FORECAST.ETS.STAT.MULT Function

Ibinabalik ang (mga) istatistikal na halaga na mga resulta ng mga algorithm ng ETS/EDS.

Ang Exponential Smoothing ay isang paraan upang pakinisin ang mga tunay na halaga sa serye ng panahon upang mahulaan ang mga posibleng halaga sa hinaharap.

Ang Exponential Triple Smoothing (ETS) ay isang hanay ng mga algorithm kung saan pinoproseso ang parehong trend at periodical (pana-panahong) impluwensya. Ang Exponential Double Smoothing (EDS) ay isang algorithm tulad ng ETS, ngunit walang mga pana-panahong impluwensya. Gumagawa ang EDS ng mga linear na pagtataya.

Tingnan ang Wikipedia sa Exponential smoothing algorithm para sa karagdagang impormasyon.

Kinakalkula ang FORECAST.ETS.STAT.MULT gamit ang modelo

forecast = ( basevalue + trend * ∆x ) * periodical_aberration.

Syntax

FORECAST.ETS.STAT.MULT (mga value, timeline, stat_type, [period_length], [data_completion], [aggregation])

mga halaga (sapilitan): Isang numeric na array o range. mga halaga ay ang mga makasaysayang halaga, kung saan gusto mong hulaan ang mga susunod na punto.

timeline (sapilitan): Isang numeric na array o range. Ang saklaw ng timeline (x-value) para sa mga makasaysayang halaga.

Ang timeline ay hindi kailangang pagbukud-bukurin, ang mga function ay pag-uuri-uriin ito para sa mga kalkulasyon.
Ang mga halaga ng timeline ay dapat na may pare-parehong hakbang sa pagitan ng mga ito.
Kung hindi matukoy ang patuloy na hakbang sa pinagsunod-sunod na timeline, ibabalik ng mga function ang #NUM! pagkakamali.
Kung hindi magkapareho ang laki ng mga saklaw ng timeline at mga makasaysayang halaga, ibabalik ng mga function ang #N/A error.
Kung ang timeline ay naglalaman ng mas kaunti sa 2 panahon ng data, ibabalik ng mga function ang #VALUE! pagkakamali.

stat_type (mandatory) : Isang numerical value mula 1 hanggang 9. Isang value na nagsasaad kung aling istatistika ang ibabalik para sa mga ibinigay na value at x-range.

Ang mga sumusunod na istatistika ay maaaring ibalik:

stat_type	Estado ng
1	Alpha smoothing parameter ng ETS algorithm (base)
2	Gamma smoothing parameter ng ETS algorithm (trend)
3	Beta smoothing parameter ng ETS algorithm (periodic deviation)
4	Mean absolute scaled error (MASE) - isang sukatan ng katumpakan ng mga pagtataya.
5	Symmetric mean absolute percentage error (SMAPE) - isang sukat ng katumpakan batay sa mga error sa porsyento.
6	Mean absolute error (MAE) – isang sukatan ng katumpakan ng mga pagtataya.
7	Root mean squared error (RMSE) - isang sukatan ng mga pagkakaiba sa pagitan ng hinulaang at naobserbahang mga halaga.
8	Natukoy ang laki ng hakbang na linya ng oras (x-range). Kapag may nakitang stepsize sa mga buwan/quarters/years, ang stepsize ay nasa buwan, kung hindi, ang stepsize ay nasa araw sa kaso ng petsa(oras) timeline at numeric sa ibang mga kaso.
9	Bilang ng mga sample sa panahon – ito ay kapareho ng argumento haba_panahon , o ang kalkuladong numero kung sakaling magkaroon ng argumento haba_panahon pagiging 1.

period_length (opsyonal) : Isang numerong halaga >= 0, ang default ay 1. Isang positibong integer na nagsasaad ng bilang ng mga sample sa isang tuldok.

