Vorhersage Mit Moving Average Excel

Gleitende durchschnittliche Vorhersage Einführung. Wie Sie vielleicht vermuten, sehen wir uns einige der primitivsten Ansätze zur Prognose an. Aber hoffentlich sind dies zumindest eine lohnende Einführung in einige der Computing-Fragen im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir fortfahren, indem wir am Anfang beginnen und mit Moving Average Prognosen arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist mit gleitenden durchschnittlichen Prognosen vertraut, unabhängig davon, ob sie glauben, dass sie sind. Alle College-Studenten machen sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, wo Sie vier Tests während des Semesters haben werden. Nehmen wir an, Sie haben eine 85 bei Ihrem ersten Test. Was würdest du für deinen zweiten Test-Score vorhersagen Was denkst du, dein Lehrer würde für deinen nächsten Test-Score voraussagen Was denkst du, deine Freunde können für deinen nächsten Test-Score voraussagen Was denkst du, deine Eltern können für deinen nächsten Test-Score voraussagen All das Blabbing, das du mit deinen Freunden und Eltern machen kannst, sie und deinem Lehrer sind sehr wahrscheinlich zu erwarten, dass du etwas im Bereich der 85 bekommst, die du gerade bekommen hast. Nun, jetzt können wir davon ausgehen, dass trotz Ihrer Selbst-Förderung zu Ihren Freunden, Sie über-schätzen Sie sich selbst und Figur können Sie weniger für den zweiten Test zu studieren und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmert zu gehen Erwarten Sie auf Ihrem dritten Test zu bekommen Es gibt zwei sehr wahrscheinlich Ansätze für sie eine Schätzung zu entwickeln, unabhängig davon, ob sie es mit Ihnen teilen wird. Sie können sich selbst sagen, "dieser Kerl ist immer bläst Rauch über seine smarts. Er wird noch 73, wenn er glücklich ist. Vielleicht werden die Eltern versuchen, mehr unterstützend zu sein und zu sagen, quotWell, so weit hast du eine 85 und eine 73 bekommen, also vielleicht solltest du auf eine (85 73) 2 79 kommen. Ich weiß nicht, vielleicht, wenn du weniger feiern musst Und werent wedelte den Wiesel überall auf den Platz und wenn du anfing, viel mehr zu studieren, könntest du eine höhere Punktzahl bekommen. Diese beiden Schätzungen belegen tatsächlich durchschnittliche Prognosen. Die erste nutzt nur Ihre aktuellste Punktzahl, um Ihre zukünftige Leistung zu prognostizieren. Dies wird als eine gleitende durchschnittliche Prognose mit einer Periode von Daten bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass all diese Leute, die auf deinem großen Verstand zerschlagen sind, dich irgendwie verärgert haben und du entscheidest, den dritten Test aus deinen eigenen Gründen gut zu machen und eine höhere Punktzahl vor deinem Quoten zu setzen. Sie nehmen den Test und Ihre Partitur ist eigentlich ein 89 Jeder, auch Sie selbst, ist beeindruckt. So, jetzt haben Sie die endgültige Prüfung des Semesters kommen und wie üblich fühlen Sie sich die Notwendigkeit, goad jeder in die Herstellung ihrer Vorhersagen darüber, wie youll auf den letzten Test zu tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich kannst du das Muster sehen. Was glaubst du, ist die genaueste Pfeife während wir arbeiten. Jetzt kehren wir zu unserer neuen Reinigungsfirma zurück, die von deiner entfremdeten Halbschwester namens Whistle während wir arbeiten. