Diese Datenstruktur ist für den Zweck recht untauglich. Angenommen, eine Identifikations-ID, die Sie neu formatieren müssen. z. B. Dann ist ein gleitender Durchschnitt einfach. Verwenden Sie tssmooth oder einfach nur generieren. z. B. Mehr darüber, warum Ihre Datenstruktur ganz untauglich ist: Nicht nur die Berechnung eines gleitenden Durchschnitts benötigt eine Schleife (nicht unbedingt mit egen), aber Sie würden mehrere neue Extravariablen erstellen. Mit denen in jeder nachfolgenden Analyse wäre irgendwo zwischen ungeschickt und unmöglich. EDIT Ill geben eine Probe Schleife, während nicht aus meiner Haltung, dass es schlechte Technik ist. Ich sehe keinen Grund hinter deiner Namenskonvention, wobei P1947 ein Mittelwert für 1943-1945 ist. Ich nehme an, das ist nur ein Tippfehler. Angenommen, wir haben Daten für 1913-2012. Für 3 Jahre lang verlieren wir ein Jahr an jedem Ende. Das könnte genauer geschrieben werden, auf Kosten einer Makre von Makros in Makros. Mit ungleichen Gewichten ist einfach, wie oben. Der einzige Grund, egen zu benutzen, ist, dass es nicht aufgibt, wenn es Verpassungen gibt, die das oben tun wird. Aus Gründen der Vollständigkeit ist zu beachten, dass es leicht ist, Verpassungen zu behandeln, ohne auf egen zurückzugreifen. Und der Nenner Wenn alle Werte fehlen, wird dies auf 00 reduziert oder fehlt. Andernfalls, wenn irgendein Wert fehlt, fügen wir 0 zum Zähler und 0 zum Nenner hinzu, der derselbe ist, der ihn ignoriert. Natürlich ist der Code erträglich wie oben für Mittelwerte von 3 Jahren, aber entweder für diesen Fall oder für die Mittelung über mehr Jahre, würden wir ersetzen die Zeilen oben durch eine Schleife, was ist, was egen does. When Berechnung eines laufenden gleitenden Durchschnitt, Platzierung der Durchschnitt in der mittleren Zeitspanne macht Sinn Im vorigen Beispiel berechneten wir den Durchschnitt der ersten 3 Zeiträume und platzierten sie neben Periode 3. Wir konnten den Mittelpunkt in der Mitte des Zeitintervalls von drei Perioden platzieren, das heißt, Neben der Periode 2. Das funktioniert gut mit ungeraden Zeiträumen, aber nicht so gut für gerade Zeiträume. Also, wo würden wir den ersten gleitenden Durchschnitt platzieren, wenn M 4 Technisch, würde der Moving Average bei t 2,5, 3,5 fallen. Um dieses Problem zu vermeiden, glätten wir die MAs mit M 2. So glätten wir die geglätteten Werte. Wenn wir eine gerade Anzahl von Ausdrücken beurteilen, müssen wir die geglätteten Werte glätten. Die folgende Tabelle zeigt die Ergebnisse mit M 4.Moving Mittelwerte Bewegungsdurchschnitte mit konventionellen Datensätze der Mittelwert ist oft die erste, und eine der nützlichsten, zusammenfassenden Statistiken zu berechnen. Wenn Daten in Form einer Zeitreihe vorliegen, ist das Serienmittel ein nützliches Maß, entspricht aber nicht der Dynamik der Daten. Mittelwerte, die über kurzgeschlossene Perioden berechnet werden, die entweder der aktuellen Periode vorausgeht oder auf der aktuellen Periode zentriert sind, sind oft nützlicher. Weil diese Mittelwerte variieren oder sich bewegen, wenn sich die aktuelle Periode von der Zeit t 2, t 3 usw. bewegt, werden sie als gleitende Mittelwerte (Mas) bezeichnet. Ein einfacher gleitender Durchschnitt ist (typischerweise) der ungewichtete Durchschnitt von k vorherigen Werten. Ein exponentiell gewichteter gleitender Durchschnitt ist im Wesentlichen derselbe wie ein einfacher gleitender Durchschnitt, aber mit Beiträgen zum Mittelwert, der durch ihre Nähe zur aktuellen Zeit gewichtet wird. Weil es nicht eine, sondern eine ganze Reihe von gleitenden Durchschnitten für jede gegebene Serie gibt, kann der Satz von Mas selbst auf Graphen aufgetragen, als Serie analysiert und bei der Modellierung und Prognose verwendet