Moving Media Box Filtro

Introduzione ai ARIMA: modelli non stagionali ARIMA (p, d, q) equazione di previsione: modelli ARIMA sono, in teoria, la classe più generale di modelli per la previsione di una serie di tempo che può essere fatto per essere 8220stationary8221 dalla differenziazione (se necessario), forse unitamente trasformazioni non lineari come registrazione o sgonfiando (se necessario). Una variabile casuale che è una serie temporale è stazionaria se le sue proprietà statistiche sono tutte costanti nel tempo. Una serie stazionaria ha alcuna tendenza, le sue variazioni intorno la sua media hanno una ampiezza costante, e dimena in modo coerente. ossia suoi schemi temporali casuale breve termine sempre lo stesso aspetto in senso statistico. Quest'ultima condizione implica che le sue autocorrelazioni (correlazioni con i propri precedenti deviazioni dalla media) rimangono costanti nel tempo, o equivalentemente, che il suo spettro di potenza rimane costante nel tempo. Una variabile casuale di questa forma può essere visto (come al solito) come una combinazione di segnale e rumore, e il segnale (se risulta) potrebbe essere un modello di regressione medio veloce o lento, o oscillazione sinusoidale, o rapida alternanza di segno , e potrebbe anche avere una componente stagionale. Un modello ARIMA può essere visto come un 8220filter8221 che cerca di separare il segnale dal rumore, e il segnale viene poi estrapolato nel futuro per ottenere delle previsioni. L'equazione di previsione ARIMA per una serie temporale stazionaria è un lineare (cioè la regressione-tipo) equazione in cui i predittori sono costituiti da ritardi della variabile dipendente Andor ritardi degli errori di previsione. Cioè: Valore atteso di Y un andor costante una somma pesata di uno o più valori recenti di Y eo una somma pesata di uno o più valori recenti degli errori. Se i predittori sono costituiti solo di valori ritardati di Y. si tratta di un modello autoregressivo puro (8220self-regressed8221), che è solo un caso particolare di un modello di regressione e che potrebbe essere dotato di un software di regressione standard. Ad esempio, un autoregressiva del primo ordine (8220AR (1) 8221) modello per Y è un modello di regressione semplice in cui la variabile indipendente è semplicemente Y ritardato di un periodo (GAL (Y, 1) in Statgraphics o YLAG1 in RegressIt). Se alcuni dei fattori predittivi sono ritardi degli errori, un modello ARIMA NON è un modello di regressione lineare, perché non c'è modo di specificare period8217s 8220last error8221 come una variabile indipendente: gli errori devono essere calcolati su base periodica-to-periodo quando il modello è montato dati. Dal punto di vista tecnico, il problema con l'utilizzo errori ritardati come predittori è che le previsioni model8217s non sono funzioni lineari dei coefficienti. anche se sono funzioni lineari dei dati passati. Così, i coefficienti nei modelli ARIMA che includono errori ritardati devono essere stimati con metodi di ottimizzazione non lineare (8220hill-climbing8221) piuttosto che da solo risolvere un sistema di equazioni. L 'acronimo ARIMA sta per Auto-regressiva integrato media mobile. Ritardi della serie stationarized nell'equazione di previsione sono chiamati termini quotautoregressivequot, ritardi della errori di previsione sono chiamati quotmoving termini averagequot, e una serie di tempo che deve essere differenziata da effettuare stazionaria si dice che sia una versione quotintegratedquot di una serie stazionaria. modelli casuali di tendenza modelli di livellamento esponenziale casuale passeggiata e, modelli autoregressivi, e sono tutti i casi particolari di modelli ARIMA. Un modello ARIMA nonseasonal è classificato come (p, d, q) modello quot quotARIMA, dove: p è il numero di termini autoregressivi, d è il numero di differenze non stagionali necessari per stazionarietà, e q è il numero di errori di previsione ritardati in l'equazione di previsione. L'equazione di previsione è costruito come segue. In