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst stellen wir die Daten für eine dreistellige gleitende durchschnittliche Prognose vor. Der Eintrag für Zelle C6 sollte jetzt sein. Du kannst diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie sich der Durchschnitt über die aktuellsten historischen Daten bewegt, aber genau die drei letzten Perioden verwendet, die für jede Vorhersage verfügbar sind. Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngsten Vorhersage zu entwickeln. Dies unterscheidet sich definitiv von dem exponentiellen Glättungsmodell. Ive enthalten die quotpast Vorhersagen, weil wir sie in der nächsten Webseite verwenden, um die Vorhersagegültigkeit zu messen. Jetzt möchte ich die analogen Ergebnisse für eine zweistufige gleitende durchschnittliche Prognose vorstellen. Der Eintrag für Zelle C5 sollte jetzt sein. Du kannst diese Zellformel in die anderen Zellen C6 bis C11 kopieren. Beachten Sie, wie jetzt nur die beiden letzten Stücke der historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast-Vorhersagen für illustrative Zwecke und für die spätere Verwendung in der Prognose-Validierung enthalten. Einige andere Dinge, die wichtig sind, um zu bemerken. Für eine m-Periode gleitende durchschnittliche Prognose werden nur die m aktuellsten Datenwerte verwendet, um die Vorhersage zu machen. Nichts anderes ist nötig Für eine m-Periode gleitende durchschnittliche Prognose, wenn Sie quotpast Vorhersagen quot, bemerken, dass die erste Vorhersage in Periode m 1 auftritt. Beide Themen werden sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der beweglichen Mittelfunktion. Jetzt müssen wir den Code für die gleitende Mittelprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingaben für die Anzahl der Perioden gelten, die Sie in der Prognose und dem Array von historischen Werten verwenden möchten. Sie können es in der beliebigen Arbeitsmappe speichern. Funktion MovingAverage (Historical, NumberOfPeriods) Als Single Declaring und Initialisierung von Variablen Dim Item als Variant Dim Zähler als Integer Dim Akkumulation als Single Dim HistoricalSize als Integer Initialisierung von Variablen Counter 1 Akkumulation 0 Bestimmen der Größe von Historical Array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Akkumulation der entsprechenden Anzahl der aktuellsten bisher beobachteten Werte Akkumulation Akkumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Der Code wird in der Klasse erklärt. Sie möchten die Funktion auf der Kalkulationstabelle positionieren, so dass das Ergebnis der Berechnung erscheint, wo es sich um die folgenden handelt. Erstellen eines einfachen Verschiebens Dies ist einer der folgenden drei Artikel auf der Zeitreihenanalyse in Excel Überblick über den bewegten Durchschnitt Der gleitende Durchschnitt Ist eine statistische Technik, die verwendet wird, um kurzfristige Schwankungen in einer Reihe von Daten zu glätten, um längerfristige Trends oder Zyklen leichter zu erkennen. Der gleitende Durchschnitt wird manchmal als rollender Durchschnitt oder ein laufender Durchschnitt bezeichnet. Ein gleitender Durchschnitt ist eine Reihe von Zahlen, von denen jeder den Durchschnitt eines Intervalls der spezifizierten Anzahl von vorherigen Perioden darstellt. Je größer das Intervall ist, desto mehr Glättung tritt auf. Je kleiner das Intervall ist, desto mehr gleicht der gleitende Durchschnitt den tatsächlichen Datenreihen. Durchgehende Mittelwerte führen die folgenden drei Funktionen aus: Glättung