Pengantar ARIMA: model nonseasonal Persamaan peramalan ARIMA (p, d, q): Model ARIMA adalah, secara teori, kelas model paling umum untuk meramalkan deret waktu yang dapat dibuat menjadi 8220stationary8221 dengan membedakan (jika perlu), mungkin Dalam hubungannya dengan transformasi nonlinier seperti logging atau deflating (jika perlu). Variabel acak yang merupakan deret waktu bersifat stasioner jika sifat statistiknya konstan sepanjang waktu. Seri stasioner tidak memiliki tren, variasinya berkisar rata-rata memiliki amplitudo konstan, dan bergoyang secara konsisten. Yaitu pola waktu acak jangka pendeknya selalu terlihat sama dalam arti statistik. Kondisi terakhir ini berarti autokorelasinya (korelasi dengan penyimpangannya sendiri dari mean) tetap konstan dari waktu ke waktu, atau ekuivalen, bahwa spektrum kekuatannya tetap konstan seiring berjalannya waktu. Variabel acak dari bentuk ini dapat dilihat (seperti biasa) sebagai kombinasi antara sinyal dan noise, dan sinyal (jika ada) dapat menjadi pola pengembalian cepat atau lambat, atau osilasi sinusoidal, atau alternasi cepat pada tanda , Dan itu juga bisa memiliki komponen musiman. Model ARIMA dapat dilihat sebagai model 8220filter8221 yang mencoba memisahkan sinyal dari noise, dan sinyal tersebut kemudian diekstrapolasikan ke masa depan untuk mendapatkan perkiraan. Persamaan peramalan ARIMA untuk rangkaian waktu stasioner adalah persamaan linier (yaitu regresi-tipe) dimana prediktor terdiri dari kelambatan variabel dependen dan atau lag dari kesalahan perkiraan. Yaitu: Prediksi nilai Y adalah konstanta dan atau jumlah tertimbang dari satu atau lebih nilai Y dan satu angka tertimbang dari satu atau lebih nilai kesalahan terkini. Jika prediktor hanya terdiri dari nilai Y yang tertinggal, itu adalah model autoregresif murni (8220 self-regressed8221), yang hanyalah kasus khusus dari model regresi dan yang dapat dilengkapi dengan perangkat lunak regresi standar. Sebagai contoh, model autoregresif orde pertama (8220AR (1) 8221) untuk Y adalah model regresi sederhana dimana variabel independennya hanya Y yang tertinggal satu periode (LAG (Y, 1) dalam Statgrafik atau YLAG1 dalam RegresIt). Jika beberapa prediktor tertinggal dari kesalahan, model ARIMA TIDAK merupakan model regresi linier, karena tidak ada cara untuk menentukan error8221 8220last periodier178 sebagai variabel independen: kesalahan harus dihitung berdasarkan periode-ke-periode Saat model dipasang pada data. Dari sudut pandang teknis, masalah dengan menggunakan kesalahan tertinggal sebagai prediktor adalah bahwa prediksi model8217 bukanlah fungsi linear dari koefisien. Meskipun mereka adalah fungsi linier dari data masa lalu. Jadi, koefisien pada model ARIMA yang mencakup kesalahan tertinggal harus diestimasi dengan metode optimasi nonlinier (8220 climb-climbing8221) daripada hanya dengan memecahkan sistem persamaan. Akronim ARIMA adalah singkatan Auto-Regressive Integrated Moving Average. Lags dari rangkaian stasioner dalam persamaan peramalan disebut istilah quotautoregressivequot, kelambatan kesalahan perkiraan disebut istilah kuotasi rata-rata quotmoving average, dan deret waktu yang perlu dibedakan untuk dijadikan stasioner disebut versi seri integimental dari seri