Glidande Medelvärde Avkastning Excel

Hur man beräknar ett rörligt medelvärde i Excel. Ett rörligt medelvärde är en statistik som används för att analysera delar av en stor dataset över en tidsperiod. Det används vanligen med aktiekurs, aktieavkastning och ekonomiska data som bruttonationalprodukt eller konsumentpris Indexer Med hjälp av Microsoft Excel kan du organisera och beräkna glidande medelvärden inom några minuter, så att du kan fokusera mer tid på den faktiska analysen än att bygga dataserien. Öppna ett nytt arbetsblad i Microsoft Excel Ange datum och deras motsvarande datapunkter i två kolumner För Exempel, för att analysera månatliga intäktstal, ange varje månad i kolumn A och motsvarande intäktssiffror bredvid den i kolumn BA år s värde av data, då skulle fylla cellerna A1 till A12 och B1 till B12. Bestäm tidsintervallet för Glidande medelvärde du vill beräkna, till exempel ett tremånaders - eller sexmånaders glidande medelvärde Gå till det sista värdet av det första intervallet och klicka på motsvarande tomma cell till höger Användning av t Han exempel från steg 1, om du vill beräkna ett tre månaders glidande medelvärde, skulle du klicka på cell C3 eftersom B3 innehåller det sista värdet av årets tre första månader. Använd funktionen AVERAGE och skriv en formel i den tomma Cell som du valde och specificerar dataintervallet för det första intervallet I det här exemplet skulle du skriva AVERAGE B1 B3. Placera musen i det nedre högra hörnet av cellen med formeln tills du ser ett vänsterklick och dra formeln ner till Tom cell bredvid den sista datapunkten i den intilliggande kolumnen I det ovanstående exemplet skulle du dra formeln från cell C3 ner till cell C12 för att beräkna tremånaders glidande medelvärde för resten av året. Moving-medel och exponentiella utjämningsmodeller . Som ett första steg för att flytta bortom genomsnittliga modeller kan slumpmässiga gångmodeller och linjära trendmodeller, nonseasonal mönster och trender extrapoleras med hjälp av en rörlig genomsnitts - eller utjämningsmodell. Det grundläggande antagandet bakom medelvärdes - och utjämningsmodeller är att Tidsserier är lokalt stationära med ett långsamt varierande medelvärde. Därför tar vi ett rörligt lokalt medelvärde för att uppskatta det nuvarande värdet av medelvärdet och sedan använda det som prognosen för den närmaste framtiden. Detta kan betraktas som en kompromiss mellan medelmodellen och Slumpmässig promenad-utan-drift-modell Samma strategi kan användas för att uppskatta och extrapolera en lokal trend. Ett rörligt medelvärde kallas ofta en jämn version av den ursprungliga serien, eftersom kortsiktig medelvärde har en effekt att utjämna stötarna i Originalserie Genom att justera graden av utjämning av det rörliga genomsnittsbredden kan vi hoppas att träffa någon form av optimal balans mellan prestanda för medel - och slumpmässiga gångmodeller. Den enklaste typen av medelvärdesmodell är det enkla, viktade rörliga genomsnittet. Prognosen för värdet av Y vid tiden t 1 som är gjord vid tiden t är lika med det enkla medelvärdet av de senaste m-observationerna. Här och någon annanstans kommer jag att använda symbolen Y-hat för att stå för en prognos av tidsserien Y som gjorts så tidigt som möjligt före en given modell. Detta medel är centrerat vid period-m 1 2, vilket innebär att uppskattningen av Den lokala medelvärdet tenderar att ligga bakom det verkliga värdet av det lokala medelvärdet med ca m 1 2 perioder Således säger vi att medeltal för data i det enkla glidande medlet är m 1 2 relativt den period som prognosen beräknas för Det här är hur lång tid prognoserna tenderar att ligga bakom vändpunkter i data. Om du till exempel medger de senaste 5 värdena kommer prognoserna att vara cirka 3 perioder sent för att svara på vändpunkter. Observera att om m 1, Den enkla glidande SMA-modellen motsvarar den slumpmässiga promenadmodellen utan tillväxt Om m är mycket stor jämförbar med längden av uppskattningsperioden är SMA-modellen lika med medelmodellen. Som med vilken parameter som helst av en prognosmodell är det vanligt Att