Przenoszenie średnio wygładzające stata

Prognozowanie przez techniki wygładzania Ta strona jest częścią obiektów nauki e-laboratorium JavaScript do podejmowania decyzji. Inne skrypty JavaScript z tej serii są podzielone na kategorie w różnych obszarach aplikacji w sekcji MENU na tej stronie. Szereg czasowy to sekwencja obserwacji uporządkowanych w czasie. Nieodłącznym elementem zbierania danych zebranych w czasie jest pewna forma losowej zmienności. Istnieją metody zmniejszania efektu anulowania z powodu losowej zmienności. Szeroko stosowane techniki wygładzają. Techniki te, po prawidłowym zastosowaniu, wyraźnie pokazują podstawowe tendencje. Wprowadź serie czasowe w kolejności wierszowej, zaczynając od lewego górnego rogu i parametru (ów), a następnie kliknij przycisk Oblicz, aby uzyskać prognozowanie z wyprzedzeniem jednokresowym. Puste pola nie są uwzględniane w obliczeniach, ale zera są. Wprowadzając swoje dane, aby przejść z komórki do komórki w macierzy danych, użyj klawisza Tab, a nie strzałki lub klawiszy Enter. Funkcje szeregów czasowych, które mogą zostać ujawnione poprzez sprawdzenie jego wykresu. z prognozowanymi wartościami i zachowaniem reszt, modelowaniem prognozowania warunków. Średnie kroczące: średnie ruchome należą do najpopularniejszych technik wstępnego przetwarzania szeregów czasowych. Służą one do filtrowania losowego białego szumu z danych, aby szereg czasowy był bardziej płynny, a nawet aby uwydatnić niektóre informacyjne elementy zawarte w szeregach czasowych. Wygładzanie wykładnicze: Jest to bardzo popularny schemat tworzenia wygładzonej serii czasowej. Podczas gdy w średnich kroczących poprzednie obserwacje są równomiernie ważone, wykładnicze wygładzanie przypisuje wykładniczo malejące ciężary, gdy obserwacja staje się starsza. Innymi słowy, ostatnie obserwacje mają względnie większą wagę w prognozowaniu niż wcześniejsze obserwacje. Double Exponential Smoothing lepiej radzi sobie z trendami. Potrójne wykładnicze wygładzanie lepiej radzi sobie z trendami paraboli. Exponencjonalnie ważona średnia ruchoma ze stałą wygładzania a. odpowiada w przybliżeniu prostej średniej kroczącej długości (to jest kropki) n, gdzie a oraz n są powiązane przez: a 2 (n1) OR n (2 - a) a. Tak więc, na przykład, średnia ważona ruchoma z wykładniczą stałą ze stałą wygładzania równą 0,1 odpowiadałaby w przybliżeniu 19-dniowej średniej ruchomej. A 40-dniowa prosta średnia ruchoma odpowiadałaby w przybliżeniu ważonej ruchomej wartości wykładniczej z stałą wygładzającą równą 0,04878. Holts Linear Exponential Smoothing: Załóżmy, że szeregi czasowe są niesezonowe, ale wykazują tendencję. Metoda Holts szacuje zarówno bieżący poziom, jak i aktualny trend. Zauważ, że prosta średnia ruchoma jest szczególnym przypadkiem wygładzania wykładniczego, ustawiając okres średniej ruchomej na całkowitą część (2-alfa) alfa. W przypadku większości danych biznesowych często skuteczny jest parametr Alfa mniejszy niż 0,40. Można jednak wykonać przeszukiwanie siatki przestrzeni parametrów, z wartościami od 0,1 do 0,9, z krokiem co 0,1. Wtedy najlepsza alfa ma najmniejszy średni błąd bezwzględny (błąd MA). Jak porównać kilka metod wygładzania: Chociaż istnieją wskaźniki liczbowe do oceny dokładności techniki prognozowania, najszerzej stosuje się porównanie wizualne kilku prognoz w celu oceny ich dokładności i wyboru spośród różnych metod prognozowania. W tym podejściu należy wykreślić (używając np. Excela) na tym samym wykresie oryginalne wartości zmiennej szeregów czasowych i przewidywane wartości z kilku różnych metod prognozowania, ułatwiając w ten sposób wizualne porównanie. Być może spodoba ci się użycie Past Forecasts by Smoothing Techniques JavaScript, aby uzyskać wcześniejsze wartości prognozy w