primo luogo, Sia Y il d ° differenza di Y. che significa: Si noti che la seconda differenza di Y (il caso d2) non è la differenza da 2 periodi fa. Piuttosto, è la prima differenza-of-the-prima differenza. che è l'analogo discreto di una derivata seconda, cioè l'accelerazione locale della serie piuttosto che la sua tendenza locale. In termini di y. l'equazione generale di previsione è: Qui i parametri medi in movimento (9528217s) sono definiti in modo tale che i loro segni sono negativi nell'equazione, seguendo la convenzione introdotta da Box e Jenkins. Alcuni autori e software (incluso il linguaggio di programmazione R) definirli in modo che abbiano segni più, invece. Quando i numeri reali sono inseriti nell'equazione, non c'è ambiguità, ma it8217s importante sapere quali convenzione il software utilizza quando si sta leggendo l'output. Spesso i parametri sono indicati lì da AR (1), AR (2), 8230, e MA (1), MA (2), 8230 ecc per identificare il modello ARIMA appropriato per Y. si inizia determinando l'ordine di differenziazione (d) che necessita stationarize serie e rimuovere le caratteristiche lordi di stagionalità, forse in combinazione con una trasformazione varianza stabilizzante come registrazione o sgonfiando. Se ci si ferma a questo punto e prevedere che la serie differenziata è costante, si è semplicemente montato un random walk o modello tendenza casuale. Tuttavia, la serie stationarized potrebbe ancora essere autocorrelato errori, il che suggerisce che un numero di termini AR (p 8805 1) Andor alcuni termini numero MA (q 8805 1) sono necessari anche nell'equazione di previsione. Il processo di determinazione dei valori di p, d, e q che sono meglio per una data serie di tempo saranno discussi nelle sezioni successive di note (i cui collegamenti sono nella parte superiore di questa pagina), ma in anteprima alcuni dei tipi di modelli ARIMA non stagionali che vengono comunemente riscontrato è riportata qui sotto. ARIMA modello autoregressivo (1,0,0) del primo ordine: se la serie è fermo e autocorrelato, forse può essere previsto come multiplo del proprio valore precedente, più una costante. L'equazione di previsione in questo caso è 8230which è Y regredito su se stessa ritardato di un periodo. Questo è un modello constant8221 8220ARIMA (1,0,0). Se la media di Y è zero, allora il termine costante non verrebbe inclusa. Se il coefficiente di pendenza 981 1 è positivo e meno di 1 su grandezza (che deve essere inferiore a 1 a grandezza se Y è fermo), il modello descrive significare-ritornando comportamento in cui il valore prossimi period8217s dovrebbe essere previsto per essere 981 1 volte lontano dalla media come questo period8217s valore. Se 981 1 è negativa, predice significare-ritornando comportamento con alternanza di segni, cioè si prevede anche che Y sarà al di sotto del prossimo periodo media se è al di sopra del periodo di dire questo. In un modello autoregressivo del secondo ordine (ARIMA (2,0,0)), ci sarebbe un termine Y t-2 sulla destra pure, e così via. A seconda dei segni e grandezze dei coefficienti, un (2,0,0) modello ARIMA poteva descrivere un sistema il cui reversione medio avviene in modo sinusoidale oscillante, come il moto di una massa su una molla che viene sottoposta a shock casuali . ARIMA (0,1,0) random walk: Se la serie Y non è fermo, il modello più semplice possibile è un modello casuale, che può essere considerato come un caso limite di un AR (1) modello in cui la autoregressivo coefficiente è uguale a 1, cioè una serie con infinitamente lenta reversione media. L'equazione pronostico per questo modello può essere scritto come: dove il termine costante è la variazione media del periodo a periodo (cioè lungo termine deriva) in Y. Questo modello può essere montato come un modello di regressione non intercetta in cui la prima differenza di Y è la variabile dipendente. Dal momento che include (solo) una differenza non stagionale e di un termine costante, è classificato come un quotARIMA (0,1,0) modello con constant. quot