Media Móvil Exponencial En El Sas

El código de ejemplo en la ficha de código completo ilustra cómo calcular la media móvil de una variable a través de todo un conjunto de datos, en los últimos N observaciones en un conjunto de datos, o en los últimos N observaciones dentro de un sub-grupo. Estos archivos de ejemplo y ejemplos de código son proporcionados por SAS Institute Inc. tal cual, sin garantía de ningún tipo, ya sea expresa o implícita, incluyendo, pero no limitado a, las garantías implícitas de comerciabilidad y adecuación para un propósito particular. Los beneficiarios reconocen y aceptan que SAS Institute no será responsable por cualquier daño que surja de su uso de este material. Además, SAS Institute no proporcionará soporte técnico para los materiales contenidos en este documento. Estos archivos de ejemplo y ejemplos de código son proporcionados por SAS Institute Inc. tal cual, sin garantía de ningún tipo, ya sea expresa o implícita, incluyendo, pero no limitado a, las garantías implícitas de comerciabilidad y adecuación para un propósito particular. Los beneficiarios reconocen y aceptan que SAS Institute no será responsable por cualquier daño que surja de su uso de este material. Además, SAS Institute no proporcionará soporte técnico para los materiales contenidos en este documento. Calcular la media móvil de una variable a través de todo un conjunto de datos, en los últimos N observaciones en un conjunto de datos, o en los últimos N observaciones dentro de un sub-group. I incluye una captura de pantalla para ayudar a aclarar mi problema: Estoy tratando de calcular algunos tipo de media móvil y se mueve desviación estándar. Lo que pasa es que quiero para el cálculo de los coeficientes de variación (desvest / AVG) para el valor real. Normalmente esto se hace mediante el cálculo del promedio desvest y durante los últimos 5 años. Sin embargo a veces habrá observaciones en mi base de datos para la que no tengo la información de los últimos 5 años (tal vez sólo un 3, 2, etc.). Es por eso que quiero un código que calcula el promedio y DESVEST incluso si no hay ninguna información para el conjunto 5 años. También, como se ve en las observaciones, a veces tengo información sobre más de 5 años, cuando este es el caso de que necesite algún tipo de media móvil que me permite calcular el promedio y desvest durante los últimos 5 años. Así que si una empresa tiene la información por 7 años que necesitan algún tipo de código que calcula el promedio y desvest para, digamos, 1997 (por 1991-1996), 1998 (por 1992-1997) y 1999 (1993-1998). Como no estoy muy familiarizado con los comandos SAS que debe ser (muy muy aproximadamente) como: O algo así, realmente no tengo ni idea, Im que va a tratar de averiguarlo pero vale la pena publicarla si no la encontrará en movimiento myself. Exponential Normal - EMA Carga del reproductor. ROMPIENDO Media Móvil Exponencial - EMA El 12 y 26 días EMA son los promedios más populares a corto plazo, y que se utilizan para crear indicadores como la divergencia media móvil de convergencia (MACD) y el oscilador de precios porcentaje (PPO). En general, el de 50 y 200 días EMA se utilizan como señales de tendencias a largo plazo. Los comerciantes que emplean el análisis técnico se encuentran las medias móviles muy útil e interesante cuando se aplica correctamente, pero crear el caos cuando se utiliza incorrectamente o mal interpretado. Todos los promedios móviles de uso común en el análisis técnico son, por su propia naturaleza, indicadores de retraso. En consecuencia, las conclusiones extraídas de la aplicación de una media móvil a un gráfico de mercado en particular deben ser para confirmar un movimiento del mercado o para indicar su fuerza. Muy a menudo, en el momento en una línea de indicador de media móvil ha hecho un cambio para reflejar un cambio significativo en el mercado, el punto óptimo de entrada en el mercado ya ha pasado. Un EMA sirve para aliviar este dilema en cierta medida. Debido a que el cálculo de la EMA pone más peso en los últimos datos, se abraza a la acción del precio un poco más fuerte y por lo tanto reacciona más rápido. Esto es deseable cuando un EMA se utiliza para derivar una señal de entrada de comercio. La interpretación de la EMA Al igual que todos los indicadores de media móvil, que son mucho más adecuados para los mercados de tendencias. Cuando el mercado está en una tendencia alcista fuerte y sostenida. la línea del indicador EMA también mostrará una tendencia alcista y viceversa para una tendencia a la baja. Un comerciante vigilantes no sólo prestar atención a la dirección de la línea EMA, sino también la relación