justera värdet av ki N för att få den bästa passformen till data, det vill säga de minsta prognosfelen i genomsnitt. Här är ett exempel på en serie som verkar uppvisa slumpmässiga fluktuationer runt ett långsamt varierande medel. Låt oss försöka passa det med en slumpmässig promenad Modellen, vilket motsvarar ett enkelt glidande medelvärde av 1 term. Slumpmässig gångmodell svarar väldigt snabbt på förändringar i serien, men därigenom väljer det mycket av bruset i dataen de slumpmässiga fluktuationerna samt signalen den lokala Medelvärde Om vi ​​istället försöker ett enkelt glidande medelvärde på 5 termer får vi en snyggare uppsättning prognoser. Det 5-åriga enkla glidande medlet ger betydligt mindre fel än den slumpmässiga gångmodellen i detta fall Medelåldern för data i detta Prognosen är 3 5 1 2, så att den tenderar att ligga bakom vändpunkter med cirka tre perioder. Till exempel verkar en nedgång ha skett i period 21, men prognoserna vänder inte om till flera perioder senare. Notera att den långsiktiga Termiska prognoser från SMA mod El är en horisontell rak linje, precis som i den slumpmässiga promenadmodellen. Således antar SMA-modellen att det inte finns någon trend i data. Men prognoserna från slumpmässig promenadmodell är helt enkelt lika med det sista observerade värdet, prognoserna från SMA-modellen är lika med ett vägt genomsnitt av de senaste värdena. De konfidensbegränsningar som beräknas av Statgraphics för de långsiktiga prognoserna för det enkla rörliga genomsnittet blir inte större, eftersom prognostiseringshorisonten ökar. Detta är uppenbarligen inte korrekt. Tyvärr finns ingen underliggande Statistisk teori som berättar hur förtroendeintervallen borde utvidgas för denna modell. Det är emellertid inte så svårt att beräkna empiriska uppskattningar av konfidensgränserna för prognoserna för längre horisont. Till exempel kan du skapa ett kalkylblad där SMA-modellen Skulle användas för att prognostisera två steg framåt, 3 steg framåt, etc inom det historiska dataprovet. Du kan sedan beräkna provstandardavvikelserna för fel vid varje prognos h Orizon och konstruera sedan konfidensintervaller för längre siktprognoser genom att lägga till och subtrahera multiplar av lämplig standardavvikelse. Om vi ​​försöker ett 9-sikt enkelt glidande medelvärde får vi ännu smidigare prognoser och mer av en långsammare effekt. Medelåldern är Nu 5 perioder 9 1 2 Om vi ​​tar ett 19-årigt glidande medelvärde, ökar medeltiden till 10. Notera att prognoserna nu försvinner nu bakom vändpunkter med cirka 10 perioder. Vilken mängd utjämning är bäst för denna serie Här är en tabell som jämför deras felstatistik, även med ett 3-årigt genomsnitt. Modell C, det 5-åriga glidande genomsnittet, ger det lägsta värdet av RMSE med en liten marginal över de tre och 9-siktiga genomsnitten, och Deras andra statistik är nästan identiska Så, bland modeller med mycket liknande felstatistik kan vi välja om vi föredrar lite mer lyhördhet eller lite mer jämnhet i prognoserna. Tillbaka till början av sidan. Brons s Exponentiell utjämning exponentiellt vägd Glidande medelvärdet. Den enkla glidande medelmodellen som beskrivs ovan har den oönskade egenskapen som den behandlar de sista k-observationerna lika och fullständigt ignorerar alla föregående observationer Intuitivt bör tidigare data diskonteras mer gradvis - till exempel bör den senaste observationen Få lite mer vikt än 2: a senast och 2: a senast bör få lite mer vikt än den 3: e senaste, och så vidare. Den enkla exponentiella utjämning SES-modellen åstadkommer detta. Låt beteckna en utjämningskonstant ett tal mellan 0 och 1 Ett sätt att skriva modellen är att definiera en serie L som representerar den aktuella nivån, dvs det lokala medelvärdet av serien som uppskattat från data upp till idag. Värdet av L vid tid t beräknas rekursivt från sitt eget tidigare värde som detta. Således är det nuvarande utjämnade värdet en interpolation mellan det tidigare jämnda värdet och den aktuella observationen, där kontrollen av det interpolerade värdet är så nära som möjligt Cent observation Prognosen för nästa