oparciu o techniki wygładzania, które wykorzystują tylko jeden parametr. Metody Holta i Wintersa stosują odpowiednio dwa i trzy parametry, dlatego nie jest łatwo wybrać optymalne, a nawet bliskie optymalne wartości próbne i błędy dla parametrów. Pojedyncze wygładzanie wykładnicze uwydatnia perspektywę krótkiego zasięgu, ustawiając poziom na ostatnią obserwację i opiera się na tym, że nie ma trendu. Regresja liniowa, która pasuje do linii najmniejszych kwadratów do danych historycznych (lub przekształconych danych historycznych), reprezentuje duży zakres, który jest uwarunkowany podstawowym trendem. Holowanie liniowe wygładzanie wykładnicze przechwytuje informacje o aktualnym trendzie. Parametry w modelu Holts to poziomy-parametr, który należy zmniejszyć, gdy wielkość danych jest duża, a trendy-parametr powinny zostać zwiększone, jeśli ostatni kierunek trendu jest wspierany przez przyczynę niektórych czynników. Prognozy krótkoterminowe: zauważ, że każdy skrypt JavaScript na tej stronie zapewnia prognozy jednoetapowe. Aby uzyskać prognozę dwuetapową. po prostu dodaj prognozowaną wartość na końcu serii danych czasowych, a następnie kliknij ten sam przycisk Oblicz. Możesz powtórzyć ten proces kilka razy, aby uzyskać potrzebne prognozy krótkoterminowe. Metody serii czasowych Metody serii czasowych to techniki statystyczne, które wykorzystują dane historyczne gromadzone przez pewien okres czasu. Metody szeregów czasowych zakładają, że to, co miało miejsce w przeszłości, będzie występować w przyszłości. Jak sugeruje nazwa serii czasowych, metody te odnoszą prognozę do tylko jednego czynnika - czasu. Obejmują one średnią ruchomą, wykładniczą wygładzanie i liniową linię trendu i należą do najpopularniejszych metod prognozowania krótkiego zasięgu w firmach usługowych i produkcyjnych. Metody te zakładają, że możliwe do zidentyfikowania powtarzalne wzorce historyczne lub trendy popytu w czasie. Średnia ruchoma Prognoza serii czasowych może być tak prosta, jak wykorzystanie popytu w bieżącym okresie do przewidywania popytu w następnym okresie. Czasami nazywa się to naiwną lub intuicyjną prognozą. 4 Na przykład, jeśli popyt wynosi 100 sztuk w tym tygodniu, prognoza popytu na następne tygodnie to 100 jednostek, jeśli popyt okaże się liczbą 90 jednostek, a następnie popyt na następne tygodnie to 90 sztuk, i tak dalej. Tego rodzaju metoda prognozowania nie uwzględnia historycznych zachowań popytowych, które opierają się wyłącznie na popycie w bieżącym okresie. Reaguje bezpośrednio na normalne, przypadkowe ruchy popytu. Prosta metoda średniej ruchomej wykorzystuje kilka wartości zapotrzebowania w ostatnim czasie do opracowania prognozy. To zwykle tłumi lub wygładza losowe wzrosty i spadki prognozy, która wykorzystuje tylko jeden okres. Prosta średnia krocząca jest przydatna do prognozowania popytu, który jest stabilny i nie wykazuje wyraźnych zachowań popytowych, takich jak trend lub wzór sezonowy. Średnie kroczące są obliczane na określone okresy, na przykład trzy miesiące lub pięć miesięcy, w zależności od tego, ile planista chce poprawić dane dotyczące popytu. Im dłuższy okres średniej ruchomej, tym będzie on gładszy. Formuła obliczania prostej średniej kroczącej to Obliczanie prostej średniej kroczącej Natychmiastowa dostawa papieru biurowego Firma sprzedaje i dostarcza materiały biurowe firmom, szkołom i agencjom w promieniu 50 mil od swojego magazynu. Działalność biurowa jest konkurencyjna, a zdolność do szybkiego dostarczania zamówień jest czynnikiem wpływającym na pozyskiwanie nowych klientów i utrzymywanie starych. (Urzędy zazwyczaj zamawiają nie wtedy, gdy wyczerpują zapasy, ale gdy wyczerpują się całkowicie, w rezultacie potrzebują natychmiastowych zamówień.) Kierownik firmy chce mieć pewność, że