de la velocidad de cambio de un bar a otro. Por ejemplo, ya que la acción del precio de una fuerte tendencia alcista comienza a aplanarse y revertir, la tasa de cambio EMA de una barra a la siguiente comenzará a disminuir hasta el momento en que la línea indicadora se aplana y la tasa de cambio es cero. Debido al efecto de retraso, en este punto, o incluso unos pocos compases antes, la acción del precio ya debería haber revertido. Por lo tanto, se deduce que la observación de una disminución constante de la tasa de cambio de la EMA podría sí mismo ser utilizado como un indicador de que podrían contrarrestar aún más el dilema causado por el efecto de retraso de medias móviles. Usos comunes de la EMA EMA se utilizan comúnmente en conjunción con otros indicadores significativos para confirmar los movimientos del mercado y para medir su validez. Para los comerciantes que negocian intradía y los mercados de rápido movimiento, la EMA es más aplicable. Muy a menudo los comerciantes utilizan EMA para determinar un sesgo de operación. Por ejemplo, si un EMA en un gráfico diario muestra una fuerte tendencia al alza, una estrategia operadores intradía puede ser para el comercio sólo desde el lado largo intradía aplicación chart. Spreadsheet de ajuste estacional y de suavizado exponencial Es sencillo para llevar a cabo el ajuste estacional y ajustar los modelos de suavizado exponencial utilizando Excel. Las imágenes de la pantalla y los gráficos siguientes se toman de una hoja de cálculo que se ha creado para ilustrar el ajuste estacional multiplicativo y suavizado exponencial lineal de los siguientes datos de ventas trimestrales de Outboard Marine: Para obtener una copia de la hoja de cálculo en sí, haga clic aquí. La versión de suavizado exponencial lineal que será utilizado aquí para los propósitos de demostración es la versión Brown8217s, simplemente debido a que puede ser implementado con una sola columna de fórmulas y sólo hay una constante de alisamiento para optimizar. Por lo general, es mejor utilizar la versión Holt8217s que tiene constantes de uniformización separados para nivel y la tendencia. El proceso de predicción se desarrolla de la siguiente manera: (i) en primer lugar los datos están ajustados estacionalmente (ii) a continuación, las previsiones se generan para los datos ajustados estacionalmente a través de suavizado exponencial lineal y (iii) finalmente las previsiones ajustadas por estacionalidad son quotreseasonalizedquot para obtener predicciones para la serie original . El proceso de ajuste de temporada se lleva a cabo en columnas D a través de G. El primer paso en el ajuste estacional es calcular un centrado de media móvil (realizado aquí en la columna D). Esto se puede hacer tomando el promedio de dos medias de un año de ancho que se compensan por un período de uno respecto al otro. (Una combinación de dos compensado promedios más que hace falta un único promedio para los propósitos de centrado cuando el número de estaciones es par.) El siguiente paso es calcular la relación de mover --i. e promedio. los datos originales dividido por el promedio móvil en cada período - que se realiza aquí en la columna E. (Esto también se llama el componente quottrend-cyclequot del patrón, en la medida de tendencia y ciclo económico efectos podrían ser considerados para ser todo lo queda después de un promedio sobre el conjunto de un año por valor de los datos. por supuesto, los cambios mes a mes en el que no se deben a la estacionalidad se pudo determinar por muchos otros factores, pero el promedio de 12 meses suaviza sobre ellos en gran medida.) la estimado índice de estacionalidad para cada estación se calcula con el promedio en primer lugar todos los coeficientes para esa estación en particular, que se realiza en las células G3-G6 usando una fórmula AVERAGEIF. Las proporciones medias se reajustarán a continuación, de modo que suman exactamente 100 veces el número de períodos en una temporada, o 400 en este caso, que se realiza en células H3-H6. A continuación, en la columna F, fórmulas BUSCARV se utilizan para insertar el valor del índice de temporada apropiada en cada fila de la tabla de datos, de acuerdo con el trimestre del año que representa. El CENTRADO media móvil y los datos ajustados estacionalmente terminar pareciéndose a esto: Tenga en cuenta que la media móvil normalmente se parece a una versión más suave de la serie ajustada estacionalmente, y es más corta en ambos extremos. Otra hoja de cálculo en el mismo archivo de Excel muestra la aplicación del modelo de suavizado exponencial lineal a los datos desestacionalizados, comenzando en la columna G. Un valor para la constante de alisamiento (alfa) se introduce por encima de la columna de previsión (en este caso, en la celda H9) y por conveniencia se le asigna el nombre de rango quotAlpha. quot (el nombre se asigna mediante el comando quotInsert / nombre / Createquot.) el modelo de LES se inicializa mediante el establecimiento de los dos primeros pronósticos igual al primer valor real de la serie ajustada estacionalmente. La fórmula usada aquí para la previsión del LES es la ecuación de una sola forma recursiva del modelo Brown8217s: Esta fórmula se introduce en la celda correspondiente al tercer período (en este caso, H15 celular) y se copia hacia abajo desde allí. Observe que el pronóstico LES para el período actual se refiere a las dos observaciones anteriores y los dos errores de predicción anteriores, así como el valor de alfa. Por lo tanto, la fórmula de predicción en la fila 15 se refiere únicamente a los datos que estaban disponibles en la fila 14 y anteriores. (Por supuesto, si deseamos utilizar simples en lugar de suavizado exponencial lineal, podríamos sustituir la fórmula SES aquí en su lugar. También podríamos utilizar Holt8217s en lugar de modelo Brown8217s LES, lo que requeriría dos columnas más de las fórmulas para calcular el nivel y la tendencia que se utilizan en el pronóstico.) los errores se calculan de la siguiente columna (en este caso, la columna J) restando los pronósticos de los valores reales. La raíz error cuadrado medio se calcula como la raíz cuadrada de la varianza de los errores más el cuadrado de la media. (Esto se deduce de la identidad matemática:. MSE VARIACIÓN (errores) (Promedio (errores)) 2) En el cálculo de la media y la varianza de los errores en esta fórmula, los dos primeros períodos se excluyen porque el modelo no comienza realmente la previsión hasta el tercer período (fila 15 en la hoja de cálculo). El valor óptimo de la alfa se puede encontrar ya sea cambiando manualmente alfa hasta que se encuentre el RMSE mínimo, o bien puede utilizar el quotSolverquot para realizar una minimización exacta. El valor de alfa que el solucionador encuentra se muestra aquí (alpha0.471). Por lo general, es una buena idea para trazar los errores del modelo (en unidades transformadas) y también para calcular y trazar sus autocorrelaciones en los retardos de hasta un año. Aquí es un gráfico de series temporales de los errores (desestacionalizados): Las autocorrelaciones de error se calculan utilizando la función COEF. DE. CORREL () para calcular las correlaciones de los errores con ellos mismos con un retraso de uno o más períodos - detalles se muestran en el modelo de hoja de cálculo . Aquí se presenta un gráfico de las autocorrelaciones de los errores en los primeros cinco rezagos: Las autocorrelaciones en los retardos del 1 al 3 son muy cercanos a cero, pero el aumento en el retardo 4 (cuyo valor es 0,35) es ligeramente molesto - que sugiere que la proceso de ajuste estacional no ha tenido un éxito completo. Sin embargo, en realidad es sólo marginalmente significativo. 95 bandas de significación para comprobar que es autocorrelaciones son significativamente diferentes de cero son aproximadamente más-o-menos 2 / SQRT (n-k), donde n es el tamaño de la muestra y K es el retraso. Aquí n es 38 y k varía de 1 a 5, por lo que la raíz cuadrada de n-k-menos-es de alrededor de 6 para todos ellos, y por lo tanto los límites para probar la significación estadística de las desviaciones de cero son más o menos plus - o-menos 2/6, o 0.33. Si varía el valor de alfa a mano en este modelo de Excel, se puede observar el efecto sobre la serie de tiempo y parcelas de autocorrelación de los errores, así como en el error de raíz media cuadrada, que se ilustra a continuación. En la parte inferior de la hoja de cálculo, la fórmula de predicción se quotbootstrappedquot en el futuro simplemente sustituyendo las previsiones para los valores actuales en el punto donde los datos reales se agota - es decir. donde quotthe futurequot comienza. (En otras palabras, en cada celda donde se produciría un valor de datos futuro, se inserta una referencia de celda que apunta a la previsión hecha para ese período.) Todas las otras fórmulas simplemente se copian desde arriba: Observe que los errores de las predicciones de el futuro están todos calcula a ser cero. Esto no significa que los errores reales serán cero, sino que simplemente refleja el hecho de que para efectos de predicción estamos suponiendo que los datos futuros serán iguales a las previsiones en promedio. Las previsiones LES resultantes para los datos ajustados estacionalmente este aspecto: Con este valor particular