Sas เคลื่อนไหว เฉลี่ย ถดถอย

กระบวนการคำนวณความผิดพลาดโดยเฉลี่ยแบบอัตโนมัติเฉลี่ย (ข้อผิดพลาด ARMA) และโมเดลอื่นที่เกี่ยวข้องกับความล่าช้าของข้อกำหนดข้อผิดพลาดสามารถประมาณได้โดยการใช้งบ FIT และจำลองหรือคาดการณ์โดยใช้คำสั่ง SOLVE โมเดล ARMA สำหรับกระบวนการข้อผิดพลาดมักใช้กับโมเดลที่มีส่วนที่ตกค้าง autocorrelated มาโคร AR สามารถใช้เพื่อระบุโมเดลที่มีกระบวนการเกิดข้อผิดพลาดแบบอัตโนมัติ แมโคร MA สามารถใช้เพื่อระบุโมเดลที่มีกระบวนการเกิดข้อผิดพลาดในการเคลื่อนที่โดยเฉลี่ย ข้อผิดพลาดแบบอัตโนมัติ (Autoregressive Errors) แบบจำลองที่มีข้อผิดพลาดในการตอบสนองอัตโนมัติอันดับแรก AR (1) มีรูปแบบในขณะที่กระบวนการข้อผิดพลาด AR (2) มีรูปแบบอื่น ๆ สำหรับกระบวนการที่มีลำดับขั้นสูง โปรดทราบว่า s มีความเป็นอิสระและมีการแจกแจงแบบเดียวกันและมีค่าที่คาดว่าจะเท่ากับ 0 ตัวอย่างของรูปแบบที่มีส่วนประกอบ AR (2) เป็นเช่นนี้สำหรับกระบวนการที่มีลำดับขั้นสูง ตัวอย่างเช่นคุณสามารถเขียนแบบจำลองการถดถอยเชิงเส้นแบบง่ายๆโดยมีข้อผิดพลาดในการเคลื่อนที่เฉลี่ยของ MA (2) เนื่องจาก MA1 และ MA2 เป็นค่าเฉลี่ยเคลื่อนที่ โปรดทราบว่า RESID. Y ถูกกำหนดโดย PROC MODEL โดยอัตโนมัติเนื่องจากต้องใช้ฟังก์ชัน ZLAG สำหรับโมเดล MA เพื่อตัดทอนการซ้ำซ้อนของความล่าช้า เพื่อให้แน่ใจว่าข้อผิดพลาดที่ล่าช้าเริ่มต้นที่ศูนย์ในระยะล่มเหนี่ยวและไม่เผยแพร่ค่าที่หายไปเมื่อตัวแปรลุ่มหลาง - จุ่มช่วงหายไปและเพื่อให้แน่ใจว่าข้อผิดพลาดในอนาคตเป็นศูนย์แทนที่จะหายไประหว่างการจำลองหรือการคาดการณ์ สำหรับรายละเอียดเกี่ยวกับฟังก์ชันล่าช้าให้ดูที่ส่วน Lag Logic รูปแบบนี้เขียนโดยใช้มาโครแมคโครมีดังต่อไปนี้รูปแบบทั่วไปสำหรับรูปแบบ ARMA กระบวนการ ARMA ทั่วไป (p, q) มีรูปแบบต่อไปนี้รูปแบบ ARMA (p, q) สามารถระบุได้ดังต่อไปนี้: ที่ AR i และ MA j เป็นตัวแทน พารามิเตอร์ autoregressive และ moving average สำหรับความล่าช้าต่างๆ คุณสามารถใช้ชื่อใด ๆ ที่คุณต้องการสำหรับตัวแปรเหล่านี้ได้และมีวิธีการต่างๆมากมายที่สามารถเขียนข้อกำหนดได้ กระบวนการ ARMA แบบเวกเตอร์สามารถประมาณด้วย PROC MODEL ตัวอย่างเช่นตัวแปรสองตัวแปร AR (1) สำหรับข้อผิดพลาดของตัวแปรภายในสองตัว Y1 และ Y2 สามารถระบุได้ดังต่อไปนี้ปัญหา Convergence กับ ARMA Models รูปแบบ ARMA อาจเป็นเรื่องยากที่จะประมาณ หากค่าประมาณของพารามิเตอร์ไม่อยู่ในช่วงที่เหมาะสมโมเดลที่เหลืออยู่ของค่าเฉลี่ยเคลื่อนที่จะเพิ่มขึ้นเป็นทวีคูณ ส่วนที่เหลือที่คำนวณได้สำหรับข้อสังเกตในภายหลังอาจมีขนาดใหญ่มากหรืออาจล้น ซึ่งอาจเกิดขึ้นได้เนื่องจากค่าเริ่มต้นที่ไม่เหมาะสมถูกนำมาใช้หรือเนื่องจากการทำซ้ำได้ย้ายออกไปจากค่าที่สมเหตุสมผล ควรใช้ความระมัดระวังในการเลือกค่าเริ่มต้นสำหรับพารามิเตอร์ ARMA ค่าเริ่มต้นของ 0.001 สำหรับพารามิเตอร์ ARMA จะทำงานถ้ารูปแบบตรงกับข้อมูลที่ดีและปัญหาเป็นอย่างดีปรับอากาศ โปรดสังเกตว่าแบบจำลอง MA มักจะถูกประมาณด้วยรูปแบบ AR ที่มีลำดับสูงและในทางกลับกัน ซึ่งจะส่งผลให้เกิดความร่วมมือในระดับสูงในรูปแบบ ARMA แบบผสมซึ่งอาจทำให้เกิดการไม่ปฏิบัติอย่างร้ายแรงในการคำนวณและความไม่แน่นอนของการประมาณค่าพารามิเตอร์ หากคุณมีปัญหาเรื่องการลู่เข้าในขณะที่ประมาณแบบที่มีกระบวนการแก้ไขข้อผิดพลาด ARMA ให้ลองประมาณในขั้นตอน ขั้นแรกให้ใช้คำชี้แจง FIT เพื่อประมาณค่าพารามิเตอร์โครงสร้างที่มีพารามิเตอร์ ARMA ที่จัดไว้ให้เป็นศูนย์ (หรือก่อนการประมาณการที่สมเหตุสมผลหากมี) จากนั้นใช้คำสั่ง FIT อื่นเพื่อประมาณค่าพารามิเตอร์ ARMA เท่านั้นโดยใช้ค่าพารามิเตอร์โครงสร้างจากครั้งแรก