- MT5 Pro Set Incl. دیسک های ترمز طوفان HC - نسخه ویژه
- سرمایه گذاری کمی: هزینه معامله و تجزیه و تحلیل لغزش
- مطالعه روش جدید در زمان واقعی را برای شناسایی حباب های سهام مانند GameStop نشان می دهد
- بازار سهام امروز: سهام آسیایی عمدتاً به دلیل نگرانی نسبت به بانک های آمریکایی ، رشد چین کمتر است
- Cryptocurrency News - چگونه می توان لیست های سکه آینده را پیدا کرد؟
- بهترین 7 راه درآمد برای کسب درآمد از اینترنت بدون سرمایه گذاری
- باناریوم محدود
- 7 اصل برنامه ریزی استادانه
- تنظیم کننده سابق شهر می گوید ، هنگ کنگ به عنوان قوانین دارایی دیجیتال برای چین قوانین ماسهبازی برای چین است
- همه سزاوار داروهای ایمن و مقرون به صرفه هستند.
آخرین مطالب
امکانات وب
در این مقاله ، مختصراً از آنچه در هنگام تنظیم فصلی داده ها به معنای آن است ، ارائه می دهد و مزایای استفاده از داده های تنظیم شده فصلی را برای بررسی تغییرات در داده ها توصیف می کند. از داده های هواپیمایی آمار حمل و نقل دفتر حمل و نقل به عنوان نمونه مصور استفاده می شود. برای جدیدترین داده ها و مدل مورد استفاده برای تنظیم فصلی ، بازدید کنید: https://data. bts. gov/research-and-statistics/transportation-service-index-and-saully-adjus/bw6n-ddqk
آمارشناسان از روند تنظیم فصلی برای کشف روند داده ها استفاده می کنند. به عنوان مثال ، داده های ماهانه تحت تأثیر تعداد روزها و تعداد آخر هفته ها در یک ماه و همچنین زمان تعطیلات و فعالیت های فصلی است. این تأثیرات دیدن تغییرات اساسی در داده ها را دشوار می کند. آمارشناسان از تنظیم فصلی برای کنترل این تأثیرات استفاده می کنند.
کنترل تأثیرات فصلی امکان سنجش تغییرات ماهانه واقعی را فراهم می آورد. الگوهای کوتاه مدت و بلند مدت رشد یا کاهش ؛و نقاط عطفداده ها برای یک ماه را می توان با داده ها برای هر ماه دیگر در این سری مقایسه کرد و سری داده ها را می توان برای یافتن امتیازات بالا و پایین رتبه بندی کرد. هر تفاوت مشاهده شده تفاوتهای "واقعی" است. یعنی آنها تفاوت هایی هستند که با تغییر در داده ها ایجاد می شوند و با تغییر تعداد روزها یا آخر هفته ها در ماه ، وقوع یا عدم وقوع تعطیلات یا فعالیت فصلی ایجاد نمی شوند.
از تنظیم فصلی برای بسیاری از مجموعه های زمانی از جمله مجموعه داده هایی مانند دفترچه ناخالص داخلی دفتر تجزیه و تحلیل اقتصادی (تولید ناخالص داخلی) ، تجارت بین المللی کالاها و خدمات ایالات متحده سرشماری ، فروش جدید مسکونی و ساخت و سازهای جدید مسکونی و دفتر کارخلاصه وضعیت اشتغال ماهانه آمار کار.
داده های حمل و نقل بسیار فصلی است. مسافر درآمدی (RPMS) ، معیار تقاضای سفر هوایی ، به شدت تحت تأثیر فعالیت فصلی قرار می گیرد. RPM ها به دلیل مسافرت مربوط به تعطیلات در ماه های تابستان بیشتر می شوند و تمایل به افزایش ماه حاوی عید پاک دارند که سال به سال تغییر می کند. اینها تغییرات طبیعی ، درون سالانه (فصلی) هستند ، که می تواند به گونه ای مدل سازی شود تا از تغییرات اساسی در خود داده ها کشف شود-به عنوان مثال ، تغییر در RPM ها پس از 11 سپتامبر.