period är helt enkelt det nuvarande utjämnade värdet. Evivalent kan vi uttrycka nästa prognos direkt i form av tidigare prognoser och tidigare observationer, i någon av följande ekvivalenta versioner I den första versionen är prognosen en interpolering Mellan föregående prognos och tidigare observation. I den andra versionen erhålls nästa prognos genom att justera föregående prognos i riktning mot det föregående felet med en bråkdel. Erroren vid tidpunkten t I den tredje versionen är prognosen en Exponentiellt viktad dvs diskonterat glidande medelvärde med rabattfaktor 1.Interpoleringsversionen av prognosformuläret är det enklaste att använda om du implementerar modellen på ett kalkylblad som passar i en enda cell och innehåller cellreferenser som pekar på föregående prognos, föregående Observation och cellen där värdet av lagras. Notera att om 1, motsvarar SES-modellen en slumpmässig promenadmodell wit Träväxt Om 0 är SES-modellen ekvivalent med medelmodellen, förutsatt att det första släta värdet är lika med medelvärdet Return to top of the page. Den genomsnittliga åldern för data i prognosen för enkel exponentiell utjämning är 1 relativ Till den period för vilken prognosen beräknas. Detta är inte tänkt att vara uppenbart, men det kan enkelt visas genom att utvärdera en oändlig serie. Därför tenderar den enkla glidande genomsnittliga prognosen att ligga bakom vändpunkter med ca 1 period. Till exempel när 0 5 fördröjningen är 2 perioder när 0 2 fördröjningen är 5 perioder då 0 1 fördröjningen är 10 perioder och så vidare. För en given medelålder, dvs mängden fördröjning, är den enkla exponentiella utjämning SES-prognosen något överlägsen den enkla rörelsen Genomsnittlig SMA-prognos eftersom den lägger relativt större vikt vid den senaste observationen - det är något mer responsivt på förändringar som inträffade under det senaste. Till exempel har en SMA-modell med 9 villkor och en SES-modell med 0 2 båda en genomsnittlig ålder Av 5 för da Ta i sina prognoser, men SES-modellen lägger mer vikt på de senaste 3 värdena än SMA-modellen och samtidigt glömmer det inte helt värderingar som är mer än 9 perioder gamla, vilket visas i det här diagrammet. En annan viktig fördel med SES-modellen över SMA-modellen är att SES-modellen använder en utjämningsparameter som är kontinuerligt variabel så att den enkelt kan optimeras genom att använda en solveralgoritm för att minimera medelkvadratfelet. Det optimala värdet av SES-modellen för denna serie visar sig Att vara 0 2961, som visas här. Medelåldern för data i denna prognos är 1 0 2961 3 4 perioder, vilket liknar det för ett 6-sikt enkelt glidande medelvärde. De långsiktiga prognoserna från SES-modellen är En horisontell rak linje som i SMA-modellen och den slumpmässiga promenadmodellen utan tillväxt Men notera att de konfidensintervaller som beräknas av Statgraphics nu avviker på ett rimligt sätt och att de är väsentligt smalare än förtroendeintervallet för rand Om walk-modellen SES-modellen förutsätter att serien är något mer förutsägbar än den slumpmässiga promenadmodellen. En SES-modell är egentligen ett speciellt fall av en ARIMA-modell, så den statistiska teorin om ARIMA-modeller ger en bra grund för att beräkna konfidensintervaller för SES-modell SES-modellen är speciellt en ARIMA-modell med en icke-säsongsskillnad, en MA 1-term och ingen konstant term som annars kallas en ARIMA 0,1,1-modell utan konstant. MA 1-koefficienten i ARIMA-modellen motsvarar Kvantitet 1- i SES-modellen Om du till exempel passar en ARIMA 0,1,1-modell utan konstant till den analyserade serien, visar den uppskattade MA 1-koefficienten sig på 0 7029, vilket är nästan exakt en minus 0 2961. Det är möjligt att lägga till antagandet om en icke-noll konstant linjär trend till en SES-modell. Ange härmed bara en ARIMA-modell med en icke-säsongsskillnad och en MA 1-term med en konstant, dvs en ARIMA 0,1,1-modell Med konstant De långsiktiga prognoserna kommer att Då har en trend som är lika med den genomsnittliga trenden som observerats under hela estimeringsperioden. Du kan inte göra detta i samband