Decomposition (as it is called in M

Decomposition (as it is called in Minitab) involves “decomposing” a multiplicative time series into its four components as follows. First, the seasonal components or indices are found by what is called the Ratio-to-Moving-Average Method. These indices are multipliers that represent how much larger or smaller observations in a given period (e.g. day, month, quarter) are compared tothe baseline measure. For example, a seasonal index of 1.4 would represent a period that is 40% higher than the baseline measurement. Then, the time series is de-seasonalized by dividing each observation by the seasonal index for that period, thereby removing what seasonality is present.
Next, a linear trend component is calculated for the de-seasonalized data and a trend-only forecast is computed for future periods using the regression equation. Lastly, the trend-only (or unadjusted) forecasts are adjusted by multiplying each unadjusted forecast by the appropriate seasonal index. While this process is a bit complex when done in a spreadsheet, it is done automatically within some statistical software packages. (For example, within Minitab, see Stat > Time Series > Decomposition.)

Kết quả (Việt) 1:

Phân hủy (như nó được gọi là trong Minitab) bao gồm "phân hủy" một loạt các kiểu thời gian vào bốn thành phần của nó như sau. Trước tiên, các thành phần theo mùa hoặc chỉ số được tìm thấy bởi những gì được gọi là phương pháp tỷ lệ để-di chuyển-trung bình. Các chỉ số là hệ số đại diện cho bao nhiêu quan sát lớn hơn hoặc nhỏ hơn trong một khoảng thời gian nhất định (ví dụ như ngày, tháng, quý) được so sánh với các biện pháp đường cơ sở. Ví dụ, một chỉ số theo mùa của 1.4 sẽ đại diện cho một khoảng thời gian đó là 40% so với đường cơ sở đo. Sau đó, dòng thời gian de-seasonalized bằng cách chia mỗi quan sát bởi chỉ mục theo mùa trong thời gian đó, do đó loại bỏ những gì theo mùa là hiện tại. Tiếp theo, một thành phần xu hướng tuyến tính được tính cho các dữ liệu de-seasonalized và dự đoán chỉ có xu hướng được tính trong thời gian trong tương lai bằng cách sử dụng phương trình hồi quy. Cuối cùng, dự báo chỉ có xu hướng (hoặc bù) được điều chỉnh bằng cách nhân mỗi thời bù chỉ số thích hợp theo mùa. Trong khi quá trình này là một chút phức tạp khi thực hiện trong một bảng tính, nó được thực hiện tự động trong vòng vài gói phần mềm thống kê. (Ví dụ, trong vòng Minitab, xem Stat > thời gian Series > phân hủy.)

Kết quả (Việt) 2:

Phân hủy (như nó được gọi trong Minitab) liên quan đến việc "phân hủy" một chuỗi thời gian nhân giống thành bốn thành phần của nó như sau. Đầu tiên, các thành phần mùa vụ hoặc theo chỉ số này được tìm thấy bởi những gì được gọi là Phương pháp Ratio-to-Moving Average-. Các chỉ số này là số nhân đại diện cho cách quan sát lớn hơn nhiều hoặc nhỏ hơn trong một khoảng thời gian nhất định (ví dụ ngày, tháng, quý) được so sánh tothe biện pháp cơ bản. Ví dụ, một chỉ số thời vụ của 1.4 sẽ đại diện cho một giai đoạn đó là cao hơn so với đo tuyến cơ sở 40%. Sau đó, các chuỗi thời gian là de-seasonalized bằng cách chia mỗi quan sát bởi các chỉ số thời vụ trong thời gian đó, do đó loại bỏ những gì mùa vụ đang hiện diện.
Tiếp theo, một thành phần xu hướng tuyến tính được tính cho các dữ liệu de-seasonalized và dự báo xu hướng chỉ được tính trong thời gian tương lai bằng cách sử dụng phương trình hồi quy. Cuối cùng, các xu hướng chỉ (hoặc chưa hiệu chỉnh) dự báo được điều chỉnh bằng cách nhân mỗi dự báo không điều chỉnh bởi các chỉ số thời vụ thích hợp. Trong khi quá trình này là một chút phức tạp khi thực hiện trong một bảng tính, nó được thực hiện tự động trong một số gói phần mềm thống kê. (Ví dụ, trong Minitab, xem Stat> Time Series> phân hủy.)