RPM های مشاهده شده در طی یک دوره 14 ساله ، تفاوت های بین داده های غیر قابل تنظیم و فصلی را تنظیم می کنند. بین ژانویه 2000 و ژانویه 2014 ، RPM های غیر قابل تنظیم در ژوئیه 2013 بالاترین بودند و پس از آن سه جولی دیگر. پس از تعدیل فصلی ، آن جولی به طور قابل توجهی پایین تر است ، زیرا روند تنظیم فصلی برای حرکت فصلی در سفر کنترل می کند. داده های تنظیم شده فصلی نشان می دهد که تمام پنج ماه برتر بین ژانویه 2000 و ژانویه 2014 در ماه های نوامبر تا ژانویه برگزار شد و ماه برتر ژانویه 2014 بود ، و پس از ماه های دسامبر و نوامبر 2013. (جدول 1 را ببینید)
جدول 1. ماه ها با بالاترین درآمد مسافر مسافر (RPMS) (10 نفر برتر)
(ژانویه 2000 - ژانویه 2014)
رتبه بندی شده توسط RPMS غیر قابل تنظیم (هزاران نفر)
| رتبه (غیرقابل تنظیم) | تاریخ | غیر قابل تنظیم | تنظیم شده | رتبه (تنظیم شده) |
|---|---|---|---|---|
| 1 | جولای 2013 | 81،267،865 | 69،898،894 | 12 |
| 2 | ژوئیه-2011 | 80،361،588 | 68،641،404 | 35 |
| 3 | ژوئی ه-2007 | 79،865،224 | 69،112،655 | 26 |
| 5 | اگوست 2013 | 79،331،300 | 70،281،149 | 6 |
| 6 | ژوئی ه-2008 | 78،772،769 | 67،668،170 | 55 |
| 7 | اوت 2007 | 78،314،560 | 69،796،323 | 15 |
| 8 | ژوئیه-2010 | 78،192،819 | 66،472،200 | 71 |
| 9 | ژوئن 2013 | 77،864،371 | 70،231،530 | 7 |
| 10 | او ت-2012 | 77،738،861 | 68،705،504 | 33 |
رتبه بندی شده توسط RPMS تنظیم شده فصلی (هزاران نفر)
| رتبه (تنظیم شده) | تاریخ | تنظیم شده | غیر قابل تنظیم | رتبه (غیرقابل تنظیم) |
|---|---|---|---|---|
| 1 | ژانویه 2014 | 70،953،068 | 64،071،382 | 79 |
| 2 | دسامبر 2013 | 70،894،235 | 70،372،049 | 38 |
| 3 | نوامبر 2013 | 70،812،961 | 63،029،023 | 90 |
| 5 | نوامبر 2007 | 70،340،924 | 65،33،114 | 67 |
| 6 | اگوست 2013 | 70،281،149 | 79،331،300 | 5 |
| 7 | ژوئن 2013 | 70،231،530 | 77،864،371 | 9 |
| 8 | م ه-2013 | 70،067،688 | 72،980،842 | 26 |
| 9 | سپتامبر 2013 | 70،065،441 | 66،575،134 | 62 |
| 10 | فوری ه-2008 | 70،043،143 | 60،578،996 | 111 |
یادداشت ها: مسافر درآمدی مایل از کلیه پروازهای داخلی و بین المللی شرکت هواپیمایی هوایی ایالات متحده ، برنامه ریزی شده مسافر
منبع: وزارت حمل و نقل ایالات متحده ، دفتر آمار حمل و نقل ، https://www. transtats. bts. gov/osea/tsi/ از 9 مه 2014
صندلی های صندلی موجود (ASMS) ، اندازه گیری ظرفیت هواپیمایی ، همچنین تفاوت های بین داده های غیرقابل تنظیم و فصلی را نشان می دهد. ASM ها بسیار فصلی هستند و در نتیجه ، تشخیص روند ASMS بدون تنظیم فصلی دشوار است. شماره های تنظیم شده فصلی نشان می دهد که هیچ ماه از ماه مه 2008 برای ظرفیت 10 ماه برتر شکسته نشده است. خطوط هوایی در پاسخ به رکود اقتصادی و افزایش هزینه سوخت ، ظرفیت را در سال 2008 کاهش داد. خطوط هوایی هنوز به سطح ظرفیت قبل از این رویدادها بازگردانده نشده اند. اعداد غیر قابل تنظیم در غیر این صورت نشان می دهد. آنها نشان می دهند که خطوط هوایی در ژوئیه 2013 با بالاترین ظرفیت فعالیت می کنند. اما در آن ماه ، پس از تعدیل فصلی ، به دلیل کنترل افزایش طبیعی سفر مسافر هواپیمایی در ماه ژوئیه ، در رده پایین تر قرار می گیرد.(جدول 2 را ببینید)
