตามฤดูกาลในการปรับฤดูกาลตามฤดูกาลแต่ละค่าของชุดเวลาจะปรับโดยการเพิ่มหรือลบจำนวนที่แสดงถึงจำนวนเงินที่แน่นอนโดยที่มูลค่าในฤดูกาลนั้นของปีมีแนวโน้มต่ำกว่าหรือสูงกว่า ปกติตามที่คาดจากข้อมูลที่ผ่านมารูปแบบของฤดูกาลที่เพิ่มขึ้นค่อนข้างหายากในธรรมชาติ แต่ชุดที่มีรูปแบบตามฤดูกาลแบบคูณแบบธรรมชาติจะถูกแปลงเป็นรูปแบบฤดูกาลตามฤดูกาลโดยการแปลงข้อมูลลอการิทึมเป็นข้อมูลดั้งเดิมดังนั้นถ้าคุณเป็น โดยใช้การปรับตามฤดูกาลร่วมกับการแปลงลอการิทึมคุณอาจใช้สารเติมแต่งแทน t han การปรับฤดูกาลตามฤดูกาลในขั้นตอนการสลายตัวตามฤดูกาลและการคาดการณ์ใน Statgraphics คุณจะได้รับเลือกระหว่างการปรับฤดูกาลตามฤดูกาลแบบ additive และ multiplicative กลับไปด้านบนของหน้าคำย่อเมื่อตรวจสอบคำอธิบายของชุดเวลาใน Datadisk และแหล่งข้อมูลอื่น ๆ ย่อ SA ย่อมาจาก ปรับฤดูกาล แต่ NSA ไม่ได้ปรับฤดูกาลแล้วอัตราการปรับรายปีตามฤดูกาล SAAR คือช่วงเวลาที่มีการปรับค่าของแต่ละงวดสำหรับฤดูกาลแล้วคูณด้วยจำนวนงวดในปีเดียวกับที่เคยมีค่าเท่ากัน ได้ทุกช่วงเวลาตลอดทั้งปี