med säsongsjustering, eftersom säsongsjusteringsalternativen är inaktiverade när modelltypen är inställd på ARIMA. Du kan dock lägga till en konstant lång Termisk exponentialutveckling till en enkel exponentiell utjämningsmodell med eller utan säsongjustering genom att använda inflationsjusteringsalternativet i prognostiseringsförfarandet. Den lämpliga inflationsprocenttillväxten per period kan uppskattas som lutningskoefficienten i en linjär trendmodell monterad på data i Samband med en naturlig logaritmtransformation, eller det kan baseras på annan oberoende information om långsiktiga tillväxtutsikter. Tillbaka till början av sidan. Brett s Linjär dvs dubbel exponentiell utjämning. SMA-modellerna och SES-modellerna antar att det inte finns någon trend av Vilken typ som helst i de data som vanligtvis är ok eller åtminstone inte för dålig för 1-stegs prognoser när data är relativt noi Sy och de kan modifieras för att införliva en konstant linjär trend som visas ovan. Vad sägs om kortsiktiga trender Om en serie visar en varierande tillväxthastighet eller ett cykliskt mönster som står klart mot bruset och om det finns behov av att Prognos mer än 1 år framåt, kan uppskattning av en lokal trend också vara ett problem. Den enkla exponentiella utjämningsmodellen kan generaliseras för att erhålla en linjär exponentiell utjämning av LES-modell som beräknar lokala uppskattningar av både nivå och trend. Den enklaste tidsvarierande trenden Modellen är Brown s linjär exponentiell utjämningsmodell, som använder två olika släta serier som centreras vid olika tidpunkter. Prognosformeln baseras på en extrapolering av en linje genom de två centren. En mer sofistikerad version av denna modell, Holt s, är Diskuteras nedan. Den algebraiska formen av Browns linjära exponentiella utjämningsmodell, som den enkla exponentiella utjämningsmodellen, kan uttryckas i ett antal olika men e Kvivalenta former Standardformen för denna modell uttrycks vanligtvis enligt följande. Låt S beteckna den singelformade serien som erhållits genom att applicera enkel exponentiell utjämning till serie Y Det är värdet av S vid period t ges av. Minns att under enkel exponentiell utjämning skulle detta vara prognosen för Y vid period t 1 Låt sedan S beteckna den dubbelsidiga serien som erhållits genom att applicera enkel exponentiell utjämning med samma till serie S. Slutligen är prognosen för Y tk för vilken som helst K 1, ges av. Detta ger e 1 0, dvs lurar lite och låt den första prognosen motsvara den faktiska första observationen och e 2 Y 2 Y 1, varefter prognoser genereras med hjälp av ekvationen ovan. Detta ger samma monterade värden Som formel baserad på S och S om den senare startades med användning av S 1 S 1 Y 1 Denna version av modellen används på nästa sida som illustrerar en kombination av exponentiell utjämning med säsongsjustering. Helt s linjär exponentiell utjämning. S LES-modellen beräknar lokala uppskattningar av nivå och trend genom att utjämna de senaste uppgifterna, men det faktum att det gör det med en enda utjämningsparameter ställer en begränsning på datamönstren att den kan passa nivån och trenden får inte variera vid Oberoende priser Holt s LES-modellen tar upp problemet genom att inkludera två utjämningskonstanter, en för nivån och en för trenden. När som helst t, som i Brown s-modellen, finns det en uppskattning L t på lokal nivå och en uppskattning T T av den lokala trenden Här beräknas de rekursivt från värdet av Y observerat vid tid t och de tidigare uppskattningarna av nivån och trenden med två ekvationer som tillämpar exponentiell utjämning åt dem separat. Om den beräknade nivån och trenden vid tiden t-1 Är L tl och T t-1, då skulle prognosen för Y t som skulle ha gjorts vid tid t-1 vara lika med L t-1 T t 1 När det verkliga värdet observeras, uppdateras uppskattningen av Nivån beräknas rekursivt genom att interpolera mellan Yt och dess prognos, L t-1 T t-1, med vikter av och 1. Förändringen i beräknad nivå, nämligen L t L t 1 kan tolkas som en bullrig mätning av Trenden vid tiden t Den uppdaterade uppskattningen av trenden beräknas därefter rekursivt genom interpolering mellan L T L t 1 och den tidigare uppskattningen av trenden, T t-1 med vikter av och 1.Tolkningen av trendutjämningskonstanten är analog med den för nivåutjämningskonstanten. Modeller med små värden antar att trenden förändras Bara mycket långsamt över tiden medan modeller med större antar att det förändras snabbare En modell med en stor tror att den avlägsna framtiden är väldigt osäker eftersom fel i trendberäkning blir ganska viktiga när prognoser mer än en period framåt. Av sidan. Utjämningskonstanterna och kan beräknas på vanligt sätt genom att minimera medelkvadratfelet i de 1-stegs-prognoserna. När detta görs i Statgraphics visar uppskattningarna att vara 0 3048 och 0 008 Det mycket lilla värdet av Innebär att modellen antar mycket liten förändring i trenden från en period till en annan, så i princip försöker denna modell uppskatta en långsiktig trend. I analogi med begreppet medelålder för de data som används vid uppskattning av t Han lokal nivå av serien, den genomsnittliga åldern för de data som används för att uppskatta den lokala trenden är proportionell mot 1, men inte exakt lika med det i det här fallet visar sig vara 1 0 006 125 Detta är inte mycket exakt nummer Eftersom beräkningsnoggrannheten inte är riktigt 3 decimaler, men den är av samma generella storleksordning som provstorleken på 100, så denna modell är medelvärde över ganska mycket historia för att uppskatta trenden. Prognosplotten Nedan visar att LES-modellen beräknar en något större lokal trend i slutet av serien än den ständiga trenden som uppskattas i SES-trendmodellen. Det uppskattade värdet är nästan identiskt med det som erhållits genom att montera SES-modellen med eller utan trend , Så det här är nästan samma modell. Nu ser dessa ut som rimliga prognoser för en modell som ska beräkna en lokal trend. Om du eyeball denna plot ser det ut som om den lokala trenden har vänt sig nedåt i slutet av Serie Wh Vid har hänt Parametrarna för denna modell har uppskattats genom att minimera kvadreringsfelet i 1-stegs prognoser, inte längre prognoser, i vilket fall trenden gör inte stor skillnad. Om allt du tittar på är 1 - steg framåtfel, ser du inte den större bilden av trender över säga 10 eller 20 perioder För att få denna modell mer i linje med vår ögonbolls extrapolering av data kan vi manuellt justera trendutjämningskonstanten så att den Använder en kortare baslinje för trenduppskattning. Om vi ​​exempelvis väljer att ställa in 0 1, är medelåldern för de data som används för att uppskatta den lokala trenden 10 perioder, vilket betyder att vi medeltar trenden under de senaste 20 perioderna eller så Här är vad prognosplottet ser ut om vi ställer in 0 1 samtidigt som vi håller 0 3 Det ser intuitivt rimligt ut för den här serien, men det är förmodligen farligt att extrapolera denna trend mer än 10 perioder i framtiden. Vad med felstatistik Här är En modell jämförelse f Eller de två modellerna som visas ovan samt tre SES-modeller. Det optimala värdet på SES-modellen är ungefär 0 3, men liknande resultat med något mer eller mindre responsivitet erhålls med 0 5 och 0 2. En Holt s linjär expo-utjämning Med alfa 0 3048 och beta 0 008. B Holt s linjär expjäkning med alfa 0 3 och beta 0 1. C Enkel exponentiell utjämning med alfa 0 5. D Enkel exponentiell utjämning med alfa 0 3. E Enkel exponentiell utjämning med alfa 0 2.De statistik är nästan identiska så vi kan verkligen inte göra valet på grundval av 1-stegs prognosfel inom dataprovet. Vi måste falla tillbaka på andra överväganden. Om vi ​​starkt tror att det är vettigt att basera strömmen Trendberäkning om vad som hänt under de senaste 20 perioderna eller så kan vi göra ett fall för LES-modellen med 0 3 och 0 1 Om vi ​​vill vara agnostiker om det finns en lokal trend, kan en av SES-modellerna Vara lättare att förklara och skulle också ge mer medel E-of-the-road prognoser för de kommande 5 eller 10 perioderna Gå tillbaka till toppen av sidan. Vilken typ av trend-extrapolation är bäst horisontellt eller linjärt. Empiriska bevis tyder på att om uppgifterna