stasioner. Model random-walk dan random-trend, model autoregresif, dan model pemulusan eksponensial adalah kasus khusus model ARIMA. Model ARIMA nonseasonal diklasifikasikan sebagai model quotARIMA (p, d, q) quot, di mana: p adalah jumlah istilah autoregresif, d adalah jumlah perbedaan nonseasonal yang diperlukan untuk stasioneritas, dan q adalah jumlah kesalahan perkiraan yang tertinggal dalam Persamaan prediksi Persamaan peramalan dibangun sebagai berikut. Pertama, izinkan y menunjukkan perbedaan D dari Y. yang berarti: Perhatikan bahwa perbedaan kedua Y (kasus d2) bukanlah selisih 2 periode yang lalu. Sebaliknya, ini adalah perbedaan pertama-perbedaan-dari-pertama. Yang merupakan analog diskrit turunan kedua, yaitu akselerasi lokal dari seri daripada tren lokalnya. Dalam hal y. Persamaan peramalan umum adalah: Disini parameter rata-rata bergerak (9528217s) didefinisikan sehingga tanda-tanda mereka negatif dalam persamaan, mengikuti konvensi yang diperkenalkan oleh Box dan Jenkins. Beberapa penulis dan perangkat lunak (termasuk bahasa pemrograman R) mendefinisikannya sehingga mereka memiliki tanda plus. Bila nomor aktual dicolokkan ke dalam persamaan, tidak ada ambiguitas, tapi penting untuk mengetahui konvensi mana yang digunakan perangkat lunak Anda saat Anda membaca hasilnya. Seringkali parameter dilambangkan dengan AR (1), AR (2), 8230, dan MA (1), MA (2), 8230 dll. Untuk mengidentifikasi model ARIMA yang sesuai untuk Y. Anda memulai dengan menentukan urutan differencing (D) perlu membuat stasioner seri dan menghilangkan fitur musiman musiman, mungkin bersamaan dengan transformasi yang menstabilkan varians seperti penebangan atau pengapuran. Jika Anda berhenti pada titik ini dan meramalkan bahwa rangkaian yang berbeda adalah konstan, Anda hanya memiliki model acak berjalan atau acak acak. Namun, rangkaian stationarized masih memiliki kesalahan autokorelasi, menunjukkan bahwa beberapa jumlah istilah AR (p 8805 1) dan beberapa istilah MA (q 8805 1) juga diperlukan dalam persamaan peramalan. Proses penentuan nilai p, d, dan q yang terbaik untuk rangkaian waktu tertentu akan dibahas di bagian catatan selanjutnya (yang tautannya berada di bagian atas halaman ini), namun pratinjau beberapa jenis Model ARIMA nonseasonal yang biasa dijumpai diberikan di bawah ini. ARIMA (1,0,0) model autoregresif orde pertama: jika seri stasioner dan autokorelasi, mungkin dapat diprediksi sebagai kelipatan dari nilai sebelumnya, ditambah konstanta. Persamaan peramalan dalam kasus ini adalah 8230 yang Y regresi pada dirinya sendiri tertinggal oleh satu periode. Ini adalah model konstanta 8220ARIMA (1,0,0) constant8221. Jika mean Y adalah nol, maka istilah konstan tidak akan disertakan. Jika koefisien kemiringan 981 1 positif dan kurang dari 1 besarnya (harus kurang dari 1 dalam besaran jika Y adalah stasioner), model tersebut menggambarkan perilaku rata-rata pada nilai periodisasi berikutnya yang diperkirakan akan menjadi 981 1 kali sebagai Jauh dari mean sebagai nilai periode ini. Jika 981 1 negatif, ia memprediksi perilaku rata-rata dengan alternasi tanda, yaitu juga memprediksi bahwa Y akan berada di bawah rata-rata periode berikutnya jika berada di atas rata-rata periode ini. Dalam model autoregresif orde