kierowcy i pojazdy są w stanie szybko i szybko dostarczyć zamówienia. mają odpowiednie zapasy w magazynie. Dlatego menedżer chce mieć możliwość prognozowania liczby zamówień, które będą miały miejsce w ciągu następnego miesiąca (tj. Prognozowania popytu na dostawy). Z zapisów zleceń dostaw, kierownictwo zgromadziło następujące dane z ostatnich 10 miesięcy, z których chce obliczyć 3- i 5-miesięczne średnie ruchome. Załóżmy, że jest koniec października. Prognoza wynikająca z 3- lub 5-miesięcznej średniej kroczącej jest typowo na następny miesiąc w kolejności, która w tym przypadku przypada na listopad. Średnia ruchoma jest obliczana na podstawie zapotrzebowania na zamówienia z poprzednich 3 miesięcy w sekwencji według następującego wzoru: 5-miesięczna średnia ruchoma jest obliczana na podstawie poprzednich 5-miesięcznych danych popytu w następujący sposób: 3- i 5-miesięczny średnie ruchome prognozy dla wszystkich miesięcy danych o popycie przedstawiono w poniższej tabeli. W rzeczywistości tylko menedżer będzie korzystał z prognozy na listopad w oparciu o najnowsze miesięczne zapotrzebowanie. Jednak wcześniejsze prognozy z poprzednich miesięcy pozwalają nam porównać prognozę z rzeczywistym zapotrzebowaniem, aby zobaczyć, jak dokładna jest metoda prognozowania - czyli jak dobrze ona działa. Średnie trzy - i pięciomiesięczne Obydwie średnie ruchome prognozy w powyższej tabeli mają tendencję do łagodzenia zmienności występującej w danych rzeczywistych. Ten efekt wygładzania można zaobserwować na poniższym rysunku, na którym średnie 3-miesięczne i 5-miesięczne zostały nałożone na wykres oryginalnych danych: 5-miesięczna średnia ruchoma na poprzednim rysunku wygładza fluktuacje w większym stopniu niż 3-miesięczna średnia ruchoma. Jednak średnia z 3 miesięcy bardziej odzwierciedla najnowsze dane dostępne dla menedżera zaopatrzenia biura. Zasadniczo prognozy wykorzystujące średnią ruchomą w dłuższym okresie wolniej reagują na ostatnie zmiany popytu niż w przypadku średnich kroczących o krótszym okresie. Dodatkowe okresy danych zmniejszają szybkość, z jaką odpowiada prognoza. Ustalenie odpowiedniej liczby okresów do użycia w prognozie średniej ruchomej często wymaga przeprowadzenia eksperymentów próbnych i błędów. Wadą metody średniej ruchomej jest to, że nie reaguje na zmiany, które występują z jakiegoś powodu, takie jak cykle i efekty sezonowe. Czynniki powodujące zmiany są na ogół ignorowane. Jest to w zasadzie metoda mechaniczna, która w spójny sposób odzwierciedla dane historyczne. Jednak metoda średniej ruchomej ma tę zaletę, że jest łatwa w użyciu, szybka i stosunkowo niedroga. Ogólnie rzecz biorąc, ta metoda może zapewnić dobrą prognozę na krótki okres, ale nie należy jej przepychać zbyt daleko w przyszłość. Ważona średnia ruchoma Metoda średniej ruchomej może być dostosowana w celu dokładniejszego odzwierciedlenia fluktuacji danych. W metodzie ważonej średniej ruchomej wagi są przypisywane do najnowszych danych zgodnie z następującą formułą: Dane popytu dla PM Computer Services (przedstawione w tabeli dla Przykładu 10.3) wydają się podążać za rosnącym trendem liniowym. Firma chce obliczyć liniową linię trendu, aby sprawdzić, czy jest ona bardziej dokładna niż wykładnicze wygładzanie wykładnicze i skorygowane wykładnicze prognozy wygładzania opracowane w Przykładach 10.3 i 10.4. Wartości wymagane dla obliczeń najmniejszych kwadratów są następujące: Przy użyciu tych wartości parametry liniowej linii trendu są obliczane w następujący sposób: Dlatego liniowe równanie linii trendu to Obliczanie prognozy dla okresu 13, niech x 13 w liniowym linia trendu: Poniższy wykres przedstawia liniową linię trendu w porównaniu z rzeczywistymi danymi. Linia trendu wydaje się ściśle odzwierciedlać