Flyttande medelprognos Inledning. Som du kan gissa vi tittar på några av de mest primitiva tillvägagångssätten för prognoser. Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med att börja i början och börja arbeta med Moving Average prognoser. Flyttande medelprognoser. Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är. Alla studenter gör dem hela tiden. Tänk på dina testresultat i en kurs där du ska ha fyra tester under semestern. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat Vad tycker du att din lärare skulle förutsäga för nästa testresultat Vad tycker du att dina vänner kan förutsäga för nästa testresultat Vad tror du att dina föräldrar kan förutsäga för nästa testresultat Oavsett om alla blabbing du kan göra för dina vänner och föräldrar, de och din lärare är mycket troliga att vänta på att du får något i området 85 du bara fick. Nåväl, nu kan vi anta att trots din egen marknadsföring till dina vänner överskattar du dig själv och räknar att du kan studera mindre för det andra testet och så får du en 73. Nu är vad alla berörda och oroade kommer att Förutse att du kommer att få ditt tredje test Det finns två väldigt troliga metoder för att utveckla en uppskattning oavsett om de kommer att dela den med dig. De kan säga till sig själva: "Den här killen sprider alltid rök om hans smarts. Hes kommer att få ytterligare 73 om han är lycklig. Kanske kommer föräldrarna att försöka vara mer stödjande och säga, Quote, hittills har du fått en 85 och en 73, så kanske du ska räkna med att få en (85 73) 2 79. Jag vet inte, kanske om du gjorde mindre fester och werent vaggar vassan överallt och om du började göra mycket mer studerar kan du få en högre poäng. quot Båda dessa uppskattningar flyttade faktiskt genomsnittliga prognoser. Den första använder endast din senaste poäng för att förutse din framtida prestanda. Detta kallas en rörlig genomsnittlig prognos med en period av data. Den andra är också en rörlig genomsnittlig prognos men använder två dataperioder. Låt oss anta att alla dessa människor bråkar på ditt stora sinne, har gett dig en puss och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga ett högre poäng framför din quotalliesquot. Du tar testet och din poäng är faktiskt en 89 Alla, inklusive dig själv, är imponerade. Så nu har du det sista testet av terminen som kommer upp och som vanligt känner du behovet av att ge alla till att göra sina förutsägelser om hur du ska göra på det sista testet. Jo, förhoppningsvis ser du mönstret. Nu kan du förhoppningsvis se mönstret. Vilken tror du är den mest exakta visselpipan medan vi arbetar. Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster, kallad Whistle While We Work. Du har några tidigare försäljningsdata som representeras av följande avsnitt från ett kalkylblad. Vi presenterar först data för en treårs glidande medelprognos. Posten för cell C6 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Lägg märke till hur genomsnittet rör sig över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än exponentiell utjämningsmodell. Ive inkluderade quotpast predictionsquot eftersom vi kommer att använda dem på nästa webbsida för att mäta förutsägelse validitet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Posten för cell C5 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C6 till och med C11. Lägg märke till hur nu endast de två senaste bitarna av historiska data används för varje förutsägelse. Återigen har jag inkluderat quotpast predictionsquot för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är viktiga att märka. För en m-period som rör genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-period rörande genomsnittlig prognos, när du gör quotpast predictionsquot, märka att den första förutsägelsen sker i period m 1. Båda dessa problem kommer att vara väldigt signifikanta när vi utvecklar vår kod. Utveckla den rörliga genomsnittsfunktionen. Nu behöver vi utveckla koden för den glidande medelprognosen som kan användas mer flexibelt. Koden följer. Observera att inmatningarna är för antalet perioder du vill använda i prognosen och en rad historiska värden. Du kan lagra den i vilken arbetsbok du vill