เนื่องจากค่าของพารามิเตอร์โครงสร้างมีแนวโน้มที่ใกล้เคียงกับการประมาณขั้นสุดท้ายแล้วค่าพารามิเตอร์ ARMA จึงอาจมาบรรจบกัน สุดท้ายใช้คำสั่ง FIT อื่นเพื่อสร้างการประมาณค่าพารามิเตอร์ทั้งหมดพร้อมกัน เนื่องจากค่าเริ่มต้นของพารามิเตอร์นี้มีแนวโน้มใกล้เคียงกับการประมาณการร่วมขั้นสุดท้ายแล้วการประมาณการควรจะรวมกันได้อย่างรวดเร็วหากรูปแบบเหมาะสมกับข้อมูล เงื่อนไขเริ่มต้นของ AR ความล่าช้าเบื้องต้นของข้อผิดพลาดของ AR (p) สามารถจำลองได้หลายแบบ วิธีการเริ่มต้นของข้อผิดพลาด autoregressive ที่ได้รับการสนับสนุนโดย SASETS มีดังต่อไปนี้: เงื่อนไขอย่างน้อยสี่เหลี่ยม (ขั้นตอน ARIMA และ MODEL) รูปสี่เหลี่ยมผืนผ้าน้อยอย่างไม่มีเงื่อนไข (ขั้นตอน AUTOREG ARIMA และ MODEL) โอกาสสูงสุด (AUTOREG, ARIMA และ MODEL procedures) Yule-Walker (AUTOREG ขั้นตอนเท่านั้น) Hildreth-Lu ซึ่งจะลบข้อสังเกตแรก (ขั้นตอน MODEL เท่านั้น) ดูบทที่ 8 ขั้นตอน AUTOREG เพื่ออธิบายและอภิปรายถึงประโยชน์ของวิธีการเริ่มต้น AR (p) ต่างๆ การเริ่มต้น CLS, ULS, ML และ HL สามารถทำได้โดย PROC MODEL สำหรับข้อผิดพลาด AR (1) การเตรียมใช้งานเหล่านี้จะสามารถผลิตได้ดังแสดงในตารางที่ 18.2 วิธีการเหล่านี้เทียบเท่ากับตัวอย่างขนาดใหญ่ ตาราง 18.2 การเริ่มต้นดำเนินการโดย PROC MODEL: AR (1) ข้อผิดพลาดความล่าช้าในการเริ่มต้นของข้อผิดพลาดของรูปแบบ MA (q) สามารถจำลองได้ด้วยวิธีต่างๆ กระบวนงาน ARIMA และ MODEL ได้รับการสนับสนุนตามขั้นตอนเริ่มต้นข้อผิดพลาดโดยเฉลี่ยต่อไปนี้: ขั้นต่ำสุดของเงื่อนไขน้อยที่สุดของเงื่อนไขการประมาณค่าข้อผิดพลาดโดยเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ไม่เหมาะสมเนื่องจากไม่สนใจปัญหาการเริ่มต้น ซึ่งจะช่วยลดประสิทธิภาพของการประมาณแม้ว่าจะยังคงเป็นกลาง ส่วนที่เหลือล้าหลังเริ่มต้นขยายก่อนการเริ่มต้นของข้อมูลถือว่าเป็น 0 ค่าที่คาดว่าจะไม่มีเงื่อนไข นี่เป็นการแนะนำความแตกต่างระหว่างส่วนที่เหลือเหล่านี้กับเศษที่เหลือน้อยที่สุดสำหรับความแปรปรวนร่วมเฉลี่ยที่เคลื่อนไหวซึ่งแตกต่างจากโมเดลอัตถิภาวนิยมยังคงอยู่ในชุดข้อมูล โดยปกติความแตกต่างนี้ลู่เข้าหากันอย่างรวดเร็วเป็น 0 แต่สำหรับกระบวนการเคลื่อนที่โดยเฉลี่ยที่ไม่สามารถพลิกผันลู่เข้าได้ค่อนข้างช้า เพื่อลดปัญหานี้คุณควรมีข้อมูลจำนวนมากและค่าพารามิเตอร์เฉลี่ยเคลื่อนไหวจะอยู่ในช่วงที่มีการเปลี่ยนแปลงได้ ปัญหานี้สามารถแก้ไขได้ด้วยค่าใช้จ่ายในการเขียนโปรแกรมที่ซับซ้อนมากขึ้น การประมาณค่ากำลังสองน้อยสุดที่ไม่มีเงื่อนไขสำหรับกระบวนการ MA (1) สามารถผลิตได้โดยการระบุรูปแบบดังนี้: ข้อผิดพลาดในการเคลื่อนที่เฉลี่ยอาจเป็นเรื่องยากที่จะประมาณได้ คุณควรพิจารณาการใช้ค่าประมาณ AR (p) กับค่าเฉลี่ยเคลื่อนที่ กระบวนการเฉลี่ยโดยเฉลี่ยอาจเป็นไปในทางเดียวกันโดยกระบวนการอัตโนมัติหากข้อมูลไม่ได้รับการปรับให้เรียบหรือแตกต่างกัน อาร์เรย์ AR มาโคร SAS สร้างอาร์เรย์การเขียนโปรแกรมสำหรับ PROC MODEL สำหรับโมเดลอัตถดถอย มาโคร AR เป็นส่วนหนึ่งของซอฟต์แวร์ SASETS และไม่มีตัวเลือกพิเศษที่ต้องตั้งค่าให้ใช้มาโคร กระบวนการอัตโนมัติสามารถนำไปใช้กับข้อผิดพลาดของสมการโครงสร้างหรือชุดภายในของตัวเองได้ อาร์กิวเมนต์ AR สามารถใช้สำหรับการทำงานแบบอัตโนมัติดังต่อไปนี้: การ จำกัด การให้อิสระแบบไม่ จำกัด แบบ จำกัด การตอบสนองอัตโนมัติแบบเวกเตอร์ Univariate Autoregression ในการสร้างแบบจำลองคำผิดพลาดของสมการในรูปแบบอัตชีวประวัติให้ใช้คำสั่งต่อไปนี้หลังจากสมการ: ตัวอย่างเช่นสมมุติว่า Y เป็น a ฟังก์ชันเชิงเส้นของ X1, X2 และข้อผิดพลาด AR (2) คุณจะเขียนแบบนี้ดังต่อไปนี้การเรียกร้องให้ AR ต้องมาหลังจากสมการทั้งหมดที่ใช้กับกระบวนการ การเรียกใช้แมโครก่อนหน้านี้ AR (y, 2) จะแสดงคำสั่งที่แสดงในผลลัพธ์ของ LIST ในรูปที่ 18.58 รูปที่ 18.58 ตัวเลือกตัวเลือกรายการสำหรับรุ่น AR (2) ตัวแปร PRED prefixed เป็นตัวแปรโปรแกรมชั่วคราวที่ใช้เพื่อให้ความล้าหลังของส่วนที่เหลือเป็นส่วนที่เหลือที่ถูกต้องและไม่ได้ถูกนิยามใหม่โดยสมการนี้ โปรดทราบว่านี่เทียบเท่ากับคำสั่งที่ระบุไว้อย่างชัดเจนในส่วน General Form for ARMA Models นอกจากนี้คุณยังสามารถ จำกัด ค่าพารามิเตอร์ autoregressive ให้เป็นศูนย์เมื่อเลือกล่าช้า ตัวอย่างเช่นถ้าคุณต้องการพารามิเตอร์ autoregressive ที่ lags 1, 12 และ 13 คุณสามารถใช้คำสั่งต่อไปนี้: งบเหล่านี้สร้างผลลัพธ์ที่แสดงในรูปภาพ 18.59 รูปที่ 18.59 ตัวเลือกตัวเลือกรายการสำหรับรุ่น AR ที่มีความล่าช้าที่ 1, 12 และ 13 รายละเอียดกระบวนการขั้นตอนการจัดทำรายการคำอธิบายรหัสโปรแกรมที่คอมไพล์เป็น PRED. yab ที่วิเคราะห์แล้ว x1 c x2 RESID. y PRED. y - PRED ที่เป็นจริง ERROR. y y - y OLDPRED. y PRED. y yl1 ZLAG1 (y - perdy) yl12 ZLAG12 (y - perdy) yl13 ZLAG13 (y - perdy) RESID. y PRED. y - ACTUAL. y ERROR. y PRED. y - y มี รูปแบบของวิธีกำลังสองน้อยสุดที่มีเงื่อนไขทั้งนี้ขึ้นอยู่กับว่าการสังเกตการณ์เมื่อเริ่มต้นชุดข้อมูลใช้เพื่ออุ่นเครื่องกระบวนการ AR หรือไม่ โดยค่าเริ่มต้นวิธีอาร์เรย์น้อยสุดเงื่อนไขแบบอาร์เรย์จะใช้ข้อสังเกตทั้งหมดและสันนิษฐานค่าศูนย์สำหรับระยะเวลาเริ่มต้นของข้อกำหนดเชิงอัตรกรรม เมื่อใช้ตัวเลือก M คุณสามารถขอให้ AR ใช้วิธีการที่ไม่มีเงื่อนไขอย่างน้อยที่สุด (ULS) หรือ Maximum-likelihood (ML) แทนได้ ตัวอย่างเช่นการอภิปรายเกี่ยวกับวิธีการเหล่านี้มีอยู่ในส่วน AR เงื่อนไขเริ่มต้น เมื่อใช้ตัวเลือก MCLS n คุณสามารถขอให้มีการใช้การสังเกต n แรกเพื่อคำนวณค่าประมาณของการล่วงประเวณีเริ่มต้น ในกรณีนี้การวิเคราะห์จะเริ่มต้นด้วยการสังเกตการณ์ n 1. ตัวอย่างเช่นคุณสามารถใช้มาโคร AR เพื่อใช้โมเดลอัตถิภาวนากับตัวแปรภายนอกได้แทนที่จะใช้คำจำกัดความข้อผิดพลาดโดยใช้ตัวเลือก TYPEV ตัวอย่างเช่นถ้าคุณต้องการเพิ่มห้าลาก่อนที่ผ่านมาของ Y ไปยังสมการในตัวอย่างก่อนหน้าคุณสามารถใช้ AR เพื่อสร้างพารามิเตอร์และล่าช้าโดยใช้คำสั่งต่อไปนี้: งบก่อนหน้านี้สร้างผลลัพธ์ที่แสดงในรูป 18.60 รูป 18.60 ตัวเลือกตัวเลือกรายการสำหรับรุ่น AR ของ Y โมเดลนี้คาดการณ์ว่า Y เป็นชุดค่าผสมเชิงเส้นของ X1, X2, การสกัดกั้นและค่าของ Y ในช่วงห้างวดล่าสุด การกำหนดอัตลักษณ์ของเวกเตอร์ที่ไม่ จำกัด เพื่อสร้างแบบจำลองข้อผิดพลาดของชุดสมการเป็นกระบวนการอัตรอัตรกรเชิงอัตรณ์แบบเวกเตอร์ให้ใช้รูปแบบอาร์เรย์ AR ต่อไปนี้หลังจากสมการ: ค่า processname คือชื่อใด ๆ ที่คุณจ่ายให้ AR เพื่อใช้ในการสร้างชื่อสำหรับอัตรอัตรอัตรณ์ พารามิเตอร์ คุณสามารถใช้มาโคร AR เพื่อสร้างกระบวนการ AR หลาย ๆ แบบสำหรับชุดสมการต่างๆโดยใช้ชื่อกระบวนการที่แตกต่างกันสำหรับแต่ละชุด ชื่อกระบวนการทำให้แน่ใจได้ว่าชื่อตัวแปรที่ใช้จะไม่ซ้ำกัน ใช้ค่า processname สั้น ๆ สำหรับกระบวนการนี้ถ้าต้องประมาณค่าพารามิเตอร์ให้กับชุดข้อมูลขาออก มาโคร AR พยายามสร้างชื่อพารามิเตอร์ให้น้อยกว่าหรือเท่ากับแปดอักขระ แต่มีข้อ จำกัด ตามความยาวของ processname ซึ่งใช้เป็นคำนำหน้าสำหรับชื่อพารามิเตอร์ AR ตัวแปร variablelist คือรายการของตัวแปรภายในสำหรับสมการ ตัวอย่างเช่นสมมติว่าข้อผิดพลาดสำหรับสมการ Y1, Y2 และ Y3 ถูกสร้างขึ้นโดยกระบวนการอัตถิภาวนิยมแบบเวกเตอร์ลำดับที่สอง คุณสามารถใช้คำสั่งต่อไปนี้: ซึ่งสร้างข้อมูลต่อไปนี้สำหรับ Y1 และรหัสที่คล้ายกันสำหรับ Y2 และ Y3: สามารถใช้วิธีการเวกเตอร์เท่านั้นสำหรับวิธีเวคเตอร์เท่านั้น นอกจากนี้คุณยังสามารถใช้แบบฟอร์มเดียวกันกับข้อ จำกัด ที่ว่าค่าสัมประสิทธิ์เมทริกซ์เป็น 0 ที่ระยะเวลาที่เลือก ตัวอย่างเช่นข้อความต่อไปนี้ใช้กระบวนการเวกเตอร์ลำดับที่สามกับข้อผิดพลาดของสมการกับค่าสัมประสิทธิ์ทั้งหมดที่ความล่าช้า 2 จำกัด ไว้ที่ 0 และมีค่าสัมประสิทธิ์ที่ lags 1 และ 3 ที่ไม่ จำกัด : คุณสามารถจำลองสามชุด Y1Y3 เป็นกระบวนการอัตโนมัติแบบเวกเตอร์ ในตัวแปรแทนข้อผิดพลาดโดยใช้ตัวเลือก TYPEV ถ้าคุณต้องการจำลอง Y1Y3 เป็นฟังก์ชันของค่าที่ผ่านมาของ Y1Y3 และตัวแปรภายนอกหรือค่าคงที่บางตัวคุณสามารถใช้ AR เพื่อสร้างข้อความสำหรับข้อกำหนดล่าช้าได้ เขียนสมการสำหรับแต่ละตัวแปรสำหรับส่วนที่ไม่เป็นไปตามแนวตั้งของโมเดลจากนั้นให้เรียก AR พร้อมกับตัวเลือก TYPEV ตัวอย่างเช่นส่วนที่ไม่เป็นไปตามแนวความคิดของแบบจำลองสามารถเป็นหน้าที่ของตัวแปรภายนอกหรือสามารถตัดพารามิเตอร์ได้ หากไม่มีองค์ประกอบภายนอกที่เป็นแบบจำลองการโต้วาทีแบบเวกเตอร์รวมทั้งไม่มีการสกัดกั้นให้กำหนดค่าเป็นศูนย์ให้กับแต่ละตัวแปร ต้องมีการกำหนดให้กับแต่ละตัวแปรก่อนที่จะเรียกว่า AR ตัวอย่างนี้เป็นตัวอย่างของเวกเตอร์ Y (Y1 Y2 Y3) เป็นฟังก์ชันเชิงเส้นของค่าในช่วงสองช่วงก่อนหน้านี้และมีรูปแบบข้อผิดพลาดของสีขาว โมเดลมีพารามิเตอร์ 18 (3 3 3 3) ไวยากรณ์ของ AR Macro มีสองกรณีของไวยากรณ์ของแมโคร AR เมื่อข้อ จำกัด เกี่ยวกับกระบวนการเวกเตอร์ AR ไม่จำเป็นต้องใช้ไวยากรณ์ของมาโคร AR มีรูปแบบทั่วไประบุคำนำหน้าสำหรับ AR เพื่อใช้ในการสร้างชื่อของตัวแปรที่จำเป็นสำหรับการกำหนดกระบวนการ AR ถ้าไม่มีการระบุ endolist รายการ endogenous จะตั้งชื่อ ซึ่งจะต้องเป็นชื่อของสมการที่จะใช้กระบวนการข้อผิดพลาด AR ค่าชื่อต้องมีไม่เกิน 32 อักขระ เป็นลำดับของกระบวนการ AR ระบุรายการสมการที่จะใช้กระบวนการ AR ถ้ามีมากกว่าหนึ่งชื่อจะมีการสร้างกระบวนการเวกเตอร์ที่ไม่ จำกัด โดยมีส่วนที่เหลืออยู่ของสมการทั้งหมดที่รวมอยู่ใน regressors ในแต่ละสมการ ถ้าไม่ได้ระบุค่าเริ่มต้น endolist เพื่อตั้งชื่อ ระบุรายการล่าช้าที่จะเพิ่มเงื่อนไข AR ค่าสัมประสิทธิ์ของข้อตกลงที่ล่าช้าไม่อยู่ในรายการจะถูกตั้งค่าเป็น 0 ความล่าช้าที่ระบุทั้งหมดต้องน้อยกว่าหรือเท่ากับ nlag และต้องไม่มีรายการที่ซ้ำกัน ถ้าไม่ได้ระบุค่าล๊อคเกอร์จะผิดนัดกับ nlag ทั้งหมด 1 ถึง 1 ระบุวิธีการประมาณค่าที่จะใช้ ค่าที่ถูกต้องของ M คือ CLS (การประมาณการกำลังสองน้อยสุดเงื่อนไข), ULS (ค่าประมาณน้อยสุดที่ไม่มีเงื่อนไขโดยไม่มีเงื่อนไข) และ ML (ค่าประมาณความน่าจะเป็นสูงสุด) MCLS เป็นค่าเริ่มต้น อนุญาตเฉพาะ MCLS เมื่อมีการระบุสมการมากกว่าหนึ่งสมการเท่านั้น วิธีการ ULS และ ML ไม่ได้รับการสนับสนุนสำหรับโมเดล AR ของเวกเตอร์โดย AR ระบุว่ากระบวนการ AR จะถูกนำไปใช้กับตัวแปรภายในตัวเองแทนการเหลือโครงสร้างของสมการ คุณสามารถควบคุมพารามิเตอร์ที่จะรวมอยู่ในกระบวนการ จำกัด ด้วยพารามิเตอร์ 0 เหล่านี้ที่คุณไม่ได้รวมไว้ ขั้นแรกให้ใช้ AR กับตัวเลือก DEFER เพื่อประกาศรายการตัวแปรและกำหนดขนาดของกระบวนการ จากนั้นใช้อาร์เรย์อาร์เรย์เพิ่มเติมเพื่อสร้างเงื่อนไขสำหรับสมการที่เลือกด้วยตัวแปรที่เลือกในช่วงเวลาที่เลือก ตัวอย่างเช่นสมการข้อผิดพลาดที่ผลิตมีดังต่อไปนี้โมเดลนี้ระบุว่าข้อผิดพลาดสำหรับ Y1 ขึ้นอยู่กับข้อผิดพลาดของทั้ง Y1 และ Y2 (แต่ไม่ใช่ Y3) ที่ทั้งล่าช้า 1 และ 2 และข้อผิดพลาดของ Y2 และ Y3 ขึ้นอยู่กับ ข้อผิดพลาดก่อนหน้านี้สำหรับตัวแปรทั้งสาม แต่เฉพาะที่ล่าช้า 1 อาร์คันซอไวยากรณ์สำหรับ AR