Os modelos ARIMA são, em teoria, a classe mais geral de modelos para prever uma série de tempo que pode ser feita para ser 8220stationary8221 por diferenciação (se necessário), talvez Em conjunto com transformações não-lineares, como logging ou deflação (se necessário). Uma variável aleatória que é uma série de tempo é estacionária se suas propriedades estatísticas são todas constantes ao longo do tempo. Uma série estacionária não tem tendência, suas variações em torno de sua média têm uma amplitude constante, e ele se move de forma consistente. Isto é, os seus padrões de tempo aleatório a curto prazo têm sempre o mesmo aspecto num sentido estatístico. Esta última condição significa que suas autocorrelações (correlações com seus próprios desvios prévios em relação à média) permanecem constantes ao longo do tempo, ou de forma equivalente, que seu espectro de poder permanece constante ao longo do tempo. Uma variável aleatória desta forma pode ser vista (como de costume) como uma combinação de sinal e ruído, eo sinal (se for aparente) poderia ser um padrão de reversão média rápida ou lenta, ou oscilação sinusoidal, ou rápida alternância no sinal , E poderia também ter uma componente sazonal. Um modelo ARIMA pode ser visto como um 8220filter8221 que tenta separar o sinal do ruído, e o sinal é então extrapolado para o futuro para obter previsões. A equação de previsão de ARIMA para uma série de tempo estacionária é uma equação linear (isto é, tipo de regressão) na qual os preditores consistem em atrasos da variável dependente e / ou atrasos dos erros de previsão. Ou seja: Valor previsto de Y uma constante e / ou uma soma ponderada de um ou mais valores recentes de Y e / ou uma soma ponderada de um ou mais valores recentes dos erros. Se os preditores consistem apenas em valores defasados de Y., é um modelo autoregressivo puro (8220 auto-regressado8221), que é apenas um caso especial de um modelo de regressão e que poderia ser equipado com software de regressão padrão. Por exemplo, um modelo autoregressivo de primeira ordem (8220AR (1) 8221) para Y é um modelo de regressão simples no qual a variável independente é apenas Y retardada por um período (LAG (Y, 1) em Statgraphics ou YLAG1 em RegressIt). Se alguns dos preditores são defasagens dos erros, um modelo ARIMA não é um modelo de regressão linear, porque não há maneira de especificar o erro 8222 como uma variável independente: os erros devem ser calculados em base período a período Quando o modelo é ajustado aos dados. Do ponto de vista técnico, o problema com o uso de erros defasados como preditores é que as previsões do modelo não são funções lineares dos coeficientes. Mesmo que sejam funções lineares dos dados passados. Portanto, os coeficientes em modelos ARIMA que incluem erros retardados devem ser estimados por métodos de otimização não-lineares (8220hill-climbing8221) ao invés de apenas resolver um sistema de equações. O acrônimo ARIMA significa Auto-Regressive Integrated Moving Average. Lags das séries estacionalizadas na equação de previsão são chamados de termos quotautorregressivos, os atrasos dos erros de previsão são chamados de quotmoving termos médios e uma série de tempo que precisa ser diferenciada para ser estacionária é dito ser uma versão quotintegrada de uma série estacionária. Modelos de Random-walk e tendência aleatória, modelos autorregressivos e modelos de suavização exponencial são casos especiais de modelos ARIMA. Um modelo ARIMA não sazonal é classificado como um modelo quotARIMA (p, d, q) quot, onde: p é o número de termos autorregressivos, d é o número de diferenças não sazonais necessárias para a estacionaridade e q é o número de erros de previsão defasados em A equação de predição. A equação de previsão é construída como se segue. Em primeiro lugar, vamos dizer a d diferença de