جدول 2. ماه با بالاترین مایل صندلی موجود (ASMS) (10 نفر برتر)
(ژانویه 2000 - ژانویه 2014)
رتبه بندی شده توسط ASMS غیر قابل تنظیم (هزاران نفر)
| رتبه (غیرقابل تنظیم) | تاریخ | غیر قابل تنظیم | تنظیم شده | رتبه (تنظیم شده) |
|---|---|---|---|---|
| 1 | جولای 2013 | 93،812،376 | 84،551،333 | 28 |
| 2 | ژوئی ه-2008 | 93،730،360 | 85،809،078 | 15 |
| 3 | ژوئی ه-2007 | 92،900،560 | 85،672،566 | 17 |
| 5 | ژوئیه-2011 | 92،505،512 | 83،345،640 | 52 |
| 6 | اگوست 2013 | 92،159،056 | 84،870،242 | 24 |
| 7 | ژوئی ه-2012 | 91،937،384 | 82،707،051 | 76 |
| 8 | اوت 2008 | 91،768،768 | 84،943،658 | 21 |
| 9 | ژوئی ه-2005 | 90،483،560 | 84،390،298 | 33 |
| 10 | ژوئی ه-2006 | 90،151،120 | 83،563،082 | 48 |
رتبه بندی شده توسط ASMS تنظیم شده فصلی (هزاران نفر)
| رتبه (تنظیم شده) | تاریخ | تنظیم شده | غیر قابل تنظیم | رتبه (غیرقابل تنظیم) |
|---|---|---|---|---|
| 1 | نوامبر 2007 | 88،323،472 | 83،926،904 | 56 |
| 2 | دسامبر 2007 | 88،107،858 | 87،368،016 | 28 |
| 3 | ژانویه 2008 | 88،006،180 | 85،823،992 | 38 |
| 5 | اکتبر 2007 | 87،709،527 | 86،936،672 | 31 |
| 6 | مارس 2008 | 87،484،395 | 89،259،056 | 17 |
| 7 | سپتامبر 2007 | 87،059،611 | 84،375،736 | 52 |
| 8 | مه 2008 | 86،784،781 | 88،697،896 | 20 |
| 9 | آوریل 2008 | 86،626،984 | 85،702،944 | 40 |
| 10 | ژانویه 2007 | 86،355،182 | 84،354،432 | 53 |
یادداشت ها: مایل های صندلی موجود از کلیه پروازهای مسافربری داخلی و بین المللی ایالات متحده آمریکا ، برنامه ریزی شده
منبع: وزارت حمل و نقل ایالات متحده ، دفتر آمار حمل و نقل ، https://www. transtats. bts. gov/osea/tsi/asonalized_data از 9 مه 2014
تنظیم فصلی در حمل و نقل
تنظیم فصلی فرایند تخمین و از بین بردن حرکت در یک سری زمانی است که ناشی از تغییر منظم فصلی در فعالیت است ، به عنوان مثال ، افزایش سفر هوایی در ماه های تابستان. اثرات تقویم (روزهای معاملاتی و تعطیلات) اغلب حرکت اضافی را در سریال های زمانی معرفی می کند ، و داده های خارج از کشور ممکن است به طور کلی حرکت را مختل کنند. هر دو اثر تقویم و خارج از داده ها ، کشف حرکت منظم فصلی را دشوار می کند. بنابراین ، آمارشناسان در صورت لزوم در تنظیم فصلی یک سری زمانی ، تأثیر هر دو را کنترل می کنند.
اثرات تقویم: روزهای معاملات و تعطیلات
دو نوع اثر تقویم وجود دارد که تنوع سال به سال در حرکات فصلی را معرفی می کند. اولین اثرات روز معاملاتی است. تأثیرات روز معاملات ناشی از اختلاف تعداد روزهای ماه در ماه ها و تعداد بار هر روز هفته در ماه بین سالها اتفاق می افتد. به عنوان مثال ، ژانویه 2014 شامل پنج جمعه است در حالی که ژانویه 2013 تنها چهار نفر دارد. تأثیرات روز معاملاتی بر همه سری زمانی تأثیر نمی گذارد. آنها تمایل به تأثیرگذاری بر سریال زمانی دارند که در آن روز در هفته تنوع قابل توجهی در فعالیت وجود دارد. آمارشناسان از آزمایشات آماری برای تعیین اینکه آیا تأثیرات روز تجارت بر یک سری زمانی تأثیر می گذارد ، استفاده می کنند. نه RPMS یا ASM ها تحت تأثیر اثرات روز معاملاتی قرار نمی گیرند.