der Daten, was bedeutet, dass die Anpassung der Daten an eine Zeile verbessert wird. Verringerung der Wirkung von vorübergehender Variation und zufälligem Rauschen. Hervorhebung von Ausreißern oberhalb oder unterhalb des Trends. Der gleitende Durchschnitt ist eine der am weitesten verbreiteten statistischen Techniken in der Industrie, um Daten-Trends zu identifizieren. Zum Beispiel, Sales-Manager häufig sehen dreimonatige gleitende Durchschnitte der Verkaufsdaten. Der Artikel wird eine zweimonatige, dreimonatige und sechsmonatige einfache gleitende Durchschnitte der gleichen Verkaufsdaten vergleichen. Der gleitende Durchschnitt wird in der technischen Analyse von Finanzdaten wie Aktienrenditen und in der Ökonomie häufig verwendet, um Trends in makroökonomischen Zeitreihen wie Beschäftigung zu finden. Es gibt eine Reihe von Variationen des gleitenden Durchschnitts. Am häufigsten sind der einfache gleitende Durchschnitt, der gewichtete gleitende Durchschnitt und der exponentielle gleitende Durchschnitt. Die Durchführung jeder dieser Techniken in Excel wird im Detail in separaten Artikeln in diesem Blog abgedeckt werden. Hier ist ein kurzer Überblick über jede dieser drei Techniken. Simple Moving Average Jeder Punkt in einem einfachen gleitenden Durchschnitt ist der Durchschnitt einer bestimmten Anzahl von Vorperioden. Dieser Blog Artikel wird eine detaillierte Erklärung der Umsetzung dieser Technik in Excel. Die gewichteten beweglichen Mittelpunkte im gewichteten gleitenden Durchschnitt stellen auch einen Durchschnitt einer bestimmten Anzahl von Vorperioden dar. Der gewichtete gleitende Durchschnitt wendet eine gewisse Gewichtung auf bestimmte vorherige Perioden an, oft sind die jüngsten Perioden größeres Gewicht. Ein Link zu einem anderen Artikel in diesem Blog, der eine detaillierte Erklärung der Implementierung dieser Technik in Excel liefert, ist wie folgt: Exponentielle Moving Average Points im exponentiellen gleitenden Durchschnitt stellen auch einen Durchschnitt einer bestimmten Anzahl von Vorperioden dar. Exponentielle Glättung wendet Gewichtungsfaktoren auf vorhergehende Perioden an, die exponentiell abnehmen und niemals Null erreichen. Infolgedessen berücksichtigt die exponentielle Glättung alle vorherigen Perioden anstelle einer bestimmten Anzahl von Vorperioden, die der gewichtete gleitende Durchschnitt hat. Ein Link zu einem anderen Artikel in diesem Blog, der eine ausführliche Erläuterung der Implementierung dieser Technik in Excel liefert, ist wie folgt: Im Folgenden wird der 3-stufige Prozess der Erstellung eines einfachen gleitenden Durchschnitts von Zeitreihendaten in Excel beschrieben. Schritt 1 8211 Graph Die ursprünglichen Daten in einer Zeitreihen-Plot Das Liniendiagramm ist das am häufigsten verwendete Excel-Diagramm, um Zeitreihendaten zu grafisch darzustellen. Ein Beispiel für ein solches Excel-Diagramm, das verwendet wird, um 13 Perioden von Verkaufsdaten zu zeichnen, wird wie folgt gezeigt: Schritt 2 8211 Erstellen des Moving Average in Excel Excel bietet das Moving Average Tool im Menü Datenanalyse. Das Moving Average Tool schafft einen einfachen gleitenden Durchschnitt aus einer Datenreihe. Die Moving Average Dialogbox sollte wie folgt ausgefüllt werden, um einen gleitenden Durchschnitt der vorherigen 2 Perioden von Daten für jeden Datenpunkt zu erstellen. Die Ausgabe des 2-Perioden-gleitenden Durchschnitts wird zusammen mit