Tidsserieanalys glidande medelvärde ppt

Introduktion till tidsserieanalys - PowerPoint PPT-presentationsutskrifter och presentatörer Noteringar Titel: Introduktion till tidsserieanalys 1 Introduktion till tidsserieanalys 2 Regression vs Time Series Analysis I regressionsanalys uppskattar vi modeller som försöker förklara rörelsen i en variabel av relatera den till en uppsättning förklarande variabler Tidsserieanalys försöker identifiera egenskaperna hos en tidsserievariabel och använda modeller för att förutse variabellens framtida väg baserat på dess tidigare beteende Exempel Hur rör aktiekurserna genom tiden Fama (1965) hävdade att de identifierar med den slumpmässiga gångprocessen 3 Regression vs Time Series Analysis Multipel regressionsanalys med tidsseriedata kan också leda till problemet med falsk regression Exempel Anta att vi uppskattar följande modell med tidsseriedata Den uppskattade regressionen kan visa sig ha en hög R-kvm trots att det inte finns något bakomliggande orsakssamband De två variablerna kan helt enkelt ha samma underliggande trend (flytta ihop genom tiden) 4 En Enkel Time Series Modell Den Slumpmässiga Walk Model Hur kan vi modellera beteendet hos finansiella data som aktiekurser, växelkurser, råvarupriser En enkel modell till att börja med är den slumpmässiga promenadmodellen ges av Denna modell säger att det nuvarande värdet av variabel y beror på variabelvärdet under föregående period En stokastisk felperiod som antas ha medelvärde noll och en konstant varians 5 En enkel tidsserie modell Den slumpmässiga gångmodellen Vad gör denna modell antyder om en prognos av ett framtida värde av variabel y Enligt modellen Därför antas det förväntade framtida värdet av variabel y att det förväntade värdet av felperioden är noll 6 En Enkel Tidsserie Modell Den Slumpmässiga Walk Model Implicationen Den bästa prognosen för det framtida värdet av variabel y är dess nuvärde Om variabel y följer en slumpmässig promenad, kan den röra sig i vilken riktning som helst utan att återvända till dess nuvärde. Om vi ​​skriver om slumpmässig promenadmodell enligt följande hänvisar vi till en slumpmässig promenad med en drift, vilket betyder en trend (uppåt eller nedåt). 7 White Noise Process Anta att variabeln y är modellerad enligt följande där t är en slumpmässig variabel med medelvärde noll, konstant varians och nollkorrelation mellan successiva observationer Denna variabel följer vad som kallas en vit brusprocess vilket innebär att vi inte kan förutse framtida värden för denna variabel 8 Stationäritet i tidsserie I tidsserieanalys försöker vi förutse den framtida sökvägen för en variabel baserat på information på dess tidigare beteende, vilket betyder att variabeln uppvisar vissa regelbundenhet. Ett värdefullt sätt att identifiera sådana regelbundenhet är genom begreppet stationaritet. Vi säger att en tidsserievariabel Yt är stationär om Variabeln har ett konstant medelvärde vid alla tidpunkter. Variabeln har en konstant varians vid alla tidpunkter Korrelationen mellan Yt och Yt-k beror på längden på lagret (k) men inte på någon annan variabel 9 Stationarit y i tidsserie Vilken typ av variabel för tidsserier uppvisar detta beteende En variabel som rör sig ibland från dess medelvärde (på grund av en slumpmässig chock), men återkommer i sin tur till dess medelvärde (uppvisar medelbackning) En chock i variabeln i strömmen Perioden kommer att återspeglas i värdet av variabeln i framtida perioder, men effekten minskar när vi flyttar bort från den aktuella perioden. Exempel Variabeln för avkastningen av Boeing uppvisar egenskaperna hos stationariteten 10 Boeings månatliga aktieavkastning (1984-2003) 11 Stationäritet i tidsserie En variabel som inte uppfyller en eller flera av egenskaperna hos