werden. Eine Reihe von Modellen kann mit gleitenden Durchschnitten konstruiert werden, und diese sind als MA-Modelle bekannt. Wenn solche Modelle mit autoregressiven (AR) Modellen kombiniert werden, sind die resultierenden zusammengesetzten Modelle als ARMA - oder ARIMA-Modelle bekannt (die I ist für integriert). Einfache Bewegungsdurchschnitte Da eine Zeitreihe als ein Satz von Werten betrachtet werden kann, kann t 1,2,3,4, n der Mittelwert dieser Werte berechnet werden. Wenn wir annehmen, daß n ziemlich groß ist und wir eine ganze Zahl k wählen, die viel kleiner als n ist. Wir können einen Satz von Blockdurchschnitten oder einfache gleitende Mittelwerte (der Ordnung k) berechnen: Jede Maßnahme repräsentiert den Mittelwert der Datenwerte über ein Intervall von k Beobachtungen. Beachten Sie, dass die erste mögliche MA der Ordnung k gt0 die für t k ist. Im Allgemeinen können wir den zusätzlichen Index in den obigen Ausdrücken fallen lassen und schreiben: Dies besagt, dass der geschätzte Mittelwert zum Zeitpunkt t der einfache Durchschnitt des beobachteten Wertes zum Zeitpunkt t und der vorhergehenden k -1 Zeitschritte ist. Wenn Gewichte angewendet werden, die den Beitrag von Beobachtungen, die weiter weg in der Zeit sind, verringern, wird der gleitende Durchschnitt exponentiell geglättet. Bewegliche Mittelwerte werden oft als eine Form der Prognose verwendet, wobei der Schätzwert für eine Reihe zum Zeitpunkt t 1, S t1. Wird als MA für den Zeitraum bis einschließlich Zeit t genommen. z. B. Die heutige Schätzung basiert auf einem Durchschnitt der bisher aufgezeichneten Werte bis einschließlich gestern (für Tagesdaten). Einfache gleitende Durchschnitte können als eine Form der Glättung gesehen werden. In dem unten dargestellten Beispiel wurde der in der Einleitung zu diesem Thema gezeigte Luftverschmutzungs-Datensatz um eine 7-Tage-Gleitende Durchschnitt (MA) - Linie erweitert, die hier in rot dargestellt ist. Wie man sehen kann, glättet die MA-Linie die Gipfel und Tröge in den Daten und kann sehr hilfreich bei der Identifizierung von Trends sein. Die Standard-Vorwärtsberechnungsformel bedeutet, dass die ersten k -1 Datenpunkte keinen MA-Wert haben, aber danach rechnen die Berechnungen bis zum endgültigen Datenpunkt in der Serie. PM10 tägliche Mittelwerte, Greenwich Quelle: London Air Quality Network, londonair. org. uk Ein Grund für die Berechnung einfacher gleitender Durchschnitte in der beschriebenen Weise ist, dass es ermöglicht, Werte für alle Zeitschlitze von der Zeit tk bis zur Gegenwart berechnet werden, und Da eine neue Messung für die Zeit t 1 erhalten wird, kann die MA für die Zeit t 1 dem bereits berechneten Satz hinzugefügt werden. Dies stellt eine einfache Prozedur für dynamische Datensätze zur Verfügung. Allerdings gibt es einige Probleme mit diesem Ansatz. Es ist vernünftig zu argumentieren, dass der Mittelwert über die letzten 3 Perioden, sagen wir, zum Zeitpunkt t -1 liegen sollte, nicht Zeit t. Und für eine MA über eine gerade Anzahl von Perioden vielleicht sollte es sich am Mittelpunkt zwischen zwei Zeitintervallen befinden. Eine Lösung für dieses Problem ist die Verwendung von zentrierten MA-Berechnungen, bei denen das MA zum Zeitpunkt t der Mittelwert eines symmetrischen Satzes von Werten um t ist. Trotz seiner offensichtlichen Verdienste wird dieser Ansatz im Allgemeinen nicht verwendet, weil es erfordert, dass Daten für zukünftige Ereignisse verfügbar sind, was möglicherweise nicht der Fall ist. In Fällen, in denen die Analyse vollständig aus einer bestehenden Serie besteht, kann die Verwendung von zentriertem Mas vorzuziehen sein. Einfache gleitende Durchschnitte können als eine Form der Glättung betrachtet werden, wobei einige hochfrequente Komponenten