Prognoser genom utjämningstekniker Den här webbplatsen är en del av JavaScript E-labs lärande objekt för beslutsfattande. Annan JavaScript i denna serie kategoriseras under olika tillämpningsområden i avsnittet MENU på den här sidan. En tidsserie är en följd av observationer som beställs i tid. Inherent 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 utan 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 residualbeteendet, förutsatt prognosmodellering. Flyttande medelvärden: Flytta medelvärden rang 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 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 av: 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 glidande medelvärde skulle motsvara ungefär ett exponentiellt vägt glidmedel 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 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 parameterutrymmet, 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 hjälp 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 tidigare prognosvärden 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 enskilda exponentiella utjämningen betonar det korta perspektivet som ställer nivån till den sista observationen och baseras på villkoret 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 mängden datavariation är stor och trenderparametern bör ökas om den senaste trendriktningen stöds av orsaksfaktorerna. Kortsiktiga prognoser: Observera att varje JavaScript på denna sida 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 för några få gånger för att få de nödvändiga kortsiktiga prognoserna. MPR2 - Prognosbehov En typ av prognoser som använder orsak-och-effekt-associationer för att förutse och förklara relationer mellan oberoende och beroende variabler. Ett exempel på en orsaksmodell är en ekonometrisk modell som förklarar efterfrågan på bostadsstart baserat på konsumentbas, räntor, personliga inkomster och tillgång till mark. CPFR (Collaborative Planning, Forecasting Amp Replenishment) En samarbetsprocess där handelskedjemöjligheter kan gemensamt planera viktiga utbudskedjans aktiviteter från produktion och leverans av råvaror till produktion och leverans av slutprodukter till slutkunder. Samarbetet omfattar affärsplanering, försäljningsprognos och alla operationer som krävs för att fylla på råvaror och färdiga varor. Modellering av data tar bort slumpmässig variation och visar trender och cykliska komponenter. 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. En ofta använd teknik inom industrin är utjämning. Denna teknik, när den tillämpas korrekt, avslöjar tydligare den underliggande trenden, säsongs - och cykliska komponenter. Det finns två olika grupper av utjämningsmetoder. Medelvärden Metoder Exponentiella utjämningsmetoder Med medelvärden är det enklaste sättet att släta data. Vi ska först undersöka några medelvärden, till exempel det enkla genomsnittet av alla tidigare data. En lagerförare vill veta hur mycket en typisk leverantör levererar i 1000 dollar-enheter. Heshe tar slumpmässigt ett urval av 12 leverantörer med följande resultat: Beräknat medelvärde eller medelvärde av data 10. Chefen bestämmer sig för att använda detta som uppskattning av utgifter för en typisk leverantör. Är detta en bra eller dålig uppskattning Medelkvadratfel är ett sätt att bedöma hur bra en modell är Vi ska beräkna det genomsnittliga kvadratfelet. Det felaktiga beloppet använts minus den beräknade mängden. Felet kvadrerat är felet ovan, kvadrerat. SSE är summan av kvadrerade fel. MSE är medelvärdet av de kvadratiska felen. MSE-resultat till exempel Resultaten är: Fel och kvadrater Fel Uppskattningen 10 Frågan uppstår: kan vi använda medelvärdet för att prognostisera inkomst om vi misstänker en trend En titt på diagrammet nedan visar tydligt att vi inte borde göra det här. Genomsnittet väger alla tidigare observationer lika Sammanfattningsvis säger vi att Det enkla genomsnittet eller medelvärdet av alla tidigare observationer är enbart en användbar uppskattning för prognoser när det inte finns några trender. Om det finns trender, använd olika uppskattningar som tar hänsyn till trenden. Medeltalet väger alla tidigare observationer lika. Medelvärdet av värdena 3, 4, 5 är till exempel 4. Vi vet självklart att ett medel beräknas genom att lägga till alla värden och dela summan med antalet värden. Ett annat sätt att beräkna medelvärdet är att lägga till varje värde dividerat med antalet värden eller 33 43 53 1 1.3333 1.6667 4. Multiplikatorn 13 kallas vikten. Generellt: bar frac summa vänster (frac right) x1 left (frac right) x2,. ,, vänster (frac höger) xn. (Vänster (frac höger)) är vikterna och de räknas naturligtvis till 1. Det enklaste sättet är att ta medeltalet januari till mars och använda det för att uppskatta April8217s försäljning: (129 134 122) 3 128 333 Därför , baserat på försäljningen från januari till mars, förutspår du att försäljningen i april blir 128 333. När April8217s faktiska försäljning kom in, skulle du beräkna prognosen för maj, den här gången med februari till april. Du måste vara förenlig med antalet perioder du använder för att flytta genomsnittlig prognostisering. Antalet perioder du använder i dina glidande 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 kommer din prognos för april att vara 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 data 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 i genomsnitt 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, desto mjukare blir 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 noggrannhet för en rörlig genomsnittsmodell Vanligtvis 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 absolutvärdet av skillnaden mellan den 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. Vanligtvis 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. Rörande medelvärden: 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 godtyckliga. Flyttvärdena släpper ut oregelbundna mönster i tidsseriedata ju 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 säsongens, cykliska och oregelbundna mönster i data och utjämningsförmågan hos en rörlig 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 utjämning metoder, och du kommer att se att de kan vara långt överlägsen att flytta genomsnittliga prognostiseringsmetoder. 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 att förlusten av observationer i slutet betyder att man måste förlita sig på prognoser för de förlorade observationerna, såväl som perioden (er) framåt, så det finns större risk för prognosfel. Läsare: you8217 är 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 branschen kan gå upp och ner. Vi ser fram 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. Ett annat tillvägagångssätt som du kan använda, vilket är ganska enkelt, 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 var och en. Om du plottar dina månadsdata från några år och ser till att säsongsvariationerna på samma årstider verkar vara konstanta året över år, så är säsongsmässigheten additiv om säsongsvariationerna över tiden verkar öka, då säsongsmässigheten är multiplikativ. De flesta säsongsbundna tidsserierna kommer att vara multiplikativa. Om du är osäker, antar du multiplicativ. 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)
No comments:
Post a Comment