stationaritet är en icke-stationär variabel. Vad är konsekvensen av icke-stationaritet för beteendet hos tidsserievariabeln En chock i variabeln under den aktuella perioden dör aldrig bort och orsakar en permanent avvikelse i variabelens tidsväg Beräkna medelvärdet och variansen för en sådan variabel, vi ser att medelvärdet är odefinierat och variansen är oändlig Exempel SP 500-index (i motsats till avkastningen på SP-indexet som uppvisar stationaritet) 12 SP 500-indexet visar icke-stationaritet 13 Returerna på SP 500-utställningsstationenhet 14 Effekten av icke-stationaritet på regressionsanalys Den viktigaste inverkan av icke-stationaritet för regressionsanalys är falsk regression Om de beroende och förklarande variablerna är icke-stationära kommer vi att erhålla hög R-kvadrat och t-statistik, vilket innebär att vår modell gör ett bra jobb för att förklara dataen. Den sanna orsaken till den bra modellen är att variablerna har en gemensam trend En enkel korrigering av nonstationaritet är att ta de första skillnaderna mellan variabler (Yt Yt-1), vilket skapar en stationär variabel 15 Testning för icke-stationaritet Ett vanligt sätt att upptäcka icke-stationaritet är att utföra ett Dickey-Fuller-test test uppskattar följande modell och test följande ensidiga hypotes 16 Testning för icke-stationaritet Om uppskattningen av 1 är betydligt mindre än noll så rejter vi ect nollhypotesen att det finns nonstationaritet (vilket betyder att variabel Y är stationär) Obs! De kritiska värdena för t-statistiken för Dickey-Fuller-testet är betydligt högre än de i tabellerna i t-fördelningen Exempel För n 120 är den kritiska t-statistiken från tabellerna är nära 2,3, medan motsvarande värde från tabellerna Dickey-Fuller är 3,43 17 Karaktäriserande Time Series VariablesThe Autocorrelation Function (ACF) ACF är ett mycket användbart verktyg eftersom det ger en beskrivning av den underliggande processen för en tidsserievariabel ACF berättar hur mycket korrelation det finns mellan angränsande punkter i en tidsserievariabel Yt ACF för lag k är korrelationskoefficienten mellan Yt och Yt-k över alla sådana par i datasatsen 18 Karaktäriserande tidsserievariabler The Autocorrelation Funktion (ACF) I praktiken använder vi provet ACF (baserat på vårt urval av observationer från tidsseriens variabel) för att uppskatta ACF av processen som beskriver s variabeln Provautocorrelations av en tidsserievariabel kan presenteras i ett diagram som kallas korrelogramet. Granskning av korrelogrammet ger väldigt användbar information som gör det möjligt för oss att förstå strukturen i en tidsserie 19 Karaktäriserande tidsserievariabler Autokorrelationsfunktionen (ACF) Exempel Visar ACF i en stationär serie ett visst mönster som kan detekteras genom att studera korrelogrammet För en stationär serie blir autokorrelationerna mellan två punkter i tid, t och tk mindre när k ökar Med andra ord faller ACF ganska snabbt som k ökar För en icke-stationär serie är det vanligtvis inte så, eftersom ACF förblir stor eftersom k ökar 20 Korrelogram och ACF av SP Index Variable Observera att när antalet lags (k) ökar, sänks ACF, men i mycket långsam takt Detta är en indikator på en icke-stationär variabel Jämför detta resultat med grafen för nivån på SP-indexet som visats tidigare 21 Korrelogram och A CF av retur på SP-index En undersökning av korrelogrammet av avkastningsvariabeln på SP-indexet visar att denna variabel uppvisar stationaritet. ACF minskar väldigt snabbt, vilket betyder att det finns mycket låg korrelation mellan observationer i perioder t och tk som k ökar 22 Karaktäriserande tidsserievariabler Autokorrelationsfunktionen (ACF) För att utvärdera kvaliteten på informationen från korrelogrammet bedömer vi autokorrelationsgruppernas storheter genom att jämföra dem med vissa gränser. Vi kan visa att provautokorrelationerna normalt fördelas med en standardavvikelse på 1 (n) 12 I detta fall skulle vi förvänta oss att endast 5 av provautokorrelationer skulle ligga utanför ett konfidensintervall av. 2 standardavvikelser 23 Karaktäriserande tidsserievariabler Autokorrelationsfunktionen (ACF) Med tanke på att korrelogrammet visar värden av autokorrelationer, kan dessa värden inte ligga utanför intervallet. 