Y. o que significa: Note que a segunda diferença de Y (o caso d2) não é a diferença de 2 períodos atrás. Pelo contrário, é a primeira diferença de primeira diferença. Que é o análogo discreto de uma segunda derivada, isto é, a aceleração local da série em vez da sua tendência local. Em termos de y. A equação de previsão geral é: Aqui os parâmetros da média móvel (9528217s) são definidos de modo que seus sinais sejam negativos na equação, seguindo a convenção introduzida por Box e Jenkins. Alguns autores e software (incluindo a linguagem de programação R) definem-los para que eles tenham mais sinais em vez disso. Quando números reais são conectados à equação, não há ambigüidade, mas é importante saber qual convenção seu software usa quando está lendo a saída. Muitas vezes os parâmetros são indicados por AR (1), AR (2), 8230 e MA (1), MA (2), 8230, etc. Para identificar o modelo ARIMA apropriado para Y. você começa por determinar a ordem de diferenciação (D) a necessidade de estacionarizar a série e remover as características brutas da sazonalidade, talvez em conjunto com uma transformação estabilizadora de variância, como a extração madeireira ou a deflação. Se você parar neste ponto e prever que a série diferenciada é constante, você tem apenas montado uma caminhada aleatória ou modelo de tendência aleatória. No entanto, a série estacionária pode ainda ter erros autocorrelacionados, sugerindo que algum número de termos AR (p 8805 1) e / ou alguns termos MA (q 8805 1) também são necessários na equação de previsão. O processo de determinar os valores de p, d e q que são melhores para uma dada série temporal será discutido em seções posteriores das notas (cujos links estão no topo desta página), mas uma prévia de alguns dos tipos De modelos não-sazonais ARIMA que são comumente encontrados é dada abaixo. ARIMA (1,0,0) modelo autoregressivo de primeira ordem: se a série é estacionária e autocorrelacionada, talvez possa ser predita como um múltiplo de seu próprio valor anterior, mais uma constante. A equação de previsão neste caso é 8230, que é regressão Y sobre si mesma retardada por um período. Este é um modelo 8220ARIMA (1,0,0) constant8221. Se a média de Y for zero, então o termo constante não seria incluído. Se o coeficiente de inclinação 981 1 for positivo e menor que 1 em magnitude (ele deve ser menor que 1 em magnitude se Y estiver parado), o modelo descreve o comportamento de reversão de média no qual o valor do próximo período deve ser 981 vezes 1 Longe da média como valor deste período. Se 981 1 for negativo, ele prevê o comportamento de reversão de média com alternância de sinais, isto é, também prevê que Y estará abaixo do próximo período médio se estiver acima da média neste período. Em um modelo autorregressivo de segunda ordem (ARIMA (2,0,0)), haveria um termo Y t-2 à direita também, e assim por diante. Dependendo dos sinais e magnitudes dos coeficientes, um modelo ARIMA (2,0,0) poderia descrever um sistema cuja reversão média ocorre de forma sinusoidal oscilante, como o movimento de uma massa sobre uma mola submetida a choques aleatórios . Se a série Y não for estacionária, o modelo mais simples possível para ela é um modelo randômico randômico, que pode ser considerado como um caso limitante de um modelo AR (1) em que o modelo autorregressivo Coeficiente é igual a 1, ou seja, uma série com reversão média infinitamente lenta. A equação de predição para este modelo pode ser escrita como: onde o termo constante é a variação média período-período (ou seja, a deriva a longo prazo) em Y. Este modelo poderia ser montado como um modelo de regressão sem interceptação em que o A primeira diferença de Y é a variável dependente. Uma vez que inclui (apenas) uma diferença não sazonal e um termo constante, é classificada como um modelo de ARIMA (0,1,0) com