kedua (ARIMA (2,0,0)), akan ada istilah Y t-2 di sebelah kanan juga, dan seterusnya. Bergantung pada tanda dan besaran koefisien, model ARIMA (2,0,0) bisa menggambarkan sistem yang pembalikan rata-rata terjadi dengan mode sinusoidal oscillating, seperti gerak massa pada pegas yang mengalami guncangan acak. . ARIMA (0,1,0) berjalan acak: Jika seri Y tidak stasioner, model yang paling sederhana untuk model ini adalah model jalan acak, yang dapat dianggap sebagai kasus pembatas model AR (1) dimana autoregresif Koefisien sama dengan 1, yaitu deret dengan reversi mean yang jauh lebih lambat. Persamaan prediksi untuk model ini dapat ditulis sebagai: di mana istilah konstan adalah perubahan periode-ke-periode rata-rata (yaitu drift jangka panjang) di Y. Model ini dapat dipasang sebagai model regresi yang tidak mencegat dimana Perbedaan pertama Y adalah variabel dependen. Karena hanya mencakup perbedaan nonseasonal dan istilah konstan, model ini diklasifikasikan sebagai model quotARIMA (0,1,0) dengan konstan. Model random-walk-without - drift akan menjadi ARIMA (0,1, 0) model tanpa ARIMA konstan (1,1,0) model autoregresif orde satu yang terdesentralisasi: Jika kesalahan model jalan acak diobot dengan autokorelasi, mungkin masalahnya dapat diperbaiki dengan menambahkan satu lag variabel dependen ke persamaan prediksi - - yaitu Dengan mengundurkan diri dari perbedaan pertama Y pada dirinya sendiri yang tertinggal satu periode. Ini akan menghasilkan persamaan prediksi berikut: yang dapat diatur ulang menjadi Ini adalah model autoregresif orde pertama dengan satu urutan perbedaan nonseasonal dan istilah konstan - yaitu. Model ARIMA (1,1,0). ARIMA (0,1,1) tanpa perataan eksponensial sederhana: Strategi lain untuk memperbaiki kesalahan autokorelasi dalam model jalan acak disarankan oleh model pemulusan eksponensial sederhana. Ingatlah bahwa untuk beberapa seri waktu nonstasioner (misalnya yang menunjukkan fluktuasi yang bising di sekitar rata-rata yang bervariasi secara perlahan), model jalan acak tidak berjalan sebaik rata-rata pergerakan nilai masa lalu. Dengan kata lain, daripada mengambil pengamatan terbaru sebagai perkiraan pengamatan berikutnya, lebih baik menggunakan rata-rata beberapa pengamatan terakhir untuk menyaring kebisingan dan memperkirakan secara lebih akurat mean lokal. Model pemulusan eksponensial sederhana menggunakan rata-rata pergerakan rata-rata tertimbang eksponensial untuk mencapai efek ini. Persamaan prediksi untuk model smoothing eksponensial sederhana dapat ditulis dalam sejumlah bentuk ekuivalen matematis. Salah satunya adalah bentuk koreksi yang disebut 8220error correction8221, dimana ramalan sebelumnya disesuaikan dengan kesalahan yang dibuatnya: Karena e t-1 Y t-1 - 374 t-1 menurut definisinya, ini dapat ditulis ulang sebagai : Yang merupakan persamaan peramalan ARIMA (0,1,1) - tanpa perkiraan konstan dengan 952 1 1 - 945. Ini berarti bahwa Anda dapat menyesuaikan smoothing eksponensial sederhana dengan menentukannya sebagai model ARIMA (0,1,1) tanpa Konstan, dan perkiraan koefisien MA (1) sesuai dengan 1-minus-alpha dalam formula SES. Ingatlah bahwa dalam model SES, rata-rata usia data dalam prakiraan 1 periode adalah 1 945. yang berarti bahwa mereka cenderung