ha. Funktion MovingAverage (Historical, NumberOfPeriods) Som enstaka deklarering och initialisering av variabler Dim-objekt som variant Dim-teller som integer Dim-ackumulering som enstaka Dim HistoricalSize som heltal Initialiserande variabler Counter 1 ackumulering 0 Bestämning av storleken på Historisk matris Historisk storlek Historisk. Count för Counter 1 till NumberOfPeriods Ackumulera lämpligt antal senast tidigare observerade värden ackumulering ackumulering historisk (historicalSize - numberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Koden förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska gilla följande. Förberedelse genom utjämningstekniker Den här sidan är en del av JavaScript-objekten för lärandeobjekt för beslutsfattande. Övriga JavaScript i denna serie kategoriseras under olika tillämpningsområden i MENU-sektionen på den här sidan. En tidsserie är en följd av observationer som beställs i tid. Inhämtande i insamlingen av data som tagits över tiden är någon form av slumpmässig variation. Det finns metoder för att minska avbrytandet av effekten på grund av slumpmässig variation. Bredt använda tekniker är utjämning. Dessa tekniker, när de tillämpas korrekt, avslöjar tydligare de underliggande trenderna. Ange tidsserierna Row-wise i följd, från början till vänster och parametrarna, och klicka sedan på knappen Beräkna för att få fram en prognos för en period framåt. Blanka rutor ingår inte i beräkningarna men nollor är. När du matar in data för att flytta från cell till cell i datmatrisen använder du inte knappen Tab eller pilar in. Funktioner av tidsserier, som kan avslöjas genom att granska dess graf. med de prognostiserade värdena och restbeteendet, förutsatt prognosmodellering. Flyttande medelvärden: Flyttande medelvärden rankas bland de mest populära teknikerna för förbehandling av tidsserier. De används för att filtrera slumpmässigt vitt brus från data, för att göra tidsserierna mjukare eller till och med för att betona vissa informationskomponenter som ingår i tidsserierna. Exponentiell utjämning: Detta är ett mycket populärt schema för att producera en slät Time Series. Medan i rörliga medelvärden viktas de senaste observationerna, exponentiell utjämning tilldelar exponentiellt minskande vikter som observationen blir äldre. Med andra ord ges de senaste observationerna relativt större vikt vid prognosen än de äldre observationerna. Dubbel exponentiell utjämning är bättre vid hantering av trender. Trippel exponentiell utjämning är bättre vid hantering av paraboltrender. Ett exponentiellt vägat glidande medelvärde med en utjämningskonstant a. motsvarar ungefär ett enkelt rörligt medelvärde av längd (dvs period) n, där a och n är relaterade till: a 2 (n1) ORn (2-a) a. Således skulle exempelvis ett exponentiellt vägt glidmedel med en utjämningskonstant lika med 0,1 motsvara ungefär ett 19 dagars glidande medelvärde. Och ett 40-dagars enkelt rörligt medelvärde skulle motsvara ungefär ett exponentiellt vägt rörligt medelvärde med en utjämningskonstant lika med 0,04878. Håller linjär exponentiell utjämning: Antag att tidsserierna är säsongsbetonade men visar visningstendens. Holts metod beräknar både nuvarande nivå och nuvarande trend. Observera att det enkla glidande medlet är ett speciellt fall av exponentiell utjämning genom att ställa in perioden för glidande medelvärde till heltalet av (2-alfa) alfa. För de flesta företagsdata är en Alpha-parameter som är mindre än 0,40 ofta effektiv. Man kan emellertid utföra en nätverkssökning av parameternummet, med 0,1 till 0,9, med steg om 0,1. Då har den bästa alfas det minsta genomsnittliga absoluta felet (MA-fel). Hur man jämför flera utjämningsmetoder: Även om det finns numeriska indikatorer för bedömning av prognosteknikens noggrannhet, är det mest använda sättet att använda en visuell jämförelse av flera prognoser för att bedöma deras noggrannhet och välja mellan olika prognosmetoder. I detta tillvägagångssätt måste man plotta (med användning av exempelvis Excel) på samma graf de ursprungliga värdena för en tidsserievariabel och de förutspådda värdena från flera olika prognosmetoder, vilket underlättar en visuell