Lissage des données avec des moyennes mobiles Comment lisser une série de données volatiles Les économistes des problèmes économiques utilisent des techniques de lissage pour aider à montrer la tendance économique dans les données Pour déchiffrer les tendances dans les séries de données, les chercheurs effectuent diverses manipulations statistiques. Ces opérations sont désignées sous le nom de techniques de lissage et sont conçues pour réduire ou éliminer la volatilité à court terme des données. Une série lissée est préférée à une série non lissée car elle peut capturer des changements dans la direction de l'économie mieux que la série non ajustée ne. L'ajustement saisonnier est une technique de lissage Une technique de lissage commune utilisée dans la recherche économique est l'ajustement saisonnier. Ce processus consiste à séparer les fluctuations des données qui se reproduisent chaque année dans le même mois (facteurs saisonniers). Ces fluctuations peuvent être le résultat de congés annuels (un saut en décembre) ou de prévisions météorologiques (augmentation de la construction de maisons au printemps). Pour de plus amples renseignements sur le processus d'ajustement saisonnier, voir Ajustements saisonniers des données. Une moyenne mobile peut lisser les données qui restent volatiles après l'ajustement saisonnier Dans d'autres cas, une série de données conserve la volatilité, même après l'ajustement saisonnier. Un bon exemple en est le permis de bâtir, qui présente de fortes fluctuations saisonnières, principalement en raison de prévisions météorologiques. Même après un ajustement saisonnier qui élimine ces profils prévisibles, une volatilité considérable subsiste (graphique 1). Pourquoi L'ajustement saisonnier ne tient pas compte des facteurs irréguliers tels que des conditions météorologiques inhabituelles ou des catastrophes naturelles, entre autres. De tels événements sont inattendus et ne peuvent pas être isolés de la façon dont les facteurs saisonniers peuvent. Les économistes utilisent une technique de lissage simple appelée ldquomoving averagerdquo pour aider à déterminer la tendance sous-jacente des permis de bâtir et d'autres données volatiles. Une moyenne mobile lisse une série en consolidant les points de données mensuels en unités plus longues de timemdachnamely une moyenne de données de plusieurs mois. Il ya un inconvénient à l'aide d'une moyenne mobile pour lisser une série de données, cependant. Étant donné que le calcul repose sur des données historiques, certaines variables sont perdues en temps opportun. Pour cette raison, certains chercheurs utilisent un ldquoweightedquand moyenne mobile, où les valeurs plus courantes de la variable ont plus d'importance. Une autre façon de réduire la dépendance vis-à-vis des valeurs passées consiste à calculer une moyenne mobile ldquocentrée, où la valeur courante est la valeur moyenne dans une moyenne de cinq mois, avec deux décalages et deux pistes. Les chiffres indicatifs sont des valeurs prévues. Les données disponibles sur le site Web de Dallas Feds sont ajustées en utilisant la technique de la moyenne mobile simple expliquée ci-dessous. La solution technique La formule pour une moyenne mobile simple est: où y est la variable (telle que les permis de logement unifamiliaux), t est la période courante (telle que le mois courant), et n est le nombre de périodes dans la moyenne. Dans la plupart des cas, les chercheurs utilisent des moyennes mobiles de trois, quatre ou cinq mois (de sorte que n 3, 4 ou 5), plus le n. Le plus lisse de la série. Exemple réel Les permis de logement du Texas sont volatils de mois en mois, une moyenne mobile aide à montrer la tendance sous-jacente dans les données Le tableau 1 utilise la formule ci-dessus pour calculer une moyenne mobile de cinq mois des permis de construction résidentielle. Dans la troisième colonne, le chiffre inférieur (7 218) est obtenu en prenant la moyenne du mois en cours et des quatre mois précédents dans la colonne deux. La série dans la troisième colonne est lissée et, comme le montre le graphique 2, est beaucoup moins volatile que la série originale. En utilisant les données lissées, un chercheur peut plus facilement déterminer les tendances sous-jacentes dans les données, ainsi que de détecter des changements significatifs dans la direction. Les techniques de lissage réduisent la volatilité dans une série de données, ce qui permet aux analystes d'identifier les tendances économiques importantes. La technique de la moyenne mobile offre un moyen simple de lisser les données cependant, parce qu'elle utilise des données de périodes passées, il peut obscurcir les derniers changements dans la tendance. Glossaire en bref Moyenne mobile: Calcul qui lisse une série de données volatiles en faisant la moyenne des points de données voisins. Ajustement saisonnier: Type de technique de lissage dans lequel les fluctuations saisonnières des données sont estimées et supprimées. Technique de lissage: opération statistique réalisée sur des séries de données économiques pour réduire ou éliminer la volatilité à court terme. Moyenne de la mobilité Cet exemple vous enseigne comment calculer la moyenne mobile d'une série temporelle dans Excel. Un avearge mobile est utilisé pour lisser les irrégularités (pics et vallées) pour reconnaître facilement les tendances. 1. Tout d'abord, jetez un oeil à notre série chronologique. 2. Sous l'onglet Données, cliquez sur Analyse des données. Remarque: ne trouve pas le bouton Analyse des données Cliquez ici pour charger le complément Analysis ToolPak. 3. Sélectionnez Moyenne mobile et cliquez sur OK. 4. Cliquez dans la zone Plage d'entrée et sélectionnez la plage B2: M2. 5. Cliquez dans la zone Intervalle et tapez 6. 6. Cliquez dans la zone Plage de sortie et sélectionnez la cellule B3. 8. Tracez un graphique de ces valeurs. Explication: parce que nous définissons l'intervalle sur 6, la moyenne mobile est la moyenne des 5 points de données précédents et le point de données actuel. En conséquence, les crêtes et les vallées sont lissées. Le graphique montre une tendance à la hausse. Excel ne peut pas calculer la moyenne mobile pour les 5 premiers points de données car il n'y a pas assez de points de données antérieurs. 9. Répétez les étapes 2 à 8 pour l'intervalle 2 et l'intervalle 4. Conclusion: Plus l'intervalle est grand, plus les sommets et les vallées sont lissés. Plus l'intervalle est faible, plus les moyennes mobiles sont proches des points de données réels.
No comments:
Post a Comment