1 När antalet observationer av tidsserier ökar över 40-50 blir gränserna för konfidensintervallet som ges av standardavvikelserna mindre. I praktiken, om provautokorrelationerna ligger utanför de konfidensintervall som ges av korrelogrammet, är provautokorrelationerna skiljer sig från noll vid motsvarande signifikansnivå 24 Korrelogram och konfidensintervaller för provautokorrelationer 25 Från provdata till inferens Om en tidsserie Generera modellprovdata Provautocorrelationer Befolkningsautokorrelationsgenererande modell 26 Linjära tidsseriemodeller I tidsserieanalys är målet att utveckla en modell som ger en relativt nära approximation av den underliggande processen som genererar tidsseriedata Denna modell kan sedan användas för att förutse framtida värden för tidsserievariabeln En inflytelserik ram för denna analys är användningen av klassen av modeller som kallas autoregressiv Integrerade Moving Average (ARIMA) modeller dev uppbyggd av Box och Jenkins (1970) 27 Autoregressiva (AR) Modeller I en AR-modell är den beroende variabeln en funktion av dess tidigare värden. En enkel AR-modell är Detta är ett exempel på en autoregressiv modell av order 1 eller en AR ) Modell I allmänhet kommer en autoregressiv modell av order p eller AR (p) - modellen att inkludera p-lags av den beroende variabeln som förklarande variabler 28 Autoregressiva (AR) - modeller Det är möjligt att dra slutsatsen att en tidsserie följer en AR (p) modell genom att titta på korrelogrammet Exempel Anta att en serie följer AR (1) modellen ACF av AR (1) modellen börjar med värdet 1 och sjunker sedan exponentiellt. Implikationen av detta faktum är att nuvärdet av tidsserierna variabel beror på alla tidigare värden, även om storleken på detta beroende beror på tiden PowerShow är en ledande webbplats för presentation av bildspel. Om din ansökan är verksamhet, hur-till, utbildning, medicin, skola, kyrka, försäljning, marknadsföring, online utbildning eller bara för skojs skull, är PowerShow en bra resurs. Och bäst av allt är de flesta av sina coola funktioner gratis och lätta att använda. Du kan använda PowerShow för att hitta och ladda ner exempel på PowerPoint ppt-presentationer på bara om något ämne du kan tänka dig så att du kan lära dig att förbättra dina egna bilder och presentationer gratis. Eller använd den för att hitta och hämta högkvalitativa, praktiska PowerPoint ppt-presentationer med illustrerade eller animerade bilder som lär dig hur du gör något nytt, även gratis. Eller använd den för att ladda upp dina egna PowerPoint-bilder så att du kan dela dem med dina lärare, klass, studenter, chefer, anställda, kunder, potentiella investerare eller världen. Eller använd det för att skapa riktigt coola bildspel - med 2D och 3D-övergångar, animeringar och ditt musikval - som du kan dela med dina Facebook-vänner eller Google-cirklar. Det är alla gratis också För en liten avgift kan du få branschens bästa online sekretess eller offentligt marknadsföra dina presentationer och bildspel med topprankningar. Men bortsett från det är det gratis. Du kan även konvertera dina presentationer och bildspel till det universella Flash-formatet med all sin ursprungliga multimediaärlighet, inklusive animations-, 2D - och 3D-övergångseffekter, inbäddad musik eller annat ljud eller till