den Formeln gezeigt, die verwendet wurden, um den Wert jedes Punktes im gleitenden Durchschnitt zu berechnen. Schritt 3 8211 Hinzufügen der Moving Average Series zum Diagramm Diese Daten sollten nun dem Diagramm hinzugefügt werden, das die ursprüngliche Zeitlinie der Verkaufsdaten enthält. Die Daten werden einfach als eine weitere Datenreihe in der Tabelle hinzugefügt. Um dies zu tun, klicken Sie mit der rechten Maustaste auf eine beliebige Stelle auf dem Diagramm und ein Menü öffnet sich. Hit Select Data, um die neue Datenreihe hinzuzufügen. Die gleitende durchschnittliche Serie wird hinzugefügt, indem man die Dialogbox "Edit Series" wie folgt vervollständigt: Das Diagramm, das die ursprüngliche Datenreihe enthält und diese Daten8217s 2-Intervall einfacher gleitender Durchschnitt wird wie folgt angezeigt. Beachten Sie, dass die gleitende durchschnittliche Linie ziemlich viel glatter ist und rohe Daten8217s Abweichungen oberhalb und unterhalb der Trendlinie sind viel deutlicher. Der Gesamttrend ist jetzt auch deutlich deutlicher. Ein 3-Intervall-Gleitende Durchschnitt kann erstellt und auf dem Diagramm mit dem gleichen Verfahren wie folgt platziert werden: Es ist interessant zu bemerken, dass der 2-Intervall einfacher gleitender Durchschnitt einen glatteren Graphen erzeugt als der 3-Intervall einfacher gleitender Durchschnitt. In diesem Fall kann der 2-Intervall-Gleitender Durchschnitt um so wünschenswerter sein als der durchschnittliche Gleitdurchschnitt von 3 Intervallen. Zum Vergleich wird ein 6-Intervall einfacher gleitender Durchschnitt berechnet und dem Diagramm in der gleichen Weise wie folgt hinzugefügt: Wie erwartet, ist der 6-Intervall einfacher gleitender Durchschnitt signifikant glatter als der 2 oder 3-Intervall einfache gleitende Mittelwerte. Ein glatteres Graphen passt genau zu einer Geraden. Analysieren der Prognose Genauigkeit Genauigkeit kann als Güte der Passform beschrieben werden. Die beiden Komponenten der Prognosegenauigkeit sind folgende: Prognose Bias 8211 Die Tendenz einer Prognose ist konsequent höher oder niedriger als die tatsächlichen Werte einer Zeitreihe. Prognose Bias ist die Summe aller Fehler geteilt durch die Anzahl der Perioden wie folgt: Eine positive Bias zeigt eine Tendenz zur Unterprognose. Eine negative Vorspannung weist auf eine Tendenz zur Überprognose hin. Bias misst nicht die Genauigkeit, da sich positive und negative Fehler gegenseitig aufheben. Prognosefehler 8211 Die Differenz zwischen Istwerten einer Zeitreihe und den vorhergesagten Werten der Prognose. Die häufigsten Maßnahmen des Prognosefehlers sind folgende: MAD 8211 Mittlere Absolute Abweichung MAD berechnet den durchschnittlichen Absolutwert des Fehlers und wird mit folgender Formel berechnet: Die Mittelwertbildung der Fehler beseitigt den Abbruch von positiven und negativen Fehlern. Je kleiner der MAD ist, desto besser ist das Modell. MSE 8211 Mean Squared Error MSE ist ein populäres Maß an Fehler, der die abbrechende Wirkung von positiven und negativen Fehlern durch Summierung der Quadrate des Fehlers mit der folgenden Formel eliminiert: Große Fehlerausdrücke neigen dazu, MSE zu übertreiben, weil die Fehlerterme alle quadriert sind. RMSE (Root Square Mean) reduziert dieses Problem, indem er die Quadratwurzel von MSE nimmt. MAPE 8211 Mittlerer absoluter Prozentfehler MAPE eliminiert auch den abbrechenden Effekt von positiven und negativen Fehlern