bewegende gemiddelde gemiddeld van tydreeksdata (waarnemings eweredig gespasieerde in tyd) van 'n paar agtereenvolgende tydperke. Genoem beweeg omdat dit voortdurend recomputed as nuwe data beskikbaar raak, dit vorder deur die val van die vroegste waarde en die toevoeging van die jongste waarde. Byvoorbeeld, kan die bewegende gemiddelde van ses maande verkoop word bereken deur die gemiddelde van verkope van Januarie tot Junie, dan is die gemiddeld van verkope van Februarie tot Julie dan Maart tot Augustus en so aan. Bewegende gemiddeldes (1) verminder die effek van tydelike verskille in data, (2) die verbetering van die passing van data om 'n lyn ( 'n proses genaamd smoothing) om die data in tendens duideliker wys, en (3) na vore te bring enige waarde bo of onder die tendens. As jy iets met 'n baie hoë variansie is die berekening van die beste wat jy kan in staat wees om te doen, is uit die bewegende gemiddelde. Ek wou weet wat die bewegende gemiddelde was van die data, so ek sal 'n beter begrip van hoe ons doen het. As jy probeer om uit te vind 'n paar nommers wat verander dikwels die beste wat jy kan doen is om te bereken die bewegende gemiddelde. Die beste van BusinessDictionary, afgelewer dailySlideshare gebruik koekies om te verbeter funksies en prestasie, en om jou te voorsien met relevante advertensies. As jy nog steeds op die terrein, stem jy in tot die gebruik van koekies op hierdie webwerf. Sien ons Gebruikers ooreenkoms en Privaatheidsbeleid. Slide gebruik koekies om te verbeter funksies en prestasie, en om jou te voorsien met relevante advertensies. As jy nog steeds op die terrein, stem jy in tot die gebruik van koekies op hierdie webwerf. Sien ons Privaatheidsklousule en Gebruikers ooreenkoms vir meer inligting. Vind al jou gunsteling onderwerpe in die Slide inligting Kry die Slide app om te spaar vir later selfs op die regte pad voort na die mobiele webwerf oplaai Teken Teken Double tap om te vergroot Moving gemiddelde metode Deel dié Slide LinkedIn Corporation kopieer 2016Moving gemiddelde en eksponensiële gladstryking modelle As 'n eerste stap in die beweging van buite gemiddelde modelle, ewekansige loop modelle, en lineêre tendens modelle, nonseasonal patrone en tendense kan geëkstrapoleer deur 'n bewegende-gemiddelde of glad model. Die basiese aanname agter gemiddelde en glad modelle is dat die tyd reeks is plaaslik stilstaande met 'n stadig wisselende gemiddelde. Vandaar, neem ons 'n bewegende (plaaslike) gemiddelde om die huidige waarde van die gemiddelde skat en dan gebruik dit as die voorspelling vir die nabye toekoms. Dit kan beskou word as 'n kompromie tussen die gemiddelde model en die ewekansige-stap-sonder-drif-model. Dieselfde strategie gebruik kan word om te skat en ekstrapoleer 'n plaaslike tendens. 'N bewegende gemiddelde is dikwels 'n quotsmoothedquot weergawe van die oorspronklike reeks, want kort termyn gemiddelde het die effek van gladstryking uit die knoppe in die oorspronklike reeks. Deur die aanpassing van die mate van gladstryking (die breedte van die bewegende gemiddelde), kan ons hoop om 'n soort van 'n optimale balans tussen die prestasie van die gemiddelde en die stogastiese wandeling modelle slaan. Die eenvoudigste soort gemiddelde model is die. Eenvoudige (ewe-geweeg) Moving Average: Die voorspelling vir die waarde van Y op tyd T1 wat gemaak word op tydstip t is gelyk aan die eenvoudige gemiddelde van die mees onlangse m waarnemings: (hier en elders sal ek die simbool 8220Y-hat8221 gebruik om op te staan vir 'n voorspelling van die tyd reeks Y gemaak op die vroegste moontlike voor datum deur 'n gegewe model.) Hierdie gemiddelde is gesentreer op tydperk t (M1) / 2, wat impliseer dat die skatting van die plaaslike gemiddelde sal neig om agter