constante. quot O modelo randômico-sem-desvio seria um ARIMA (0,1, 0) sem constante ARIMA (1,1,0) modelo autoregressivo de primeira ordem diferenciado: Se os erros de um modelo de caminhada aleatória são autocorrelacionados, talvez o problema possa ser corrigido adicionando um lag da variável dependente à equação de predição - Eu Pela regressão da primeira diferença de Y sobre si mesma retardada por um período. Isto resultaria na seguinte equação de predição: que pode ser rearranjada para Este é um modelo autorregressivo de primeira ordem com uma ordem de diferenciação não sazonal e um termo constante - isto é. Um modelo ARIMA (1,1,0). ARIMA (0,1,1) sem suavização exponencial simples constante: Uma outra estratégia para corrigir erros autocorrelacionados em um modelo de caminhada aleatória é sugerida pelo modelo de suavização exponencial simples. Lembre-se que para algumas séries temporais não-estacionárias (por exemplo, as que exibem flutuações barulhentas em torno de uma média de variação lenta), o modelo de caminhada aleatória não funciona tão bem quanto uma média móvel de valores passados. Em outras palavras, ao invés de tomar a observação mais recente como a previsão da próxima observação, é melhor usar uma média das últimas observações para filtrar o ruído e estimar com mais precisão a média local. O modelo de suavização exponencial simples usa uma média móvel exponencialmente ponderada de valores passados para conseguir esse efeito. A equação de predição para o modelo de suavização exponencial simples pode ser escrita em um número de formas matematicamente equivalentes. Uma das quais é a chamada 8220error correction8221, na qual a previsão anterior é ajustada na direção do erro que ela fez: Como e t-1 Y t-1 - 374 t-1 por definição, isso pode ser reescrito como : Que é uma equação de previsão ARIMA (0,1,1) sem constante com 952 1 1 - 945. Isso significa que você pode ajustar uma suavização exponencial simples especificando-a como um modelo ARIMA (0,1,1) sem Constante, eo coeficiente MA (1) estimado corresponde a 1-menos-alfa na fórmula SES. Lembre-se que no modelo SES, a idade média dos dados nas previsões de 1 período antecipado é de 1 945, o que significa que tendem a ficar aquém das tendências ou pontos de viragem em cerca de 1 945 períodos. Segue-se que a média de idade dos dados nas previsões de 1 período de um modelo ARIMA (0,1,1) sem constante é de 1 (1 - 952 1). Assim, por exemplo, se 952 1 0,8, a idade média é 5. Quando 952 1 aproxima-se de 1, o modelo ARIMA (0,1,1) sem constante torna-se uma média móvel de muito longo prazo e como 952 1 Aproxima-se 0 torna-se um modelo randômico-caminhada-sem-deriva. Nos dois modelos anteriores discutidos acima, o problema dos erros autocorrelacionados em um modelo de caminhada aleatória foi fixado de duas maneiras diferentes: adicionando um valor defasado da série diferenciada Para a equação ou adicionando um valor defasado do erro de previsão. Qual abordagem é a melhor Uma regra para esta situação, que será discutida em mais detalhes mais adiante, é que a autocorrelação positiva é geralmente melhor tratada pela adição de um termo AR para o modelo e autocorrelação negativa é geralmente melhor tratada pela adição de um MA termo. Nas séries econômicas e de negócios, a autocorrelação negativa muitas vezes surge como um artefato de diferenciação. Portanto, o modelo ARIMA (0,1,1), no qual a diferenciação é acompanhada por um termo de MA, é mais freqüentemente usado do que um modelo de auto-correlação positiva. Modelo ARIMA (1,1,0). ARIMA (0,1,1) com suavização exponencial simples constante com crescimento: Ao implementar o modelo SES como um modelo ARIMA, você realmente ganha alguma flexibilidade. Em primeiro lugar, o coeficiente MA (1) estimado pode ser negativo. Isto corresponde a um factor de suavização maior do que 