jämförelse. Du kanske gillar att använda tidigare prognoser med utjämningstekniker JavaScript för att få de senaste prognosvärdena baserade på utjämningstekniker som endast använder en parameter. Holt - och Winters-metoderna använder sig av två respektive tre parametrar, därför är det inte en lätt uppgift att välja de optimala eller till och med nära optimala värden genom försök och fel för parametrarna. Den enda exponentiella utjämningen betonar det korta perspektivet som ställer nivån till den sista observationen och baseras på förutsättningen att det inte finns någon trend. Den linjära regressionen, som passar en minsta kvadrera linje till historiska data (eller transformerade historiska data), representerar det långa intervallet, vilket är konditionerat för den grundläggande trenden. Hålen linjär exponentiell utjämning fångar information om den senaste trenden. Parametrarna i Holts-modellen är nivåparametrar som bör minskas när datamängden är stor, och trenderparametern bör ökas om den senaste trendriktningen stöds av orsakssambandsfaktorerna. Kortsiktiga prognoser: Observera att varje JavaScript på den här sidan ger en enstegs prognos. För att få en tvåstegs prognos. Lägg helt enkelt till det prognostiserade värdet till slutet av din tidsseriedata och klicka sedan på samma Calculate-knapp. Du kan upprepa denna process några gånger för att få de nödvändiga kortsiktiga prognoserna. Det enklaste sättet är att ta medeltalet januari till mars och använda det för att uppskatta April8217s försäljning: (129 134 122) 3 128 333. Baserat på försäljningen från januari till mars förutspår du att försäljningen i april blir 128 333. När April8217s faktiska försäljning kom in, skulle du då beräkna prognosen för maj, den här gången med februari till april. Du måste vara förenlig med antalet perioder du använder för att flytta genomsnittliga prognoser. Antalet perioder du använder i dina snabba medelprognoser är godtyckliga. Du får bara använda två perioder eller fem eller sex perioder oavsett vad du vill skapa dina prognoser. Tillvägagångssättet ovan är ett enkelt glidande medelvärde. Ibland kan den senaste försäljningen av months8217 vara starkare influenser av den kommande month8217s försäljningen, så du vill ge de närmare månaderna mer vikt i din prognosmodell. Detta är ett viktat glidande medelvärde. Och precis som antalet perioder är de vikter du tilldelar rent godtyckliga. Let8217s säger att du ville ge March8217s försäljning 50 vikt, februari8217s 30 vikt och januari8217s 20. Då blir din prognos för april 127,000 (122,50) (134,30) (129,20) 127. Begränsningar av rörliga genomsnittsmetoder Flyttande medelvärden betraktas som en 8220smoothing8221 prognosteknik. Eftersom du tar ett genomsnitt över tid, mjuker du (eller utjämnar) effekterna av oregelbundna händelser inom data. Som ett resultat kan effekterna av säsongsalder, konjunkturcykler och andra slumpmässiga händelser dramatiskt öka prognosfelet. Ta en titt på en fullständig information om året8217s, och jämföra ett 3-års glidande medelvärde och ett 5-års glidande medelvärde: Observera att i det här fallet att jag inte skapade prognoser utan snarare centrerade de glidande medelvärdena. Det första 3 månaders glidande genomsnittet är för februari, och it8217s är medeltalet januari, februari och mars. Jag gjorde också liknande för 5-månaders genomsnittet. Ta en titt på följande diagram: Vad ser du Är inte den tremånadersrörande genomsnittsserien mycket mjukare än den faktiska försäljningsserien Och hur är det med det femmånaders glidande genomsnittet It8217s jämnare. Därför, ju fler perioder du använder i ditt glidande medelvärde, ju mjukare din tidsserie. För prognoser kan därför ett enkelt glidande medelvärde inte vara den mest exakta metoden. Flytta genomsnittliga metoder är ganska värdefulla när man försöker extrahera säsongs-, oregelbundna och cykliska komponenter i en tidsserie för mer avancerade prognosmetoder, som regression och ARIMA, och användningen av glidande medelvärden vid sönderdelning av en tidsserie kommer att behandlas senare i serien. Bestämning av en rörlig genomsnittsmodells noggrannhet Generellt vill du ha en prognosmetod