de alfa, que es óptima para las predicciones de un período hacia delante, la tendencia proyectada es ligeramente hacia arriba, lo que refleja la tendencia local que se observó durante los últimos 2 años más o menos. Para otros valores de alfa, se podría obtener una proyección tendencia muy diferente. Por lo general, es una buena idea para ver lo que ocurre con la proyección de tendencias a largo plazo cuando alfa es variada, ya que el valor que es mejor para la predicción a corto plazo no será necesariamente el mejor valor para predecir el futuro más lejano. Por ejemplo, aquí está el resultado que se obtiene si el valor de alfa se ajusta manualmente a 0,25: La tendencia proyectada a largo plazo es ahora más negativa que positiva con un valor menor de alfa, el modelo está poniendo más peso sobre los datos más antiguos en su estimación del nivel y la tendencia actual, y sus previsiones a largo plazo reflejan la tendencia a la baja observada en los últimos 5 años en lugar de la tendencia al alza más reciente. Este gráfico también ilustra claramente cómo el modelo con un valor menor de alfa es más lento para responder a quotturning pointsquot en los datos y por lo tanto tiende a hacer que un error del mismo signo durante muchos períodos consecutivos. Sus errores de pronóstico 1-paso-a continuación son más grandes que el promedio de los obtenidos antes (RMSE de 34,4 en lugar de 27,4) y fuertemente autocorrelated positivamente. El retraso de 1 autocorrelación de 0,56 supera con creces el valor de 0,33 calculado anteriormente para una desviación estadísticamente significativa de cero. Como alternativa al arranque por el valor de la alfa con el fin de introducir una mayor conservadurismo en previsiones a largo plazo, un factor quottrend dampeningquot a veces se añade al modelo con el fin de hacer que la tendencia proyectada a aplanar después de unos períodos. El último paso en la construcción del modelo de predicción es quotreasonalizequot las previsiones LES multiplicándolos por los índices estacionales apropiados. Por lo tanto, las previsiones reseasonalized en la columna I son simplemente el producto de los índices estacionales en la columna F y las previsiones LES desestacionalizados en la columna H. Es relativamente fácil de calcular los intervalos de confianza de las predicciones de un solo paso-a continuación realizadas por este modelo: en primer lugar calcular el RMSE (error de raíz media cuadrada, que es simplemente la raíz cuadrada del MSE) y luego calcular un intervalo de confianza para el pronóstico ajustados estacionalmente sumando y restando dos veces el RMSE. (En general un intervalo de confianza del 95 para obtener la previsión de un período hacia delante es más o menos igual a la previsión del punto más-o-menos-dos veces la desviación estándar estimada de los errores de predicción, suponiendo que la distribución de error es aproximadamente normal y el tamaño de la muestra es lo suficientemente grande, digamos, 20 o más. Aquí, el RMSE en lugar de la desviación estándar de la muestra de los errores es la mejor estimación de la desviación estándar de los futuros errores de pronóstico, ya que toma el sesgo, así variaciones aleatorias en cuenta.) los límites de confianza para el pronóstico ajustado estacionalmente se reseasonalized a continuación. junto con el pronóstico, multiplicándolos por los índices estacionales apropiados. En este caso, el RMSE es igual a 27,4 y la previsión ajustada estacionalmente para el primer período futuro (dic-93) es 273,2. por lo que el intervalo de confianza del 95 ajustada estacionalmente es 273,2-227,4 218,4 a 328,0 273.2227.4. La multiplicación de estos límites de los diciembre índice estacional de 68.61. obtenemos límites de confianza inferior y superior de 149,8 y 225,0 alrededor de la previsión punto Dic-93 de 187,4. los límites de confianza de las predicciones más de un período que se avecina en general, se ensanchan a medida que aumenta horizonte de pronóstico, debido a la incertidumbre sobre el nivel y la tendencia, así como los factores estacionales, pero es difícil de calcular en general mediante métodos analíticos. (La forma más adecuada para calcular los límites de confianza para el pronóstico del LES es mediante el uso de la teoría ARIMA, pero la incertidumbre en los índices estacionales es otro tema). Si desea un intervalo de confianza realista para una previsión de más de un período por delante, teniendo todas las fuentes de de error en cuenta, lo mejor es utilizar métodos empíricos: por ejemplo, para obtener un intervalo de confianza para un 2-paso por delante pronosticado, podría crear otra columna en la hoja de