نوع دوم اثر تقویم ناشی از تعطیلات در روزهای مختلف ماه (به عنوان مثال ، روز کار و شکرگذاری) و از تعطیلات بین ماهها در طول سالها (به عنوان مثال ، عید پاک) است. تعطیلات فعالیتهای مربوط به تعطیلات ، مانند افزایش سفر یا خرده فروشی ، قبل و یا بعد از تعطیلات را ایجاد می کند. هنگامی که تعطیلات نزدیک به آغاز یا پایان ماه است ، ممکن است فعالیت مربوط به تعطیلات به ترتیب در ماه قبل یا ماه بعد از ماه واقعی حاوی تعطیلات رخ دهد. به عنوان مثال ، سفر پس از تشکر ممکن است در ماه دسامبر اتفاق بیفتد که تعطیلات شکرگذاری نزدیک به پایان ماه نوامبر اتفاق می افتد. ریختن فعالیت های مربوط به تعطیلات در یک ماه دیگر می تواند مشکل ساز باشد که تعطیلات مانند شکرگذاری در روزهای مختلف ماه در طول سالها اتفاق می افتد. اگر تعطیلات در یک تاریخ ثابت اتفاق بیفتد ، میزان ریختن آن سال به سال ثابت خواهد بود. هنگامی که تعطیلات در یک روز ثابت هفته به جای یک تاریخ ثابت رخ می دهد ، ممکن است میزان ریختن آن در بعضی از سالها از سایرین بزرگتر باشد. این ممکن است جنبش غیر فصلی را به سری زمانی معرفی کند. ماه که در آن سفر به تعطیلات ریخته شده ممکن است مقدار داده بزرگتر از حد انتظار داشته باشد.
در بعضی موارد ، ممکن است هیچ تاثیری برسد. این اتفاق می افتد که فعالیت مربوط به تعطیلات در ماه قبل یا بعد از آن یا فعالیت های مربوط به تعطیلات که انجام می شود ، به اندازه کافی بزرگ نباشد تا میزان فعالیت مورد انتظار آن ماه را به میزان قابل توجهی تغییر دهد. در صورت مهم ، تعطیلات باید هنگام تنظیم فصلی کنترل شود. آمارشناسان از آزمایشات آماری برای تعیین معنی دار استفاده می کنند. مدل مورد استفاده توسط دفتر آمار حمل و نقل (BTS) برای تنظیم فصلی کنترل خطوط هوایی RPMS برای شکرگذاری به عنوان شکرگذاری به طور قابل توجهی بر RPM ها در ماه دسامبر تأثیر می گذارد که شکرگذاری در اواخر ماه نوامبر رخ داده است و فعالیت مربوط به تعطیلات به طور مداوم تا ماه دسامبر انجام می شود.
تعطیلات که در طول ماه ها حرکت می کند نیز ممکن است باعث شود فعالیت های مربوط به تعطیلات در ماه قبل یا بعد از تعطیلات به وجود بیاید. آنها علاوه بر این باعث تغییر زمان برای همه یا اکثریت فعالیت مربوط به تعطیلات می شوند. به عنوان مثال ، سفرهای مرتبط با تعطیلات ، همراه با عید پاک ممکن است در ماه مارس در یک سال و در ماه آوریل در مرحله بعد که تعطیلات عید پاک به آوریل حرکت می کند ، کاملاً سقوط کند. در بعضی از سالها ، عید پاک ممکن است در پایان ماه مارس سقوط کند و در نتیجه ، سفر مرتبط با عید پاک ممکن است تا آوریل از بین برود. به عنوان مثال ، عید پاک در آوریل در سال 2007 اما در مارس 2008 برگزار شد. مدل تنظیم فصلی BTS تمام سفرهای مربوط به عید پاک ، در سال 2007 ، در آوریل و سال 2008 ، در مارس را قرار می دهد. RPM های غیر قابل تنظیم از مارس 2007 تا 2008 2. 7 درصد افزایش یافت. اعداد تنظیم شده فصلی ، که سفرهای مربوط به عید پاک را که کاملاً در مارس 2008 اتفاق می افتد و اصلاً در مارس 2007 نیست ، نشان می دهد که تنها 1. 3 درصد افزایش را نشان می دهد (جدول 4 را ببینید). عید پاک به میزان قابل توجهی در ASMS تأثیر نیافته است.
داده ها
Data Outriers با تزریق تنوع اضافی یا سر و صدا به داده ها ، حرکات فصلی را مختل می کند. آنها به طور معمول اختلالات درون سالانه را در حرکات منظم در داده ها معرفی می کنند. اختلال درون سالانه ممکن است هنگامی اتفاق بیفتد که یک رویداد غیر منتظره اتفاق بیفتد ، مانند 11 سپتامبر که باعث کاهش تعداد RPM های زیر آنچه از حرکت منظم فصلی به تنهایی برای دوره جمع آوری داده ها انتظار می رود ، کاهش می یابد. به عنوان مثال ، RPM های تنظیم شده فصلی ، در سپتامبر 2001 از سپتامبر قبلی در نتیجه 11 سپتامبر 28. 4 درصد کاهش یافت. اختلال ناشی از وقایع ممکن است فراتر از دوره زمانی که در آن رخ می دهد گسترش یابد. رویدادهایی مانند 11 سپتامبر تمایل به ایجاد اختلالات ماندگار تر دارند. آنها ممکن است باعث کاهش یا افزایش کلی شوند که فراتر از دوره جمع آوری داده ها که در آن رخ داده است ، ادامه یابد. به عبارت دیگر ، آنها سطح کلی سری داده ها را تغییر می دهند. به عنوان مثال ، RPM ها بعد از 11 سپتامبر به طور کلی سقوط کردند و تا آوریل 2004 ، هنگام نگاه به شماره های تنظیم شده فصلی ، از سطح قبل از 9/11 خود بالا نرفتند. تمام داده های داده ها - آنهایی که سطح یک سری زمانی را تغییر می دهند و مواردی که حرکت مورد انتظار را در دوره جمع آوری که در آن رخ می دهد مختل می کند - باید قبل از تنظیم فصلی تخمین زده و کنترل شود. حضور آنها ایجاد مدلی را که اثرات فصلی را از بین می برد ، دشوار می کند زیرا اثرات فصلی در غیر این صورت نمی تواند از اثرات دور داده ها جدا شود.