och med video inbäddad i bilder. Allt gratis. De flesta presentationer och bildspel på PowerShow är gratis att visa, många är även gratis att hämta. (Du kan välja om du vill tillåta folk att ladda ner dina ursprungliga PowerPoint-presentationer och bildspel till en avgift eller gratis eller inte alls.) Kolla in PowerShow idag - GRATIS. Det finns verkligen något för alla presentationer gratis. Eller använd den för att hitta och hämta högkvalitativa, praktiska PowerPoint ppt-presentationer med illustrerade eller animerade bilder som lär dig hur du gör något nytt, även gratis. Eller använd den för att ladda upp dina egna PowerPoint-bilder så att du kan dela dem med dina lärare, klass, studenter, chefer, anställda, kunder, potentiella investerare eller världen. Eller använd det för att skapa riktigt coola bildspel - med 2D och 3D-övergångar, animeringar och ditt musikval - som du kan dela med dina Facebook-vänner eller Google-cirklar. Det är alla gratis också För en liten avgift kan du få branschens bästa online sekretess eller offentligt marknadsföra dina presentationer och bildspel med topprankningar. Men bortsett från det är det gratis. Du kan även konvertera dina presentationer och bildspel till det universella Flash-formatet med all sin ursprungliga multimediaärlighet, inklusive animations-, 2D - och 3D-övergångseffekter, inbäddad musik eller annat ljud eller till och med video inbäddad i bilder. Allt gratis. De flesta presentationer och bildspel på PowerShow är gratis att visa, många är även gratis att hämta. (Du kan välja om du vill tillåta folk att ladda ner dina ursprungliga PowerPoint-presentationer och bildspel till en avgift eller gratis eller inte alls.) Kolla in PowerShow idag - GRATIS. Det finns verkligen någonting för allaTidserier - PowerPoint PPT-presentationer Transkript och presentatörer Noter 1 Tidsserie 2 (Inget transkript) 3 Egenskaper Onafhäftiga observationer (korrelationsstruktur) Systematisk variation inom ett år (säsongseffekter) Långsiktig ökande eller minskande nivå ( trend) Oregelbunden variation av liten storlek (buller) 4 Var kan tidsserier hittas? Ekonomiska indikatorer Försäljningsuppgifter, sysselsättningsstatistik, aktiemarknadsindex, Meteorologisk datautfällning, temperatur, Miljöövervakningskoncentrationer av näringsämnen och föroreningar i luftmassor, floder, sjöar , 5 Tidsserieanalys Syfte Beräkna olika delar av en tidsserie för att förstå det historiska mönsterdomen på nuvarande status göra prognoser för den framtida utvecklingen 6 Metodik 7 Tidsserieregression Låt yt (Observerat) värde av tiderna serier vid tidpunkten t och antar ett år är uppdelat i L-säsonger Regession-modellen (med linjär trend) yt 0 1tj sj xj, tt där xj, t1 om yt tillhör säsong j och 0 antas j1, L-1 och t ha nollvärde och konstant varians (2) 8 Parametrarna 0. 1. s1. s, L-1 beräknas med den vanligaste kvadratmetoden (b0, b1, bs1, bs, L-1) argmin (yt (0 1tj sj xj, t) 2 Fördelar Enkel och robust metod Enkelt tolkade komponenter Normal inferens intervaller, hypotesprovning) direkt tillämpliga Nackdelar Fasta komponenter i modell (matematisk trendfunktion och konstanta säsongskomponenter) Ingen hänsyn till korrelation mellan observationer 9 Exempel Försäljningsfaktorer jan-98 20.33 jan-99 23.58 jan-00 26.09 jan-01 28.4 3 feb -98 20.96 feb-99 24.61 feb-00 26.66 feb-01 29 .92 mar-98 23.06 mar-99 27.28 mar-00 29.61 mar-01 33.44 apr-98 24.48 apr-99 27.69 apr-00 32.12 apr-0 1 34.56 maj-98 25.47 maj-99 29.99 maj-00 34.01 maj -01 34.22 jun-98 28.81 jun-99 30.87 jun-00 32.98 j un-01 38.91 jul-98 30.32 jul-99 32.09 jul-00 36.38 jul-01 41.31 aug -98 29.56 aug-99 34.53 aug-00 35. 