tertinggal dari tren atau titik balik sekitar 1 945 periode. Dengan demikian, rata-rata usia data dalam prakiraan 1-periode-depan model ARIMA (0,1,1) - tanpa konstan adalah 1 (1 - 952 1). Jadi, misalnya, jika 952 1 0,8, usia rata-rata adalah 5. Karena 952 1 mendekati 1, model ARIMA (0,1,1) - tanpa model konstan menjadi rata-rata bergerak jangka-panjang, dan sebagai 952 1 Pendekatan 0 menjadi model random-walk-without-drift. Apa cara terbaik untuk memperbaiki autokorelasi: menambahkan istilah AR atau menambahkan istilah MA Dalam dua model sebelumnya yang dibahas di atas, masalah kesalahan autokorelasi dalam model jalan acak diperbaiki dengan dua cara yang berbeda: dengan menambahkan nilai lag dari seri yang berbeda Ke persamaan atau menambahkan nilai tertinggal dari kesalahan perkiraan. Pendekatan mana yang terbaik Aturan praktis untuk situasi ini, yang akan dibahas lebih rinci nanti, adalah bahwa autokorelasi positif biasanya paling baik ditangani dengan menambahkan istilah AR ke model dan autokorelasi negatif biasanya paling baik ditangani dengan menambahkan MA istilah. Dalam deret waktu bisnis dan ekonomi, autokorelasi negatif sering muncul sebagai artefak differencing. (Secara umum, differencing mengurangi autokorelasi positif dan bahkan dapat menyebabkan perubahan dari autokorelasi positif ke negatif.) Jadi, model ARIMA (0,1,1), di mana perbedaannya disertai dengan istilah MA, lebih sering digunakan daripada Model ARIMA (1,1,0). ARIMA (0,1,1) dengan perataan eksponensial sederhana konstan dengan pertumbuhan: Dengan menerapkan model SES sebagai model ARIMA, Anda benar-benar mendapatkan fleksibilitas. Pertama, perkiraan koefisien MA (1) dibiarkan negatif. Ini sesuai dengan faktor pemulusan yang lebih besar dari 1 dalam model SES, yang biasanya tidak diizinkan oleh prosedur pemasangan model SES. Kedua, Anda memiliki pilihan untuk memasukkan istilah konstan dalam model ARIMA jika Anda mau, untuk memperkirakan tren nol rata-rata. Model ARIMA (0,1,1) dengan konstanta memiliki persamaan prediksi: Prakiraan satu periode dari model ini secara kualitatif serupa dengan model SES, kecuali bahwa lintasan perkiraan jangka panjang biasanya adalah Garis miring (kemiringannya sama dengan mu) bukan garis horizontal. ARIMA (0,2,1) atau (0,2,2) tanpa pemulusan eksponensial linier konstan: Model pemulusan eksponensial linier adalah model ARIMA yang menggunakan dua perbedaan nonseason dalam hubungannya dengan persyaratan MA. Perbedaan kedua dari seri Y bukan hanya perbedaan antara Y dan dirinya tertinggal dua periode, namun ini adalah perbedaan pertama dari perbedaan pertama - i. Perubahan perubahan Y pada periode t. Jadi, perbedaan kedua Y pada periode t sama dengan (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Perbedaan kedua dari fungsi diskrit sama dengan turunan kedua dari fungsi kontinyu: ia mengukur kuotasi kuadrat atau quotcurvaturequot dalam fungsi pada suatu titik waktu tertentu. Model ARIMA (0,2,2) tanpa konstan memprediksi bahwa perbedaan kedua dari rangkaian sama dengan fungsi linier dari dua kesalahan perkiraan terakhir: yang dapat disusun ulang sebagai: di mana 952 1 dan 952 2 adalah MA (1) dan MA (2) koefisien. Ini adalah model pemulusan eksponensial linear umum. Dasarnya sama dengan