تمام آمار و نمودارها را برای تجزیه و تحلیل روند تفسیر کنید

تعاریف و راهنمایی تفسیر را برای هر آماری و نمودار که با تجزیه و تحلیل روند ارائه شده است ، پیدا کنید.

در این موضوع

• پیش بینی
• طرح تجزیه و تحلیل روند
• پارامترهای منحنی
• هیستوگرام باقیمانده ها
• طرح احتمال طبیعی باقیمانده ها
• باقیمانده در مقابل متناسب
• باقیمانده در مقابل سفارش
• باقیمانده در مقابل متغیرها
• مقایسه بین خطوط روند

طول

تعداد مشاهدات در سری زمانی.

ناله

تعداد مقادیر گمشده در سری زمانی.

معادله روند مناسب

از معادله روند متناسب استفاده کنید تا چگونه متغیری را که در طول زمان اندازه گیری می کنید ، توصیف کنید. معادله روند مناسب ، بازنمایی جبری از خط روند است. شکل معادله روند متناسب به نوع مدلی که انتخاب کرده اید بستگی دارد.

• y_tمتغیر است
• b₀ثابت است
• b₁و ب₂ضرایب هستند
• مقدار واحد زمان است

مگس کردن

میانگین خطای مطلق درصد (MAPE) دقت را به عنوان درصد خطا بیان می کند. از آنجا که مپ درصدی درصدی است ، درک آن آسان تر از سایر آمار اندازه گیری دقت است. به عنوان مثال ، اگر مپ 5 باشد ، به طور متوسط ، پیش بینی 5 ٪ خاموش است.

با این حال ، گاهی اوقات ممکن است مقدار بسیار بزرگی از MAPE را مشاهده کنید ، حتی اگر به نظر می رسد این مدل به خوبی داده ها را متناسب می کند. طرح را بررسی کنید تا ببینید که آیا مقادیر داده نزدیک به 0 است زیرا MAPE خطای مطلق را با داده های واقعی تقسیم می کند ، مقادیر نزدیک به 0 می تواند تا حد زیادی را به سمت ماپه باد کند.

تفسیر

برای مقایسه متناسب با مدل های مختلف سری زمانی استفاده کنید. مقادیر کوچکتر نشان دهنده تناسب بهتر است. اگر یک مدل واحد برای هر 3 اقدامات دقت کمترین مقادیر را نداشته باشد ، معمولاً MAPE اندازه گیری ارجح است.

اقدامات دقت بر اساس باقیمانده های یک دوره انجام شده است. در هر مقطع زمانی ، از مدل برای پیش بینی مقدار Y برای دوره بعدی در زمان استفاده می شود. تفاوت بین مقادیر پیش بینی شده (متناسب) و y واقعی باقیمانده های یک دوره ای است. به همین دلیل ، اقدامات دقت نشانگر صحت شما ممکن است هنگام پیش بینی 1 دوره از پایان داده ها را ارائه دهد. بنابراین ، آنها صحت پیش بینی بیش از 1 دوره را نشان نمی دهند. اگر از مدل برای پیش بینی استفاده می کنید ، نباید تصمیم خود را صرفاً بر اساس اقدامات دقت پایه گذاری کنید. شما همچنین باید متناسب بودن مدل را بررسی کنید تا اطمینان حاصل شود که پیش بینی ها و مدل داده ها را از نزدیک دنبال می کنند ، به خصوص در پایان سری.

دیوانه

میانگین انحراف مطلق (MAD) در همان واحدهای مشابه داده ها ، دقت را بیان می کند ، که به مفهوم سازی میزان خطا کمک می کند. Outliers تأثیر کمتری نسبت به MSD دارد.

تفسیر

برای مقایسه متناسب با مدل های مختلف سری زمانی استفاده کنید. مقادیر کوچکتر نشان دهنده تناسب بهتر است.