90 aug-01 38.89 sep-98 30.01 sep-99 30.85 sep-00 3 6.42 sep-01 40.90 okt-98 26.78 okt-99 30.24 okt-00 34.04 okt-01 38.27 nov-98 23.75 nov-99 27.86 nov-00 31.29 nov-01 32.0 2 dec-98 24.06 dec-99 24.67 de c-00 28.50 dec-01 29.78 10 Konstruera säsongsindikatorer x1, x2. x12 januari (1998-2001) x1 1, x2 0, x3 0, x12 0 februari (1998-2001) x1 0, x2 1, x3 0. x12 0 etc. december (1998-2001) x1 0, x2 0, x3 0. x12 1 Använd 11 indikatorer, t. ex. x1 x11 i regressionsmodellen 11 (ingen transkription) 12 regressionsanalys försäljningen mot tiden, x1,. Regressions ekvationen är försäljningen 18,9 0,233 gånger 0,750 x1 1,42 x2 3,96 x3 5,07 x4 6,01 x5 7,72 x6 9,59 x7 9,02 x8 8,58 x9 6,11 x10 2,24 x11 Predictor Coef SE Coef TP Constant 18,8583 0,6467 29,16 0,000 tid 0,26314 0,01169 22,51 0,000 x1 0,7495 0,791 0,96 0,343 x2 1,4164 0,7006 12,44 0,000 x8 9,0201 0,7698 11,72 0,000 x9 8,5819 0,7692 11,16 0,000 x10 6,1063 0,7688 7,94 0,000 x11 2,2406 0,7685 2,92 0,006 0,0007 S 1,087 R-Sq 96,6 R-Sq (adj) 95,5 13 Analys av variantkälla DF SS MS FP-regression 12 1179.818 98.318 83.26 0.000 Återstående fel 35 41.331 1.181 Totalt 47 1221.150 Källa DF Seq SS-tid 1 683.542 x1 1 79.515 x2 1 72.040 x3 1 16.541 x4 1 4.873 x5 1 0.204 x6 1 10.320 x7 1 63.284 x8 1 72.664 x9 1 100.570 x10 1 66.226 x11 1 10.039 14 Ovanliga observationer Obs tidförsäljning Passar SE Passar Residual St Resid 12 12.0 24.060 22.016 0.583 2.044 2.23R 21 21.0 3 0,850 32,966 0,548 -2,116 -2,25RR betecknar en observation med en stor standardiserad återstående förutspådda värden för nya observationer Nya Obs Anpassa SE Fit 95.0 CI 95.0 PI 1 32.502 0.647 (31.189, 33.815) (29.934, 35.069) Värden av förutsägare för nya observationer Ny Obs tid x1 x2 x3 x4 x5 x6 1 49,0 1,00 0.000000 0.000000 0.000000 0.000000 0.000000 Ny Obs x7 x8 x9 x10 x11 1 0.000000 0.000000 0.000000 0.000000 0.000000 15 Vad sägs om seriell korrelation i data 16 Positiv seriell korrelation Värden följer ett slätt mönster Negativ serie korrelation Värden visar ett tornigt mönster Hur man hämtar det Använd resterna. 17 Återstående plot från regressionsanalysen Jämna eller torniga 18 Durbin Watson test på rester Thumb regel Om d 1 eller d gt 3 är slutsatsen att residualer (och orginal data (korreleras. Använd form av figur (slät eller tornig) till bestämmer om det är positivt eller negativt) (Mer grundliga regler för jämförelser och beslut om positiva eller negativa korrelationer finns.) 19 Durbin-Watson statistik 2.05 (Kommer i utgången) Värde gt 1 och lt 3. Ingen signifikant seriekorrelation i rester 20 Klassisk sönderdelning metoder Nedbryt Analysera observerade tidsserier i sina olika komponenter Trenddel (TR) Säsongsdel (SN) Cyklisk del (CL) Oregelbunden del (IR) Cyklisk del Status på marknaden i ekonomiska tidsserier I miljöserier, vanligtvis tillsammans med TR 21 Multiplikativ modell ytTRtSNt CLt IRt Lämplig för ekonomiska indikatorer Nivån är närvarande i TRt eller i TCt (TRCL) t SNt. IRt (och CLt) fungerar som index Säsongsvariation ökar med ytnivå 22 Tilläggsmodell ytTRtSN t CLt IRt Mer lämplig för miljödata Kräver konstant säsongsvariation SNt. IRt (och CLt) varierar ungefär 0 23 Exempel 1 Försäljningsdata 24 Exempel 2 25 Beräkning av komponenter, arbetsschema SäsongjusteringSäsongsläge SNt har oftast den största variationen mellan komponenterna. Tidsserien är desasonaliserad genom att beräkna centrerade och vägda rörliga medelvärden där antal årstider inom ett år (L2 för årstal, 4 för kvartärdata och 12 mån månadsdata) 26 Mt blir en grov uppskattning av (TRCL) t. Grova säsongsbeståndsdelar erhålls av ytMt i en multiplikativ modell yt Mt i en additivmodell. Medelvärdena för de grova säsongskomponenterna beräknas för eacj säsong separetly. L betyder. L-medel justeras för att ha ett exakt medelvärde av 1 (dvs deras summa är lika med L) i en multiplikativ modell. Har ett exakt medelvärde på 0 (dvs deras summa är lika med noll) i en additivmodell. Slutliga uppskattningar av säsongsbeståndsdelarna är inställda på dessa justerade medel och betecknas 27 Tidsserierna är nu deasonasaliserade av i en multiplikativ modell i en tillsatsmodell var är en av beroende på vilken av årstiderna t representerar. 