اثرات فصلی
تنظیم فصلی اثرات فصلی را از بین می برد. اثر فصلی در یک سری زمانی هر اثری است که از نظر زمان بندی ، جهت و بزرگی سالانه از نظر منطقی پایدار است. این شامل تغییراتی است که توسط خود فصول به وجود آمده است ، مانند افزایش سفرهای هوایی مسافر در ماه های تابستان که میزان تعطیلات بیشتر است. حذف اثرات فصلی پس از کنترل اثرات روزهای معاملاتی ، تعطیلات و خارج از داده ها باعث تخمین تغییرات ناشی از عوامل غیر از اثرات تقویم ، ناهنجاری داده ها و فصلی مانند تغییر در سفر هوایی ناشی از شرایط اقتصادی ، دقیق تر می شود. بشرتصاویر نادرست از تغییرات اساسی در مواردی که داده ها بسیار فصلی هستند به احتمال زیاد بیشتر است. به عنوان مثال ، کاهش ASM در رکود اقتصادی 2007 تا 2009 نمی تواند هنگام نگاه به داده های غیر قابل تنظیم ، به راحتی یا با دقت اندازه گیری شود. ASM های غیر قابل تنظیم در ژوئیه 2009 (اولین ماه پس از رکود اقتصادی) در نوامبر 2007 (ماه قبل از شروع رکود اقتصادی) از آن فراتر رفت. داده های تنظیم شده تصویری دقیق تر از تأثیر رکود اقتصادی را ارائه می دهند زیرا این امر اثرات فصلی را کنترل می کند. افزایش طبیعی ASM ها در ماه ژوئیه ، ناشی از سفر مرتبط با تعطیلات ، باعث می شود که ASM ها بلافاصله پس از پایان رکود اقتصادی دوباره برگردند. این مورد نیست؛ASM های تنظیم شده فصلی از زمان رکود اقتصادی دوباره محدود نشده اند (شکل 1 را ببینید).
شکل 1. مایل های صندلی موجود (ASMS) ، ژانویه 2000 تا ژانویه 2014
یادداشت ها: مایل های صندلی موجود از کلیه پروازهای مسافربری داخلی و بین المللی ایالات متحده آمریکا ، برنامه ریزی شده
مناطق سایه دار نشانگر رکود اقتصادی ایالات متحده است ، همانطور که توسط دفتر ملی تحقیقات اقتصادی تعریف شده است. نگاه کنید به: http://www. nber.org/cycles.html(link خارجی است)
منبع: وزارت حمل و نقل ایالات متحده ، دفتر آمار حمل و نقل ، https://www. transtats. bts. gov/osea/tsi/
غیر قابل تنظیم در مقابل داده های تنظیم شده فصلی: یک مثال
استفاده از تنظیم فصلی در داده های هواپیمایی BTS ، سودمندی آن را نشان می دهد. مثال مفصل تر نشان می دهد که چگونه می توان از تنظیم فصلی برای بررسی تغییرات واقعی در RPMS استفاده کرد. داده های تنظیم شده و غیر قابل تنظیم مورد استفاده در مثال زیر را می توان در اینجا یافت.