اقدامات دقت بر اساس باقیمانده های یک دوره انجام شده است. در هر مقطع زمانی ، از مدل برای پیش بینی مقدار Y برای دوره بعدی در زمان استفاده می شود. تفاوت بین مقادیر پیش بینی شده (متناسب) و y واقعی باقیمانده های یک دوره ای است. به همین دلیل ، اقدامات دقت نشانگر صحت شما ممکن است هنگام پیش بینی 1 دوره از پایان داده ها را ارائه دهد. بنابراین ، آنها صحت پیش بینی بیش از 1 دوره را نشان نمی دهند. اگر از مدل برای پیش بینی استفاده می کنید ، نباید تصمیم خود را صرفاً بر اساس اقدامات دقت پایه گذاری کنید. شما همچنین باید متناسب بودن مدل را بررسی کنید تا اطمینان حاصل شود که پیش بینی ها و مدل داده ها را از نزدیک دنبال می کنند ، به خصوص در پایان سری.

msd

میانگین انحراف مربع (MSD) دقت مقادیر سری زمانی متناسب را اندازه گیری می کند. Outliers تأثیر بیشتری در MSD نسبت به دیوانه دارد.

تفسیر

برای مقایسه متناسب با مدل های مختلف سری زمانی استفاده کنید. مقادیر کوچکتر نشان دهنده تناسب بهتر است.

اقدامات دقت بر اساس باقیمانده های یک دوره انجام شده است. در هر مقطع زمانی ، از مدل برای پیش بینی مقدار Y برای دوره بعدی در زمان استفاده می شود. تفاوت بین مقادیر پیش بینی شده (متناسب) و y واقعی باقیمانده های یک دوره ای است. به همین دلیل ، اقدامات دقت نشانگر صحت شما ممکن است هنگام پیش بینی 1 دوره از پایان داده ها را ارائه دهد. بنابراین ، آنها صحت پیش بینی بیش از 1 دوره را نشان نمی دهند. اگر از مدل برای پیش بینی استفاده می کنید ، نباید تصمیم خود را صرفاً بر اساس اقدامات دقت پایه گذاری کنید. شما همچنین باید متناسب بودن مدل را بررسی کنید تا اطمینان حاصل شود که پیش بینی ها و مدل داده ها را از نزدیک دنبال می کنند ، به خصوص در پایان سری.

روند

مقادیر روند نیز متناسب نامیده می شوند. مقادیر روند برآورد نقطه از متغیر در زمان (t) است.

تفسیر

مقادیر روند با وارد کردن مقادیر زمانی خاص برای هر مشاهده در داده های موجود در مدل سری زمانی محاسبه می شود.

به عنوان مثال ، اگر معادله مدل y = 5 + 10x باشد ، مقدار روند در زمان 2 ، 25 (25 = 5 + 10 (2)) است.

مشاهداتی که مقادیر روند دارند که با مقدار مشاهده شده بسیار متفاوت است ممکن است غیرمعمول یا تأثیرگذار باشد. سعی کنید علت هر مسافتی را شناسایی کنید. هرگونه خطای ورود یا اندازه گیری داده را اصلاح کنید. در نظر بگیرید که مقادیر داده ای را که با رویدادهای غیر طبیعی و یک بار (دلایل ویژه) همراه است ، حذف کنید. سپس ، تجزیه و تحلیل را تکرار کنید.

از بین بردن

مقادیر detrend نیز باقیمانده نامیده می شوند. مقادیر کاهش یافته تفاوت بین مقادیر مشاهده شده و مقادیر روند است.

تفسیر

مقادیر desrend را ترسیم کنید تا مشخص شود مدل شما کافی است یا خیر. بررسی مقادیر می تواند اطلاعات مفیدی در مورد چگونگی مناسب بودن مدل داده ها ارائه دهد. به طور کلی ، مقادیر کاهش یافته باید به طور تصادفی بدون الگوی واضح و بدون مقادیر غیرمعمول توزیع شود.

دوره زمانی

minitab دوره ای را که پیش بینی می کنید ، نشان می دهد. دوره واحد زمان پیش بینی است. به طور پیش فرض ، پیش بینی ها از پایان داده ها شروع می شوند.