durch Summierung der absoluten Werte der Fehlerterme. MAPE berechnet die Summe der Prozentfehlertermine mit folgender Formel: Durch das Summieren von Prozentfehlerbegriffen kann MAPE verwendet werden, um Prognosemodelle zu vergleichen, die unterschiedliche Maßstäbe verwenden. Berechnen von Bias, MAD, MSE, RMSE und MAPE in Excel Für die Simple Moving Average Bias, MAD, MSE, RMSE und MAPE wird in Excel berechnet, um das 2-Intervall-, 3-Intervall - und 6-Intervall einfaches Bewegen zu bewerten Durchschnittliche Prognose in diesem Artikel erhalten und wie folgt gezeigt: Der erste Schritt ist, E t zu berechnen. E t 2. E t, E t Y t-act Und dann summieren sie wie folgt: Bias, MAD, MSE, MAPE und RMSE können wie folgt berechnet werden: Die gleichen Berechnungen werden nun durchgeführt, um Bias, MAD, MSE, MAPE und RMSE für den 3-Intervall einfach gleitenden Durchschnitt zu berechnen. Die gleichen Berechnungen werden nun durchgeführt, um Bias, MAD, MSE, MAPE und RMSE für den 6-Intervall einfach gleitenden Durchschnitt zu berechnen. Bias, MAD, MSE, MAPE und RMSE sind für die 2-Intervall-, 3-Intervall - und 6-Intervall-Einfachbewegungsdurchschnitte wie folgt zusammengefasst. Der 3-Intervall einfacher gleitender Durchschnitt ist das Modell, das am ehesten zu den tatsächlichen Daten passt. 160 Excel Master Series Blog Directory Statistische Themen und Artikel in jedem TopicExcel Verkaufsprognose für Dummies Cheat Sheet Wenn Sie anfangen, Prognose zu lernen, ist it8217s oft eine gute Idee, auf die Excel-Tools in der Data Analysis Add-In zu lehnen. Aber ihre Reichweite ist ziemlich begrenzt und vor zu lange you8217re wahrscheinlich zu finden, dass Sie Excel8217s Arbeitsblatt Funktionen direkt nutzen. Wenn Sie sich mit all den inferentiellen Statistiken, die zusammen mit der LINEST-Funktion kommen, finden Sie wissen, dass it8217s Zeit, um Ihre Grundlinie für eine formale Prognose zu legen. 6 Excel-Datenanalyse-Add-In-Tools Das Data Analysis-Add-In, das früher als Analysis ToolPak bekannt ist, gibt Formeln in Ihrem Namen ein, damit Sie sich auf Ihre Daten konzentrieren können. Es hat drei verschiedene Werkzeuge, die direkt nützlich sind bei der Vorhersage Moving Average, Exponential Glättung und Regression sowie mehrere andere, die helfen können. Heres eine Liste von einigen der Werkzeuge, die Teil des Data Analysis Add-In sind. Es gibt tatsächlich drei verschiedene ANOVA-Tools. Keiner ist speziell für die Prognose nützlich, aber jedes der Werkzeuge kann Ihnen helfen, den Datensatz zu verstehen, der Ihrer Prognose zugrunde liegt. Die ANOVA-Tools helfen Ihnen dabei, unter Proben zu unterscheiden, Menschen, die in Tennessee leben, wie eine bestimmte Marke von Auto besser als diejenigen, die in Vermont leben. Dieses Tool ist ein wichtiges, unabhängig von der Methode, die Sie verwenden, um eine Prognose zu erstellen. Wenn du mehr als eine Variable hast, kann es dir sagen, wie stark die beiden Variablen verwandt sind (plus oder minus 1,0 ist stark, 0.0 bedeutet keine Beziehung). Wenn Sie nur eine Variable haben, kann es Ihnen sagen, wie stark ein Zeitabschnitt mit einem anderen verwandt ist. Verwenden Sie das Programm "Beschreibende Statistik", um die Dinge wie den Durchschnitt und die Standardabweichung Ihrer Daten zu behandeln. Das Verständnis dieser grundlegenden Statistiken ist wichtig, so dass Sie wissen, was los ist mit Ihren Prognosen. Dieser Werkzeugname klingt unheilvoll