Wyk\u0142adnicza \u015brednia krocz\u0105ca<\/strong> to rodzaj \u015bredniej ruchomej, kt\u00f3ra przywi\u0105zuje wi\u0119ksz\u0105 wag\u0119 do ostatnich obserwacji, co oznacza, \u017ce jest w stanie szybciej uchwyci\u0107 najnowsze trendy.<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak obliczy\u0107 wyk\u0142adnicz\u0105 \u015bredni\u0105 krocz\u0105c\u0105 w R.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 danych w R:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji movavg()<\/a> z pakietu Pracma<\/strong> , aby obliczy\u0107 wyk\u0142adniczo wa\u017con\u0105 \u015bredni\u0105 ruchom\u0105 dla pewnej liczby poprzednich okres\u00f3w.<\/span><\/p>\n Ta funkcja wykorzystuje nast\u0119puj\u0105c\u0105 sk\u0142adni\u0119:<\/span><\/p>\n movavg(x, n, typ=c(\u201es\u201d, \u201et\u201d, \u201ew\u201d, \u201em\u201d, \u201ee\u201d, \u201er\u201d))<\/strong><\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Na przyk\u0142ad, oto jak obliczy\u0107 wyk\u0142adnicz\u0105 wa\u017con\u0105 \u015bredni\u0105 ruchom\u0105 na podstawie poprzednich czterech okres\u00f3w:<\/span><\/p>\n Mo\u017cemy r\u00f3wnie\u017c u\u017cy\u0107 biblioteki wizualizacji ggplot2 do wizualizacji sprzeda\u017cy w stosunku do 4-dniowej wyk\u0142adniczej \u015bredniej krocz\u0105cej:<\/span> <\/p>\n Czerwona linia pokazuje sprzeda\u017c w ka\u017cdym okresie, a niebieska linia pokazuje wyk\u0142adnicz\u0105 wa\u017con\u0105 \u015bredni\u0105 ruchom\u0105.<\/span><\/p>\n Jak wykre\u015bli\u0107 wiele kolumn w R<\/a> W analizie szereg\u00f3w czasowych \u015brednia ruchoma jest po prostu \u015bredni\u0105 warto\u015bci\u0105 kilku poprzednich okres\u00f3w. Wyk\u0142adnicza \u015brednia krocz\u0105ca to rodzaj \u015bredniej ruchomej, kt\u00f3ra przywi\u0105zuje wi\u0119ksz\u0105 wag\u0119 do ostatnich obserwacji, co oznacza, \u017ce jest w stanie szybciej uchwyci\u0107 najnowsze trendy. W tym samouczku wyja\u015bniono, jak obliczy\u0107 wyk\u0142adnicz\u0105 \u015bredni\u0105 krocz\u0105c\u0105 w R. Przyk\u0142ad: wyk\u0142adnicza \u015brednia krocz\u0105ca w R […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1158","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: wyk\u0142adnicza \u015brednia krocz\u0105ca w R<\/strong><\/h3>\n
#create data frame<\/span>\ndf <- data.frame(period=1:10,\n sales=c(25, 20, 14, 16, 27, 20, 12, 15, 14, 19))\n\n#view data frame<\/span>\ndf\n\n period sales\n1 1 25\n2 2 20\n3 3 14\n4 4 16\n5 5 27\n6 6 20\n7 7 12\n8 8 15\n9 9 14\n10 10 19\n<\/strong><\/pre>\n\n
library<\/span> (pracma)<\/span>\n\n#create new column to hold 4-day exponentially weighted moving average<\/span>\ndf$EWM_4day <- movavg<\/span> (df$sales, n=4, type=' e<\/span> ')\n\n#view DataFrame<\/span> \ndf\n\n period sales 4dayEWM\n0 1 25 25.000000\n1 2 20 23.000000\n2 3 14 19.400000\n3 4 16 18.040000\n4 5 27 21.624000\n5 6 20 20.974400\n6 7 12 17.384640\n7 8 15 16.430784\n8 9 14 15.458470\n9 10 19 16.875082<\/strong><\/pre>\n library<\/span> (ggplot2)\nlibrary<\/span> (reshape2)\n\n#melt data into format for easy plotting\n<\/span>df <- melt<\/span> (df, id.vars = ' period<\/span> ', variable.name = ' series<\/span> ')\n\n#plot sales vs. 4-day exponentially weighted moving average\n<\/span>ggplot(df, aes<\/span> (period, value)) +\n geom_line( aes<\/span> (color=series))\n<\/strong><\/span><\/pre>\n![\"Wyk\u0142adniczo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ewma1.png\")
<\/p>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak u\u015brednia\u0107 kolumny w R<\/a>
Jak obliczy\u0107 \u015bredni\u0105 na grup\u0119 w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"