faktyczne dane - to jest dobre dopasowanie - i dlatego jest dobrym modelem prognostycznym dla tego problemu. Wadą liniowej linii trendu jest jednak to, że nie dostosuje się ona do zmiany trendu, ponieważ będą to metody prognozowania wygładzania wykładniczego, zakłada się, że wszystkie przyszłe prognozy będą następowały po prostej. Ogranicza to zastosowanie tej metody do krótszego okresu czasu, w którym można być względnie pewnym, że trend się nie zmieni. Korekty sezonowe Wzór sezonowy to powtarzalny wzrost i spadek popytu. Wiele produktów popytu wykazuje zachowania sezonowe. Sprzedaż odzieży podlega corocznym sezonowym trendom, a popyt na ciepłą odzież rośnie jesienią i zimą, a wiosną i latem spada, gdy wzrasta zapotrzebowanie na chłodniejsze ubrania. Popyt na wiele artykułów detalicznych, w tym zabawki, sprzęt sportowy, odzież, sprzęt elektroniczny, szynki, indyki, wino i owoce, rośnie w okresie wakacyjnym. Rosną popyt na kartkę z życzeniami w połączeniu ze specjalnymi dniami, takimi jak Walentynki i Dzień Matki. Wzory sezonowe mogą występować również co miesiąc, co tydzień lub nawet codziennie. Niektóre restauracje mają wyższe zapotrzebowanie wieczorem niż w porze lunchu lub w weekendy, a nie w dni powszednie. Ruch - a więc sprzedaż - w centrach handlowych odbiega w piątek i sobotę. Istnieje kilka metod odzwierciedlenia sezonowych wzorców w prognozie szeregów czasowych. Opiszemy jedną z prostszych metod z wykorzystaniem czynnika sezonowego. Czynnik sezonowy to wartość liczbowa pomnożona przez normalną prognozę, aby uzyskać prognozę dostosowaną sezonowo. Jedną z metod kształtowania popytu na czynniki sezonowe jest podzielenie popytu na każdy sezon przez całkowite roczne zapotrzebowanie, zgodnie z następującą formułą: Wynikowe czynniki sezonowe między 0 a 1,0 stanowią w efekcie część całkowitego rocznego zapotrzebowania przypisanego do każdego sezonu. Te czynniki sezonowe mnoży się przez roczny prognozowany popyt, aby uzyskać dostosowane prognozy dla każdego sezonu. Obliczanie prognozy z korektą sezonową Wahliwe gospodarstwa rolne rosną indyki, aby sprzedać je firmie przetwórstwa mięsnego przez cały rok. Jednak jego szczytowy sezon jest oczywiście w czwartym kwartale roku, od października do grudnia. Firma Wishbone Farms odnotowała popyt na indyki w ciągu ostatnich trzech lat, o czym jest mowa w poniższej tabeli: Ponieważ mamy trzy lata danych o popycie, możemy obliczyć czynniki sezonowe, dzieląc całkowite kwartalne zapotrzebowanie na trzy lata przez całkowite zapotrzebowanie we wszystkich trzech latach : Następnie chcemy pomnożyć prognozowany popyt na przyszły rok, 2000, przez każdy z czynników sezonowych, aby uzyskać prognozowany popyt na każdy kwartał. Aby to osiągnąć, potrzebujemy prognozy popytu na rok 2000. W tym przypadku, ponieważ dane o zapotrzebowaniu w tabeli wydają się wykazywać ogólnie rosnący trend, obliczamy liniową linię trendu dla trzech lat danych w tabeli, aby uzyskać przybliżoną prognoza prognozy: Tak więc prognoza na 2000 r. wynosi 58,17 lub 58,170 indyków. Wykorzystując tę ​​roczną prognozę popytu, dostosowane sezonowo prognozy, SF i, na rok 2000, porównują te kwartalne prognozy z rzeczywistymi wartościami popytu w tabeli, wydają się być stosunkowo dobrymi prognozami prognoz, odzwierciedlającymi zarówno sezonowe wahania danych, jak i ogólny trend wzrostowy. 10-12. W jaki sposób metoda średniej ruchomej jest podobna do wygładzania wykładniczego 10-13. Jaki wpływ na wykładniczy model wygładzający będzie zwiększał stałą wygładzania o 10-14. W jaki sposób skorygowane wygładzanie wykładnicze różni się od wygładzania wykładniczego 10-15. Co decyduje o wyborze stałej wygładzania dla trendu w skorygowanym modelu wygładzania wykładniczego 10-16. W rozdziałach dotyczących metod szeregów czasowych zakłada się, że początkowa prognoza jest taka sama jak rzeczywiste zapotrzebowanie w pierwszym okresie. Zaproponuj inne sposoby uzyskiwania prognozy początkowej w rzeczywistym użytkowaniu. 