und einschüchternd, was das Werkzeug nicht ist. Wenn Sie nur eine Variable etwas wie Umsatzerlöse oder Einzelverkäufe haben, schauen Sie auf einen vorherigen tatsächlichen Wert, um den nächsten vorherzusagen (vielleicht den vorherigen Monat oder den gleichen Monat im Vorjahr). All dieses Tool macht die nächste Prognose, indem sie den Fehler in der vorherigen Prognose anpasst. Ein gleitender Durchschnitt zeigt den Durchschnitt der Ergebnisse im Laufe der Zeit. Der erste könnte der Durchschnitt für Januar, Februar und März der zweite wäre dann der Durchschnitt für Februar, März und April und so weiter. Diese Methode der Prognose neigt dazu, sich auf das Signal zu konzentrieren (was in der Grundlinie wirklich vor sich geht) und das Rauschen zu minimieren (zufällige Schwankungen in der Grundlinie). Regression ist eng mit der Korrelation verknüpft. Verwenden Sie dieses Tool, um eine Variable (wie zB Verkäufe) von einem anderen (wie Datum oder Werbung) zu prognostizieren. Es gibt Ihnen ein paar Zahlen in einer Gleichung zu verwenden, wie Sales 50000 (10 Date). 4 Excel Forecasting-Funktionen Excel hat viele tolle Tools für die Verkaufsprognose. Die Kenntnis der folgenden Funktionen ist hilfreich, um Ihre Daten in Ordnung zu bringen. Überprüfen Sie die folgenden praktischen Vorhersagefunktionen. Die Arbeitsblattversion der Data Analysis Add-Ins Korrelationstool. Der Unterschied ist, dass CORREL neu berechnet, wenn sich die Eingabedaten ändern und das Korrelationstool nicht. Beispiel: CORREL (A1: A50, B1: B50). Auch CORREL gibt Ihnen nur eine Korrelation, aber das Korrelationstool kann Ihnen eine ganze Matrix von Korrelationen geben. Sie können diese Funktion anstelle des Datenanalyse-Add-Ins-Regressionstools verwenden. (Der Funktionsname ist eine Abkürzung für die lineare Schätzung.) Für eine einfache Regression wählen Sie einen Bereich von zwei Spalten und fünf Zeilen aus. Sie müssen diese Funktion eingeben. Geben Sie z. B. LINEST (A1: A50, B1: B50, TRUE) ein und drücken Sie dann CtrlShiftEnter. Diese Funktion ist praktisch, weil es Ihnen Prognosewerte direkt gibt, während LINEST Ihnen eine Gleichung gibt, die Sie verwenden müssen, um die Prognose zu erhalten. Verwenden Sie z. B. TREND (A1: A50, B1: B50, B51), wo Sie einen neuen Wert auf der Grundlage von was in B51 vorhersagen. Die Funktion FORECAST ähnelt der TREND-Funktion. Die Syntax ist ein wenig anders. Verwenden Sie zum Beispiel FORECAST (B51, A1: A50, B1: B50), wo Sie einen neuen Wert auf der Basis des Wertes in B51 prognostizieren. Auch FORECAST behandelt nur einen Prädiktor, aber TREND kann mehrere Prädiktoren behandeln. Was Sie aus dem Excel herausholen LINEST Funktion für Verkaufsprognose Excel8217s LINEST Funktion ist ein praktisches Werkzeug für Verkaufsprognose. Zu wissen, was Sie damit machen können, wird Ihre Vorhersage für eine einfache Arbeit sorgen. Hier ist ein kurzer Überblick auf Excel8217s LINEST-Funktion, Zeile für Zeile: Hinzufügen eines Trends oder gleitende durchschnittliche Zeile zu einem Diagramm Gilt für: Excel 2016 Word 2016 PowerPoint 2016 Excel 2013 Word 2013 Outlook 2013 PowerPoint 2013 Mehr. Weniger Um Datentrends oder gleitende Durchschnitte in einem von Ihnen erstellten Diagramm anzuzeigen. Du kannst eine Trendlinie hinzufügen. Sie können auch eine Trendlinie über Ihre tatsächlichen Daten hinaus erweitern, um zukünftige Werte vorhersagen zu können. Zum Beispiel prognostiziert