model Holt8217s, dan model Brown8217s adalah kasus khusus. Ini menggunakan rata-rata pergerakan tertimbang eksponensial untuk memperkirakan tingkat lokal dan tren lokal dalam rangkaian. Perkiraan jangka panjang dari model ini menyatu dengan garis lurus yang kemiringannya bergantung pada tren rata-rata yang diamati menjelang akhir rangkaian. ARIMA (1,1,2) tanpa perataan eksponensial eksponensial yang terfragmentasi. Model ini diilustrasikan pada slide yang menyertainya pada model ARIMA. Ini mengekstrapolasikan tren lokal di akhir seri namun meratakannya pada cakrawala perkiraan yang lebih panjang untuk memperkenalkan catatan konservatisme, sebuah praktik yang memiliki dukungan empiris. Lihat artikel di quotWhy the Damped Trend karyaquot oleh Gardner dan McKenzie dan artikel quotGolden Rulequot oleh Armstrong dkk. Untuk rinciannya. Umumnya disarankan untuk tetap berpegang pada model di mana setidaknya satu dari p dan q tidak lebih besar dari 1, yaitu jangan mencoba menyesuaikan model seperti ARIMA (2,1,2), karena hal ini cenderung menyebabkan overfitting. Dan isu-isu kuotom-faktorquot yang dibahas secara lebih rinci dalam catatan tentang struktur matematis model ARIMA. Implementasi Spreadsheet: Model ARIMA seperti yang dijelaskan di atas mudah diterapkan pada spreadsheet. Persamaan prediksi adalah persamaan linier yang mengacu pada nilai-nilai masa lalu dari rangkaian waktu asli dan nilai kesalahan masa lalu. Dengan demikian, Anda dapat membuat spreadsheet peramalan ARIMA dengan menyimpan data di kolom A, rumus peramalan pada kolom B, dan kesalahan (data minus prakiraan) di kolom C. Rumus peramalan pada sel biasa di kolom B hanya akan menjadi Ekspresi linier yang mengacu pada nilai pada baris sebelumnya kolom A dan C, dikalikan dengan koefisien AR atau MA yang sesuai yang disimpan di sel di tempat lain pada spreadsheet. Pengenalan Adaptif Pindah Rata-rata Adaptif Moving Average (KAMA) Kaufman039 Dikembangkan oleh Perry Kaufman , Kaufman039s Adaptive Moving Average (KAMA) adalah moving average yang dirancang untuk memperhitungkan kebisingan pasar atau volatilitas. KAMA akan mengikuti harga saat harga ayunan relatif kecil dan suaranya rendah. KAMA akan menyesuaikan saat harga ayunan melebar dan mengikuti harga dari jarak yang lebih jauh. Indikator berikut ini dapat digunakan untuk mengidentifikasi tren keseluruhan, titik balik waktu dan pergerakan harga filter. Perhitungan Ada beberapa langkah yang diperlukan untuk menghitung Kaufman039 Adaptive Moving Average. Pertama mulailah dengan setting yang direkomendasikan oleh Perry Kaufman, yaitu KAMA (10.2,30). 10 adalah jumlah periode untuk Efisiensi Rasio (ER). 2 adalah jumlah periode untuk konstanta EMA tercepat. 30 adalah jumlah periode untuk konstanta EMA paling lambat. Sebelum menghitung KAMA, kita perlu menghitung Efficiency Ratio (ER) dan Smoothing Constant (SC). Memecah formula menjadi ukuran kecil nugget membuat lebih mudah untuk memahami metodologi di belakang indikator. Perhatikan bahwa ABS mewakili Absolute Value. Efficiency Ratio (ER) ER pada dasarnya adalah perubahan harga yang disesuaikan dengan volatilitas harian. Secara statistik, Rasio Efisiensi memberi tahu kita efisiensi fraktal perubahan harga. ER berfluktuasi antara 1 