redan har justerats om det behövs för inflationen, då Det kan vara oskäligt att extrapolera kortsiktiga linjära trender långt fram i framtiden. Trenden som uppenbaras idag kan sänkas i framtiden på grund av olika orsaker som produktförstöring, ökad konkurrens och konjunkturnedgångar eller uppgångar i en bransch. Därför är enkel exponentiell Utjämning utförs ofta bättre utom provet än vad som annars skulle kunna förväntas trots sin naiva horisontella trend-extrapolering. Dämpade trendändringar av den linjära exponentiella utjämningsmodellen används också i praktiken för att införa en konservatismedel i dess trendprognoser. Den dämpade trenden LES-modellen kan implementeras som ett speciellt fall av en ARIMA-modell, i synnerhet en ARIMA 1,1,2-modell. Det är möjligt att beräkna konfidensintervall arou Nd långsiktiga prognoser som produceras av exponentiella utjämningsmodeller, genom att betrakta dem som speciella fall av ARIMA-modeller Var försiktig att inte alla mjukvaror beräknar konfidensintervaller för dessa modeller korrekt. Bredden på konfidensintervallet beror på jag RMS-felet i modellen, ii typen Av utjämning enkel eller linjär iii värdet s av utjämningskonstanten s och iv antalet framåtprognoser du prognoserar Generellt sprids intervallerna snabbare och blir större i SES-modellen och de sprider sig mycket snabbare när linjär snarare än enkel Utjämning används Detta avsnitt diskuteras vidare i avsnittet ARIMA-modeller i anteckningarna. Gå tillbaka till början av sidan. Beräkning av glidande medelvärde i Excel. I den här korta handledningen lär du dig hur du snabbt beräknar ett enkelt glidande medelvärde i Excel, vilket fungerar till Använd för att få glidande medelvärden för de senaste N dagarna, veckorna, månaderna eller åren och hur man lägger till en glidande genomsnittlig trendlinje till ett Excel-diagram. I ett par senaste artiklar har vi ta Ta en titt på beräkningen av genomsnittet i Excel Om du har följt vår blogg vet du redan hur man ska beräkna ett normalt genomsnitt och vilka funktioner som ska användas för att hitta vägt genomsnitt. I dagens handledning diskuterar vi två grundläggande tekniker för att beräkna glidande medelvärde I Excel. What är glidande medelvärdet. Generellt sett kan glidande medel också kallas rullande medellöpande medelvärde eller rörliga medelvärden definieras som en serie av medelvärden för olika deluppsättningar av samma dataset. Den används ofta i statistik, säsongsmässigt Justerad ekonomisk och väderprognos för att förstå underliggande trender I aktiehandel är glidande medelvärde en indikator som visar medelvärdet av en säkerhet under en viss tidsperiod. I affärer är det en vanlig praxis att beräkna ett glidande genomsnitt av försäljningen för de senaste 3 Månader för att bestämma den senaste trenden. Till exempel kan det glidande genomsnittet av tre månaders temperaturer beräknas genom att ta medeltemperaturen från januari till mars, då Genomsnittet av temperaturer från februari till april, sedan mars till maj och så vidare. Det finns olika typer av rörliga medelvärden som enkla även kända som aritmetiska, exponentiella, variabla, triangulära och viktade. I denna handledning ser vi ut I det mest använda enkla glidande medlet. Beräkning av enkelt glidande medelvärde i Excel. Överallt finns det två sätt att få ett enkelt glidande medelvärde i Excel - med hjälp av formler och trendlinjealternativ. Följande exempel visar båda teknikerna. Exempel 1 Beräkna glidande medelvärde för En viss tidsperiod. Ett enkelt glidande medelvärde kan beräknas på nolltid med funktionen AVERAGE Anta att du har en lista över genomsnittliga månatliga temperaturer i kolumn B och du vill hitta ett glidande medelvärde i 3 månader som visas i bilden ovan. Skriv en vanlig AVERAGE-formel för de första 3 värdena och mata in den i raden som motsvarar 3: e värdet från den övre cellen C4 i detta exempel och sedan kopiera formeln ner till andra celler i t Kolumn. Du kan fixa kolumnen med en absolut referens som B2 om du vill, men var noga med att använda relativa radreferenser utan tecknet så att formeln