پیش بینی

پیش بینی ها مقادیر متناسب هستند که از مدل سری زمانی بدست می آیند. Minitab تعداد پیش بینی هایی را که مشخص می کنید نشان می دهد. پیش بینی ها یا در انتهای داده ها یا در نقطه مبدأ مشخص شده شروع می شوند. Minitab از داده ها قبل از نقطه مبدا برای محاسبه ضرایب معادله روند مناسب استفاده می کند. اگر یک نقطه از مبدا را مشخص کنید ، Minitab فقط از داده های آن شماره ردیف برای پیش بینی استفاده می کند.

تفسیر

برای پیش بینی متغیر برای یک دوره زمانی مشخص از پیش بینی ها استفاده کنید. به عنوان مثال ، یک مدیر انبار می تواند بر اساس 60 ماه گذشته سفارشات ، چقدر محصول را برای 3 ماه آینده سفارش دهد.

پایان طرح تجزیه و تحلیل روند و پیش بینی ها را بررسی کنید تا تعیین کنید که آیا پیش بینی ها احتمالاً دقیق هستند یا خیر. متناسب بودن باید داده ها را از نزدیک دنبال کند ، به خصوص در پایان سری. اگر متناسب با انتهای سریال از داده ها دور شود ، ممکن است روند اساسی در حال تغییر باشد. اگر روند در حال تغییر باشد ، ممکن است مدل پیش بینی های دقیقی ایجاد نکند. در این حالت ، داده های بیشتری را برای تعیین اینکه آیا روند در مدت زمان طولانی تر سازگار است ، جمع آوری کنید.

حتی اگر پیش بینی های شما دقیق به نظر می رسد ، نسبت به پیش بینی هایی که بیش از 3 دوره در آینده هستند محتاط باشید. روندهای مشاهده شده در طول مدت کوتاهی از داده ها می توانند بخشی از یک چرخه بزرگتر باشند و ممکن است در آینده باقی نماند. از آنجا که روندها می توانند بی ثبات باشند ، معمولاً فقط باید 2 یا 3 دوره را به آینده پیش بینی کنید.

طرح تجزیه و تحلیل روند

طرح تجزیه و تحلیل روند مشاهدات را در مقابل زمان نشان می دهد. این طرح شامل متناسب است که از معادله روند مناسب ، پیش بینی ها و اقدامات دقت محاسبه می شود.

تفسیر

• اگر مدل متناسب با داده ها باشد ، می توانید هموار سازی نمایی مضاعف را انجام داده و دو مدل را با یکدیگر مقایسه کنید.
• اگر مدل متناسب با داده ها نیست ، دوباره تجزیه و تحلیل را انجام داده و نوع دیگری از مدل را انتخاب کنید. اگر یک مدل خطی متناسب هستید و در داده ها انحنا را مشاهده می کنید ، مدل درجه دوم ، نمایی یا S-Curve را انتخاب کنید. اگر هیچ یک از مدل ها متناسب با داده های شما نیست ، از تجزیه و تحلیل سری زمانی متفاوت استفاده کنید. برای اطلاعات بیشتر ، به کدام تجزیه و تحلیل سری زمانی بروید؟

پارامترهای منحنی

هنگامی که مدل منحنی S را انتخاب می کنید ، Minitab پارامترهای مدل را نشان می دهد. مدل y است_t= 10 A / (β₀ + β₁ * β₂t). از مقدار مدل در زمان = 0. رهگیری برابر با 10 A / (β₀ + β₁). مقداری را که مدل با افزایش زمان به بی نهایت نزدیک می شود ، مجانش کنید. بدون علامت برابر است با 10 A / β₀بشربدون علامت نرخ نرخ که در آن مدل به مجانب نزدیک می شود. مدلهایی با مقادیر پایین تر سریعتر به مجانب نزدیک می شوند. نرخ بدون علامت برابر β است₂.

هیستوگرام باقیمانده ها

هیستوگرام باقیمانده ها توزیع باقیمانده ها را برای همه مشاهدات نشان می دهد. LF مدل به خوبی متناسب با داده ها ، باقیمانده ها باید با میانگین 0 تصادفی باشند ، بنابراین هیستوگرام باید تقریباً در حدود 0 باشد.