die werklike waarde van die plaaslike gemiddelde met sowat (M1) / 2 periodes. So, sê ons die gemiddelde ouderdom van die data in die eenvoudige bewegende gemiddelde is (M1) / 2 met betrekking tot die tydperk waarvoor die voorspelling is bereken: dit is die hoeveelheid tyd waarop voorspellings sal neig om agter draaipunte in die data. Byvoorbeeld, as jy gemiddeld die afgelope 5 waardes, sal die voorspellings wees oor 3 periodes laat in reaksie op draaipunte. Let daarop dat indien M1, die eenvoudige bewegende gemiddelde (SMA) model is soortgelyk aan die ewekansige loop model (sonder groei). As m is baie groot (vergelykbaar met die lengte van die skatting tydperk), die SMA model is gelykstaande aan die gemiddelde model. Soos met enige parameter van 'n voorspelling model, is dit gebruiklik om die waarde van k te pas ten einde die beste quotfitquot om die data, dit wil sê die kleinste voorspelling foute gemiddeld behaal. Hier is 'n voorbeeld van 'n reeks wat blykbaar ewekansige skommelinge toon om 'n stadig-wisselende gemiddelde. In die eerste plek kan probeer om dit aan te pas met 'n ewekansige loop model, wat gelykstaande is aan 'n eenvoudige bewegende gemiddelde van 1 kwartaal: Die ewekansige loop model reageer baie vinnig om veranderinge in die reeks, maar sodoende dit tel baie van die quotnoisequot in die data (die ewekansige skommelinge) asook die quotsignalquot (die plaaslike gemiddelde). As ons eerder probeer 'n eenvoudige bewegende gemiddelde van 5 terme, kry ons 'n gladder lyk stel voorspellings: Die 5 termyn eenvoudige bewegende gemiddelde opbrengste aansienlik kleiner foute as die ewekansige loop model in hierdie geval. Die gemiddelde ouderdom van die data in hierdie voorspelling is 3 ((51) / 2), sodat dit is geneig om agter draaipunte met sowat drie periodes. (Byvoorbeeld, blyk 'n afswaai het plaasgevind by tydperk 21, maar die voorspellings nie omdraai tot verskeie tydperke later.) Let daarop dat die langtermyn-voorspellings van die SMA model is 'n horisontale reguit lyn, net soos in die ewekansige loop model. So, die SMA model veronderstel dat daar geen neiging in die data. Maar, terwyl die voorspellings van die ewekansige loop model is eenvoudig gelyk aan die laaste waargenome waarde, die voorspellings van die SMA model is gelykstaande aan 'n geweegde gemiddelde van die afgelope waardes. Die vertroue perke bereken deur Stat Graphics vir die langtermyn-voorspellings van die eenvoudige bewegende gemiddelde nie groter as die vooruitskatting horison styg kry. Dit is natuurlik nie korrek Ongelukkig is daar geen onderliggende statistiese teorie wat ons vertel hoe die vertrouensintervalle behoort te brei vir hierdie model. Dit is egter nie te moeilik om empiriese ramings van die vertroue perke vir die langer-horison voorspellings te bereken. Byvoorbeeld, kan jy die opstel van 'n sigblad waarop die SMA model sal gebruik word om 2 stappe vooruit, 3 stappe vooruit, ens binne die historiese data monster voorspel. Jy kan dan bereken die monster standaardafwykings van die foute op elke voorspelling horison, en dan bou vertrouensintervalle vir langer termyn voorspellings deur optelling en aftrekking veelvoude van die toepaslike standaard afwyking. As ons probeer om 'n 9-termyn eenvoudige bewegende gemiddelde, kry ons selfs gladder voorspellings en meer van 'n sloerende uitwerking: Die gemiddelde ouderdom is nou 5 periodes ((91) / 2). As ons 'n 19-termyn bewegende gemiddelde te neem, die gemiddelde ouderdom toeneem tot 10: Let daarop dat, inderdaad, is die voorspellings nou agter draaipunte met sowat 10 periodes. Watter bedrag van smoothing is die beste vir hierdie reeks Hier is 'n tabel wat hulle dwaling statistieke vergelyk, ook met 'n 3-gemiddelde: Model C, die 5-termyn bewegende