10-17. W jaki sposób liniowy model prognozowania linii trendu różni się od modelu regresji liniowej do prognozowania 10-18. Spośród modeli szeregów czasowych przedstawionych w tym rozdziale, w tym średniej ruchomej i ważonej średniej ruchomej, wygładzania wykładniczego i skorygowanego wykładniczego wygładzania oraz liniowej linii trendu, którą z nich uważasz za najlepszą Dlaczego 10-19. Jakie zalety ma wyrównane wygładzanie wykładnicze mają liniową linię trendu dla prognozowanego popytu, który wykazuje trend 4 K. B. Kahn i J. T. Mentzer, Prognozy na rynku konsumenckim i przemysłowym, Dziennik prognoz biznesowych 14, nr. 2 (Lato 1995): 21-28.Status: Analiza danych i oprogramowanie statystyczne Nicholas J. Cox, Durham University, Wielka Brytania Christopher Baum, Boston College egen, ma () i jego ograniczenia Statarsquos najbardziej oczywistym dowodem do obliczania średnich kroczących jest ma () Funkcja egen. Biorąc pod uwagę wyrażenie, tworzy ono średnią ruchomą okresu tego wyrażenia. Domyślnie jest traktowany jako 3. musi być nieparzysty. Jednakże, ponieważ ręczne wprowadzenie wskazuje, np., Ma () nie może być łączone z przez listę var:. i tylko z tego powodu nie ma zastosowania do danych panelowych. W każdym razie jest poza zbiorem poleceń specjalnie napisanych dla serii czasowych, aby zobaczyć szczegóły serii czasowych. Alternatywne podejścia Aby obliczyć średnie ruchome dla danych panelu, istnieją co najmniej dwie opcje. Oba zależą od wcześniejszego zestawu danych. Jest to bardzo warte zrobienia: nie tylko możesz zaoszczędzić sobie wielokrotnie określając zmienną panelu i zmienną czasu, ale Stata zachowuje się elegancko, biorąc pod uwagę wszelkie luki w danych. 1. Napisz własną definicję za pomocą generate Używając operatorów szeregów czasowych, takich jak L. i F. podać definicję średniej ruchomej jako argument do instrukcji generującej. Jeśli to zrobisz, oczywiście nie jesteś ograniczony do równo ważonych (nieważonych) średnich kroczących obliczanych przez egen, ma (). Na przykład, ważone równomiernie trzy-okresowe średnie kroczące byłyby podane przez niektóre wagi i można je łatwo określić: Można oczywiście określić wyrażenie, takie jak log (myvar) zamiast nazwy zmiennej, takiej jak myvar. Jedną dużą zaletą tego podejścia jest to, że Stata automatycznie robi to, co właściwe dla danych panelu: wartości wiodące i opóźniające są opracowywane w ramach paneli, tak jak logika dyktuje, że powinny one być. Najbardziej godną uwagi wadą jest to, że linia poleceń może być dość długa, jeśli średnia ruchoma obejmuje kilka terminów. Innym przykładem jest jednostronna średnia ruchoma oparta tylko na poprzednich wartościach. Może to być przydatne do generowania adaptacyjnego oczekiwania na to, co zmienna będzie bazować wyłącznie na informacji do tej pory: co może ktoś prognozować na bieżący okres w oparciu o cztery ostatnie wartości, stosując stały schemat ważenia (A 4-okresowe opóźnienie może być szczególnie często używane w kwartalnych seriach czasowych.) 