einer Zeitreihe entfernt werden und die Trends in ähnlicher Weise wie der allgemeine Begriff der digitalen Filterung hervorgehoben werden (aber nicht entfernen) werden. In der Tat sind gleitende Mittelwerte eine Form des linearen Filters. Es ist möglich, eine gleitende Durchschnittsberechnung auf eine Reihe anzuwenden, die bereits geglättet worden ist, d. h. Glätten oder Filtern einer bereits geglätteten Reihe. Zum Beispiel können wir mit einem gleitenden Durchschnitt von Ordnung 2, wie sie mit Gewichten berechnet werden, also die MA bei x 2 0,5 x 1 0,5 x 2 betrachten. Ebenso ist die MA bei x 3 0,5 x 2 0,5 x 3. Wenn wir Eine zweite Glättung oder Filterung anwenden, haben wir 0,5 x 2 0,5 x 3 0,5 (0,5 x 1 0,5 x 2) 0,5 (0,5 x 2 0,5 x 3) 0,25 x 1 0,5 x 2 0,25 x 3 dh die zweistufige Filterung Prozess (oder Faltung) hat einen variabel gewichteten symmetrischen gleitenden Durchschnitt mit Gewichten erzeugt. Mehrere Windungen können sehr komplexe gewichtete Bewegungsdurchschnitte erzeugen, von denen einige von besonderem Gebrauch in spezialisierten Bereichen, wie in Lebensversicherungsberechnungen, gefunden wurden. Bewegliche Mittelwerte können verwendet werden, um periodische Effekte zu entfernen, wenn sie mit der Länge der Periodizität als bekannt berechnet werden. Zum Beispiel, mit monatlichen Daten saisonale Variationen können oft entfernt werden (wenn dies das Ziel ist), indem Sie einen symmetrischen 12-Monats-gleitenden Durchschnitt mit allen Monaten gleich gewichtet, mit Ausnahme der ersten und letzten, die mit 12 gewichtet werden. Dies ist, weil es wird 13 Monate im symmetrischen Modell (aktuelle Zeit, t. - 6 Monate). Die Summe wird durch 12 geteilt. Ähnliche Verfahren können für jede klar definierte Periodizität angenommen werden. Exponentiell gewichtete Bewegungsdurchschnitte (EWMA) Mit der einfachen gleitenden Durchschnittsformel: Alle Beobachtungen werden gleich gewichtet. Wenn wir diese gleichen Gewichte nennen, alpha t. Jedes der k Gewichte würde 1 k betragen. So wäre die Summe der Gewichte 1, und die Formel wäre: Wir haben bereits gesehen, dass mehrere Anwendungen dieses Prozesses dazu führen, dass die Gewichte variieren. Bei exponentiell gewichteten Bewegungsdurchschnitten wird der Beitrag zum Mittelwert aus Beobachtungen, die in der Zeit mehr entfernt werden, reduziert und damit neue (lokale) Ereignisse hervorgehoben. Im wesentlichen wird ein Glättungsparameter, 0lt alpha lt1, eingeführt und die Formel überarbeitet: Eine symmetrische Version dieser Formel wäre von der Form: Werden die Gewichte im symmetrischen Modell als Begriffe der Binomialexpansion ausgewählt, (1212) 2q. Sie werden auf 1 summieren, und wenn q groß wird, wird die Normalverteilung angenähert. Dies ist eine Form der Kernel-Gewichtung, wobei die Binomie als Kernfunktion fungiert. Die im vorigen Unterabschnitt beschriebene zweistufige Faltung ist genau diese Anordnung, wobei q 1 die Gewichte ergibt. Bei der exponentiellen Glättung ist es notwendig, einen Satz von Gewichten zu verwenden, die auf 1 summieren und die Größe geometrisch verkleinern. Die verwendeten Gewichte sind typischerweise in der Form: Um zu zeigen, dass diese Gewichte auf 1 summieren, betrachten wir die Ausdehnung von 1 als Reihe. Wir können den Ausdruck in Klammern mit der Binomialformel (1- x) p schreiben und erweitern. Wobei x (1-) und p -1, was ergibt: Dies ergibt dann eine Form des gewichteten gleitenden Durchschnitts der Form: Diese Summation kann als eine Wiederholungsrelation geschrieben werden, die die Berechnung stark vereinfacht und das Problem vermeidet, dass das Gewichtungsregime Sollte strikt unendlich sein, damit die Gewichte auf 1 summieren (für kleine Werte von alpha ist dies normalerweise nicht der Fall). Die