ที่ถูก จำกัด การใช้ทางเลือกของ AR ได้รับอนุญาตให้กำหนดข้อ จำกัด ในกระบวนการเวกเตอร์ AR โดยการเรียก AR หลายครั้งเพื่อระบุเงื่อนไข AR ที่แตกต่างกันและล่าช้าสำหรับการที่แตกต่างกัน สมการ การเรียกครั้งแรกมีรูปแบบทั่วไประบุคำนำหน้าสำหรับ AR เพื่อใช้ในการสร้างชื่อของตัวแปรที่จำเป็นในการกำหนดกระบวนการ AR เวกเตอร์ ระบุลำดับของกระบวนการ AR ระบุรายการสมการที่จะใช้กระบวนการ AR ระบุว่า AR ไม่ใช่การสร้างกระบวนการ AR แต่ต้องรอข้อมูลเพิ่มเติมที่ระบุไว้ในการเรียก AR ในภายหลังสำหรับค่าชื่อเดียวกัน การโทรครั้งต่อไปจะมีรูปแบบทั่วไปเช่นเดียวกับในสายแรก ระบุรายการสมการที่จะใช้ข้อกำหนดในการเรียก AR นี้ เฉพาะชื่อที่ระบุไว้ใน endolist ค่าของสายแรกสำหรับชื่อค่าสามารถปรากฏในรายการของสมการใน eqlist ระบุรายชื่อสมการที่เหลืออยู่ของโครงสร้างที่เหลือจะถูกรวมเป็นตัวถดถอยในสมการใน eqlist เฉพาะชื่อใน endolist ของการเรียกครั้งแรกสำหรับค่าชื่อสามารถปรากฏใน varlist หากไม่ได้ระบุค่าเริ่มต้นของ varlist เพื่อ endolist ระบุรายการล่าช้าที่จะเพิ่มเงื่อนไข AR ค่าสัมบูรณ์ของข้อตกลงที่ล่าช้าไม่อยู่ในรายการถูกตั้งค่าเป็น 0 ความล่าช้าที่ระบุทั้งหมดต้องน้อยกว่าหรือเท่ากับค่าของ nlag และต้องไม่มีรายการที่ซ้ำกัน หากไม่ได้ระบุไว้ค่าเริ่มต้น laglist ไปยัง lags ทั้งหมด 1 ถึง nlag มาโครแมโครแมโคร SAS แมโคสร้างแถลงการเขียนโปรแกรมสำหรับ PROC MODEL สำหรับโมเดลเฉลี่ยเคลื่อนที่ MA แมโครเป็นส่วนหนึ่งของซอฟต์แวร์ SASETS และไม่มีตัวเลือกพิเศษที่จำเป็นในการใช้แมโคร กระบวนการความผิดพลาดโดยเฉลี่ยเคลื่อนที่สามารถใช้กับข้อผิดพลาดของสมการโครงสร้าง ไวยากรณ์ของ MA แมโครจะเหมือนกับแมโคร AR ยกเว้นไม่มีอาร์กิวเมนต์ TYPE เมื่อคุณใช้มาโคร MA และ AR รวมแมโคร MA ต้องเป็นไปตามมาโคร AR ข้อความ SASIML ต่อไปนี้ก่อให้เกิดข้อผิดพลาด ARMA (1, (1 3)) และบันทึกไว้ในชุดข้อมูล MADAT2 งบ PROC MODEL ต่อไปนี้ใช้เพื่อประมาณค่าพารามิเตอร์ของโมเดลนี้โดยใช้โครงสร้างข้อผิดพลาดสูงสุด: การประมาณค่าพารามิเตอร์ที่สร้างขึ้นโดยการดำเนินการนี้จะแสดงในรูปที่ 18.61 รูปที่ 18.61 ค่าประมาณจาก ARMA (1, (1 3)) Process มีไวยากรณ์ MA แมนวลสองกรณี เมื่อข้อ จำกัด ในกระบวนการเวกเตอร์แมสซาชูเซตส์ไม่จำเป็นต้องมีไวยากรณ์ของมาโครแมสซาชูเซตส์มีรูปแบบทั่วไประบุคำนำหน้าสำหรับแมสซาชูเซตส์ที่จะใช้ในการสร้างชื่อของตัวแปรที่จำเป็นในการกำหนดกระบวนการแมสซาชูเซตส์และเป็น endolist เริ่มต้น คือลำดับของกระบวนการ MA ระบุสมการที่จะใช้กระบวนการ MA ถ้ามีมากกว่าหนึ่งชื่อการประมาณค่า CLS จะใช้สำหรับกระบวนการเวกเตอร์ ระบุความล่าช้าที่จะเพิ่ม MA terms ความล่าช้าที่ระบุทั้งหมดต้องน้อยกว่าหรือเท่ากับ nlag และต้องไม่มีรายการที่ซ้ำกัน ถ้าไม่ได้ระบุค่าล๊อคเกอร์จะผิดนัดกับ nlag ทั้งหมด 1 ถึง 1 ระบุวิธีการประมาณค่าที่จะใช้ ค่าที่ถูกต้องของ M คือ CLS (การประมาณการกำลังสองน้อยสุดเงื่อนไข), ULS (ค่าประมาณน้อยสุดที่ไม่มีเงื่อนไขโดยไม่มีเงื่อนไข) และ ML (ค่าประมาณความน่าจะเป็นสูงสุด) MCLS เป็นค่าเริ่มต้น อนุญาตเฉพาะ MCLS เมื่อมีการระบุสมการมากกว่าหนึ่งสมการใน endolist แมโครไวยากรณ์แมโครสำหรับการเคลื่อนที่แบบเวกเตอร์ที่ถูก จำกัด การใช้ MA แบบอื่นสามารถใช้กำหนดข้อ จำกัด ในการประมวลผลเวกเตอร์แมสซาชูเซตส์โดยการเรียก MA หลายครั้งเพื่อระบุเงื่อนไข MA ที่แตกต่างกันและล่าช้าสำหรับสมการที่ต่างกัน การเรียกครั้งแรกมีรูปแบบทั่วไประบุคำนำหน้าสำหรับ MA เพื่อใช้ในการสร้างชื่อของตัวแปรที่จำเป็นในการกำหนดเวกเตอร์แมสซาชูเซตส์ ระบุลำดับของกระบวนการ MA ระบุรายการสมการที่จะใช้กระบวนการ MA ระบุว่า MA ไม่ได้สร้างกระบวนการ MA แต่ต้องรอข้อมูลเพิ่มเติมที่ระบุไว้ในการเรียก MA ในภายหลังสำหรับค่าชื่อเดียวกัน การโทรครั้งต่อไปจะมีรูปแบบทั่วไปเช่นเดียวกับในสายแรก ระบุรายการสมการที่จะใช้ข้อกำหนดในการโทร MA นี้ ระบุรายชื่อสมการที่เหลืออยู่ของโครงสร้างที่เหลือจะถูกรวมเป็นตัวถดถอยในสมการใน eqlist ระบุรายการล่าช้าที่จะมีการเพิ่มข้อกำหนด MA โดยใช้ SAS ในการค้นคว้าทางการเงินโดย Ekkehart Boehmer, John Broussard และ Juha Pekka Kallunki สำหรับหนังสือ SASETS เพิ่มเติมโปรดไปที่ร้านหนังสือ คู่มือผู้ใช้ SASETS 14.2 - ขั้นตอนสำหรับคู่มือผู้ใช้ SASETS 14.2 ฉบับสมบูรณ์ ไปที่หน้าเอกสารผลิตภัณฑ์ SASETS ขั้นตอน ARIMA วิเคราะห์และคาดการณ์ข้อมูลชุดเวลาที่แยกกันอย่างเท่าเทียมกันข้อมูลข้อมูลการโอนย้ายและข้อมูลการแทรกแซงโดยใช้โมเดลเฉลี่ย ARMA (แบบเคลื่อนที่เฉลี่ย) แบบอัตถดถอย (ARIMA) หรือแบบอัตถิภาวนิยมเฉลี่ย PDF HTML ขั้นตอน AUTOREG ประมาณและคาดการณ์โมเดลการถดถอยเชิงเส้นสำหรับข้อมูลชุดข้อมูลเวลาเมื่อข้อผิดพลาดเกิดขึ้นเองหรือสัมพันธ์กัน PDF HTML ขั้นตอนของ COMPUTAB สร้างรายงานแบบตารางที่สร้างโดยใช้ตารางข้อมูลที่ตั้งโปรแกรมได้ PDF HTML ขั้นตอน COPULA ช่วยให้ผู้ใช้สามารถพอดีกับการแจกแจงหลายตัวแปรหรือ copulas จากชุดข้อมูลตัวอย่างที่กำหนด PDF HTML ขั้นตอน COUNTREG วิเคราะห์รูปแบบการถดถอยซึ่งตัวแปรขึ้นอยู่กับจำนวนเต็มหรือจำนวนเต็มที่ไม่เป็นลบ PDF HTML ขั้นตอน DATASOURCE จะแยกข้อมูลชุดข้อมูลและข้อมูลเหตุการณ์ออกจากไฟล์ข้อมูลหลายประเภทที่กระจายโดยผู้จัดจำหน่ายข้อมูลต่างๆและจัดเก็บข้อมูลไว้ในชุดข้อมูล SAS PDF HTML ขั้นตอน ENTROPY (ทดลอง) ใช้วิธีการเชิงเส้นสำหรับการประมาณค่าเชิงเส้นโดยอิงจากเอนโทรปีสูงสุดที่เป็นไปได้ PDF HTML ขั้นตอนของ ESM สร้างการคาดการณ์โดยใช้แบบจำลองการให้ความเรียบแบบเลขแจงที่มีการปรับน้ำหนักที่ดีที่สุดสำหรับชุดข้อมูลหลายชุดหรือข้อมูลการทำธุรกรรม PDF HTML ขั้นตอนการขยายการแปลงชุดข้อมูลเวลาจากช่วงหรือความถี่ที่สุ่มตัวอย่างหนึ่ง ๆ และแก้ไขค่าที่ขาดหายไปในชุดข้อมูลเวลา PDF HTML ขั้นตอนการพยากรณ์เสนอวิธีที่รวดเร็วและอัตโนมัติในการสร้างการคาดการณ์สำหรับชุดเวลาจำนวนมากในขั้นตอนเดียว PDF HTML ขั้นตอนการดำเนินการของ HPCDM จัดรูปแบบการผสมผสานที่เกิดขึ้นจากการรวมรูปแบบความถี่ของเหตุการณ์และความรุนแรงของเหตุการณ์เหล่านั้น PDF HTML ขั้นตอน HPCOPULA จัดรูปแบบการแจกแจงหลายตัวแปรโดยใช้วิธีการ copula PDF HTML ขั้นตอนของ HPCOUNTREG ใช้แบบจำลองการถดถอยเพื่อวิเคราะห์และคาดการณ์จำนวนเหตุการณ์ PDF HTML ขั้นตอนของ HPPANEL จะช่วยให้สามารถวิเคราะห์และคาดคะเนข้อมูลของแผงควบคุมซึ่งจะมีการบันทึกตัวแปรทั้งในกรณีและเมื่อเวลาผ่านไป PDF HTML ขั้นตอนของ HPQLIM ใช้แบบจำลองการถดถอยเพื่อวิเคราะห์และคาดการณ์ตัวแปรที่ขึ้นกับคุณภาพและตัวแปร จำกัด ที่ต้องมีข้อ จำกัด หรือการเลือกค่าที่สังเกตได้ PDF HTML ขั้นตอน HPSEVERITY ใช้แบบจำลองการถดถอยเพื่อวิเคราะห์และทำนายความรุนแรงของเหตุการณ์โดยใช้ความหลากหลายของการกระจายความน่าจะเป็น PDF HTML ขั้นตอนการกู้วิเคราะห์และเปรียบเทียบอัตราดอกเบี้ยคงที่อัตราปรับลดการซื้อและการชำระหนี้บอลลูน PDF HTML ขั้นตอน MDC จะวิเคราะห์โมเดลซึ่งชุดข้อมูลทางเลือกประกอบด้วยทางเลือกหลายทาง PDF HTML ขั้นตอน MODEL วิเคราะห์รูปแบบที่ความสัมพันธ์ระหว่างตัวแปรประกอบด้วยระบบสมการเชิงอนุพันธ์หนึ่งหรือหลายสมการ PDF HTML ขั้นตอนของ PANEL วิเคราะห์คลาสของโมเดลทางเศรษฐมิติเชิงเส้นซึ่งมักเกิดขึ้นเมื่อมีการรวมชุดข้อมูลเวลาและข้อมูลตัดขวาง PDF HTML