2. Użyj egen, filter () from SSC Użyj napisanego przez użytkownika funkcji egen filter () z pakietu egenmore na SSC. W Stata 7 (zaktualizowanym po 14 listopada 2001 r.) Można zainstalować ten pakiet, po czym pomocna jest np. Szczegóły dotyczące filtru (). Dwa powyższe przykłady byłyby renderowane (w tym porównaniu podejście generujące jest być może bardziej przejrzyste, ale za chwilę zobaczymy przykład odwrotności). Opóźnienia są numerami. wyprowadza ujemne opóźnienia: w tym przypadku -11 rozwija się do -1 0 1 lub wyprowadzenie 1, opóźnienie 0, opóźnienie 1. Współczynniki, inna liczba, pomnożenie odpowiednich elementów opóźniających lub wiodących: w tym przypadku te elementy to F1.myvar . myvar i L1.myvar. Efektem opcji znormalizowanej jest skalowanie każdego współczynnika przez sumę współczynników, aby unormowanie koef (1 1 1) było równoważne ze współczynnikami 13 13 13, a normalizacja coef (1 2 1) jest odpowiednikiem współczynników 14 12 14 Musisz określić nie tylko opóźnienia, ale także współczynniki. Ponieważ egen, ma () dostarcza równie ważonego przypadku, głównym uzasadnieniem dla egen, filter () jest wspieranie nierównomiernie ważonego przypadku, dla którego należy podać współczynniki. Można również powiedzieć, że zobowiązanie użytkowników do określania współczynników jest niewielką presją na ich myślenie o tym, jakie współczynniki chcą. Głównym uzasadnieniem dla równych wag jest, jak sądzimy, prostota, ale jednakowe wagi mają kiepskie właściwości domen częstotliwości, aby wymienić tylko jedną uwagę. Trzeci przykład powyżej może być tak samo skomplikowany jak podejście generujące. Istnieją przypadki, w których egen, filter () daje prostszą formułę niż generuje. Jeśli potrzebujesz dziewięcio terminowego filtra dwumianowego, który klimatologowie uznają za przydatny, wygląda na to, że jest mniej straszny niż i łatwiejszy do uzyskania niż tak, jak w przypadku podejścia generującego, np., Filter () działa poprawnie z danymi panelu. W rzeczywistości, jak stwierdzono powyżej, zależy to od wcześniejszego zestawienia zbioru danych. Wskazówka graficzna Po obliczeniu średnich kroczących prawdopodobnie będziesz chciał spojrzeć na wykres. Napisany przez użytkownika tsgraph polecenia jest inteligentny o zestawach danych tsset. Zainstaluj go w aktualnym Stata 7 przez ssc inst tsgraph. A co z podzbiorem, jeśli żaden z powyższych przykładów nie wykorzystuje ograniczeń. W rzeczywistości egen, ma () nie pozwoli, jeśli zostanie określone. Czasami ludzie chcą używać, jeśli podczas obliczania średnich kroczących, ale ich użycie jest nieco bardziej skomplikowane niż zwykle. Czego można się spodziewać po średniej ruchomej obliczonej za pomocą if? Zidentyfikujmy dwie możliwości: Słaba interpretacja: nie chcę widzieć żadnych wyników dla wykluczonych obserwacji. Mocna interpretacja: Nie chcę nawet, abyś używał wartości dla wykluczonych obserwacji. Oto konkretny przykład. Przypuśćmy, że w wyniku jakiegoś warunku if uwzględnione są obserwacje 1-42, ale nie obserwacje 43. Jednak średnia ruchoma dla 42 będzie zależeć, między innymi, od wartości dla obserwacji 43, jeśli średnia rozciąga się do tyłu i do przodu i ma długość co najmniej 3, i będzie podobnie zależała od niektórych obserwacji 44 i dalej w pewnych okolicznościach. Domyślamy się, że większość ludzi wybierałaby słabą interpretację, ale czy to jest poprawne, np., Filter () również nie obsługuje, jeśli. Zawsze możesz zignorować to, czego chcesz, a nawet ustawić niepotrzebne wartości, które następnie znikną, używając polecenia Zamień. Notatka o brakujących wynikach na końcach serii Ponieważ ruchome średnie są funkcjami opóźnień i leadów, egen, ma () powoduje brak w miejscach opóźnień i potencjalnych nieobecności, na początku i na końcu serii. Opcja nomiss wymusza obliczenie krótszych, niecento - rowanych średnich ruchomych dla ogonów. W przeciwieństwie do tego, ani nie generuj, ani nie egen, filter () ma, lub pozwala, coś specjalnego, aby uniknąć brakujących wyników. Jeśli brakuje jakiejkolwiek wartości potrzebnej do obliczenia, brakuje tego wyniku. Do użytkowników należy decyzja, czy i jakie operacje korekcyjne są wymagane do takich obserwacji, prawdopodobnie po zapoznaniu się z zestawem danych i rozważeniem jakiejkolwiek podstawowej wiedzy, która może zostać wykorzystana.