Il caso-roulant senza modello - drift sarebbe un ARIMA (0,1, 0) modello senza costante ARIMA (1,1,0) differenziata modello autoregressivo del primo ordine: Se gli errori di un modello random walk sono autocorrelati, forse il problema può essere risolto con l'aggiunta di un ritardo della variabile dipendente alla previsione equation - - cioè regredendo la prima differenza di Y su se stessa ritardato di un periodo. Ciò produrrebbe la seguente equazione previsione: che possono essere riorganizzate a Questo è un modello autoregressivo del primo ordine con un ordine di differenziazione non stagionale e di un termine costante - i. e. un (1,1,0) modello ARIMA. ARIMA (0,1,1) senza costante livellamento esponenziale semplice: Un'altra strategia per correggere gli errori autocorrelati in un modello random walk è suggerita dal semplice modello di livellamento esponenziale. Ricordiamo che per alcune serie di tempo non stazionaria (ad esempio quelle che presentano fluttuazioni rumorosi intorno a una media lentamente variabile), il modello random walk non esegue così come una media mobile di valori passati. In altre parole, invece di prendere l'osservazione più recente come la previsione della successiva osservazione, è preferibile utilizzare una media degli ultimi osservazioni per filtrare il rumore e più accuratamente stimare la media locale. Il semplice modello di livellamento esponenziale utilizza una media mobile esponenziale ponderata dei valori del passato per ottenere questo effetto. L'equazione pronostico per la semplice modello di livellamento esponenziale può essere scritto in un certo numero di forme matematicamente equivalenti. una delle quali è la cosiddetta forma correction8221 8220error, in cui la precedente previsione viene regolata nella direzione dell'errore fece: Perché e t-1 Y t-1 - 374 t-1 per definizione, questo può essere riscritta come : che è un ARIMA (0,1,1) - senza-costante equazione di previsione con 952 1 1 - 945. Ciò significa che è possibile montare un semplice livellamento esponenziale specificando come un modello ARIMA (0,1,1) senza costante, e il MA stimato (1) coefficiente corrisponde a 1-minus-alfa nella formula SES. Ricordiamo che nel modello SES, l'età media dei dati nelle previsioni 1-periodo-ahead è 1 945. senso che essi tenderanno a restare indietro tendenze o punti di svolta da circa 1 945 periodi. Ne consegue che l'età media dei dati nelle previsioni 1-periodo-prima di un ARIMA (0,1,1) - senza-costante modello è 1 (1-952 1). Così, per esempio, se 952 1 0.8, l'età media è 5. Come 952 1 avvicina 1, il ARIMA (0,1,1) - senza-costante modello diventa un media-molto-lungo termine in movimento, e come 952 1 si avvicina a 0 diventa un modello random walk-senza-drift. What8217s il modo migliore per correggere autocorrelazione: aggiunta termini AR o aggiungendo termini MA Nelle precedenti due modelli di cui sopra, il problema degli errori autocorrelati in un modello casuale è stato fissato in due modi diversi: aggiungendo un valore ritardato della serie differenziata l'equazione o l'aggiunta di un valore ritardato del l'errore di previsione. Quale approccio è meglio Una regola empirica per questa situazione, che sarà discusso più dettagliatamente in seguito, è che autocorrelazione positiva di solito è meglio trattata con l'aggiunta di un termine di AR al modello e negativo autocorrelazione di solito è meglio trattata con l'aggiunta di un MA termine. In serie business e tempo economica, autocorrelazione negativa si pone spesso come un artefatto di differenziazione. (In generale, differenziazione riduce autocorrelazione positiva e può anche provocare un interruttore da positivo a negativo autocorrelazione.) Quindi, il modello ARIMA (0,1,1), in cui la differenziazione è accompagnato da un termine MA, è più spesso utilizzato che un ARIMA (1,1,0) del modello. ARIMA (0,1,1) con costante semplice livellamento esponenziale con la crescita: Con l'implementazione del modello SES come un modello ARIMA, è in realtà guadagnare una