die folgende lineare Trendlinie zwei Quartale voraus und zeigt deutlich einen Aufwärtstrend, der für zukünftige Verkäufe vielversprechend aussieht. Sie können eine Trendlinie zu einem 2-D-Diagramm hinzufügen, das nicht gestapelt ist, einschließlich Bereich, Balken, Spalte, Zeile, Lager, Streuung und Blase. Sie können keine Trendlinie zu einem gestapelten, 3-D, Radar, Kuchen, Oberfläche oder Donut-Diagramm hinzufügen. Hinzufügen einer Trendlinie Auf Ihrem Diagramm klicken Sie auf die Datenreihe, zu der Sie eine Trendlinie hinzufügen möchten. Die Trendlinie startet am ersten Datenpunkt der gewünschten Datenreihe. Überprüfe die Trendline-Box. Um eine andere Art von Trendlinie zu wählen, klicken Sie auf den Pfeil neben Trendline. Und klicken Sie dann auf Exponential. Lineare Prognose Oder zwei Period Moving Average. Für weitere Trendlinien klicken Sie auf Weitere Optionen. Wenn Sie weitere Optionen wählen. Klicken Sie unter Trendline-Optionen auf die gewünschte Option im Format Trendline-Bereich. Wenn Sie Polynom wählen. Geben Sie im Feld Auftrag die höchste Leistung für die unabhängige Variable ein. Wenn Sie Moving Average auswählen. Geben Sie die Anzahl der Perioden ein, die verwendet werden sollen, um den gleitenden Durchschnitt im Feld Periode zu berechnen. Tipp: Eine Trendlinie ist am genauesten, wenn ihr R-Quadrat-Wert (eine Zahl von 0 bis 1, die zeigt, wie genau die Schätzwerte für die Trendlinie Ihren tatsächlichen Daten entsprechen) bei oder nahe 1. Wenn Sie eine Trendlinie zu Ihren Daten hinzufügen , Berechnet Excel automatisch seinen R-squared-Wert. Sie können diesen Wert auf Ihrem Diagramm anzeigen, indem Sie den R-quadratischen Wert auf dem Diagramm anzeigen (Format Trendline-Bereich, Trendline-Optionen). In den folgenden Abschnitten erfahren Sie mehr über alle Trendlinienoptionen. Lineare Trendlinie Verwenden Sie diese Art von Trendlinie, um eine optimale Gerade für einfache lineare Datensätze zu erstellen. Ihre Daten sind linear, wenn das Muster in seinen Datenpunkten wie eine Zeile aussieht. Eine lineare Trendlinie zeigt in der Regel, dass etwas mit einer stetigen Rate zunimmt oder abnimmt. Eine lineare Trendlinie nutzt diese Gleichung, um die kleinsten Quadrate für eine Zeile zu berechnen: wobei m die Steigung ist und b der Zwischenpunkt ist. Die folgende lineare Trendlinie zeigt, dass der Umsatz der Verkäufe über einen Zeitraum von 8 Jahren konstant gestiegen ist. Beachten Sie, dass der R-Quadrat-Wert (eine Zahl von 0 bis 1, die zeigt, wie genau die Schätzwerte für die Trendlinie Ihren tatsächlichen Daten entsprechen) 0,9792 ist, was eine gute Anpassung der Linie an die Daten ist. Zeigt eine best-fit gekrümmte Linie, ist diese Trendlinie nützlich, wenn die Rate der Veränderung in den Daten steigt oder sinkt schnell und dann Ebenen aus. Eine logarithmische Trendlinie kann negative und positive Werte verwenden. Eine logarithmische Trendlinie nutzt diese Gleichung, um die kleinsten Quadrate durch Punkte zu berechnen: wobei c und b Konstanten sind und ln die natürliche Logarithmusfunktion ist. Die folgende logarithmische Trendlinie zeigt das vorhergesagte Bevölkerungswachstum von Tieren in einem Festflächengebiet, wo die Population als Raum für die Tiere abnimmt. Beachten Sie, dass der R-Quadrat-Wert 0,933 ist, was eine relativ gute Anpassung der Linie an die Daten ist. Diese Trendlinie ist nützlich, wenn Ihre Daten schwanken. Zum Beispiel, wenn