Contoh Uji Coba Sas Proc Expand Moving Average

Dimulai pada Release 6.08 dari Sistem SAS, PROC EXPAND di software SASETS dapat digunakan untuk membuat berbagai transformasi data. Transformasi ini meliputi: lead, lag, weighted dan unweighted moving averages, moving sum, dan jumlah kumulatif, untuk beberapa nama. Banyak transformasi baru ditambahkan pada Release 6.12, termasuk spesifikasi terpisah untuk moving average terpusat dan terbelakang. Transformasi baru ini membuat perlu memodifikasi sintaks untuk beberapa transformasi yang didukung sebelum Release 6.12. Contoh bagaimana menentukan sintaks untuk rata-rata bergerak terpusat dan terbelakang menggunakan Release 6.11 dan yang lebih baru dan Release 6.12 dan yang lebih baru diberikan di bawah ini. PROC EXPAND dapat menghitung rata-rata pergerakan terpusat atau rata-rata bergerak ke belakang. Moving moving average 5-periode dihitung dengan merata-ratakan total 5 nilai berturut-turut dari rangkaian (nilai periode saat ini ditambah dua nilai sebelumnya dan dua nilai segera mengikuti nilai saat ini). Rentang moving average 5 periode dihitung dengan rata-rata nilai periode saat ini dengan nilai dari 4 periode sebelumnya. Sintaks berikut mengilustrasikan bagaimana menggunakan spesifikasi TRANSFORM (MOVAVE n) untuk menghitung rata-rata pergerakan terpusat 5-periode dengan menggunakan Release 6.11 atau yang lebih awal: Untuk menghitung n periodward moving average ke belakang dengan menggunakan Release 6.11 atau lebih awal, gunakan TRANSFORM (MOVAVE N LAG k), di mana k (n-1) 2 jika n aneh atau di mana k (n-2) 2 jika n genap. Misalnya, sintaks berikut mengilustrasikan bagaimana menghitung moving average 5-tingkat ke belakang dengan menggunakan Release 6.11 atau yang lebih baru: Sintaks berikut ini menggambarkan bagaimana menggunakan spesifikasi TRANSFORM (CMOVAVE n) untuk menghitung moving average 5-periode yang berpusat pada Release 6.12 atau Kemudian: Sintaks serupa berikut ini menggambarkan bagaimana menggunakan spesifikasi TRANSFORM (MOVAVE n) untuk menghitung moving average 5-tingkat ke belakang dengan menggunakan Release 6.12 atau yang lebih baru: Untuk informasi lebih lanjut, lihat Transformasi Operasi di bab EXPAND dari Panduan Pengguna SASETS. Jika Anda tidak memiliki akses ke SASETS, Anda dapat menghitung rata-rata bergerak dalam langkah DATA seperti yang digambarkan dalam program contoh ini. Sistem Operasi dan Informasi Pelepasan Saya seorang pemula SAS dan saya penasaran jika tugas berikut bisa dilakukan jauh lebih sederhana seperti saat ini di kepala saya. Saya memiliki data meta (disederhanakan) berikut di tabel bernama userdatemoney: User - Date - Uang dengan berbagai pengguna dan tanggal untuk setiap hari kalender (selama 4 tahun terakhir). Data yang dipesan oleh User ASC dan Date ASC, data sampel terlihat seperti ini: Saya sekarang ingin menghitung rata-rata pergerakan lima hari untuk Uang. Saya memulai dengan apprach yang cukup populer dengan fungsi lag () seperti ini: seperti yang Anda lihat, masalah dengan metode ini terjadi jika ada langkah data yang masuk ke pengguna baru. Aron akan mendapatkan beberapa nilai tertinggal dari Anna yang tentu saja tidak boleh terjadi. Sekarang pertanyaan saya: Saya cukup yakin Anda dapat menangani pengguna beralih dengan menambahkan beberapa bidang tambahan seperti laggeduser dan dengan mengatur ulang variabel N, Sum dan Mean jika Anda melihat tombol seperti itu tapi: Bisakah ini dilakukan dengan cara yang lebih mudah. ​​Mungkin menggunakan OLEH klausul dengan cara apapun Terima kasih atas ide dan pertolongan Anda. Cara termudah adalah menggunakan PROC EXPAND: Dan seperti yang disebutkan dalam komentar Johns, penting untuk diingat tentang nilai yang hilang (dan tentang pengamatan awal dan akhir juga). Saya telah menambahkan opsi SETMISS ke kode ini, karena Anda menjelaskan bahwa Anda ingin memberi nilai lebih rendah, tidak mengabaikannya (perilaku MOVAVE default). Dan jika Anda ingin mengecualikan pertama 4 pengamatan untuk setiap pengguna (karena