Notation, die von verschiedenen Autoren verwendet wird, variiert. Manche verwenden den Buchstaben S, um anzuzeigen, daß die Formel im wesentlichen eine geglättete Variable ist und schreibt: Während die Kontrolle Theorie Literatur oft Z anstelle von S für die exponentiell gewichteten oder geglätteten Werte verwendet (siehe z. B. Lucas und Saccucci, 1990, LUC1 , Und die NIST-Website für weitere Details und bearbeitete Beispiele). Die oben zitierten Formeln stammen aus der Arbeit von Roberts (1959, ROB1), aber Hunter (1986, HUN1) verwendet einen Ausdruck der Form: die für die Verwendung in einigen Kontrollverfahren besser geeignet ist. Bei alpha 1 ist die mittlere Schätzung einfach der gemessene Wert (oder der Wert des vorherigen Datenelementes). Mit 0,5 ist die Schätzung der einfache gleitende Durchschnitt der aktuellen und vorherigen Messungen. Bei der Vorhersage der Modelle ist der Wert S t. Wird oft als Schätz - oder Prognosewert für den nächsten Zeitraum verwendet, dh als Schätzung für x zum Zeitpunkt t 1. Damit haben wir: Dies zeigt, dass der Prognosewert zum Zeitpunkt t 1 eine Kombination aus dem vorherigen exponentiell gewichteten gleitenden Durchschnitt ist Plus eine Komponente, die den gewichteten Vorhersagefehler darstellt, epsilon. Zum Zeitpunkt t. Unter der Annahme, dass eine Zeitreihe gegeben ist und eine Prognose erforderlich ist, ist ein Wert für Alpha erforderlich. Dies kann aus den vorhandenen Daten abgeschätzt werden, indem die Summe der quadratischen Vorhersagefehler mit variierenden Werten von alpha für jedes t 2,3 ausgewertet wird. Einstellung der ersten Schätzung als der erste beobachtete Datenwert x 1. Bei den Steuerungsanwendungen ist der Wert von alpha wichtig, der bei der Bestimmung der oberen und unteren Kontrollgrenzen verwendet wird und die erwartete durchschnittliche Lauflänge (ARL) beeinflusst Bevor diese Kontrollgrenzen kaputt sind (unter der Annahme, dass die Zeitreihe einen Satz von zufälligen, identisch verteilten unabhängigen Variablen mit gemeinsamer Varianz darstellt). Unter diesen Umständen ist die Varianz der Kontrollstatistik: (Lucas und Saccucci, 1990): Kontrollgrenzen werden gewöhnlich als feste Vielfache dieser asymptotischen Varianz gesetzt, z. B. - 3 mal die Standardabweichung. Wenn beispielsweise Alpha 0,25 und die zu überwachenden Daten eine Normalverteilung N (0,1) haben, wenn die Kontrolle begrenzt wird, werden die Regelgrenzen - 1.134 sein und der Prozeß erreicht eine oder andere Grenze in 500 Schritten im Durchschnitt. Lucas und Saccucci (1990 LUC1) leiten die ARLs für eine breite Palette von Alpha-Werten und unter verschiedenen Annahmen mit Markov Chain Verfahren ab. Sie tabellieren die Ergebnisse, einschließlich der Bereitstellung von ARLs, wenn der Mittelwert des Kontrollprozesses um ein Vielfaches der Standardabweichung verschoben wurde. Zum Beispiel ist bei einer 0,5-Schicht mit alpha 0,25 die ARL weniger als 50 Zeitschritte. Die oben beschriebenen Ansätze werden als einzelne exponentielle Glättung bezeichnet. Da die Prozeduren einmal auf die Zeitreihen angewendet werden und dann analysiert oder kontrolliert werden, werden Prozesse auf dem resultierenden geglätteten Datensatz durchgeführt. Wenn der Datensatz einen Trend und saisonale Komponenten enthält, kann eine zweidimensionale oder dreistufige Exponentialglättung als Mittel zur Beseitigung (expliziten Modellierung) dieser Effekte angewendet werden (siehe weiter unten den Abschnitt "Vorhersage" und das NIST-Beispiel). CHA1 Chatfield C (1975) Die Analyse der Times-Serie: Theorie und Praxis. Chapman und Hall, London HUN1 Hunter J S (1986) Der exponentiell gewichtete gleitende Durchschnitt. J von Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) Exponentiell gewichtete Moving Average Control Schemes: Eigenschaften und Erweiterungen. Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) Kontrolltabelle Tests basierend auf geometrischen Moving Averages. Technometrics, 1, 239-250Stata: Datenanalyse und statistische Software Nicholas J. Cox, Durham University, Großbritannien Christopher Baum, Boston College egen, ma () und seine Einschränkungen Statarsquos am offensichtlichsten Befehl für die Berechnung der gleitenden Mittelwerte ist die ma () - Funktion von Egen Angesichts eines Ausdrucks, schafft es einen - periodischen gleitenden Durchschnitt dieses Ausdrucks. Standardmäßig wird als 3. ungerade genommen. Jedoch kann, wie der manuelle Eintrag anzeigt, egen, ma () nicht mit varlist kombiniert werden:. Und aus diesem Grund allein gilt es nicht für Paneldaten. In jedem Fall steht es außerhalb des Satzes von Befehlen, die speziell für Zeitreihen geschrieben sind, siehe Zeitreihen für Details. Alternative Ansätze Um berechnende Durchschnitte für Panel-Daten zu berechnen, gibt es mindestens zwei Möglichkeiten. Beide hängen davon ab, dass der Datensatz vorher gesendet wurde. Das lohnt sich nicht nur: Sie können sich nicht nur wiederholt spezifizieren, um die Variable und die Zeitvariable zu bestimmen, aber Stata verhält sich scharf zwischen den Lücken. 1. Schreiben Sie Ihre eigene Definition mit generieren Verwenden von Zeitreihenoperatoren wie L. und F.. Geben Sie die Definition des gleitenden Durchschnitts als Argument einer generierten Anweisung an. Wenn Sie dies tun, sind Sie natürlich nicht auf die gleichgewichteten (ungewichteten) zentrierten gleitenden Durchschnitte, die von egen, ma () berechnet wurden, beschränkt. Zum Beispiel werden gleichgewichtete dreiseitige gleitende Durchschnitte gegeben und manche Gewichte können leicht angegeben werden: Sie können natürlich auch einen Ausdruck wie log (myvar) anstelle eines Variablennamens wie myvar angeben. Ein großer Vorteil dieses Ansatzes ist, dass Stata automatisch die richtige Sache für Panel-Daten macht: führende und nacheilende Werte werden in Panels ausgearbeitet, genauso wie Logik diktiert sie sein sollte. Der bemerkenswerteste Nachteil ist, dass die Kommandozeile ziemlich lang werden kann, wenn der gleitende Durchschnitt mehrere Begriffe beinhaltet. Ein weiteres Beispiel ist ein einseitiger gleitender Durchschnitt, der nur auf vorherigen Werten basiert. Dies könnte nützlich sein, um eine adaptive Erwartung zu schaffen, was eine Variable nur auf Informationen aktuell basiert: Was könnte jemand prognostizieren für die aktuelle Periode auf der Grundlage der letzten vier Werte, mit einem festen Gewichtung Schema (eine 4-Periode Verzögerung könnte sein Besonders häufig mit vierteljährlichen Zeiträumen verwendet.) 2. Verwenden Sie egen, filter () aus SSC Verwenden Sie den benutzerdefinierten egen-Funktionsfilter () aus dem egenmore-Paket auf SSC. In Stata 7 (aktualisiert nach dem 14. November 2001) können Sie dieses Paket installieren, nach welcher Hilfe egenmore auf Details zu filter () verweist. Die beiden obigen Beispiele würden gerendert (in diesem Vergleich ist der Generatoransatz vielleicht transparenter, aber wir sehen ein Beispiel für das Gegenteil in einem Moment.) Die Lags sind eine Numlist. Führt zu negativen Verzögerungen: In diesem Fall -11 dehnt sich auf -1 0 1 oder Blei 1, lag 0, lag 1. Die Coef ficients, eine andere numlist, multiplizieren die entsprechenden hinteren oder führenden Elemente: In diesem Fall sind diese Elemente F1.myvar . Myvar und L1.myvar Die Wirkung der Normalisierungsoption besteht darin, jeden Koeffizienten durch die Summe der Koeffizienten so zu skalieren, daß Coef (1 1 1) normalisiert ist, äquivalent zu Koeffizienten von 13 13 13 und Coef (1 2 1) Normalisierung äquivalent zu Koeffizienten von 14 12 14 ist Sie müssen nicht nur die Verzögerungen angeben, sondern auch die Koeffizienten. Weil egen, ma () den gleich gewichteten Fall liefert, ist die Hauptgrundlage für egen, filter (), den ungleich gewichteten Fall zu unterstützen, für den Sie Koeffizienten angeben müssen. Es könnte auch gesagt werden, dass die Verpflichtung der Benutzer, Koeffizienten anzugeben, ein wenig zusätzlicher Druck auf sie ist, darüber nachzudenken, welche Koeffizienten sie wollen. Die Hauptberechtigung für gleiche Gewichte ist, wir vermuten, Einfachheit, aber gleiche Gewichte haben lausige Frequenzdomäneneigenschaften, um nur eine Betrachtung zu erwähnen. Das dritte Beispiel oben könnte entweder so genauso kompliziert sein wie der generierte Ansatz. Es gibt Fälle, in denen egen, filter () gibt eine einfachere Formulierung als zu generieren. Wenn Sie einen neunfristigen Binomialfilter wünschen, welche Klimatologen nützlich sind, dann sieht es vielleicht weniger schrecklich aus als und einfacher, sich richtig zu machen, genauso wie bei der generierten Annäherung egen, filter () funktioniert ordnungsgemäß mit Panel-Daten. In der Tat, wie oben erwähnt, hängt es davon ab, dass der Datensatz vorher gesendet wurde. Eine grafische Spitze Nach der Berechnung Ihrer gleitenden Durchschnitte, werden Sie wahrscheinlich wollen, um einen Graphen zu betrachten. Der benutzerdefinierte Befehl tsgraph ist schlau über Tattendatensätze. Installiere es in einem up-to-date Stata 7 von ssc inst tsgraph. Was ist mit der Abrechnung, wenn keines der obigen Beispiele von Einschränkungen Gebrauch macht. Tatsächlich wird es nicht möglich sein, Gelegentlich Menschen wollen, wenn bei der Berechnung der gleitenden Durchschnitte zu verwenden, aber seine Verwendung ist ein wenig komplizierter als es in der Regel ist. Was würden Sie von einem gleitenden Durchschnitt erwarten, mit dem berechnet. Lassen Sie uns zwei Möglichkeiten identifizieren: Schwache Interpretation: Ich möchte keine Ergebnisse für die ausgeschlossenen Beobachtungen sehen. Starke Interpretation: Ich möchte gar nicht, dass du die Werte für die ausgeschlossenen Beobachtungen nimmst. Hier ist ein konkretes Beispiel. Angenommen, als Folge von einigen, wenn Bedingung, sind Beobachtungen 1-42 enthalten, aber nicht Beobachtungen 43 auf. Aber der gleitende Durchschnitt für 42 hängt unter anderem von dem Wert für die Beobachtung ab, wenn der Durchschnitt sich rückwärts und vorwärts erstreckt und mindestens 3 beträgt, und es wird in einigen Fällen auch von einigen der Beobachtungen abhängen. Unsere Vermutung ist, dass die meisten Leute für die schwache Interpretation gehen würden, aber ob das richtig ist, egen, filter () nicht, wenn entweder. Sie können immer ignorieren, was Sie donrsquot wollen oder sogar unerwünschte Werte festlegen, um danach zu fehlen, indem Sie ersetzen. Ein Hinweis auf fehlende Ergebnisse an den Enden der Serie Weil gleitende Mittelwerte Funktionen von Verzögerungen und Leads sind, erzeugt egen, ma () fehlt, wo die Verzögerungen und Leads nicht existieren, am Anfang und am Ende der Serie. Eine Option nomiss zwingt die Berechnung von kürzeren, nicht beeinträchtigten gleitenden Durchschnitten für die Schwänze. Im Gegensatz dazu weder generieren noch egen, filter () tut, oder erlaubt, etwas Besonderes, um fehlende Ergebnisse zu vermeiden. Wenn einer der für die Berechnung benötigten Werte fehlt, fehlt dieses Ergebnis. Es liegt an den Anwendern, zu entscheiden, ob und welche Korrekturchirurgie für solche Beobachtungen erforderlich ist, vermutlich nach dem Betrachten des Datensatzes und unter Berücksichtigung einer zugrunde liegenden Wissenschaft, die zu tragen ist.
No comments:
Post a Comment