1 num modelo SES, o que normalmente não é permitido pelo procedimento de ajustamento do modelo SES. Em segundo lugar, você tem a opção de incluir um termo constante no modelo ARIMA se desejar, para estimar uma tendência média não-zero. O modelo ARIMA (0,1,1) com constante tem a equação de predição: As previsões de um período de adiantamento deste modelo são qualitativamente semelhantes às do modelo SES, exceto que a trajetória das previsões de longo prazo é tipicamente uma Inclinada (cuja inclinação é igual a mu) em vez de uma linha horizontal. ARIMA (0,2,1) ou (0,2,2) sem suavização exponencial linear constante: Os modelos lineares de suavização exponencial são modelos ARIMA que utilizam duas diferenças não sazonais em conjunto com os termos MA. A segunda diferença de uma série Y não é simplesmente a diferença entre Y e ela mesma retardada por dois períodos, mas sim é a primeira diferença da primeira diferença - i. e. A mudança na mudança de Y no período t. Assim, a segunda diferença de Y no período t é igual a (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Uma segunda diferença de uma função discreta é análoga a uma segunda derivada de uma função contínua: ela mede a quotaccelerationquot ou quotcurvaturequot na função em um dado ponto no tempo. O modelo ARIMA (0,2,2) sem constante prevê que a segunda diferença da série é igual a uma função linear dos dois últimos erros de previsão: que pode ser rearranjada como: onde 952 1 e 952 2 são MA (1) e MA (2) coeficientes. Este é um modelo de suavização exponencial linear geral. Essencialmente o mesmo que Holt8217s modelo, e Brown8217s modelo é um caso especial. Ele usa médias móveis exponencialmente ponderadas para estimar um nível local e uma tendência local na série. As previsões a longo prazo deste modelo convergem para uma linha recta cujo declive depende da tendência média observada no final da série. ARIMA (1,1,2) sem suavização exponencial linear de tendência amortecida constante. Este modelo é ilustrado nos slides acompanhantes nos modelos ARIMA. Ele extrapola a tendência local no final da série, mas aplana-lo em horizontes de previsão mais longos para introduzir uma nota de conservadorismo, uma prática que tem apoio empírico. Veja o artigo sobre "Por que a tendência de amortecimento" trabalha por Gardner e McKenzie e o artigo de "Rule of Gold" de Armstrong et al. para detalhes. É geralmente aconselhável aderir a modelos nos quais pelo menos um de p e q não é maior do que 1, ou seja, não tente encaixar um modelo como ARIMA (2,1,2), uma vez que isto é susceptível de conduzir a sobre-adaptação E quotcommon-factorquot questões que são discutidas em mais detalhes nas notas sobre a estrutura matemática dos modelos ARIMA. Implementação de planilhas: modelos ARIMA como os descritos acima são fáceis de implementar em uma planilha. A equação de predição é simplesmente uma equação linear que se refere a valores passados de séries temporais originais e valores passados dos erros. Assim, você pode configurar uma planilha de previsão ARIMA armazenando os dados na coluna A, a fórmula de previsão na coluna B e os erros (dados menos previsões) na coluna C. A fórmula de previsão em uma célula típica na coluna B seria simplesmente Uma expressão linear referente a valores nas linhas precedentes das colunas A e C, multiplicada pelos coeficientes AR ou MA apropriados armazenados em células em outra parte da folha de cálculo. Kaufman039s Média Móvel Adaptativa (KAMA) Kaufman039s Média Móvel Adaptativa (KAMA) Introdução Desenvolvido por Perry Kaufman , Kaufman039s Adaptive Moving Average (KAMA) é uma média móvel projetada para contabilizar o ruído do mercado ou volatilidade. A KAMA acompanhará de perto os preços quando os balanços de preços forem relativamente pequenos eo ruído é baixo. A KAMA se ajustará quando as oscilações dos preços aumentarem e seguirem os preços de uma distância maior. Este indicador de tendência pode ser usado para identificar a tendência geral, os pontos de mudança de tempo e os movimentos dos preços dos filtros. Cálculo Existem várias etapas necessárias para calcular a média móvel adaptativa Kaufman039s. Let039s primeiro comece com as configurações recomendadas por Perry Kaufman, que são KAMA (10,2,30). 