mereka tidak memiliki cukup pra sejarah untuk menghitung rata-rata bergerak 5), Anda dapat menggunakan opsi TRIMLEFT 4 di dalam TRANSFORMOUT (). Jawab 3 Des 15 di 15: 29 Operasi yang dapat digunakan dalam opsi TRANSFORMIN dan TRANSFORMOUT ditunjukkan pada Tabel 14.1. Operasi diterapkan pada setiap nilai seri. Setiap nilai seri digantikan oleh hasil operasi. Pada Tabel 14.1. Atau x mewakili nilai seri pada periode waktu t sebelum transformasi diterapkan, mewakili nilai dari seri hasil, dan N mewakili jumlah total pengamatan. Notasi n menunjukkan bahwa argumen n adalah opsional defaultnya adalah 1. Jendela notasi digunakan sebagai argumen untuk operator statistik bergerak, dan ini menunjukkan bahwa Anda dapat menentukan jumlah bilangan bulat dari periode n atau daftar n bobot di Tanda kurung Urutan notasi digunakan sebagai argumen untuk operator urutan, dan ini menunjukkan bahwa Anda harus menentukan urutan angka. Notasi menunjukkan panjang musiman, dan ini adalah argumen yang dibutuhkan. Tabel 14.1 Operasi Transformasi Operator Waktu Bergerak Operator Beberapa operator menghitung statistik untuk serangkaian nilai dalam jendela waktu bergerak yang disebut operator jendela waktu bergerak. Ada versi terpusat dan terbelakang dari operator ini. Operator jendela waktu bergerak terpusat adalah CMOVAVE, CMOVCSS, CMOVGMEAN, CMOVMAX, CMOVMED, CMOVMIN, CMOVPROD, CMOVRANGE, CMOVRANK, CMOVSTD, CMOVSUM, CMOVTVALUE, CMOVUSS, dan CMOVVAR. Operator ini menghitung statistik nilai untuk pengamatan. Operator jendela waktu bergerak mundur adalah MOVAVE, MOVCSS, MOVGMEAN, MOVMAX, MOVMED, MOVMIN, MOVPROD, MOVRANGE, MOVRANK, MOVSTD, MOVSUM, MOVTVALUE, MOVUSS, dan MOVVAR. Operator ini menghitung statistik dari nilai. Semua operator jendela waktu bergerak menerima sebuah argumen yang menentukan jumlah periode yang akan disertakan di jendela waktu. Sebagai contoh, pernyataan berikut menghitung moving average lima periode X. Dalam contoh ini, transformasi yang dihasilkan adalah Pernyataan berikut menghitung rata-rata pergerakan terpusat lima periode X. Dalam contoh ini, transformasi yang dihasilkan adalah Jika jendela dengan operator jendela bergerak terpusat tidak berbentuk angka ganjil, satu nilai yang tertinggal dari pada nilai timbal termasuk di jendela waktu. Sebagai contoh, hasil dari operator CMOVAVE 4 adalah Anda dapat menghitung operasi jendela bergerak maju dengan menggabungkan operator jendela waktu bergerak mundur dengan operator REVERSE. Misalnya, pernyataan berikut menghitung moving average lima periode ke depan X. Dalam contoh ini, transformasi yang dihasilkan adalah Beberapa operator jendela waktu bergerak memungkinkan Anda menentukan daftar nilai bobot untuk menghitung statistik tertimbang. Ini adalah CMOVAVE, CMOVCSS, CMOVGMEAN, CMOVPROD, CMOVSTD, CMOVTVALUE, CMOVUSS, CMOVVAR, MOVAVE, MOVCSS, MOVGMEAN, MOVPROD, MOVSTD, MOVTVALUE, MOVUSS, dan MOVVAR. Untuk menentukan operator jendela waktu bergerak tertimbang, masukkan nilai bobot dalam tanda kurung setelah nama operator. Lebar jendela sama dengan jumlah bobot yang Anda tentukan tidak ditentukan. Misalnya, pernyataan berikut menghitung rata-rata pergerakan terpusat lima periode tertimbang X. Dalam contoh ini, transformasi yang dihasilkan adalah Nilai bobot harus lebih besar dari nol. Jika bobot tidak berjumlah 1, bobot yang ditentukan dibagi dengan jumlah mereka untuk menghasilkan bobot yang digunakan untuk menghitung statistik. Jendela waktu yang lengkap tidak tersedia di awal seri. Bagi operator yang berpusat, jendela yang lengkap juga tidak tersedia di akhir seri. Perhitungan operator jendela waktu bergerak disesuaikan dengan kondisi batas sebagai berikut. Untuk operator jendela bergerak ke belakang, lebar jendela waktu disingkat pada awal seri. Misalnya, hasil dari operator MOVSUM 3 adalah Nilai Hilang Anda dapat memotong panjang deret hasil dengan menggunakan operator TRIM, TRIMLEFT, dan TRIMRIGHT untuk menetapkan nilai yang hilang pada awal atau akhir rangkaian. Anda dapat menggunakan fungsi ini untuk