som har minst fel mellan aktuella och förutsagda resultat. En av de vanligaste åtgärderna för prognosnoggrannhet är den genomsnittliga absoluta avvikelsen (MAD). I den här metoden tar du det absoluta värdet av skillnaden mellan period8217s faktiska och prognostiserade värden (avvikelsen) för varje period i tidsserierna som du genererade en prognos för. Då är du genomsnittliga de absoluta avvikelserna och du får ett mått på MAD. MAD kan vara till hjälp när du bestämmer hur mycket antal perioder du har, och hur stor vikt du lägger på varje period. I allmänhet väljer du den som resulterar i lägsta MAD. Here8217s ett exempel på hur MAD beräknas: MAD är helt enkelt genomsnittet av 8, 1 och 3. Flytta genomsnitt: Recap När du använder glidande medelvärden för prognoser, kom ihåg: Flytta medelvärden kan vara enkla eller viktade Antalet perioder du använder för din medelvärdet och alla vikter du tilldelar var och en är strängt godtyckligt. Flyttande medelvärden släpper ut oregelbundna mönster i tidsseriedata, desto större antal perioder som används för varje datapunkt desto större utjämningseffekt. På grund av utjämning prognostiseras nästa månad8217s försäljning baserat på senaste månaden8282s försäljning kan resultera i stora avvikelser på grund av säsongsmässiga, konjunkturella och oregelbundna mönster i data och utjämningsförmågan hos en glidande genomsnittsmetod kan vara användbar för att sönderdela en tidsserie för mer avancerade prognosmetoder. Nästa vecka: Exponentiell utjämning I nästa vecka8217s prognos fredag. vi kommer att diskutera exponentiella utjämningsmetoder, och du kommer att se att de kan vara långt överlägsen förflyttande medelprognosmetoder. Fortfarande don8217t vet varför våra prognos fredags inlägg visas på torsdag Ta reda på: tinyurl26cm6ma Gilla detta: Postnavigering Lämna ett svar Avbryt svar Jag hade 2 frågor: 1) Kan du använda den centrerade MA-metoden för att prognostisera eller bara för att ta bort säsongsmässighet 2) När du använder den enkla t (t-1t-2t-k) k MA för att prognostisera en period framåt, är det möjligt att prognostisera mer än en period framåt Jag antar att din prognos skulle vara en av punkterna som matar in i nästa. Tack. Älska informationen och dina förklaringar I8217m glad att du gillar bloggen I8217 är säker på att flera analytiker har använt det centrerade MA-tillvägagångssättet för prognoser, men jag skulle inte personligen, eftersom den här metoden resulterar i en förlust av observationer i båda ändarna. Detta knyter i själva verket då till din andra fråga. I allmänhet används enkel MA för att endast prognosera en period framåt, men många analytiker 8211 och jag, ibland 8211, kommer att använda min framtidsprognos som en av ingångarna till andra perioden framöver. It8217 är viktigt att komma ihåg att ju längre in i framtiden du försöker att prognostisera desto större är risken för prognosfel. Det är därför jag inte rekommenderar centrerad MA för prognoser 8211 innebär förlusten av observationer i slutet att man måste förlita sig på prognoser för de förlorade observationerna, såväl som perioden (er) framåt, så det finns större risk för prognosfel. Läsare: you8217re inbjudna att väga in på detta. Har du några tankar eller förslag på denna Brian, tack för din kommentar och dina komplimanger på bloggen Trevligt initiativ och bra förklaring. It8217s är verkligen till hjälp. Jag förutser anpassade kretskort för en kund som inte ger några prognoser. Jag har använt det rörliga genomsnittet, men det är inte så mycket som industrin kan gå upp och ner. Vi ser till mitten av sommaren till slutet av året att frakt pcb8217s är uppe. Sedan ser vi i början av året sakta ner. Hur kan jag vara mer exakt med mina data Katrina, från vad du sa till mig, verkar det att din tryckta kretskortsförsäljning har en säsongskomponent. Jag tar upp säsongsbetonade i några av de andra prognoserna fredagens inlägg. En annan metod som du kan använda, vilket är ganska lätt, är Holt-Winters-algoritmen, som tar hänsyn till säsonglighet. Du kan hitta en bra förklaring av det här. Var noga med att avgöra om dina säsongsbetonade mönster är multiplikativa eller additiva eftersom