ขั้นตอน PDLREG ประมาณแบบจำลองการถดถอยสำหรับข้อมูลชุดเวลาซึ่งผลกระทบของตัวแปร regressor บางตัวถูกแจกจ่ายไปทั่วเวลา PDF HTML ขั้นตอนของ QLIM วิเคราะห์ตัวแปรตัวแปรอิสระที่แปรผันและแปรผันตามตัวแปรที่ตัวแปรตัวแปรอิสระขึ้นกับค่าที่ไม่ต่อเนื่องหรือตัวแปรตามจะสังเกตได้เฉพาะในช่วงที่ จำกัด เท่านั้น PDF HTML ขั้นตอนของ SEVERITY ประเมินค่าพารามิเตอร์ของการแจกแจงความน่าจะเป็นแบบต่อเนื่องใด ๆ ที่ใช้ในการจำลองความสำคัญ (ความรุนแรง) ของเหตุการณ์ที่น่าสนใจอย่างต่อเนื่อง PDF HTML ขั้นตอนคล้ายคลึงกันคำนวณค่าความคล้ายคลึงกันที่เกี่ยวข้องกับข้อมูลที่ประทับเวลาชุดข้อมูลเวลาและข้อมูลตัวเลขเรียงตามลำดับอื่น ๆ PDF HTML กระบวนงาน SIMLIN อ่านค่าสัมบูรณ์สำหรับชุดสมการเชิงเส้นซึ่งมักจะเกิดจากขั้นตอน SYSLIN PDF HTML ขั้นตอนของ SPATIALREG ขั้นตอนใหม่วิเคราะห์โมเดลเศรษฐมิติเชิงเศรษฐศาสตร์เชิงพื้นที่สำหรับข้อมูลตัดขวางที่มีการสังเกตการณ์เชิงพื้นที่หรืออ้างอิงทางภูมิศาสตร์ PDF HTML ขั้นตอน SPECTRA ดำเนินการวิเคราะห์สเปกตรัมและข้ามสเปกตรัมของชุดข้อมูลเวลา PDF HTML ขั้นตอน SSM ดำเนินการแบบจำลองพื้นที่ของรัฐของชุดเวลาที่ไม่แปรเปลี่ยนและหลายตัวแปรและข้อมูลระยะยาว PDF HTML ขั้นตอน STATESPACE ใช้รูปแบบพื้นที่ของรัฐเพื่อวิเคราะห์และคาดการณ์ชุดเวลาแบบหลายตัวแปร PDF HTML ขั้นตอน SYSLIN ประเมินค่าพารามิเตอร์ในระบบพึ่งพาซึ่งกันและกันของสมการถดถอยเชิงเส้น PDF HTML ขั้นตอน TIMEDATA จะวิเคราะห์ข้อมูลการทำธุรกรรมตามเวลาที่เกี่ยวกับเวลาและรวบรวมข้อมูลในรูปแบบของชุดข้อมูลแบบเวลา PDF HTML ขั้นตอน TIMEID ประเมินตัวแปรในชุดข้อมูลอินพุทสำหรับความเหมาะสมของตนเป็นตัวแปร ID เวลาในขั้นตอนและโซลูชั่น SAS ที่ใช้สำหรับการวิเคราะห์อนุกรมเวลา PDF HTML ขั้นตอน TIMESERIES วิเคราะห์ข้อมูลการทำธุรกรรมตามเวลาด้วยเวลาและรวบรวมข้อมูลเป็นรูปแบบชุดข้อมูลแบบเวลา PDF HTML ขั้นตอน TSCSREG วิเคราะห์คลาสของโมเดลทางเศรษฐมิติเชิงเส้นซึ่งมักเกิดขึ้นเมื่อรวมชุดข้อมูลเวลาและข้อมูลตัดขวาง PDF HTML ขั้นตอนของ UCM จะวิเคราะห์และคาดการณ์ข้อมูลชุดข้อมูลชุดเวลาที่ไม่เท่ากันโดยใช้โมเดลส่วนประกอบที่ไม่ได้สังเกตการณ์ (UCM) PDF HTML ขั้นตอน VARMAX ประเมินค่าพารามิเตอร์ของโมเดลและสร้างการคาดการณ์ที่เกี่ยวข้องกับกระบวนการเคลื่อนที่โดยเฉลี่ยอัตโนมัติแบบเวคเตอร์ด้วยโมเดล regressors ภายนอก (VARMAX) PDF HTML ขั้นตอน X11 ทำเพิ่มหรือ multiplicative ปรับและสร้างชุดข้อมูลออกที่มีการปรับชุดเวลาและการคำนวณขั้นกลาง PDF HTML ขั้นตอน X12 ทำเพิ่มหรือ multiplicative ปรับและสร้างชุดข้อมูลออกที่มีการปรับชุดเวลาและการคำนวณกลาง PDF HTML ขั้นตอน X13 ทำเพิ่มหรือปรับคูณและสร้างชุดข้อมูลขาออกที่ประกอบด้วยชุดข้อมูลเวลาที่ปรับปรุงแล้วและการคำนวณระดับกลาง PDF HTML เพิ่มเติมเกี่ยวกับหนังสือที่เกี่ยวข้องกับผลิตภัณฑ์นี้สำหรับระบบ PurchaseSAS สำหรับการถดถอย, Third Edition เรียนรู้การวิเคราะห์การถดถอยแบบต่างๆโดยใช้ซอฟต์แวร์ SAS ด้วยตัวอย่างที่ได้รับการชื่นชอบจากตัวอย่างนี้จาก SAS Publishing ด้วย SAS System for Regression, Third Edition คุณจะได้เรียนรู้พื้นฐานของการวิเคราะห์การถดถอยโดยใช้โมเดลที่หลากหลายรวมถึงแบบจำลองเชิงเส้น หัวข้ออื่น ๆ ได้แก่ การวิเคราะห์การถดถอยเชิงเส้นโดยใช้ PROC REG และการวินิจฉัยและการแก้ไขปัญหาข้อมูลรวมถึงค่าผิดปกติและความหลากหลาย ตัวอย่างมีขั้นตอน SAS มากมายรวมถึง REG, PLOT, GPLOT, NLIN, RSREG, AUTOREG, PRINCOMP และอื่น ๆ ผู้เขียน Rudolf Freund และ Ramon Littell จัดหาบทสนทนาที่เป็นประโยชน์เกี่ยวกับทฤษฎีในกรณีที่จำเป็น