justerar ordentligt för andra celler. Av det att ett medelvärde beräknas genom att lägga till värden Och sedan dela summan med antalet värden som ska beräknas, kan du verifiera resultatet med hjälp av SUM-formeln. Exempel 2 Få glidande medelvärde för de senaste N dagarna veckor månader år i en kolumn. Om du har en lista med data T ex försäljningsfigurer eller aktiekurser och du vill veta genomsnittet för de senaste 3 månaderna när som helst För detta behöver du en formel som kommer att beräkna genomsnittsvärdet så snart du anger ett värde för nästa månad. Vad Excel Funktionen kan göra detta Den goda gamla AVERAGE i kombination med OFFSET och COUNT. AVERAGE OFFSET första cellen COUNT hela intervallet - N, 0, N, 1.Var N är antalet sista dagar veckor månader år att inkludera i genomsnitt. Inte säker på hur du använder den här glidande genomsnittliga formeln i dina Excel-kalkylblad Följande exempel Kommer att göra saker tydligare. Ansum att värdena i genomsnitt är i kolumn B som börjar i rad 2, skulle formeln vara följande. Och nu, låt oss försöka förstå vad denna Excel-glidande medelformeln faktiskt gör. COUNT-funktionen COUNT B2 B100 räknar hur många värden som redan är angivna i kolumn B Vi börjar räkna i B2 eftersom rad 1 är kolumnrubriken. OFFSET-funktionen tar cell B2 den 1: a argumentet som utgångspunkt och förskjuter räkningen det värde som returneras av COUNT-funktionen Genom att flytta 3 rader upp -3 i 2: e argumentet Som resultat returnerar det summan av värden i ett intervall som består av 3 rader 3 i det 4: e argumentet och 1 kolumn 1 i det sista argumentet, vilket är de senaste 3 månaderna Som vi vill. Finalt är den returnerade summan passerad Till AVERAGE-funktionen för att beräkna det rörliga genomsnittet. Tips Om du arbetar med kontinuerligt uppdaterbara arbetsblad där nya rader sannolikt kommer att läggas till i framtiden, var noga med att ge ett tillräckligt antal rader till COUNT-funktionen för att tillgodose potentiella nya poster. S inte ett problem om du innehåller fler rader än vad som behövs så länge du har den första cellen till höger, kommer COUNT-funktionen att slänga alla tomma rader ändå. Som du säkert har märkt innehåller tabellen i det här exemplet data för endast 12 månader och Ändå levereras intervallet B2 B100 till COUNT, bara för att vara på spara sidan. Exempel 3 Hämta glidande medelvärde för de sista N-värdena i en rw. Om du vill beräkna ett glidande medelvärde för de senaste N dagarna, månaderna, Etc i samma rad, kan du justera Offset-formuläret på detta sätt. Antagande B2 är det första numret i raden och du vill inkludera de sista 3 siffrorna i medelvärdet. Formeln tar följande form. Skapa en Excel-rörelse Genomsnittlig diagram. Om du har alre Ady skapade ett diagram för dina data. Lägg till en glidande genomsnittslinje för det diagrammet är ett par sekunder. För det här kommer vi att använda Excel Trendline-funktionen och de detaljerade stegen följer nedan. För det här exemplet har jag skapat en 2-D Kolumnschema Infoga fliken Diagramgrupp för våra försäljningsdata. Och nu vill vi visualisera det glidande medeltalet i 3 månader. I Excel 2013, välj diagrammet, gå till fliken Design Tabell Layout och klicka på Lägg till Diagramelement Trendline Mer Trendline Alternativ. I Excel 2010 och Excel 2007, gå till Layout Trendline More Trendline Options. Tip Om du inte behöver ange detaljerna, t. ex. det glidande intervallet eller namnen, kan du klicka på Design Lägg till diagramelement Trendlinje Flyttande medelvärde för det omedelbara resultatet . Formatet Trendline-rutan öppnas på höger sida av ditt arbetsblad i Excel 2013 och motsvarande dialogruta kommer att dyka upp i Excel 2010 och 2007. I rutan Format Trendline klickar du på ikonen Trendline Options, välj Flytta Genomsnittlig o Ption och ange det glidande medelintervallet i rutan Period. Close Trendline-rutan och du hittar den glidande genomsnittliga trendlinjen som läggs till i ditt diagram. För att förfina din chatt kan du växla till fliken Fylla eller Effekter i rutan Format Trendline och Spela med olika alternativ som