dan 0, namun ekstrem ini adalah pengecualian, bukan norma. ER akan menjadi 1 jika harga bergerak naik 10 periode berturut-turut atau turun 10 periode berturut-turut. ER akan menjadi nol jika harga tidak berubah selama 10 periode. Smoothing Constant (SC) Konstanta pemulusan menggunakan ER dan dua konstanta pemulusan berdasarkan rata-rata pergerakan eksponensial. Seperti yang mungkin Anda perhatikan, Konstanta Smoothing menggunakan konstanta pemulusan untuk rata-rata bergerak eksponensial dalam formula. (2301) adalah konstanta pemulusan untuk EMA 30 periode. SC Tercepat adalah konstanta pemulusan untuk EMA lebih pendek (2 periode). SC yang paling lambat adalah konstanta pemulusan untuk EMA paling lambat (30 periode). Perhatikan bahwa 2 di akhir adalah untuk mensejajarkan persamaan. Dengan Efficiency Ratio (ER) dan Smoothing Constant (SC), kita sekarang siap untuk menghitung Kaufman039 Adaptive Moving Average (KAMA). Karena kita membutuhkan nilai awal untuk memulai perhitungan, KAMA pertama hanyalah sebuah moving average yang sederhana. Perhitungan berikut didasarkan pada rumus di bawah ini. Contoh PerhitunganChart Gambar di bawah ini menunjukkan tangkapan layar dari spreadsheet Excel yang digunakan untuk menghitung KAMA dan grafik QQQ yang sesuai. Penggunaan dan Sinyal Chartis dapat menggunakan KAMA seperti indikator berikut lainnya, seperti moving average. Chartis dapat mencari harga persilangan, perubahan terarah dan sinyal yang disaring. Pertama, sebuah salib di atas atau di bawah KAMA menunjukkan perubahan arah harga. Seperti halnya rata-rata bergerak, sistem crossover sederhana akan menghasilkan banyak sinyal dan banyak whipsaws. Chartists dapat mengurangi whipsaws dengan menerapkan filter harga atau waktu ke crossover. Seseorang mungkin memerlukan harga untuk memegang salib selama beberapa hari atau membutuhkan salib melebihi KAMA dengan persentase yang ditetapkan. Kedua, chartists dapat menggunakan arah KAMA untuk menentukan keseluruhan kecenderungan keamanan. Ini mungkin memerlukan penyesuaian parameter untuk memperlancar indikator lebih lanjut. Chartists dapat mengubah parameter tengah, yang merupakan konstanta EMA tercepat, untuk menghaluskan KAMA dan mencari perubahan arah. Tren turun selama KAMA jatuh dan menambat posisi terendah. Trennya naik selama KAMA naik dan menempa harga tertinggi. Contoh Kroger di bawah ini menunjukkan KAMA (10,5,30) dengan tren naik yang curam dari bulan Desember sampai Maret dan tren kenaikan yang kurang tajam dari bulan Mei sampai Agustus. Dan akhirnya, chartists bisa menggabungkan sinyal dan teknik. Chartists dapat menggunakan KAMA jangka panjang untuk menentukan tren yang lebih besar dan KAMA jangka pendek untuk sinyal perdagangan. Misalnya, KAMA (10,5,30) bisa dijadikan trend filter dan dianggap bullish saat naik. Setelah bullish, chartists kemudian bisa mencari bullish cross saat harga bergerak diatas KAMA (10.2,30). Contoh di bawah ini menunjukkan MMM dengan kenaikan KAMA jangka panjang dan persilangan bullish pada bulan Desember, Januari dan Februari. KAMA jangka panjang turun pada bulan April dan terjadi persilangan bearish pada bulan Mei, Juni dan Juli. SharpCharts KAMA dapat ditemukan sebagai indikator overlay di meja kerja SharpCharts. Pengaturan