algoritmen är lite annorlunda för varje. Om du plottar dina månadsdata från några år och ser till att säsongsvariationerna vid samma årstid verkar vara konstanta år över år, så är säsongsalden additiv om säsongsvariationerna över tiden verkar öka, då säsongsmässigheten är multiplikativ. De flesta säsongsbundna tidsserierna kommer att vara multiplicativa. Om du är osäker, antar du multiplikativ. Lycka till, Hej där, mellan den här metoden:. Nave Forecast. Uppdatering av medelvärdet. Flyttande medelvärdet av längden k. Varken Viktad Flytta Genomsnittlig längd k ELLER Exponentiell utjämning Vilken av de uppdaterande modellerna rekommenderar du att jag använder för att prognostisera data Enligt min åsikt tänker jag på Moving Average. Men jag vet inte hur man klargör och strukturerar det. Det beror verkligen på kvantiteten och kvaliteten på de data du har och din prognostiseringshorisont (långsiktig, medellång eller kort sikt). En tidsserie är en följd av observationer av en periodisk slumpmässig variabel. Exempel är den månatliga efterfrågan på en produkt, den årliga nybörjaren inskrivning i en avdelning på universitetet och de dagliga flödena i en flod. Tidsserier är viktiga för verksamhetsforskning eftersom de ofta är drivkrafter för beslutsmodeller. En inventeringsmodell kräver uppskattningar av framtida krav. En kursplanering och personalmodell för en universitetsavdelning kräver uppskattningar av framtida studentinflöde och en modell för att ge varningar till befolkningen i ett flodbänk kräver uppskattningar av flodflöden för den närmaste framtiden. Tidsserieanalys ger verktyg för att välja en modell som beskriver tidsserierna och använder modellen för att prognostisera framtida händelser. Modellering av tidsserier är ett statistiskt problem eftersom observerade data används i beräkningsprocedurer för att uppskatta koefficienterna för en antagen modell. Modeller antar att observationer varierar slumpmässigt om ett underliggande medelvärde som är en funktion av tiden. På dessa sidor begränsar vi uppmärksamheten att använda historiska tidsseriedata för att uppskatta en tidsberoende modell. Metoderna är lämpliga för automatisk prognos på kort sikt av ofta använd information där de underliggande orsakerna till tidsvariation inte förändras markant i tid. I praktiken modifieras prognoserna från dessa metoder senare av mänskliga analytiker som innehåller information som inte är tillgänglig från de historiska uppgifterna. Vårt primära syfte i detta avsnitt är att presentera ekvationerna för de fyra prognosmetoderna som används i prognostillägget: glidande medelvärde, exponentiell utjämning, regression och dubbel exponentiell utjämning. Dessa kallas utjämningsmetoder. Metoder som inte beaktas inkluderar kvalitativa prognoser, multipelregression och autoregressiva metoder (ARIMA). De som är intresserade av mer omfattande täckning bör besöka webbplatsen Prognosprinciper eller läsa en av de många utmärkta böckerna om ämnet. Vi använde bokprognosen. av Makridakis, Wheelwright och McGee, John Wiley ampsons, 1983. För att använda Excel Exempels arbetsbok måste du ha prognostillägget installerat. Välj Relink-kommandot för att upprätta länkarna till tillägget. Den här sidan beskriver modellerna som används för enkla prognoser och den notation som används för analysen. Den enklaste prognostiseringsmetoden är det genomsnittliga prognosen för glidande medel. Metoden är helt enkelt medelvärden av de sista m-observationerna. Det är användbart för tidsserier med ett långsamt byte medelvärde. Denna metod tar hänsyn till hela förflutna i sin prognos, men väger ny erfarenhet tyngre än mindre nyligen. Beräkningarna är enkla eftersom endast beräkningen av föregående period och aktuella data bestämmer den nya uppskattningen. Metoden är användbar för tidsserier med ett långsamt byte medelvärde. Den glidande genomsnittliga metoden svarar inte bra på en tidsserie som ökar eller minskar med tiden. Här ingår en linjär trendperiod i modellen. Regressionsmetoden approximerar modellen genom att konstruera en linjär ekvation som ger de minsta kvadraterna passande till de sista m-observationerna.
No comments:
Post a Comment