10 é o número de períodos para o Índice de Eficiência (ER). 2 é o número de períodos para a constante EMA mais rápida. 30 é o número de períodos para a constante EMA mais lenta. Antes de calcular o KAMA, precisamos calcular a Relação de Eficiência (ER) e a Constante de Suavização (SC). Dividindo a fórmula em pepitas de tamanho de mordida torna mais fácil entender a metodologia por trás do indicador. Note que ABS significa Absolute Value. Rácio de Eficiência (ER) O ER é basicamente a variação de preço ajustada para a volatilidade diária. Em termos estatísticos, o Índice de Eficiência indica a eficiência fractal das mudanças de preços. ER flutua entre 1 e 0, mas estes extremos são a exceção, não a norma. ER seria 1 se os preços subiram 10 períodos consecutivos ou para baixo 10 períodos consecutivos. ER seria zero se o preço for inalterado ao longo dos 10 períodos. Constante de suavização (SC) A constante de suavização utiliza a ER e duas constantes de suavização com base numa média móvel exponencial. Como você deve ter notado, a constante de suavização está usando as constantes de suavização para uma média móvel exponencial em sua fórmula. (2301) é a constante de suavização para um EMA de 30 períodos. O SC mais rápido é a constante de suavização para EMA mais curto (2 períodos). O SC mais lento é a constante de suavização para o EMA mais lento (30 períodos). Note que o 2 no final é quadrado a equação. Com a Relação de Eficiência (ER) ea Constante de Suavização (SC), estamos agora prontos para calcular a Média Móvel Adaptativa (KAMA) de Kaufman. Como precisamos de um valor inicial para iniciar o cálculo, o primeiro KAMA é apenas uma média móvel simples. Os cálculos a seguir são baseados na fórmula abaixo. Calculation ExampleChart As imagens abaixo mostram uma captura de tela de uma planilha do Excel usada para calcular o KAMA e o correspondente gráfico QQQ. Uso e Sinais Os cartistas podem usar KAMA como qualquer outra tendência seguinte indicador, como uma média móvel. Os cartistas podem procurar cruzamentos de preços, mudanças direcionais e sinais filtrados. Primeiro, uma cruz acima ou abaixo KAMA indica mudanças direcionais nos preços. Tal como acontece com qualquer média móvel, um sistema de crossover simples irá gerar muitos sinais e lotes de whipsaws. Chartists pode reduzir whipsaws aplicando um filtro de preço ou tempo para os crossovers. Pode-se exigir preço para segurar a cruz para definir o número de dias ou exigir a cruz exceder KAMA por percentagem conjunto. Em segundo lugar, os cartistas podem usar a direção da KAMA para definir a tendência geral para uma segurança. Isso pode exigir um ajuste de parâmetro para suavizar o indicador ainda mais. Os cartistas podem alterar o parâmetro do meio, que é a constante EMA mais rápida, para suavizar o KAMA e procurar mudanças direcionais. A tendência é para baixo, enquanto KAMA está caindo e forjando menores baixos. A tendência é para cima, enquanto KAMA está subindo e forjando mais altos. O exemplo de Kroger abaixo mostra KAMA (10,5,30) com uma tendência de alta acentuada de dezembro a março e uma tendência de alta menos acentuada de maio a agosto. E finalmente, os chartists podem combinar sinais e técnicas. Os cartistas podem usar um KAMA de longo prazo para definir a tendência maior e um KAMA de curto prazo para sinais de negociação. Por exemplo, KAMA (10, 5, 30) pode ser usado como um filtro de