default akan secara otomatis muncul di kotak parameter setelah dipilih dan para chartis dapat mengubah parameter ini agar sesuai dengan kebutuhan analitis mereka. Parameter pertama adalah untuk Rasio Efisiensi dan chartists harus menahan diri untuk tidak meningkatkan jumlah ini. Sebagai gantinya, chartists dapat menurunkannya untuk meningkatkan sensitivitas. Chartis yang ingin memperlancar KAMA untuk analisis tren jangka panjang dapat meningkatkan parameter tengah secara bertahap. Meskipun perbedaannya hanya 3, KAMA (10,5,30) secara signifikan lebih mulus dari KAMA (10,2,30). Studi lebih lanjut Dari pencipta, buku di bawah ini menawarkan informasi terperinci mengenai indikator, program, algoritma, dan sistem, termasuk rincian tentang KAMA dan sistem rata-rata bergerak lainnya. Sistem dan Metode Trading Perry KaufmanMembuat Produk Perhitungan Bergulir (s): Tableau Desktop Versi: 8.3, 8.2, 8.1, 8.0 Tanggal Dimodifikasi Terakhir: 16 Aug 2016 Catatan: Artikel ini tidak lagi dikelola secara aktif oleh Tableau. Kami terus menyediakannya karena informasinya masih berharga, namun beberapa langkah mungkin berbeda karena perubahan produk. Perhitungan bergulir, khususnya moving averages, sering berguna untuk menarik pencabut satu kali dan menghaluskan fluktuasi jangka pendek. Moving averages sering dilakukan pada data time series. Dalam penjualan eceran, perhitungan ini berguna untuk meratakan tren penjualan musiman untuk melihat tren jangka panjang dengan lebih baik. Contoh ini menuntun Anda melalui pembuatan lembar kerja untuk menunjukkan penjualan mingguan dan rata-rata penjualan mingguan, membandingkannya berdampingan di dasbor, dan membandingkannya dalam hamparan. Buat lembar kerja untuk menunjukkan rata-rata mingguan setiap tahun Membuka buku kerja baru dan terhubung ke sampel Superstore. Dari panel Dimensi, tarik Order Date ke kolom Columns, dan kemudian seret instance kedua ke rak Filters. Di kotak dialog Filter Field, pilih Years dan kemudian klik Next. Di kotak dialog Filter, kosongkan kotak centang untuk semua tahun kecuali 2012, lalu klik OK. Di rak Kolom, pada menu tarik-turun Tahun (Pesanan Kuota), pilih Lebih banyak Custom gt. Di kotak dialog Custom Date, dalam daftar Detail, pilih nomor Week. Lalu pilih Bagian Tanggal. Lalu klik OK. Dari panel Measures, seret Sales ke the Rows rack. Di rak Baris, klik kanan Penjualan. Dan kemudian pilih Add Table Calculation. Pada kotak dialog Table Calculation, selesaikan langkah-langkah berikut: Dalam daftar Calculation Type, pilih Moving Calculation. Dalam nilai Ringkas menggunakan daftar, pilih Rata-rata. Untuk penjualan rata-rata selama tiga minggu sebelumnya, tinggalkan Nilai Sebelumnya ke 2. Biarkan Nilai Berikutnya diatur ke 0. Dan simpan kotak centang Include current value selected. Klik Oke. Klik kanan tab lembar kerja, pilih Rename Sheet. Dan sebutkan minggu 2012 Weekly Sales. Buat lembar kerja untuk menunjukkan tanggal dan bukan nomor minggu Anda dapat menggunakan bidang yang dihitung untuk mengelompokkan semua tanggal dalam periode tertentu. Untuk Tableau Desktop 7.0 dan 8.0, klik kanan tab worksheet, dan pilih Duplicate Sheet. Untuk Desktop Tableau 6.1 dan yang lebih baru, pilih Edit gt Duplicate Sheet. Pada lembar kerja