certa flessibilità. Prima di tutto, il MA stimata (1) coefficiente è permesso di essere negativo. questo corrisponde ad un fattore di livellamento maggiore di 1 in un modello SES, che normalmente non è consentito dalla procedura model-fitting SES. In secondo luogo, si ha la possibilità di includere un termine costante nel modello ARIMA se lo si desidera, al fine di stimare un andamento medio diverso da zero. L'(0,1,1) modello ARIMA con costante ha l'equazione di previsione: Le previsioni di un periodo a venire da questo modello sono qualitativamente simili a quelle del modello SES, tranne che la traiettoria delle previsioni a lungo termine è in genere un pendenza riga (la cui pendenza è uguale a mu) anziché una linea orizzontale. ARIMA (0,2,1) o (0,2,2) senza costante livellamento esponenziale lineare: lineari modelli di livellamento esponenziale sono modelli ARIMA che utilizzano due differenze non stagionali in collegamento con termini MA. La seconda differenza di una serie Y non è semplicemente la differenza tra Y e si ritardato da due periodi, ma piuttosto è la prima differenza della prima --i. e differenza. il cambiamento-in-the-cambiamento di Y al periodo t. Così, la seconda differenza di Y al periodo t è uguale a (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Una seconda differenza di una funzione discreta è analoga ad una derivata seconda di una funzione continua: misura la quotaccelerationquot o quotcurvaturequot in funzione in un dato punto nel tempo. L'(0,2,2) modello ARIMA senza costante prevede che la seconda differenza della serie è uguale a una funzione lineare delle ultime due errori di previsione: che può essere riorganizzato come: dove 952 1 e 952 2 sono il MA (1) e MA (2) coefficienti. Questo è un modello di livellamento esponenziale lineare generale. essenzialmente lo stesso modello di Holt8217s e Brown8217s modello è un caso speciale. Esso utilizza pesato esponenzialmente medie mobili stimare sia a livello locale e una tendenza locale nella serie. Le previsioni a lungo termine di questo modello convergono ad una retta la cui inclinazione dipende dalla tendenza media osservata verso la fine della serie. ARIMA (1,1,2) senza costante smorzata-trend lineare livellamento esponenziale. Questo modello è illustrato nelle slide di accompagnamento sui modelli ARIMA. Si estrapola la tendenza locale alla fine della serie, ma appiattisce fuori a orizzonti previsionali più lunghi per introdurre una nota di cautela, una pratica che ha supporto empirico. Vedi l'articolo sul quotWhy il Damped Trend worksquot da Gardner e McKenzie e l'articolo quotGolden Rulequot da Armstrong et al. per dettagli. In genere è consigliabile attenersi a modelli in cui almeno uno dei p e q non è maggiore di 1, vale a dire non cercare di adattarsi a un modello come ARIMA (2,1,2), in quanto questo rischia di portare a sovradattamento e le questioni che sono discussi in modo più dettagliato nelle note sulla struttura matematica dei modelli ARIMA quotcommon-factorquot. implementazione foglio di calcolo: modelli ARIMA come quelli sopra descritti sono facili da implementare su un foglio di calcolo. L'equazione previsione è semplicemente una equazione lineare che fa riferimento ai valori passati della serie temporale originale e valori passati degli errori. Così, è possibile impostare un foglio di calcolo di previsione ARIMA memorizzando i dati nella colonna A, la formula di previsione nella colonna B, e gli errori (previsioni di dati meno) nella colonna C. La formula di previsione in una cella tipica nella colonna B sarebbe semplicemente un'espressione lineare, con riferimento ai valori precedenti in file di colonne a e C, moltiplicata per i coefficienti adeguati AR o MA memorizzati nelle cellule in altre parti del spreadsheet. Kaufman039s Adaptive Moving Average (KAMA) Kaufman039s Adaptive Moving Average (KAMA) Introduzione Sviluppato da Perry Kaufman , Kaufman039s Adaptive Moving Average (KAMA) è una media mobile progettata per tenere conto di rumore di mercato o di volatilità. KAMA seguirà da vicino seguire i prezzi quando le oscillazioni dei prezzi sono relativamente piccole e il rumore è basso. KAMA regolerà quando le oscillazioni dei prezzi si allargano e seguire i prezzi da una distanza maggiore. Questo indicatore seguono il trend può essere utilizzato per identificare la tendenza generale, i punti di svolta di tempo e movimenti di prezzo del filtro. Calcolo Ci sono diversi passaggi necessari per il calcolo Kaufman039s Adaptive media mobile. Let039s prima iniziare con le impostazioni consigliate da Perry Kaufman, che sono KAMA (10,2,30). 