Sie Gewinne und Verluste über einen großen Datensatz analysieren. Die Reihenfolge des Polynoms kann durch die Anzahl der Schwankungen der Daten bestimmt werden oder wie viele Kurven (Hügel und Täler) in der Kurve erscheinen. Typischerweise hat eine Polynom-Trendlinie des Auftrags 2 nur einen Hügel oder ein Tal, ein Auftrag 3 hat ein oder zwei Hügel oder Täler, und ein Auftrag 4 hat bis zu drei Hügel oder Täler. Eine Polynom - oder Curvilinear-Trendlinie nutzt diese Gleichung, um die kleinsten Quadrate durch Punkte zu berechnen: wo b und Konstanten sind. Die folgende Reihenfolge 2 Polynom Trendline (ein Hügel) zeigt die Beziehung zwischen Fahrgeschwindigkeit und Kraftstoffverbrauch. Beachten Sie, dass der R-Quadrat-Wert 0,979 ist, was nahe bei 1 liegt, so dass die Zeilen gut an die Daten angepasst sind. Bei der Darstellung einer gekrümmten Linie ist diese Trendlinie für Datensätze nützlich, die Messungen vergleichen, die mit einer bestimmten Rate zunehmen. Zum Beispiel die Beschleunigung eines Rennwagens in 1-Sekunden-Intervallen. Sie können keine Power Trendline erstellen, wenn Ihre Daten Null oder negative Werte enthalten. Eine Power-Trendlinie nutzt diese Gleichung, um die kleinsten Quadrate durch Punkte zu berechnen: wobei c und b Konstanten sind. Hinweis: Diese Option ist nicht verfügbar, wenn Ihre Daten negative oder Nullwerte enthalten. Die folgende Abstandsmessung zeigt die Entfernung in Metern nach Sekunden an. Die Power Trendline zeigt deutlich die zunehmende Beschleunigung. Beachten Sie, dass der R-Quadrat-Wert 0,986 ist, was eine nahezu perfekte Passung der Linie zu den Daten ist. Wenn man eine gekrümmte Linie anzeigt, ist diese Trendlinie sinnvoll, wenn Datenwerte steigen oder sinken. Sie können keine exponentielle Trendlinie erstellen, wenn Ihre Daten Null oder negative Werte enthalten. Eine exponentielle Trendlinie nutzt diese Gleichung, um die kleinsten Quadrate durch Punkte zu berechnen: wobei c und b Konstanten sind und e die Basis des natürlichen Logarithmus ist. Die folgende exponentielle Trendlinie zeigt die abnehmende Menge an Kohlenstoff 14 in einem Objekt, wie es altert. Beachten Sie, dass der R-Quadrat-Wert 0,990 ist, was bedeutet, dass die Linie die Daten fast perfekt passt. Moving Average Trendline Diese Trendlinie zeigt Datenschwankungen aus, um ein Muster oder einen Trend deutlicher zu zeigen. Ein gleitender Durchschnitt verwendet eine bestimmte Anzahl von Datenpunkten (gesetzt durch die Periodenoption), mittelt sie und verwendet den Mittelwert als Punkt in der Zeile. Wenn zum Beispiel die Periode auf 2 gesetzt ist, wird der Mittelwert der ersten beiden Datenpunkte als erster Punkt in der gleitenden durchschnittlichen Trendlinie verwendet. Der Mittelwert des zweiten und dritten Datenpunktes wird als zweiter Punkt in der Trendlinie usw. verwendet. Eine gleitende durchschnittliche Trendlinie nutzt diese Gleichung: Die Anzahl der Punkte in einer gleitenden durchschnittlichen Trendlinie entspricht der Gesamtzahl der Punkte in der Serie, abzüglich der Nummer, die Sie für den Zeitraum angeben. In einem Streudiagramm basiert die Trendlinie auf der Reihenfolge der x-Werte im Diagramm. Für ein besseres Ergebnis, sortiere die x-Werte, bevor du einen gleitenden Durchschnitt hinzufügst. Die folgende gleitende durchschnittliche Trendlinie zeigt ein Muster in der Anzahl der Häuser, die über einen Zeitraum von 26 Wochen verkauft wurden.