yang baru, pilih Analysis gt Create Calculated Field. Di kotak dialog Calculated Field, selesaikan langkah-langkah berikut. DATETRUNC (39week39, Order Date) Konfirmasikan bahwa pesan status menunjukkan bahwa formula itu benar, kemudian klik OK. Dari panel Dimensi, seret Weektrunc ke kolom Columns. Tableau Desktop 7.0 dan 8.0: Pada kolom Columns, klik kanan YEAR (Weektrunc). Dan pilih Exact Date. Tableau Desktop 6.1 dan yang lebih baru: Di rak Kolom, klik kanan YEAR (Weektrunc) dan pilih All Values. Di rak Kolom, klik kanan WEEK (Order Date) dan pilih Remove. Klik kanan tab lembar kerja, pilih Rename Sheet. Dan beri nama worksheet Mingguan 2012 Sales. Bandingkan penjualan reguler dengan rata-rata bergerak Untuk membandingkan Penjualan reguler dengan rata-rata bergerak, Anda membuat lembaran untuk masing-masing. Buat dan ganti nama lembar kerja baru. Tableau Desktop 7.0 dan 8.0: Klik kanan tab lembar kerja Weekly Sales 2012, lalu pilih Duplicate Sheet. Tableau Desktop 6.1 dan yang lebih baru: Pilih lembar kerja Sales Week 2012, lalu pilih Edit gt Duplicate Sheet. Klik kanan tab lembar kerja, pilih Rename Sheet. Dan beri nama sheet baru 2012 Mingguan Sales Moving Avg. Tampilkan lembar kerja Sales Week 2012, dan pada rak Rows, klik kanan SUM (Sales) dan pilih Clear Table Calculation. Sekarang Anda mengatur sumbu y pada dua lembar kerja ke kisaran yang sama. Klik kanan sumbu y, lalu pilih Edit Axis. Di kotak dialog Edit Axis, buat perubahan berikut: Tampilkan Lembar Kerja Mingguan Penjualan Moving Avg 2012 dan buat perubahan yang sama untuk sumbu y. Buat dasbor Selesaikan langkah-langkah ini untuk membuat dasbor yang menunjukkan kedua lembar kerja berdampingan untuk membandingkannya. Untuk Tableau Desktop 7.0 dan 8.0, pilih Dashboard gt New Dashboard. Untuk Desktop Tableau 6.1 dan yang lebih baru, pilih Edit gt New Dashboard. Tarik Penjualan Mingguan 2012 ke dasbor. Tarik Penjualan Mingguan 2012 Moving Avg ke dasbor dan posisikan di sebelah kiri dari 2012 Weekly Sales. Buat overlay Overlay adalah cara lain untuk membandingkan penjualan dan moving average. Tableau Desktop 7.0 dan 8.0: Klik kanan tab Price worksheet Moving Avg Week 2012 dan pilih Duplicate Sheet. Tableau Desktop 6.1 dan yang lebih awal: Pilih lembar kerja Rata-rata Mingguan Penjualan Mingguan 2012 dan pilih Edit Duplicate Sheet gt. Pada lembar baru, dari panel Measures, tarik Ukur Nilai ke rak Baris. Dari panel Dimensi, seret Ukur Nama ke rak Filter. Di kotak dialog Filter, hapus semua kotak centang kecuali untuk Sales. Lalu klik OK. Dari panel Dimensi, seret Ukur Nama untuk Berwarna pada kartu tanda. Tarik contoh lain dari Measure Names dari panel Dimensi ke Ukuran. Warna dan ukuran membuat garis lebih mudah untuk membedakan secara visual. Tip: Di Tableau 8.0, untuk menyesuaikan ukuran tanda, Anda juga dapat mengklik kartu Tanda yang mewakili kumpulan tanda tertentu (bukan Semua), dan sesuaikan slider Ukuran. Kemudian lakukan hal yang sama untuk yang lain jika Anda ingin membedakannya lebih jauh lagi. Dari rak Baris, tarik SUM (Penjualan) ke rak Nilai Ukur. Istilah Pencarian Alternatif: Tableau Digital Calculations Filters Terima kasih telah memberikan umpan balik Anda tentang keefektifan artikel.
No comments:
Post a Comment