cálculo para calcular un pronóstico 2-paso adelante para cada periodo ( por bootstrapping la previsión de un paso por delante). A continuación, calcular el RMSE de los errores de pronóstico 2-paso adelante y utilizar esto como la base para un 2-paso-a continuación las operaciones de confianza interval. The que se pueden utilizar en las opciones TRANSFORMIN y TRANSFORMOUT se muestran en la Tabla 14.1. Las operaciones se aplican a cada valor de la serie. Cada valor de la serie se sustituye por el resultado de la operación. En la Tabla 14.1. o x representa el valor de la serie en un período de tiempo determinado t antes de aplicar la transformación, representa el valor de la serie de resultado, y N representa el número total de observaciones. La notación n indica que el argumento n es opcional el valor predeterminado es 1. La ventana de notación se utiliza como el argumento a favor de los operadores móviles de estadísticas, e indica que puede especificar un número entero de periodos n o una lista de n en pesos paréntesis. La secuencia de notación se usa como argumento para los operadores de secuencia, e indica que debe especificar una secuencia de números. La notación s indica la longitud de la estacionalidad, y es un argumento necesario. Tabla 14.1 Operaciones de transformación en movimiento Operadores ventana de tiempo Algunos operadores calculan las estadísticas de un conjunto de valores dentro de una ventana de tiempo en movimiento estos son llamados operadores moviendo ventana de tiempo. Hay versiones centradas y hacia atrás de estos operadores. Los operadores de la ventana de tiempo en movimiento son centradas CMOVAVE, CMOVCSS, CMOVGMEAN, CMOVMAX, CMOVMED, CMOVMIN, CMOVPROD, CMOVRANGE, CMOVRANK, CMOVSTD, CMOVSUM, CMOVTVALUE, CMOVUSS, y CMOVVAR. Estos operadores calcular las estadísticas de los valores de las observaciones. Los operadores móviles de las ventanas de tiempo hacia atrás son MOVAVE, MOVCSS, MOVGMEAN, MOVMAX, MOVMED, MOVMIN, MOVPROD, MOVRANGE, MOVRANK, MOVSTD, MOVSUM, MOVTVALUE, MOVUSS, y MOVVAR. Estos operadores calcular las estadísticas de los valores. Todos los operadores de la ventana de tiempo en movimiento aceptan un argumento que especifica el número de períodos de incluir en la ventana de tiempo. Por ejemplo, la siguiente instrucción calcula un periodo de cinco mueve hacia atrás promedio de X. En este ejemplo, la transformación resultante es la siguiente declaración calcula un periodo de cinco centrada promedio de X en movimiento. En este ejemplo, la transformación resultante es Si la ventana con un operador de ventana de tiempo en movimiento centrado no es un número impar, un valor más retrasado que el valor de plomo está incluido en la ventana de tiempo. Por ejemplo, el resultado del operador CMOVAVE 4 es Puede calcular un movimiento hacia delante operación ventana de tiempo mediante la combinación de un operador de ventana de tiempo se mueve hacia atrás con el operador INVERSA. Por ejemplo, la siguiente instrucción calcula un periodo de cinco avanzar promedio de X. En este ejemplo, la transformación resultante es Parte del tiempo en movimiento operadores de ventanas que permiten especificar una lista de valores de peso para calcular las estadísticas ponderadas. Estos son CMOVAVE, CMOVCSS, CMOVGMEAN, CMOVPROD, CMOVSTD, CMOVTVALUE, CMOVUSS, CMOVVAR, MOVAVE, MOVCSS, MOVGMEAN, MOVPROD, MOVSTD, MOVTVALUE, MOVUSS, y MOVVAR. Para especificar un operador móvil ponderado ventana de tiempo, introduzca los valores de peso entre paréntesis después del nombre del operador. La anchura de la ventana es igual al número de pesos que especifique no especifique. Por ejemplo, la siguiente instrucción calcula un periodo de cinco ponderada centrada promedio de X en movimiento. En este ejemplo, la transformación resultante es Los valores de peso debe ser mayor que cero. Si los pesos no suman 1, los pesos especificados se dividen por su suma para producir las ponderaciones utilizadas para calcular la estadística. Una ventana de tiempo completo no está disponible al comienzo de la serie. Para los operadores centrados una ventana completa tampoco está disponible al final de la serie. El cómputo de los operadores móviles de la ventana de tiempo se ajusta a estas condiciones de contorno de la siguiente manera. Para los operadores de ventana se mueve hacia atrás, la anchura de la ventana de tiempo se acorta en el principio de la serie. Por ejemplo, los resultados del operador MOVSUM 3 Faltan los valores Puede limitar la extensión de las series resultado utilizando el TRIM, TrimLeft, y los operadores TrimRight para establecer los valores a que faltan al principio o al final