gemiddelde, lewer die laagste waarde van RMSE deur 'n klein marge oor die 3 - term en 9 termyn gemiddeldes, en hul ander statistieke is byna identies. So, onder modelle met 'n baie soortgelyke fout statistieke, kan ons kies of ons 'n bietjie meer responsiewe ingesteldheid of 'n bietjie meer gladheid in die voorspellings sou verkies. (Terug na bo.) Browns Eenvoudige Eksponensiële Smoothing (eksponensieel geweeg bewegende gemiddelde) Die eenvoudige bewegende gemiddelde model hierbo beskryf het die ongewenste eienskap dat dit behandel die laaste k Waarnemings ewe en heeltemal ignoreer al voorafgaande waarnemings. Intuïtief, moet afgelope data verdiskonteer in 'n meer geleidelike mode - byvoorbeeld, die mees onlangse waarneming moet 'n bietjie meer gewig kry as 2 mees onlangse, en die 2de mees onlangse moet 'n bietjie meer gewig as die 3 mees onlangse kry, en so aan. Die eenvoudige eksponensiële gladstryking (SES) model accomplishes hierdie. Laat 945 dui n quotsmoothing constantquot ( 'n getal tussen 0 en 1). Een manier om die model te skryf is om 'n reeks L dat die huidige vlak (dit wil sê die plaaslike gemiddelde waarde) van die reeks verteenwoordig as geraamde van data tot op hede te definieer. Die waarde van L op tydstip t is rekursief bereken uit sy eie vorige waarde soos volg: Dus, die huidige stryk waarde is 'n interpolasie tussen die vorige stryk waarde en die huidige waarneming, waar 945 kontroles die nabyheid van die geïnterpoleerde waarde tot die mees onlangse waarneming. Die voorspelling vir die volgende tydperk is eenvoudig die huidige stryk waarde: anders gestel ons kan die volgende voorspelling direk in terme van vorige voorspellings en vorige waarnemings uit te druk, in enige van die volgende ekwivalent weergawes. In die eerste weergawe, die voorspelling is 'n interpolasie tussen vorige skatting en vorige waarneming: In die tweede weergawe, is die volgende voorspelling verkry deur die aanpassing van die vorige skatting in die rigting van die vorige fout deur 'n breukdeel bedrag 945. is die fout gemaak by tyd t. In die derde weergawe, die voorspelling is 'n eksponensieel geweeg (dit wil sê afslag) bewegende gemiddelde met afslag faktor 1- 945: Die interpolasie weergawe van die voorspelling formule is die eenvoudigste om te gebruik as jy die uitvoering van die model op 'n spreadsheet: dit pas in 'n enkele sel en bevat selverwysings verwys na die vorige skatting, die vorige waarneming, en die sel waar die waarde van 945 gestoor. Let daarop dat indien 945 1, die SES model is gelykstaande aan 'n ewekansige loop model (sonder groei). As 945 0, die SES model is gelykstaande aan die gemiddelde model, met die veronderstelling dat die eerste stryk waarde gelyk aan die gemiddelde is ingestel. (Terug na bo.) Die gemiddelde ouderdom van die data in die eenvoudige eksponensiële-glad voorspelling is 1/945 relatief tot die tydperk waarvoor die voorspelling is bereken. (Dit is nie veronderstel duidelik te wees, maar dit kan maklik aangetoon deur die evaluering van 'n oneindige reeks.) Dus, die eenvoudige bewegende gemiddelde voorspelling is geneig om agter draaipunte met sowat 1/945 periodes. Byvoorbeeld, wanneer 945 0.5 die lag is 2 periodes wanneer 945 0.2 die lag is 5 periodes wanneer 945 0.1 die lag is 10 periodes, en so aan. Vir 'n gegewe gemiddelde ouderdom (bv bedrag van lag), die eenvoudige eksponensiële gladstryking (SES) voorspelling is 'n bietjie beter as die eenvoudige bewegende gemiddelde (SMA) voorspel, want dit plaas relatief meer gewig op die mees onlangse waarneming --i. e. dit is 'n bietjie meer quotresponsivequot om veranderinge voorkom in die onlangse verlede. Byvoorbeeld, 'n SMA model met 9 terme en 'n SES model met 945 0.2 beide het 'n gemiddelde ouderdom van 5 vir die data in