linjetyp, färg, bredd etc. För kraftfull dataanalys kan du lägga till några glidande genomsnittliga trendlinjer med olika tidsintervaller för att se hur trenden utvecklas. Följande skärmdump visar 2 månaders gröna och 3-månaders tegelröd glidande genomsnittliga trendlinjer. Väl, det handlar om att beräkna glidande medelvärde i Excel. Exempel på arbetsblad med de snabba medelformlerna och trendlinjen är tillgänglig för nedladdning - Flyttande medelvärde kalkylblad Jag tackar för att du läser och ser fram emot att se dig nästa Vecka. Du kan också vara intresserad av. Ditt exempel 3 ovan. Förflyttningsgenomsnittet för de sista N-värdena i rad fungerade perfekt för mig om hela raden innehåller siffror jag m gör för min golf league wh Vi använder ett rullande medelvärde på 4 veckor Ibland är golfspelarna frånvarande så istället för ett poäng kommer jag att lägga in ABS-text i cellen. Jag vill ändå att formeln ska leta efter de senaste 4 poängen och inte räkna ABS antingen i täljaren eller i Nämnaren Hur ändrar jag formeln för att uppnå detta. Ja, jag märkte om cellerna var tomma, beräkningarna var felaktiga I min situation spårar jag över 52 veckor Även om de senaste 52 veckorna innehöll data var beräkningen felaktig om någon cell Före 52 veckorna var blank. Archie Mendrez säger. Jag försöker skapa en formel för att få det glidande medeltalet i 3 period, uppskattar om du kan hjälpa pls. Date Produktpris 10 1 2016 A 1 00 10 1 2016 B 5 00 10 1 2016 C 10 00 10 2 2016 A 1 50 10 2 2016 B 6 00 10 2 2016 C 11 00 10 3 2016 A 2 00 10 3 2016 B 15 00 10 3 2016 C 20 00 10 4 2016 A 4 00 10 4 2016 B 20 00 10 4 2016 C 40 00 10 5 2016 A 0 50 10 5 2016 B 3 00 10 5 2016 C 5 00 10 6 2016 A 1 00 10 6 2016 B 5 00 10 6 2016 C 10 00 10 7 2016 A 0 50 10 7 2016 B 4 00 10 7 2016 C 20 00.Archie Mendrez säger. James Brown säger. Jag är imponerad av den stora kunskapen och den korta och effektiva instruktionen du tillhandahåller. Jag har också en fråga som jag hoppas att du kan låna din talang med En lösning också, jag har en kolumn A med 50 veckorintervalldatum Jag har en kolumn B bredvid den med planerad produktion i genomsnitt per vecka för att slutföra målet på 700 widgets 700 50 I nästa kolumn summerar jag mina veckovisa inkrement hittills 100 till exempel Och omberäkna min återstående antal prognos avg per återstående vecka ex 700-100 30 Jag skulle vilja kopiera varje vecka ett diagram som börjar med den aktuella veckan, inte början x-axeldatumet för diagrammet, med summan 100 så att min utgångspunkt är Aktuell vecka plus kvarvarande vecka 20 och sluta den linjära grafen vid slutet av veckan 30 och y-punkten 700. Variablerna för att identifiera rätt celldatum i kolumn A och slutar vid mål 700 med en automatisk uppdatering från dagens datum är Förvirra mig Kan du hjälpa till att begära Se med en formel jag har försökt IF logik med idag och bara inte lösa det Tack. Johnny Muller säger. Vänligen hjälp med den korrekta formeln för att beräkna summan av timmar som har angetts i en rörlig 7-dagarsperiod. Till exempel behöver jag veta hur Mycket övertid arbetas av en individ under en rullande 7-dagarsperiod beräknad från början av året till årets slut. Det totala antalet arbetade timmar måste uppdateras under de 7 rullande dagarna då jag går in i övertidstimmen dagligen Tack. Finns det ett sätt att få summan av ett nummer för de senaste 6 månaderna. Jag vill kunna beräkna summan för de senaste 6 månaderna varje dag. Så illa behöver jag uppdatera varje dag jag har ett excel-ark med kolumner Av varje dag under det senaste året och så småningom lägger till mer varje år, skulle någon hjälp uppskattas, eftersom jag är stumped. Jag har liknande behov, jag behöver skapa en rapport som visar nya klientbesök, totala kundbesök och andra Data Alla dessa fält uppdateras dagligen på en spreadshe Et, jag måste dra data för de föregående 3 månaderna uppdelade efter månad, 3 veckor i veckor och sista 60 dagarna Finns det en VLOOKUP eller formel eller något jag kan göra som länkar till arket som uppdateras dagligen Kommer också att tillåta min rapport att uppdateras dagligen.