داده های تنظیم فصلی به کشف روندهای کوتاه مدت و بلند مدت در RPMS کمک می کند. روندهای کوتاه مدت و بلند مدت در صنعت هواپیمایی به طور سنتی با تغییرات سال گذشته در داده های غیرقابل تنظیم به تصویر کشیده شده است. این مقایسه ها در مورد تأثیر حرکات فصلی با مقایسه در همان ماه (به عنوان مثال ، ماه مه) دامن می زنند اما به دو دلیل نقص دارند. اول ، ماهها ممکن است به دلیل اثرات تقویم متفاوت باشد ، به عنوان مثال ، ممکن است یکی از عید پاک باشد در حالی که دیگری چنین نمی کند. دوم ، تغییر ممکن است بین ماهها رخ دهد. ممکن است بین ماهها افزایش کلی (کاهش) وجود داشته باشد اما برخی از کاهش (رشد) در درون. به عنوان مثال ، RPM ها بین ماه مه 2012 و مه 2013 افزایش یافت اما به طور پیوسته صعود نکرد. دیدن این مسئله هنگام نگاه به شماره های غیر قابل تعدیل به دلیل حرکت فصلی دشوار است (به عنوان مثال ، RPMS به طور طبیعی در تابستان با افزایش سفر مربوط به تعطیلات افزایش می یابد). هنگامی که از نظر فصلی تنظیم شده است ، می توان دریافت که RPM ها از ماه مه 2012 افزایش یافت اما به طور پیوسته بین فوریه و مارس کاهش یافت ، فقط در ماه مه یک بار دیگر درست بالاتر از شماره فوریه 2012 افزایش یافت (جدول 3 را ببینید).
جدول 3. مایل مسافر درآمدی (RPMS) ، مه 2012-May 2013
| تاریخ | غیر قابل تنظیم | از لحاظ فصلی تنظیم شده | ||
|---|---|---|---|---|
| ارزش | درصد تغییر | ارزش | درصد تغییر | |
| ماه مه 2012 | 71،155،609 | 68،360،655 | ||
| ژوئ ن-2012 | 76،014،162 | 6.8 | 68،491،139 | 0.2 |
| ژوئی ه-2012 | 79،640،786 | 4.8 | 68،140،804 | -0. 5 |
| او ت-2012 | 77،738،861 | -2. 4 | 68،705،504 | 0.8 |
| سپتامب ر-2012 | 65،230،938 | -16. 1 | 68،477،562 | -0. 3 |
| اکتب ر-2012 | 66،974،008 | 2.7 | 68،311،549 | -0. 2 |
| نوامب ر-2012 | 63،372،211 | -5. 4 | 68،800،874 | 0.7 |
| دسامب ر-2012 | 65،923،928 | 4 | 68،809،269 | 0 |
| ژانوی ه-2013 | 62،433،152 | -5. 3 | 69،357،012 | 0.8 |
| فوریه 2013 | 57،526،035 | -7. 9 | 70،010،282 | 0.9 |
| مار س-2013 | 72،164،049 | 25. 4 | 69،375،821 | -0. 9 |
| آوریل 2013 | 67،827،663 | -6 | 69،587،244 | 0.3 |
| م ه-2013 | 72،980،842 | 7.6 | 70،067،688 | 0.7 |
| تغییر سال گذشته | 2.6 | 2.5 | ||
یادداشت ها: مسافر درآمدی مایل از کلیه پروازهای داخلی و بین المللی شرکت هواپیمایی هوایی ایالات متحده ، برنامه ریزی شده مسافر
منبع: وزارت حمل و نقل ایالات متحده ، دفتر آمار حمل و نقل ، https://www. transtats. bts. gov/osea/tsi/ از 9 مه 2014
کنترل تنظیم فصلی برای جلوه های تقویم و داده های خارج از کشور و اثرات فصلی را از بین می برد. مدل توسعه یافته توسط BTS برای تنظیم فصلی RPMS تشخیص و کنترل اثرات تقویم و خارج از کشور موجود در داده ها قبل از تنظیم فصلی داده ها. با نگاهی به تغییرات سال گذشته در داده های غیر قابل تنظیم و تنظیم شده ، نشان می دهد که چگونه می توان تصاویر نادرست از داده های غیر قابل تنظیم تهیه کرد. در تغییرات برآورد شده تفاوت معنی داری وجود دارد. این می تواند به وضوح در مقایسه سال گذشته برای ماه مارس ، به عنوان نمونه مشاهده شود. RPM ها در ماه مارس افزایش می یابد که عید پاک در آن ماه رخ می دهد. با این حال ، عید پاک ممکن است در مارس در یک سال و آوریل در سال بعد اتفاق بیفتد. بنابراین ، مقایسه سال گذشته از مایل مسافر درآمدی برای ماه مارس گمراه کننده است که تأثیر عید پاک در نظر گرفته نشود. عید پاک تعطیل است که توسط BTS یافت شد تا به طور قابل توجهی بر RPM ها تأثیر بگذارد و در مدل مورد استفاده برای تنظیم فصلی RPM ها کنترل می شود.