10 è il numero di periodi di Efficiency Ratio (ER). 2 è il numero di periodi per il più veloce costante EMA. 30 è il numero di periodi di lento costante EMA. Prima di calcolare KAMA, abbiamo bisogno di calcolare l'indice di efficienza (ER) e la levigatura costante (SC). Abbattere la formula in pepite morso dimensioni rende più facile comprendere la metodologia dietro l'indicatore. Si noti che ABS è sinonimo di valore assoluto. Efficiency Ratio (ER) ER è fondamentalmente il cambiamento di prezzo adeguato per la volatilità giornaliera. In termini statistici, il rapporto di efficienza ci dice l'efficienza frattale delle variazioni dei prezzi. ER oscilla tra 1 e 0, ma questi estremi sono l'eccezione, non la norma. ER sarebbe 1 se i prezzi si sono alzati 10 periodi consecutivi o giù per 10 periodi consecutivi. ER sarebbe pari a zero se il prezzo è invariato nel corso dei 10 periodi. Smoothing Constant (SC) La costante di smoothing utilizza il pronto soccorso e due costanti lisciatura sulla base di una media mobile esponenziale. Come avrete notato, la costante Smoothing è utilizzando le costanti di livellamento per una media mobile esponenziale nella sua formula. (2301) è la costante di smoothing per un EMA 30 periodo. La SC più veloce è la costante di smoothing per brevi EMA (2-periodi). La SC più lenta è la costante di smoothing per l'EMA più lento (30 periodi). Si noti che il 2 alla fine è quadrare l'equazione. Con il Rapporto di Efficienza (ER) e Smoothing Constant (SC), siamo ora pronti per calcolare Kaufman039s Adaptive Moving Average (KAMA). Dal momento che abbiamo bisogno di un valore iniziale per avviare il calcolo, la prima KAMA è solo una semplice media mobile. I seguenti calcoli sono basati sulla formula di seguito. Calcolo ExampleChart Le immagini qui sotto mostrano una schermata da un foglio di calcolo Excel utilizzato per calcolare KAMA e il grafico QQQ corrispondente. Utilizzo e segnali Chartists possono utilizzare KAMA come qualsiasi altra tendenza seguente indicatore, come ad esempio una media mobile. Chartists possono cercare croci di prezzo, cambi di direzione e segnali filtrati. In primo luogo, una croce sopra o sotto KAMA indica cambi di direzione dei prezzi. Come con qualsiasi media mobile, un sistema di crossover semplice genererà un sacco di segnali e un sacco di whipsaws. Chartists possono ridurre whipsaws mediante l'applicazione di un prezzo o un filtro tempo per i crossover. Si potrebbe richiedere prezzo di tenere la croce per numero di giorni o richiedere la croce del superano KAMA dalla percentuale impostata. In secondo luogo, chartists possono utilizzare la direzione di KAMA per definire la tendenza generale di un titolo. Questo potrebbe richiedere una regolazione dei parametri per levigare ulteriormente l'indicatore. Chartists possono cambiare il parametro di mezzo, che è la costante EMA più veloce, per lisciare KAMA e cercare i cambi di direzione. La tendenza è verso il basso finché KAMA è in calo e forgiare minimi inferiori. La tendenza è fino a patto che KAMA è in aumento e forgiatura massimi più elevati. L'esempio seguente mostra Kroger KAMA (10,5,30), con un trend rialzista ripida da dicembre a marzo e un meno ripido trend rialzista da maggio ad agosto. E, infine, chartists possono combinare i segnali e le tecniche. Chartists possono utilizzare un KAMA a lungo termine per definire la tendenza più grande e una più breve termine