28 2. Säsongrensade värden används för att uppskatta trendkomponenten och ibland konjunkturkomponenten. Om ingen cyklisk komponent finns närvarande Använd enkel linjär regression på säsongrensade värden. Beräknar trt av linjär eller kvadratisk trendkomponent. Resterna från regressionspasset utgör uppskattningar av den oregelbundna komponenten Om cyklisk komponent är närvarande Beräknad trend och cyklisk komponent i sin helhet (dela inte dem), dvs. Ett icke-vägt centrerat rörligt medelvärde med längd 2m1 caclulated över säsongrensat värden 29 Gemensamma värden för 2m1 3, 5, 7, 9, 11, 13 Valet av m är baserat på egenskaperna för den slutliga uppskattningen av IRt som beräknas som i en multiplikativ modell i en additivmodell m är vald så att den seriella minimeras korrelation och variansen av irt. 2m1 kallas (antal) poäng för det rörliga genomsnittet. 30 Exempel, forts. Hemförsäljningsdata Minitab kan användas för sönderdelning av StatTime-serien. Komposition Val av modelltyp Alternativ att välja mellan två modeller 31 (Inget transkript) 32 Tidsserie Sönderdelningsdata Sold Längd 47,0000 NMissing 0 Trendlinje ekvation Yt 5,77613 4 , 30E-02t säsongsindex Period Index 1 -4,09028 2 -4,13194 3 0,909722 4 -1,09028 5 3,70139 6 0,618056 7 4,70139 8 4,70139 9 -1,96528 10 0 , 118056 11 -1,29861 12 -2,17361 Noggrannhet av modell MAPE 16,4122 MAD 0,9025 MSD 1,6902 33 (Inget transkript) 34 (Inget transkript) 35 (Inget transkript) 36 Deseasonaliserade data har lagrats i en kolumn med huvud DESE1. Flyttande medelvärden på denna kolumn kan beräknas med StatTime-serien. Förskjutande medelvärde Val av 2m1 37 MSD bör hållas så liten som möjligt 38 Genom att spara rester från de glidande medelvärdena kan vi beräkna MSD och seriekorrelationer för varje val av 2m1. Ett 7-punkts eller 9-punkts glidande medelvärde verkar mest rimligt. 39 Seriella korrelationer beräknas helt enkelt av StatTime-serienLag och vidare StatBasic-statistikKorrelation Eller manuellt i Session-fönster MTB gt-lag RESI4 c50 MTB gt corr RESI4 c50 40 Analys med multiplikativ modell 41 Tidsserie Sönderdelning Data Säljes Längd 47,0000 NMissing 0 Trendlinjeläkning Yt 5 , 77613 4,30E-02t Säsongsindex Period Index 1 0,425997 2 0,425278 3 1,14238 4 0,856404 5 1,52471 6 1,10138 7 1,65646 8 1,65053 9 0,670985 10 1, 02048 11 0,825072 12 0,700325 Modell MAPE Noggrannhet 16,8643 MAD 0,9057 MSD 1,6388 42 Additiv 43 Additiv tillsats 44 Klassisk sönderdelning, sammanfattning Multiplicativ modell Additiv modell 45 Deseasonalisation Beräkna trendcyklisk komponent med ett centrerat rörligt medelvärde där L är antalet årstider (t. ex. 12, 4, 2) 46 Filter ut säsongsmässiga och felaktiga (oregelbundna) komponenter Multiplikativ modell - Additivmodell 47 Beräkna månatliga medelvärden Multiplikativmodell Additivmodell för årstider m1,, L 48 Normalisera monitliska medel Multiplikativ modell Additivmodell 49 Deseasonalise Multiplikativ modell Additivmodell där snt snm för aktuell månad m 50 Anpassad trendfunktion, detrend (deaseasonalised) data Multiplicativ modell Additivmodell 51 Uppskatta cyklisk komponent och separera från felkomponent Multiplikativ modell Additiv modellPowerShow är en ledande presentationslideshow-delningswebbplats. Om din ansökan är verksamhet, hur-till, utbildning, medicin, skola, kyrka, försäljning, marknadsföring, online utbildning eller bara för skojs skull, är PowerShow en bra resurs. Och bäst av allt är de flesta av sina coola funktioner gratis och