hul voorspellings, maar die SES model plaas meer gewig op die laaste 3 waardes as wel die SMA model en by die Terselfdertyd is dit doesn8217t heeltemal 8220forget8221 oor waardes meer as 9 tydperke oud was, soos getoon in hierdie grafiek: nog 'n belangrike voordeel van die SES model die SMA model is dat die SES model maak gebruik van 'smoothing parameter wat voortdurend veranderlike, so dit kan maklik new deur die gebruik van 'n quotsolverquot algoritme om die gemiddelde minimum te beperk kwadraat fout. Die optimale waarde van 945 in die SES model vir hierdie reeks blyk te wees 0,2961, soos hier gewys word: die gemiddelde ouderdom van die data in hierdie voorspelling is 1 / 0,2961 3.4 tydperke, wat soortgelyk is aan dié van 'n 6-termyn eenvoudige bewegende gemiddelde. Die langtermyn-voorspellings van die SES model is 'n horisontale reguit lyn. soos in die SMA model en die ewekansige loop model sonder groei. Let egter daarop dat die vertrouensintervalle bereken deur Stat Graphics nou divergeer in 'n redelike aantreklike mode, en dat hulle aansienlik nouer as die vertrouensintervalle vir die ewekansige loop model. Die SES model veronderstel dat die reeks is 'n bietjie quotmore predictablequot as wel die ewekansige loop model. 'N SES model is eintlik 'n spesiale geval van 'n ARIMA model. sodat die statistiese teorie van ARIMA modelle bied 'n goeie basis vir die berekening van vertrouensintervalle vir die SES model. In die besonder, 'n SES model is 'n ARIMA model met een nonseasonal verskil, 'n MA (1) termyn, en geen konstante term. andersins bekend as 'n quotARIMA (0,1,1) model sonder constantquot. Die MA (1) koëffisiënt in die ARIMA model stem ooreen met die hoeveelheid 1- 945 in die SES model. Byvoorbeeld, as jy 'n ARIMA (0,1,1) model inpas sonder konstante om die reeks te ontleed hier, die beraamde MA (1) koëffisiënt blyk te wees 0,7029, wat byna presies 'n minus 0,2961. Dit is moontlik om die aanname van 'n nie-nul konstante lineêre tendens voeg by 'n SES model. Om dit te doen, net 'n ARIMA model met een nonseasonal verskil en 'n MA (1) termyn met 'n konstante, dit wil sê 'n ARIMA (0,1,1) model met 'n konstante spesifiseer. Die langtermyn-voorspellings sal dan 'n tendens wat gelyk is aan die gemiddelde tendens waargeneem oor die hele skatting tydperk is. Jy kan dit nie doen in samewerking met seisoenale aanpassing, omdat die aanpassing opsies seisoenale is afgeskakel wanneer die model tipe is ingestel op ARIMA. Jy kan egter 'n konstante langtermyn eksponensiële tendens om 'n eenvoudige eksponensiële gladstryking model voeg (met of sonder seisoenale aanpassing) deur gebruik te maak van die opsie inflasie-aanpassing in die vooruitskatting prosedure. Die toepaslike quotinflationquot (persentasie groei) koers per periode kan geskat word as die helling koëffisiënt in 'n lineêre tendens model toegerus om die data in samewerking met 'n natuurlike logaritme transformasie, of dit kan op grond van ander, onafhanklike inligting oor die langtermyn groeivooruitsigte . (Terug na bo.) Browns Lineêre (dws dubbel) Eksponensiële glad die SMA modelle en SES modelle aanvaar dat daar geen tendens van enige aard in die data (wat gewoonlik OK of ten minste nie-te-sleg vir 1- stap-ahead voorspellings wanneer die data is relatief raserig), en hulle kan verander word om 'n konstante lineêre tendens inkorporeer soos hierbo getoon. Wat van kort termyn tendense As 'n reeks vertoon 'n wisselende koers van groei of 'n sikliese patroon wat uitstaan duidelik teen die geraas, en as daar 'n behoefte aan meer as 1 tydperk wat voorlê voorspel, dan skatting van 'n plaaslike tendens kan ook wees n probleem. Die eenvoudige eksponensiële gladstryking model veralgemeen kan word na 'n lineêre eksponensiële gladstryking (LES) model