جدول 4 نشان می دهد تغییر سال گذشته در RPMS برای سریال های غیر قابل تنظیم و تعدیل شده برای ماه مارس از 2000 تا 2013وقوع با یکی با یکی مقایسه می شود (این مقادیر در جدول 1 جسورانه است). این تفاوت در مقایسه مارس 2004 با مارس 2005 مورد توجه بیشتر است. داده های غیر قابل تنظیم حاکی از افزایش 11. 0 درصد از مارس 2004 تا مارس 2005 است. این افزایش ، تا حدی ناشی از وقوع عید پاک در مارس 2005 است که باعث ایجاد سفرهای مربوط به تعطیلات و مسافرت های مربوط به تعطیلات می شود. بدین ترتیب RPM ها را بالاتر از سطح مارس 2004 افزایش داد ، که تحت تأثیر سفرهای مرتبط با عید پاک قرار نگرفت. اگر عید پاک در نظر گرفته شود ، مانند داده های تنظیم شده فصلی ، این افزایش تنها 8. 7 درصد است: 2. 3 درصد امتیاز پایین تر از مقدار محاسبه شده از داده های غیر قابل تنظیم.
جدول 4. مایل مسافر درآمدی غیر قابل تنظیم و فصلی برای ماه مارس ، 2000-2013
| تاریخ سفر عید پاک را آغاز کنید | تاریخ عید پاک (1) | تاریخ پایان سفر عید پاک | هزار هزار | تغییر درصد نسبت به سال گذشته | اختلاف نقطه سن در سن | |||
|---|---|---|---|---|---|---|---|---|
| غیر قابل تنظیم | فصلی تنظیم شده | غیر قابل تنظیم | فصلی تنظیم شده | |||||
| 2000 | NA | NA | NA | 59،632،015 | 56،801،077 | |||
| 2001 | NA | NA | NA | 60،769،074 | 58،100،149 | 1.9 | 2.3 | 0.4 |
| 2002 | 3/28/2002 | 3/31/2002 | 4/2/2002 | 56،037،382 | 52،708،478 | -7. 8 | -9. 3 | 1. 5 |
| 2003 | NA | NA | NA | 54،994،261 | 52،763،526 | -1. 9 | 0. 1 | -1. 8 |
| 2004 | NA | NA | NA | 61،923،381 | 59،610،118 | 12. 6 | 13. 0 | 0.4 |
| 2005 | 3/24/2005 | 3/27/2005 | 3/29/2005 | 68،725،711 | 64،789،311 | 11. 0 | 8. 7 | -2. 3 |
| 2006 | NA | NA | NA | 69،483،899 | 66،708،174 | 1. 1 | 3. 0 | 1. 9 |
| 2007 | NA | NA | NA | 71،497،177 | 68،851،912 | 2.9 | 3.2 | 0.3 |
| 2008 | 3/20/2008 | 3/23/2008 | 3/25/2008 | 73،427،185 | 69،746،721 | 2. 7 | 1. 3 | -1. 4 |
| 2009 | NA | NA | NA | 65،147،741 | 63،222،826 | -11. 3 | -9. 4 | -1. 9 |
| 2010 | NA | NA | NA | 67،304،853 | 65،469،595 | 3.3 | 3.6 | 0.2 |
| 2011 | NA | NA | NA | 69،104،312 | 67،294،729 | 2.7 | 2.8 | 0.1 |
| 2012 | NA | NA | NA | 70،799،480 | 68،884،609 | 2.5 | 2.4 | -0. 1 |
| 2013 | 3/28/2002 | 3/31/2013 | 4/2/2013 | 72،164،049 | 69،375،821 | 1. 9 | 0. 7 | -1. 2 |
(1) NA که در آن تعطیلات عید پاک در ماه مارس رخ نمی دهد
یادداشت ها: مسافر درآمدی مایل از کلیه پروازهای داخلی و بین المللی شرکت هواپیمایی هوایی ایالات متحده ، برنامه ریزی شده مسافر
منبع: وزارت حمل و نقل ایالات متحده ، دفتر آمار حمل و نقل ، https://www. transtats. bts. gov/osea/tsi/ از 9 مه 2014
اثرات تعطیلات لزوماً هنگام جستجوی داده های حمل و نقل به یک ماه جدا نمی شوند. تمایل به افزایش قبل و بعد از تعطیلات و نه فقط در تعطیلات. هنگامی که تعطیلات به سمت آغاز یا پایان یک ماه رخ می دهد ، افزایش سفر به ترتیب در ماه قبل یا ماه پس از آن مشاهده می شود. این یک مشکل اضافی در ایجاد مقایسه سال گذشته در حضور تعطیلات در حال حرکت مانند عید پاک ایجاد می کند. سالهایی که تعطیلات در هیچ ماه وجود ندارد ممکن است تحت تأثیر این اثرات سرریز قرار نگیرد- یعنی مقادیر داده ممکن است به دلیل سفر قبل یا بعد از تعطیلات ناشی از تعطیلات در ماه بعدی یا قبل از آن ، بیشتر باشد.