lätta att använda. Du kan använda PowerShow för att hitta och ladda ner exempel på PowerPoint ppt-presentationer på bara om något ämne du kan tänka dig så att du kan lära dig att förbättra dina egna bilder och presentationer gratis. Eller använd den för att hitta och hämta högkvalitativa, praktiska PowerPoint ppt-presentationer med illustrerade eller animerade bilder som lär dig hur du gör något nytt, även gratis. Eller använd den för att ladda upp dina egna PowerPoint-bilder så att du kan dela dem med dina lärare, klass, studenter, chefer, anställda, kunder, potentiella investerare eller världen. Eller använd det för att skapa riktigt coola bildspel - med 2D och 3D-övergångar, animeringar och ditt musikval - som du kan dela med dina Facebook-vänner eller Google-cirklar. Det är alla gratis också För en liten avgift kan du få branschens bästa online sekretess eller offentligt marknadsföra dina presentationer och bildspel med topprankningar. Men bortsett från det är det gratis. Du kan även konvertera dina presentationer och bildspel till det universella Flash-formatet med all sin ursprungliga multimediaärlighet, inklusive animations-, 2D - och 3D-övergångseffekter, inbäddad musik eller annat ljud eller till och med video inbäddad i bilder. Allt gratis. De flesta presentationer och bildspel på PowerShow är gratis att visa, många är även gratis att hämta. (Du kan välja om du vill tillåta folk att ladda ner dina ursprungliga PowerPoint-presentationer och bildspel till en avgift eller gratis eller inte alls.) Kolla in PowerShow idag - GRATIS. Det finns verkligen något för alla presentationer gratis. Eller använd den för att hitta och hämta högkvalitativa, praktiska PowerPoint ppt-presentationer med illustrerade eller animerade bilder som lär dig hur du gör något nytt, även gratis. Eller använd den för att ladda upp dina egna PowerPoint-bilder så att du kan dela dem med dina lärare, klass, studenter, chefer, anställda, kunder, potentiella investerare eller världen. Eller använd det för att skapa riktigt coola bildspel - med 2D och 3D-övergångar, animeringar och ditt musikval - som du kan dela med dina Facebook-vänner eller Google-cirklar. Det är alla gratis också För en liten avgift kan du få branschens bästa online sekretess eller offentligt marknadsföra dina presentationer och bildspel med topprankningar. Men bortsett från det är det gratis. Du kan även konvertera dina presentationer och bildspel till det universella Flash-formatet med all sin ursprungliga multimediaärlighet, inklusive animations-, 2D - och 3D-övergångseffekter, inbäddad musik eller annat ljud eller till och med video inbäddad i bilder. Allt gratis. De flesta presentationer och bildspel på PowerShow är gratis att visa, många är även gratis att hämta. (Du kan välja om du vill tillåta folk att ladda ner dina ursprungliga PowerPoint-presentationer och bildspel till en avgift eller gratis eller inte alls.) Kolla in PowerShow idag - GRATIS. Det finns verkligen något för allaSlideshare använder cookies för att förbättra funktionalitet och prestanda, och att ge dig relevant reklam. Om du fortsätter att surfa på webbplatsen godkänner du användningen av cookies på denna webbplats. Se vår användaravtal och sekretesspolicy. Slideshare använder cookies för att förbättra funktionalitet och prestanda, och att ge dig relevant reklam. Om du fortsätter att surfa på webbplatsen godkänner du användningen av cookies på denna webbplats. Se vår sekretesspolicy och användaravtal för detaljer. Utforska alla dina favoritämnen i SlideShare-appen Få SlideShare-appen att spara till senare, även offline Fortsätt till mobilwebben Ladda upp Logga in Registrera dig Dubbelklicka för att zooma ut Tidsserie Dela det här SlideShare LinkedIn Corporation kopiera 2017