KAMA per i segnali di trading. Ad esempio, KAMA (10,5,30) potrebbe essere utilizzato come filtro tendenza e considerata rialzista quando ci si alza. Una volta rialzista, chartists potrebbero quindi cercare cross rialzisti quando il prezzo si muove sopra KAMA (10,2,30). L'esempio seguente mostra MMM con un aumento a lungo termine KAMA e cross rialzisti nel mese di dicembre, gennaio e febbraio. A lungo termine KAMA abbassato in aprile e ci sono stati cross ribassisti in maggio, giugno e luglio. SharpCharts KAMA può essere trovato come un indicatore di sovrapposizione nel SharpCharts banco di lavoro. Le impostazioni predefinite appariranno automaticamente nella casella del parametro una volta che è stato selezionato e chartists possono modificare questi parametri per soddisfare le loro esigenze di analisi. Il primo parametro è per l'indice di efficienza e chartists dovrebbe astenersi da aumentare questo numero. Invece, chartists possono diminuirlo per aumentare la sensibilità. Chartists cerca di lisciare KAMA per l'analisi delle tendenze a lungo termine in grado di aumentare il parametro di mezzo in modo incrementale. Anche se la differenza è a soli 3, KAMA (10,5,30) è significativamente più liscia KAMA (10,2,30). Ulteriori studi Dal creatore, il libro di seguito offre informazioni dettagliate sugli indicatori, programmi, algoritmi e sistemi, inclusi i dettagli sulle KAMA e di altri sistemi di media mobile. Trading Systems e metodi Perry KaufmanCreating di un calcolo del prodotto (s) di rotolamento: Tableau Desktop Version (s): 8.3, 8.2, 8.1, 8.0 Ultima modifica Data: 16 agosto 2016 Articolo Nota: Questo articolo non è più attivamente gestito da Tableau. Continuiamo a renderlo disponibile perché l'informazione è ancora valido, ma alcuni passaggi possono variare a causa di modifiche di prodotto. calcoli volventi, medie mobili specificamente, sono spesso utili per tirare in una tantum valori erratici e appianare le fluttuazioni a breve termine. Le medie mobili sono spesso eseguiti sui dati di serie temporali. Nelle vendite al dettaglio, questo calcolo è utile per appiattire l'andamento delle vendite di stagione per vedere le tendenze a lungo termine migliore. Questo esempio ti guida attraverso la creazione di fogli di lavoro per mostrare vendite settimanali e le medie di vendita settimanali, confrontando fianco a fianco in un cruscotto, e confrontandoli in una sovrapposizione. Impostare un foglio di lavoro per mostrare anni e medie settimanali Aprire una nuova cartella di lavoro e si collegano al campione Superstore. Dalle dimensioni riquadro, trascinare Data ordine al ripiano Colonne, quindi trascinare una seconda istanza al ripiano Filtri. Nella finestra di dialogo Campo filtro, selezionare anni e quindi fare clic su Avanti. Nella finestra di dialogo Filtro, deselezionare le caselle di controllo per gli anni 2012, e quindi fare clic su OK. Sulla mensola colonne, riguardante l'anno (giorno d'incarico) menu a discesa, selezionare Altro gt personalizzato. Nella finestra di dialogo Data personalizzato, nell'elenco Dettaglio, selezionare i numeri della Settimana. quindi selezionare Data Part. e quindi fare clic su OK. Dal riquadro Misure, trascinare vendite allo scaffale righe. Sulla mensola righe, fare clic destro vendite. e quindi selezionare Aggiungi tabella di calcolo. Nella finestra di dialogo tabella di calcolo, effettuare le seguenti operazioni: Nell'elenco Tipo di calcolo, selezionare Calcolo Moving. Nei valori Riassumere utilizzando, selezionare media. Per fatturato medio negli ultimi tre settimane, lasciare i valori precedenti impostato su 2. lasciare i valori Successive a 0. e mantenere la casella di controllo valore corrente selezionato Includi. Fare clic su OK. Fare clic sulla scheda del foglio di lavoro, selezionare Rinomina foglio. e il nome 2012 settimanale Vendite settimana. Creare un foglio di lavoro per mostrare date al posto dei numeri di settimana, è possibile utilizzare un campo calcolato per raggruppare tutte le date in un