de la serie. Puede utilizar estas funciones para recortar los resultados de los operadores móviles de la ventana de tiempo para que la serie de resultados contiene sólo valores calculados a partir de una ventana de tiempo completo anchura. Por ejemplo, las siguientes afirmaciones calculan un período de cinco centrado promedio de X en movimiento. y se ajustan a los valores que faltan en los extremos de la serie que son promedios de menos de cinco valores. Normalmente, la ventana de tiempo en movimiento y los operadores de estadísticas acumulativas ignoran los valores que faltan y calculan sus resultados para los valores no perdidos. Cuando precedido por el operador NOMISS, estas funciones producen un resultado que falta si cualquier valor dentro de la ventana de tiempo no se encuentra. El operador NOMISS no realiza ningún cálculo, sino que sirve para modificar el funcionamiento del operador de ventana de tiempo en movimiento que le sigue. El operador NOMISS no tiene ningún efecto a menos que sea seguido por un operador de ventana de tiempo en movimiento. Por ejemplo, la siguiente instrucción calcula un promedio móvil de cinco período de la variable X, pero produce un valor perdido cuando cualquiera de los cinco valores están desaparecidos. La siguiente declaración calcula la suma acumulada de la variable X, pero produce un valor perdido para todos los periodos después del primer valor X faltante. Similar al operador NOMISS, el operador MISSONLY no realiza ningún cálculo (a no ser seguido por la opción media), pero sirve para modificar la operación del operador de ventana de tiempo en movimiento que le sigue. Cuando precedida por el operador MISSONLY, estos operadores ventana de tiempo en movimiento sustituyen a los valores que faltan con la estadística en movimiento y dejar sin cambios los valores no perdidos. Por ejemplo, la siguiente instrucción reemplaza todos los valores perdidos de la variable X con una media móvil exponencialmente ponderada de los valores anteriores de X y deja valores no perdidos sin cambios. Los valores perdidos se interpolan utilizando el promedio móvil ponderado exponencialmente especificado. (Esto también se llama suavizado exponencial simple.) La siguiente declaración sustituye a todos los valores perdidos de la variable X con la media global de X. Usted puede utilizar el operador setmiss para reemplazar los valores perdidos por un número especificado. Por ejemplo, la siguiente declaración sustituye a los valores perdidos de la variable X con el número 8.77. Los operadores clásica se descompone si es una serie temporal de temporada con observaciones por temporada, los métodos clásicos de descomposición se descomponen las series de tiempo en cuatro componentes: tendencia, ciclo, estacional y componentes irregulares. Los componentes de tendencia y el ciclo se combinan a menudo para formar el componente de tendencia-ciclo. Existen dos formas básicas de descomposición clásica: multiplicativos y aditivos, que se muestran a continuación. Ejemplos de Uso Los índices estacionales multiplicativos son 0.9, 1.2. 0,8, y 1,1 para los cuatro trimestres. Deje SEASADJ ser una variable de serie temporal trimestral que ha sido ajustada estacionalmente de forma multiplicativa. Para restaurar la estacionalidad de SEASADJ utilizar la siguiente transformación: Los índices estacionales aditivos son 4.4, -1.1, -2.1, -1.2 y en los cuatro trimestres. Deje SEASADJ ser una variable de serie temporal trimestral que ha sido ajustada por estacionalidad en el aditivo para la moda. Para restaurar la estacionalidad de SEASADJ utilice la siguiente transformación: operadores de conjuntos Para los operadores de conjunto, el primer parámetro, representa el valor a ser sustituido y el segundo parámetro, representa el valor de reposición. La sustitución puede ser localizado en el principio, en medio o al final de la serie. Ejemplos de uso Supongamos que una tienda abrió recientemente y que el historial de ventas se almacena en una base de datos que no reconoce los valores que faltan. A pesar de que la demanda puede haber existido antes de la apertura de tiendas, esta base de datos asigna el valor de cero. Modelando el historial de ventas puede ser problemático porque el historial de ventas es en su mayoría cero. Para compensar esta deficiencia, los valores cero inicial se debe establecer en que falta con los valores cero restantes sin cambios (que representan hay demanda). Del mismo modo, supongamos que una tienda está cerrada recientemente. La demanda puede estar aún presente y por lo tanto un valor registrado de cero no reflejar con precisión la demanda real. operador escala