wat plaaslike begrotings van beide vlak en tendens bere te kry. Die eenvoudigste-time wisselende tendens model is Browns lineêr eksponensiële gladstryking model, wat twee verskillende reëlmatige reeks wat op verskillende punte gesentreer in die tyd gebruik. Die vooruitskatting formule is gebaseer op 'n ekstrapolasie van 'n streep deur die twee sentrums. ( 'N meer gesofistikeerde weergawe van hierdie model, Holt8217s, word hieronder bespreek.) Die algebraïese vorm van Brown8217s lineêr eksponensiële gladstryking model, soos dié van die eenvoudige eksponensiële gladstryking model, uitgedruk kan word in 'n aantal verskillende maar ekwivalente vorms. Die quotstandardquot vorm van hierdie model word gewoonlik uitgedruk as volg: Laat S dui die enkel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking om reeks Y. Dit is, is die waarde van S op tydperk t gegee word deur: (Onthou dat, onder eenvoudige eksponensiële gladstryking, dit sou die voorspelling vir Y by tydperk T1 wees) Dan Squot dui die dubbel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking (met behulp van dieselfde 945) tot reeks S:. ten slotte, die voorspelling vir Y tk. vir enige kgt1, word gegee deur: Dit lewer e 1 0 (dit wil sê kul n bietjie, en laat die eerste skatting gelyk wees aan die werklike eerste waarneming), en e 2 Y 2 8211 Y 1. waarna voorspellings gegenereer met behulp van die vergelyking hierbo. Dit gee dieselfde toegerus waardes as die formule gebaseer op S en S indien laasgenoemde is begin met behulp van S 1 S 1 Y 1. Hierdie weergawe van die model gebruik word op die volgende bladsy wat 'n kombinasie van eksponensiële gladstryking met seisoenale aanpassing illustreer. Holt8217s Lineêre Eksponensiële Smoothing Brown8217s LES model bere plaaslike begrotings van vlak en tendens deur glad die onlangse data, maar die feit dat dit nie so met 'n enkele glad parameter plaas 'n beperking op die data patrone wat dit in staat is om aan te pas: die vlak en tendens word nie toegelaat om wissel op onafhanklike tariewe. Holt8217s LES model spreek hierdie kwessie deur die insluiting van twee glad konstantes, een vir die vlak en een vir die tendens. Te eniger tyd t, soos in Brown8217s model, die daar is 'n skatting L t van die plaaslike vlak en 'n skatting T t van die plaaslike tendens. Hier is hulle rekursief bereken vanaf die waarde van Y op tydstip t en die vorige raming van die vlak en tendens waargeneem deur twee vergelykings wat eksponensiële gladstryking afsonderlik van toepassing op hulle. As die geskatte vlak en tendens op tydstip t-1 is L t82091 en T t-1. onderskeidelik, dan is die voorspelling vir Y tshy wat op tydstip t-1 sal gemaak is gelyk aan L t-1 T T-1. Wanneer die werklike waarde is waargeneem, is die opgedateer skatting van die vlak rekursief bereken deur interpol tussen Y tshy en sy voorspelling, L t-1 T T-1, die gebruik van gewigte van 945 en 1- 945. Die verandering in die geskatte vlak, naamlik L t 8209 L t82091. geïnterpreteer kan word as 'n lawaaierige meting van die tendens op tydstip t. Die opgedateer skatting van die tendens is dan rekursief bereken deur interpol tussen L t 8209 L t82091 en die vorige skatting van die tendens, T t-1. die gebruik van gewigte van 946 en 1-946: Die interpretasie van die tendens-glad konstante 946 is soortgelyk aan dié van die vlak glad konstante 945. Models met klein waardes van 946 aanvaar dat die tendens verander net baie stadig met verloop van tyd, terwyl modelle met groter 946 aanvaar dat dit vinniger is om te verander. 