در تهیه مدل برای تنظیم فصلی مایل مسافر درآمدی ، BTS سه روز قبل از دو روز پس از عید پاک 1 ، افزایش قابل توجهی در سفر هوایی مسافر مشاهده کرد. هنگامی که عید پاک در اواخر ماه مارس اتفاق می افتد ، مانند سال 2002 و 2013 ، سفر ناشی از نشت تعطیلات عید پاک تا آوریل (جدول 4 را ببینید). بدون تعدیل ، از مارس 2012 تا مارس 2013 افزایش 1. 9 درصدی در RPM ها وجود دارد. با استفاده از تعدیل فصلی برای تعطیلات ، این افزایش به 0. 7 درصد کاهش می یابد.
در سالهای 2000 تا 2013 از عید پاک در ماه آوریل هیچ تأثیر ریزش وجود ندارد زیرا کل دوره سفر تعطیلات عید پاک در ماه آوریل بدون ریختن تا مارس یا ماه مه انجام شد. با این حال ، داده های غیر قابل تنظیم برای ماه آوریل ، در طی سالها قابل مقایسه نیست ، زیرا همه آوریل حاوی عید پاک نیست و به دلیل اینکه برخی (آوریل 2002 و 2013) تحت تأثیر سفر مربوط به عید پاک از مارس تا آوریل قرار دارند.
مقایسه سال گذشته هنگام استفاده از داده های تنظیم فصلی دقیق تر انجام می شود زیرا کنترل تنظیم فصلی برای اثرات تقویم و خارج از داده ها کنترل می شود. از آنجا که تنظیم فصلی اثرات فصلی را از بین می برد ، داده ها را می توان طی ماه ها و سالها به طور مستقیم مقایسه کرد. این مقایسه می تواند با داده های غیر قابل تنظیم گمراه کننده باشد. حرکات فصلی در داده های غیر قابل تنظیم ، حتی دیدن روند در داده ها را دشوار می کند. شکل 1 ، که نشان می دهد مایل های مسافر غیر قابل تنظیم و فصلی تنظیم شده مایل ، این موضوع را نشان می دهد. حرکت فصلی باعث می شود RPM ها طی یک سال به طور قابل توجهی متفاوت باشند. RPM ها به دلیل سفرهای مربوط به تعطیلات ، در ماه های تابستان صعود می کنند. آنها سپس در ماه های زمستان سقوط می کنند و در ماه فوریه به پایین می رسند. این جنبش فصلی ، دیدن RPM ها در حال رشد یا کاهش است. با این حال ، هنگامی که فرآیند تنظیم فصلی برای حرکت فصلی به حساب می آید ، روند داده ها را می توان با سرعت بیشتری مشاهده کرد-مانند شکل 1 برای RPM ها-و در تمام ماه ها و سالها محاسبه می شود. این تنظیم تصویری ظریف تر از داده ها نسبت به مقایسه های سال به سال ارائه می دهد.
شکل 2. مایل مسافر درآمد ، ژانویه 2000 تا ژانویه 2014
یادداشت ها: مسافر درآمدی مایل از کلیه پروازهای داخلی و بین المللی شرکت هواپیمایی هوایی ایالات متحده ، برنامه ریزی شده مسافر
مناطق سایه دار نشانگر رکود اقتصادی ایالات متحده است ، همانطور که توسط دفتر ملی تحقیقات اقتصادی تعریف شده است. نگاه کنید به: http://www. nber.org/cycles.html(link خارجی است)
منبع: وزارت حمل و نقل ایالات متحده ، دفتر آمار حمل و نقل ، https://www. transtats. bts. gov/osea/tsi/ از 9 مه 2014
خلاصه
داده های تنظیم شده فصلی به کشف تغییرات ماهانه واقعی کمک می کنند. الگوهای کوتاه مدت و بلند مدت رشد یا کاهش ؛و نقاط عطفداده های غیر قابل تنظیم می توانند در هنگام اندازه گیری این نوع تغییرات اساسی به دلیل اثرات مربوط به تقویم ، گمراه کننده باشند.
1 دفتر آمار حمل و نقل در تعیین تعداد روزهای قبل و بعد از تعطیلات هنگام انتظار ترافیک تعطیلات ، به کارشناسان صنعت مراجعه کرده است. این برای ایجاد یک پارامتر در مدل تنظیم فصلی استفاده شد. پارامترهای مختلفی تا پیدا کردن مهمترین پارامتر و بهترین مدل مناسب محاکمه شدند.
استراتژی ترید...
ما را در سایت استراتژی ترید دنبال می کنید
برچسب :
نویسنده : مرجان شیرمحمدی
بازدید : 35