Ang halaga ng 1 ay nagpapahiwatig na ang Calc ay awtomatikong matukoy ang bilang ng mga sample sa isang panahon.
Ang halaga ng 0 ay nagpapahiwatig ng walang pana-panahong mga epekto, ang isang pagtataya ay kinakalkula gamit ang mga EDS algorithm.
Para sa lahat ng iba pang positibong halaga, ang mga pagtataya ay kinakalkula gamit ang mga ETS algorithm.
Para sa mga value na hindi positibong buong numero, ibabalik ng mga function ang #NUM! Error.

data_completion (opsyonal): isang lohikal na halaga na TRUE o FALSE, isang numeric 1 o 0, ang default ay 1 (TRUE). Ang value na 0 (FALSE) ay magdaragdag ng mga nawawalang data point na may zero bilang historical value. Ang halaga ng 1 (TRUE) ay magdaragdag ng mga nawawalang punto ng data sa pamamagitan ng interpolating sa pagitan ng mga kalapit na punto ng data.

Bagama't ang time line ay nangangailangan ng patuloy na hakbang sa pagitan ng mga punto ng data, sinusuportahan ng function ang hanggang 30% na nawawalang mga punto ng data, at idaragdag ang mga punto ng data na ito.

pagsasama-sama (opsyonal): Isang numeric na value mula 1 hanggang 7, na may default na 1. Isinasaad ng aggregation parameter kung aling paraan ang gagamitin upang pagsama-samahin ang magkaparehong time value:

Pagsasama-sama	Function
1	AVERAGE
2	COUNT
3	COUNTA
4	MAX
5	MEDIAN
6	MIN
7	SUM

Bagama't ang time line ay nangangailangan ng tuluy-tuloy na hakbang sa pagitan ng mga punto ng data, ang mga function ay magsasama-sama ng maraming puntos na may parehong time stamp.

Halimbawa

Ang talahanayan sa ibaba ay naglalaman ng isang timeline at mga nauugnay na halaga nito:

1	Timeline	Mga halaga
	A	B
2	01/2013	112
3	02/2013	118
4	03/2013	132
5	04/2013	100
6	05/2013	121
7	06/2013	135
8	07/2013	148
9	08/2013	148
10	09/2013	136
11	10/2013	119
12	11/2013	104
13	12/2013	118

= FORECAST.ETS.STAT.MULT(Values; Timeline;5;1;TRUE();1)

Ibinabalik ang 0.084073452803966, ang multiplicative na istatistika batay sa Mga halaga at Timeline pinangalanang mga hanay sa itaas, na may simetriko mean absolute percentage error (SMAPE), isang sample bawat panahon, walang nawawalang data, at AVERAGE bilang pagsasama-sama.

= FORECAST.ETS.STAT.MULT(Values; Timeline;7;1;TRUE();7)

Ibinabalik ang 15.8372533480997, ang multiplicative na istatistika batay sa Mga halaga at Timeline pinangalanang mga hanay sa itaas, na may root mean squared error, walang nawawalang data, at SUM bilang pagsasama-sama.

Teknikal na impormasyon

Ang function na ito ay magagamit mula noong LibreOffice 5.2.

Ang function na ito ay hindi bahagi ng Buksan ang Format ng Dokumento para sa Mga Aplikasyon sa Opisina (OpenDocument) Bersyon 1.3. Bahagi 4: Recalculated Formula (OpenFormula) Format pamantayan. Ang name space ay

ORG.LIBREOFFICE.FORECAST.ETS.STAT.MULT

FORECAST.ETS.STAT.MULT wiki na pahina .

Tingnan din ang: FORECAST.ETS.ADD , FORECAST.ETS.MULT , FORECAST.ETS.STAT.ADD , FORECAST.ETS.PI.ADD , FORECAST.ETS.PI.MULT , PAGTATAYA.ETS.SEASONALITY , PAGTATAYA , PAGTATAYA.LINEAR