R2を、データの自由度を説明できるように修正します。
Crystal Ballで確率分布によって定義される、スプレッドシート・モデルの推定値。
期間が異なり、データ系列が同じ値の間の関係または相関について説明します。
自己相関に類似していますが、変数が他の独立変数と関連するのではなく、それ自体のデータ系列の前の値と関連する点が異なる関係を示します。
2つの変数の間の関係であり、独立変数が従属変数の特定の増減に対応するのみでなく、実際にその増減の原因となります。
スプレッドシート・モデルでの仮定の統計量の要約であり、グラフィックまたは数値で出力します。
データ・ポイントから推定パラメータの数をマイナスした数(係数)。
多重線形回帰で、別のデータ系列に従属するデータ系列または変数。多重線形回帰は、従属変数の予測手法として使用する必要があります。
ダブル指数平滑法。
ダブル指数平滑法では、シングル指数平滑法を2回適用し、最初は元のデータに、次にその結果のシングル指数平滑法データに適用します。これは実測データ系列が固定されていない場合に役立ちます。
元のデータ・セットの移動平均を表すデータのサブセットに対して移動平均を実行し、過去のデータを平滑化します。
1タイム・ラグの自己相関をテストします。
実際のデータ値と予測データ値の間の差異。
その変数、または関連する他の変数の既知の過去値に基づく、変数値の予測。予測では、Crystal Ballスプレッドシート・モデルおよび専門家の判断に基づいても予測値を示します。
一度に1つの独立変数を多重線形回帰式に加算する回帰手法であり、有意性が最大の独立変数から始まります。
F統計量参照
多重線形回帰式の全体の有意性をテストします。
予測パラメータを最適化し、除外されたデータと予測値の間の誤差測度を最小にします。Predictorでは、予測パラメータの計算に除外データは使用されません。
系列をそのコンポーネント部分(季節性、傾向および循環、誤差)に分割します。この手法では、それぞれの値を決定し、これを先に投影し、1つの予測に再度結合します。
季節性の影響を積乗型で考慮します。つまり、時間の経過で増加(または減少)します。この手法はHolt-Wintersの加法型手法に類似しています。
複数次元にまたがる幾何平面。
多重線形回帰で、別のデータ系列または変数に影響するデータ系列または変数。
その時点で、多重線形回帰式で1つの独立変数を加算または減算する回帰手法。
データ系列をオフセットと比較する場合のオフセットを定義します。自己相関では、これはデータ系列をオフセットと相関させる場合に選択するデータのオフセットを参照します。
予測パラメータを最適化し、実測データと適合値の間の誤差測度を最小にする予測タイプであり、指定の期間数(リード)でオフセットされます。
線がデータ・セットとどの程度類似しているかを測定します。この方式では、それぞれの実際のデータ・ポイントの線からの距離を測定し、その距離を二乗し、それを加算します。二乗偏差が最小の線が最も近似の適合です。
予測の開始ポイント。傾向のないデータ・セットでは、これはy切片と同じです。
線形条件のみの等式。線形等式には、指数のある変数、または相互に乗算する変数を含む条件はありません。
1つの変数を、最初の説明的変数の関数としてモデル化するプロセス。つまり、曲線ではなく線のある曲線に近づけますが、2乗や3乗に関連する高次条件が必要になります。
平均絶対偏差。実際のデータ・ポイントと適合データ・ポイントのぞれぞれのペアの間の平均距離の誤差統計です。
平均絶対パーセント誤差。これはプラスとマイナスの誤差を相互に相殺しないように絶対値を使用する相対誤差測度であり、相対誤差を使用すると、時系列手法間の予測精度を比較できます。
1つの従属変数が、複数の独立変数の線形関数とされる線形回帰のケース。
最新データにのみ基づき、最小の作業工数で得た予測; たとえば、最終データ・ポイントを使用して次期間を予測します。
Fまたはt統計取得の確率を、データについて計算した規模で示します。
既存の多重線形回帰式で、特定の独立変数の有意性をテストします。
Microsoft Excelのインタラクティブ表。行と列を移動し、PivotTableデータをフィルタリングできます。
決定係数。この統計は、線形回帰で表す従属変数誤差の比率を示します。
説明的(独立)変数の関数として、従属変数をモデル化するプロセス。
多重線形回帰の従属変数に対する予測データと実際のデータの差異。
2乗平均平方根誤差。偏差を2乗し、プラス偏差とマイナス偏差が相互に相殺されないようにした絶対誤差測度です。この測度では、誤差が拡大されるため、手法を比較する際に役立ちます。
傾向のない実測データの季節性インデックスを計算します。季節性の調整が予測レベルに加算され、加法型季節予測が実行されます。
傾向のない実測データの季節性インデックスを計算します。季節性の調整に予測レベルが乗算され、積乗型季節予測が実行されます。
データ系列で、季節要因が原因となる変化。たとえば、クリスマス・シーズンと夏に売上が増加する場合、データに6か月の期間の季節性があります。
過去にさかのぼって指数関数的に重みを減少し、過去データを重み付けます。つまり、データ値が最新であるほど重み付けは大きくなります。これにより、移動平均またはパーセンテージ変更の手法の限界をおおむね克服できます。
過去の数期間を平均し、そのビューを先に投影して、過去のデータを平滑化します。Predictorにより、平均化する期間の最適数が自動的に計算されます。
回帰式の係数に対して、一連の等式を解決する手法。
極端なデータを除去し、データのランダムさを削減して平滑化傾向を推定します。
平方和の偏差。この統計は、回帰係数の推定のための最小2乗法で使用され、これによって、回帰線で消去されない誤差が測定されます。
特異値分解。
等分された時間間隔で順に並べられた一連の値。
時系列データの長期にわたる増加または減少。
他の独立変数が存在する場合に、従属変数と個々の独立変数の間の関係の有意性をテストします。
回帰では、データ系列は変数とも呼ばれます。
予測パラメータを最適化し、実測データと適合値の間の平均誤差測度を最小にする予測タイプであり、複数の期間数(リード)でオフセットされます。
生成される曲線が時間の経過でフラット化する季節変動を示すように、季節性の調整を予測レベルに加算して、実測データの季節性インデックスを計算します。
生成される曲線が時間の経過でフラット化する季節変動を示すように、季節性の調整に予測レベルを乗算して、実測データの季節性インデックスを計算します。
線形になるのではなく時間とともにフラット化する傾向曲線を使用した、ダブル指数平滑法のような指数平滑法を2回適用する非季節性予測手法。
Box-Jenkins予測手法とも呼ばれ、ARIMAは一連の単変量時系列予測手法です。ARIMAでは、推定の自己回帰(AR)、差分和分(I)、および移動平均(MA)パラメータによるモデルの識別、選択および確認に関連します。