determinato periodo. Per Tableau Desktop 7.0 e 8.0, fare clic sulla scheda del foglio di lavoro, quindi selezionare Duplica foglio. Per Tableau Desktop 6.1 e versioni precedenti, selezionare Modifica gt Duplica foglio. Sul nuovo foglio di lavoro, selezionare Analisi GT Creare Campo calcolato. Nella finestra di dialogo Campo calcolato, effettuare le seguenti operazioni. DATETRUNC (39week39, Data ordine) Verificare che il messaggio di stato indica che la formula è valida, e quindi fare clic su OK. Dal riquadro Dimensioni, trascinare Weektrunc allo scaffale Colonne. Tableau Desktop 7.0 e 8.0: Sulla mensola Colonne, fare clic destro ANNO (Weektrunc). e selezionare data precisa. Tableau Desktop 6.1 e versioni precedenti: Sulla mensola Colonne, fare clic destro ANNO (Weektrunc) e selezionare tutti i valori. Sulla mensola Colonne, fare clic destro SETTIMANA (ordine Data) e selezionare Rimuovi. Fare clic sulla scheda del foglio di lavoro, selezionare Rinomina foglio. e il nome del foglio di lavoro di 2.012 settimanale vendite. Confronta le vendite regolari per la media mobile Per confrontare le vendite regolari per la media mobile, si crea un foglio per ogni. Creare e rinominare un nuovo foglio di lavoro. Tableau Desktop 7.0 e 8.0: Fare clic sulla scheda del foglio di lavoro settimanale di vendita 2012, e quindi selezionare Duplica foglio. Tableau Desktop 6.1 e versioni precedenti: selezionare il foglio di lavoro settimanale di vendita 2012, quindi selezionare Modifica gt Duplica foglio. Fare clic sulla scheda del foglio di lavoro, selezionare Rinomina foglio. e il nome del nuovo foglio 2012 vendite settimanali Moving Avg. Visualizzare il foglio di lavoro settimanale di vendita 2012, e sulla mensola Righe, fare clic destro SUM (Sales) e selezionare Cancella calcolo della tabella. Ora si imposta l'asse y sui due fogli di lavoro per la stessa gamma. Pulsante destro del mouse l'asse Y, quindi selezionare Modifica Axis. Nella finestra di dialogo Edit Axis, apportare le seguenti modifiche: Visualizzare le 2012 vendite settimanali Moving Avg foglio di lavoro e apportare le stesse modifiche per l'asse y. Creazione di un cruscotto completo seguente procedura per creare un cruscotto che mostra sia i fogli di lavoro fianco a fianco per confrontare. Per Tableau Desktop 7.0 e 8.0, selezionare Dashboard gt Nuova Dashboard. Per Tableau Desktop 6.1 e versioni precedenti, selezionare Modifica gt Nuova Dashboard. Trascinare 2012 vendite settimanali per il cruscotto. Trascinare 2012 vendite settimanali Moving Avg al cruscotto e la posizione a sinistra del 2012 Weekly Sales. Creare un overlay Un overlay è un altro modo di confrontare le vendite e la media mobile. Tableau Desktop 7.0 e 8.0: Fare clic con il 2012 vendite settimanali in movimento scheda foglio di lavoro Avg e selezionare Duplica foglio. Tableau Desktop 6.1 e versioni precedenti: Selezionare le 2012 vendite settimanali Moving Avg foglio di lavoro e selezionare Modifica gt Duplica foglio. Sul nuovo foglio, dal riquadro Misure, trascinare misurare i valori al ripiano righe. Dal riquadro Dimensioni, nomi trascinare Misura per il ripiano Filtri. Nella finestra di dialogo Filtro, deselezionare tutte le caselle di controllo ad eccezione di vendite. e quindi fare clic su OK. Dal riquadro Dimensioni, nomi trascinare Misura di colore sulla carta Marks. Trascinare un'altra istanza di nomi misura dal Dimensioni riquadro di dimensioni. Colore e dimensioni rendono le linee più facili da differenziare visivamente. Suggerimento: In Tableau 8.0, per regolare la dimensione del segno, è anche possibile fare clic sulla scheda di Marks che rappresenta un insieme specifico di marchi (invece di tutti), e regolare il cursore Dimensioni. Poi fare lo stesso per l'altra serie, se si desidera differenziare loro ancora di più. Dalla mensola righe, trascinare SUM (Sales) alla misura Valori scaffale. Alternativi Termini di ricerca: Calcoli Tableau digitali Filtri Grazie per aver fornito i tuoi commenti sull'efficacia di questo articolo.