tendência e ser considerado otimista quando subir. Depois de otimista, os cartistas poderiam então olhar para as cruzes de alta quando o preço se move acima de KAMA (10,2,30). O exemplo abaixo mostra MMM com um aumento no longo prazo KAMA e cruzes de alta em dezembro, janeiro e fevereiro. A KAMA de longo prazo recusou-se em abril e houve cruzes de baixa nos meses de maio, junho e julho. O SharpCharts KAMA pode ser encontrado como uma sobreposição de indicadores no Workbench SharpCharts. As configurações padrão aparecerão automaticamente na caixa de parâmetros depois de selecionada e os chartists podem alterar esses parâmetros de acordo com suas necessidades analíticas. O primeiro parâmetro é para a Eficiência Ratio e chartists deve abster-se de aumentar este número. Em vez disso, os cartistas podem diminuí-la para aumentar a sensibilidade. Os cartistas que procuram alisar a KAMA para análise de tendência a longo prazo podem aumentar o parâmetro médio de forma incremental. Mesmo que a diferença é apenas 3, KAMA (10,5,30) é significativamente mais suave do que KAMA (10,2,30). Estudo Adicional Do criador, o livro abaixo oferece informações detalhadas sobre indicadores, programas, algoritmos e sistemas, incluindo detalhes sobre KAMA e outros sistemas de média móvel. Sistemas e Métodos de Negociação Perry KaufmanCriação de um Produto de Cálculo Rolante: Tableau Versão (s) da Área de Trabalho: 8.3, 8.2, 8.1, 8.0 Data da Última Modificação: 16 de agosto de 2017 Nota do artigo: Este artigo não é mais mantido ativamente pelo Tableau. Continuamos a disponibilizá-la porque a informação ainda é valiosa, mas alguns passos podem variar devido a alterações no produto. Cálculos de rolamento, especificamente médias móveis, são muitas vezes úteis para puxar outliers únicos e suavizar as flutuações de curto prazo. As médias móveis são freqüentemente realizadas em dados de séries temporais. Nas vendas no varejo, este cálculo é útil para aplanar as tendências de vendas sazonais para ver melhores tendências de longo prazo. Este exemplo orienta você através da criação de planilhas para mostrar as vendas semanais e as médias de vendas semanais, comparando-as lado a lado em um painel e comparando-as em uma sobreposição. Configurar uma planilha para mostrar médias semanais de anos Abra uma nova pasta de trabalho e conecte-se ao exemplo Superstore. No painel de dimensões, arraste Data de encomenda para a plataforma Colunas e, em seguida, arraste uma segunda instância para a área de armazenamento Filtros. Na caixa de diálogo Campo de filtro, selecione Anos e, em seguida, clique em Avançar. Na caixa de diálogo Filtro, desmarque as caixas de seleção para todos os anos, exceto 2017 e, em seguida, clique em OK. Na Prateleira de Colunas, no menu suspenso Ano (Data da Ordem), selecione Mais gt Personalizado. Na caixa de diálogo Data personalizada, na lista de detalhes, selecione números de semana. Em seguida, selecione Parte da data. E clique em OK. No painel Medidas, arraste as vendas para a prateleira Linhas. Na Prateleira Linhas, clique com o botão direito do mouse em Vendas. E selecione Adicionar cálculo da tabela. Na caixa de diálogo Tabela de cálculo, conclua as seguintes etapas: Na lista Tipo de cálculo, selecione Cálculo móvel. Na lista Resumir valores usando, selecione Média. Para vendas médias nas três semanas anteriores, deixe valores anteriores definidos como 2. Deixe o Next Values definido como 0. E mantenha a caixa de seleção Incluir valor atual selecionada. Clique em OK. Clique com o botão direito do mouse na guia da planilha, selecione Renomear planilha. E nomeie-o 2017 semana semanal das vendas. Criar uma planilha para mostrar datas em vez de números de semana Você pode usar um campo calculado para agrupar todas as datas em um período especificado. Para o Tableau Desktop 7.0 e 