ความรู้เกี่ยวกับการถดถอยและ SAS ทั้งสองมีสันนิษฐานไว้ ฉบับที่สามที่อัปเดตประกอบด้วยการแก้ไขเนื้อหาที่อัปเดตและเนื้อหาใหม่ คุณจะพบข้อมูลเกี่ยวกับการใช้ซอฟต์แวร์ SASINSIGHT การถดถอยด้วยการตอบสนองแบบไบนารีโดยเน้นที่ PROC LOGISTIC และการถดถอยแบบไม่ถ่วงน้ำหนัก (smoothing) โดยใช้ค่าเฉลี่ยเคลื่อนที่และ PROC LOESS นอกจากนี้เนื้อหาที่อัปเดตตลอดหนังสือมีความละเอียดสูงของผลลัพธ์ PROC REG, ชุดข้อมูลโดยตัวเลือก OUTEST ที่อธิบายและแสดงและใช้ PROC SCORE เพื่อคาดการณ์ชุดข้อมูลอื่น หนังสือเล่มนี้เป็นส่วนหนึ่งของโครงการ SAS Press Hardcopy ISBN 978-1-58025-725-1 หน้า 264 แทนที่ระบบ SAS สำหรับการถดถอยรุ่นที่สองแนะนำวิธีคำนวณค่าเฉลี่ยเคลื่อนที่ภายในกลุ่มตามลำดับ 11-20-2012 09:41 AM ฉันกำลังคำนวณค่าเฉลี่ยเคลื่อนที่ภายในไตรมาสที่หนึ่ง โดยแต่ละกลุ่มมีข้อสังเกตต่างกันในแต่ละกลุ่ม ฉันได้เห็นตัวอย่างบางส่วน แต่สมมติว่าจำนวนการสังเกตเดียวกันต้องมีค่าเฉลี่ยอยู่ตลอด นี่คือตัวอย่าง: รายการ a และ d จะซื้อในแต่ละไตรมาส แต่รายการ b จะซื้อเฉพาะในไตรมาสที่สองและสามเท่านั้นในขณะที่รายการ c จะได้รับการสั่งซื้อเฉพาะในไตรมาสที่สี่เท่านั้นดังนั้นกลุ่มจะแบ่งตามกลุ่มสินค้าไตรมาส ปริมาณตัวอย่างข้างต้นคือการจัดเรียงของรุ่นรดน้ำ ฉันกำลังใช้ข้อมูลชุดเวลาและแม้ว่าจะมีการซื้อสินค้าทุกไตรมาสในหนึ่งปี แต่ก็อาจไม่สามารถซื้อได้ทุกไตรมาสในอีกหนึ่งปีหรืออาจไม่สามารถซื้อได้ทุกปีในหนึ่งปี มีวิธีง่ายๆในการคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับข้อมูลประเภทนี้โดยไม่ถูกแทรกแซงถ้าเป็นไปได้คุณสามารถรวมตัวอย่างด้วย interpolation ได้หรือไม่? 11-27-2012 09:42 AM ฉันได้พยายามที่จะขยายข้อมูลเพื่อรวมค่าที่หายไปเพื่อให้ค่าเฉลี่ยเคลื่อนที่สามารถคำนวณได้เนื่องจาก paigemiller ได้แนะนำไว้ ฉันกำลังทำงานกับ SASETS โดยวิธีการ ฉันใช้ข้อมูลรายเดือนและตัวแปรวันที่จัดรูปแบบเป็น monyy นี่คือรหัสที่ฉันใช้เพื่อขยายข้อมูล: proc datafisher3 เรียงตามวันที่ของชั้นเรียนเรียกใช้ proc ขยาย datafisher3 outfshrexp frommonth methodnone โดยรายการ class ไม่รวมวันที่ตามกลุ่มที่นี่หรือเคยชินทำงานคำถาม: ฉันคิดว่านี่แก้ไขปัญหาของฉันหายไป (เช่นค่าเริ่มต้นตัวแปรในเดือนมีนาคมแทนที่จะเป็นเดือนมกราคมและอาจสิ้นสุดในเดือนตุลาคมแทนเดือนธันวาคม) ค่าเหล่านี้จะหายไป (ไม่แสดงในข้อมูลที่ขยายออกไป ชุด) แม้ว่าจะมีการขยายชุดที่เหลืออยู่ มีวิธีหรือตัวเลือกใน proc ขยายเพื่อให้ SAS ระบุค่าเหล่านี้หายไปด้วยเช่นกันนี่คือรหัสพื้นฐานที่ฉันใช้ในการคำนวณค่าเฉลี่ยเคลื่อนที่ แม้ว่าฉันต้องการแก้ไขปัญหาค่าที่หายไปรหัสนี้ใช้งานได้ดีทีเดียว คุณสามารถแปลง vars หลายครั้งและใช้งบแปลงหลาย ๆ เพื่อสร้างค่าเฉลี่ยเคลื่อนที่ที่ต่างกันในครั้งเดียวสำหรับ Vars เหล่านั้น proc dataold เรียงตามวันที่ชั้นเรียนเรียกใช้ proc ขยาย dataold outnew แปลง var1movingaverage methodnone transformout (movave 3) 12-13-2012 10:42 น. ตอนนี้มีคำถามอื่น ๆ เกิดขึ้น: ข้อมูลบางส่วนของฉันถูกแยกออกโดยเด็ดเดี่ยวตลอดทั้งปี ฉันใช้ proc ขยายตัวเลือกในการคำนวณค่าเฉลี่ยเคลื่อนที่ตามที่ระบุไว้ก่อนหน้านี้ แต่ฉันจะได้รับขั้นตอนเพื่อเริ่มต้นเมื่อปีไม่ต่อเนื่องฉันคิดเกี่ยวกับการสร้างตัวแปรตัวนับ แต่ฉันลาดเททำคำสั่ง if ใน proc ขยาย นี่คือตัวอย่างสั้น ๆ ของสิ่งที่ฉันหมายถึง รายการปีค่าเดือน 2000 12 a 2007 1 นี่คือปัญหา: รายการจะซื้อเฉพาะสำหรับสองปีนี้ แต่ฉันต้องเฉลี่ยเคลื่อนที่เพื่อเริ่มต้นที่นี่ ข้อเสนอแนะใด ๆ ที่จะได้รับการชื่นชมอย่างมาก. ฉันยังคงทำงานในการหานี้ออกเช่นกัน