طرح احتمال طبیعی باقیمانده ها

طرح طبیعی باقیمانده ها باقیمانده ها را در مقابل مقادیر مورد انتظار آنها در هنگام توزیع طبیعی نشان می دهد.

تفسیر

برای تعیین اینکه آیا باقیمانده ها به طور عادی توزیع می شوند ، از طرح طبیعی باقیمانده استفاده کنید. با این حال ، این تجزیه و تحلیل نیازی به بقایای توزیع شده عادی ندارد.

اگر باقیمانده ها به طور معمول توزیع شوند ، طرح احتمال طبیعی باقیمانده ها باید تقریباً از یک خط مستقیم پیروی کنند. الگوهای زیر حاکی از آن است که باقیمانده ها به طور معمول توزیع نمی شوند.

باقیمانده در مقابل متناسب

باقیمانده ها در مقابل طرح متناسب ، باقیمانده های موجود در محور y و مقادیر متناسب بر روی محور x را نشان می دهند.

تفسیر

برای تعیین اینکه آیا باقیمانده ها بی طرف هستند و واریانس ثابت دارند ، از باقیمانده ها در مقابل طرح متناسب استفاده کنید. در حالت ایده آل ، نقاط باید به طور تصادفی در هر دو طرف 0 قرار بگیرند ، بدون اینکه الگوی قابل تشخیص در نقاط باشد.

الگوهای موجود در جدول زیر ممکن است نشان دهد که باقیمانده ها مغرضانه هستند و واریانس غیر قابل توجهی دارند.

اگر واریانس یا الگوهای غیر قابل توجهی را در باقیمانده مشاهده می کنید ، ممکن است پیش بینی های شما دقیق نباشد.

باقیمانده در مقابل سفارش

باقیمانده در مقابل طرح سفارش ، باقیمانده ها را به ترتیب جمع آوری داده ها نشان می دهد.

تفسیر

برای تعیین چگونگی مقایسه متناسب با مقادیر مشاهده شده در دوره مشاهده ، از باقیمانده ها در مقابل طرح سفارش استفاده کنید. الگوهای موجود در نقاط ممکن است نشان دهد که مدل متناسب با داده ها نیست. در حالت ایده آل ، باقیمانده های موجود در طرح باید به طور تصادفی در اطراف خط مرکز قرار بگیرند.

الگوهای زیر ممکن است نشان دهد که مدل متناسب با داده ها نیست.

مثالهای زیر الگوهایی را نشان می دهد که ممکن است نشان دهد که مدل متناسب با داده ها نیست.

باقیمانده در مقابل متغیرها

طرح باقیمانده در مقابل متغیرها ، باقیمانده ها را در مقابل متغیر دیگری نشان می دهد.

تفسیر

از طرح استفاده کنید تا مشخص شود که آیا متغیر به روش سیستماتیک بر پاسخ تأثیر می گذارد. اگر الگوهای موجود در باقیمانده وجود داشته باشد ، متغیرهای دیگر با پاسخ همراه هستند. می توانید از این اطلاعات به عنوان پایه ای برای مطالعات اضافی استفاده کنید.

مقایسه بین خطوط روند

هنگامی که مقادیر پارامتر قبلی را در جعبه زیر دیالوگ گزینه ها مشخص می کنید ، minitab نقشه ای را نشان می دهد که خطوط محاسبه شده را برای مدل با داده های فعلی (خط جدید) مقایسه می کند ، مدل با استفاده از مقادیر پارامتر قبلی (خط قبلی) و مدلاین مدل های جدید و قبلی (خط صاف) را مخلوط می کند. Minitab همچنین ضرایب و اقدامات دقت را برای هر 3 مدل نشان می دهد. برای هر سه اقدام دقت ، مقادیر پایین معمولاً نشان دهنده تناسب بهتر است.

توجه داشته باشید

Minitab از خط جدید برای محاسبه پیش بینی ها استفاده می کند.