memangkas hasil operator jendela waktu bergerak sehingga rangkaian hasil hanya berisi nilai yang dihitung dari jendela waktu lebar penuh. Sebagai contoh, pernyataan berikut menghitung rata-rata bergerak lima periode terpusat X. Dan mereka menetapkan nilai yang hilang di ujung seri yang rata-rata kurang dari lima nilai. Biasanya, jendela waktu bergerak dan operator statistik kumulatif mengabaikan nilai yang hilang dan menghitung hasilnya untuk nilai nonmissing. Ketika didahului oleh operator NOMISS, fungsi ini menghasilkan hasil yang hilang jika ada nilai dalam jendela waktu yang hilang. Operator NOMISS tidak melakukan perhitungan apapun, namun berfungsi untuk memodifikasi pengoperasian operator jendela bergerak yang mengikutinya. Operator NOMISS tidak berpengaruh kecuali jika diikuti oleh operator jendela bergerak. Misalnya, pernyataan berikut menghitung rata-rata pergerakan lima periode dari variabel X namun menghasilkan nilai yang hilang bila ada lima nilai yang hilang. Pernyataan berikut menghitung jumlah kumulatif dari variabel X namun menghasilkan nilai yang hilang untuk semua periode setelah nilai X pertama yang hilang. Serupa dengan operator NOMISS, operator MISSONLY tidak melakukan perhitungan apapun (kecuali diikuti opsi MEAN), namun berfungsi untuk memodifikasi pengoperasian operator jendela waktu bergerak yang mengikutinya. Ketika didahului oleh operator MISSONLY, operator jendela waktu bergerak ini mengganti nilai yang hilang dengan statistik bergerak dan membiarkan nilai nonmissing tidak berubah. Sebagai contoh, pernyataan berikut menggantikan nilai-nilai yang hilang dari variabel X dengan rata-rata pergerakan tertimbang eksponensial dari nilai-nilai masa lalu X dan meninggalkan nilai nonmissing yang tidak berubah. Nilai yang hilang diinterpolasi menggunakan rata-rata bergerak tertimbang eksponensial tertentu. (Ini juga disebut pemulusan eksponensial sederhana.) Pernyataan berikut menggantikan nilai yang hilang dari variabel X dengan keseluruhan mean X. Anda dapat menggunakan operator SETMISS untuk mengganti nilai yang hilang dengan nomor yang ditentukan. Misalnya, pernyataan berikut menggantikan nilai yang hilang dari variabel X dengan angka 8.77. Operator Dekomposisi Klasik Jika merupakan rangkaian waktu musiman dengan pengamatan per musim, metode dekomposisi klasik memecah rangkaian waktu menjadi empat komponen: komponen tren, siklus, musiman, dan tidak beraturan. Komponen tren dan siklus sering dikombinasikan untuk membentuk komponen siklus tren. Ada dua bentuk dasar dekomposisi klasik: perkalian dan aditif, yang ditunjukkan di bawah ini. Contoh Penggunaan Indeks musiman multiplikatif adalah 0,9, 1,2. 0,8, dan 1,1 untuk empat kuartal. Misalkan SEASADJ adalah variabel deret waktu triwulanan yang telah disesuaikan secara musiman dengan cara perkalian. Untuk mengembalikan musim ke SEASADJ menggunakan transformasi berikut ini: Indeks musiman tambahan adalah 4,4, -1,1, -2,1, dan -1,2 untuk empat kuartal. Biarkan SEASADJ menjadi variabel rangkaian kuartalan yang telah disesuaikan secara musiman dengan mode aditif. Untuk mengembalikan musim ke SEASADJ gunakan transformasi berikut: Setel Operator Untuk operator set, parameter pertama,, mewakili nilai yang akan diganti dan parameter kedua, mewakili nilai pengganti. Penggantian bisa dilokalisasi ke awal, tengah, atau akhir seri. Contoh Penggunaan Misalkan toko dibuka baru-baru ini dan riwayat penjualan disimpan dalam database yang tidak mengenali nilai yang hilang. Meskipun permintaan mungkin ada sebelum pembukaan toko, database ini memberikan nilai nol. Memodelkan sejarah penjualan mungkin menjadi masalah karena sejarah penjualan sebagian besar nol. Untuk mengimbangi kekurangan ini, nilai nol terdepan harus ditetapkan agar tidak ada dengan nilai nol yang tersisa tidak berubah (tidak ada permintaan). Demikian juga, misalkan sebuah toko tutup baru-baru ini. Permintaan mungkin masih ada dan karenanya nilai nol yang tercatat tidak secara akurat mencerminkan permintaan aktual. Operator Skala