8.0, clique com o botão direito do mouse na guia da planilha e selecione Duplicar folha. Para o Tableau Desktop 6.1 e versões anteriores, selecione Editar gt Duplicate Sheet. Na nova planilha, selecione Análise gt Criar campo calculado. Na caixa de diálogo Campo calculado, conclua as etapas a seguir. DATETRUNC (39week39, Order Date) Confirme se a mensagem de status indica que a fórmula é válida e, em seguida, clique em OK. No painel Dimensões, arraste Weektrunc para a prateleira Colunas. Tableau Desktop 7.0 e 8.0: Na prateleira Colunas, clique com o botão direito do mouse ANO (Weektrunc). E selecione Data exata. Tableau Desktop 6.1 e anteriores: Na aba Columns, clique com o botão direito do mouse em YEAR (Weektrunc) e selecione All Values. Na prateleira Colunas, clique com o botão direito do mouse em SEMANA (Data da ordem) e selecione Remover. Clique com o botão direito do mouse na guia da planilha, selecione Renomear planilha. E nomeie a folha de trabalho 2017 Weekly Sales. Compare as vendas regulares com a média móvel Para comparar as vendas regulares com a média móvel, crie uma folha para cada uma. Criar e renomear uma nova planilha. Tableau Desktop 7.0 e 8.0: Clique com o botão direito do mouse na guia da planilha de vendas semanais de 2017 e selecione Duplicar folha. Tableau Desktop 6.1 e anteriores: selecione a planilha de vendas semanais de 2017 e selecione Editar gt Folha duplicada. Clique com o botão direito do mouse na guia da planilha, selecione Renomear planilha. E nomeie a folha nova 2017 Vendas semanais Movendo Média. Exibir a planilha de vendas semanais de 2017 e na plataforma Linhas, clique com o botão direito do mouse em SUM (Vendas) e selecione Limpar cálculo de tabela. Agora você define o eixo y nas duas planilhas para o mesmo intervalo. Clique com o botão direito do mouse no eixo y e selecione Editar Eixo. Na caixa de diálogo Editar Eixo, efetue as seguintes alterações: Exibe a planilha de Moving Avg de 2017 Weekly Sales e faça as mesmas alterações para o eixo y. Criar um painel Complete estas etapas para criar um dashboard que mostre as duas planilhas lado a lado para comparar. Para o Tableau Desktop 7.0 e 8.0, selecione Dashboard gt New Dashboard. Para o Tableau Desktop 6.1 e versões anteriores, selecione Editar gt New Dashboard. Arraste as vendas semanais de 2017 para o painel. Arraste as vendas semanais de 2017 Movendo Méd para o painel e posicione-o à esquerda de 2017 Vendas semanais. Criar uma sobreposição Uma sobreposição é outra maneira de comparar as vendas e a média móvel. Tableau Desktop 7.0 e 8.0: Clique com o botão direito do mouse na guia de planilha de Moving Avg de 2017 Weekly Sales e selecione Duplicate Sheet. Tableau Desktop 6.1 e versões anteriores: selecione a planilha de Moving Avg de 2017 Weekly Sales e selecione Editar gt Duplicate Sheet. Na nova folha, no painel Medidas, arraste Valores de Medida para a prateleira Linhas. No painel Dimensões, arraste Medir Nomes para a prateleira Filtros. Na caixa de diálogo filtro, desmarque todas as caixas de seleção, exceto para vendas. E clique em OK. No painel Dimensões, arraste Medir Nomes para Cor no cartão Marcas. Arraste outra ocorrência de Medir Nomes do painel Dimensões para Tamanho. Cor e tamanho tornam as linhas mais fáceis de diferenciar visualmente. Dica: no Tableau 8.0, para ajustar o tamanho da marca, você também pode clicar no cartão Marks que representa um conjunto específico de marcas (em vez de Todos) e ajustar o controle deslizante Tamanho. Em seguida, faça o mesmo para o outro conjunto se você quiser diferenciá-los ainda mais. Na prateleira Linhas, arraste SUM (Vendas) para a prateleira Medir valores. Termos de pesquisa alternativos: Filtros de cálculos do Tableau Digital Obrigado por fornecer seu feedback sobre a eficácia do artigo.
No comments:
Post a Comment