'N Model met 'n groot 946 is van mening dat die verre toekoms is baie onseker, omdat foute in die tendens-skatting word baie belangrik wanneer voorspel meer as een tydperk wat voorlê. (Terug na bo.) Die smoothing konstantes 945 en 946 kan in die gewone manier word beraam deur die vermindering van die gemiddelde kwadraat fout van die 1-stap-ahead voorspellings. Wanneer dit in Stat Graphics gedoen, die skattings uitdraai om te wees 945 0.3048 en 946 0,008. Die baie klein waarde van 946 beteken dat die model veronderstel baie min verandering in die tendens van een tydperk na die volgende, so basies hierdie model is besig om 'n langtermyn-tendens skat. Volgens analogie met die idee van die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike vlak van die reeks, die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike tendens is eweredig aan 1/946, hoewel nie presies gelyk aan Dit. In hierdie geval is dit blyk 1 / 0,006 125. Dit isn8217t n baie presiese aantal sover die akkuraatheid van die skatting van 946 isn8217t regtig 3 desimale plekke te wees, maar dit is van dieselfde algemene orde van grootte as die steekproefgrootte van 100 , so hierdie model is gemiddeld oor 'n hele klomp van die geskiedenis in die skatte van die tendens. Die voorspelling plot hieronder toon dat die LES model skat 'n effens groter plaaslike tendens aan die einde van die reeks as die konstante tendens geskat in die SEStrend model. Ook waarvan die beraamde waarde van 945 is byna identies aan die een wat deur die pas van die SES model met of sonder tendens, so dit is amper dieselfde model. Nou, doen hierdie lyk redelike voorspellings vir 'n model wat veronderstel is om te beraming 'n plaaslike tendens As jy hierdie plot 8220eyeball8221, dit lyk asof die plaaslike tendens afwaarts gedraai aan die einde van die reeks: Wat het die parameters van hierdie model gebeur is beraam deur die vermindering van die kwadraat fout van 1-stap-ahead voorspellings, nie langer termyn voorspellings, in welke geval die tendens 'n groot verskil doesn8217t maak. As alles wat jy is op soek na is 1-stap-ahead foute, is jy nie sien die groter prentjie van tendense oor (sê) 10 of 20 periodes. Ten einde hierdie model meer in harmonie te kry met ons oogbal ekstrapolasie van die data, kan ons met die hand die tendens-glad konstante pas sodat dit 'n korter basislyn vir tendens skatting. Byvoorbeeld, as ons kies om te stel 946 0.1, dan is die gemiddelde ouderdom van die gebruik in die skatte van die plaaslike tendens data is 10 periodes, wat beteken dat ons die gemiddeld van die tendens oor daardie laaste 20 periodes of so. Here8217s wat die voorspelling plot lyk asof ons '946 0.1 terwyl 945 0.3. Dit lyk intuïtief redelike vir hierdie reeks, maar dit is waarskynlik gevaarlik om hierdie tendens te ekstrapoleer nie meer as 10 periodes in die toekoms. Wat van die fout statistieke Hier is 'n model vergelyking vir die twee modelle hierbo asook drie SES modelle getoon. Die optimale waarde van 945.Vir die SES model is ongeveer 0,3, maar soortgelyke resultate (met 'n bietjie meer of minder 'n responsiewe ingesteldheid, onderskeidelik) verkry met 0,5 en 0,2. (A) Holts lineêre exp. glad met alfa 0,3048 en beta 0,008 (B) Holts lineêre exp. glad met alfa 0,3 en beta 0,1 (C) Eenvoudige eksponensiële gladstryking met alfa 0,5 (D) Eenvoudige eksponensiële gladstryking met alfa 0,3 (E) Eenvoudige eksponensiële gladstryking met alfa 0,2 hul statistieke is byna identies, so ons can8217t regtig die keuse te maak op die basis van 1-stap-ahead voorspelling foute binne die data monster. Ons het om terug te val op ander oorwegings. As ons glo dat dit sinvol om die huidige tendens skatting van wat die afgelope 20 periodes of so gebeur baseer, kan ons 'n saak vir die LES model met 945 0.3 en 946 0.1 maak. As ons wil hê agnostikus te wees oor die vraag of daar 'n plaaslike tendens, dan een van die SES modelle makliker om te verduidelik kan wees en sou ook vir meer middel-of-the-road voorspellings vir die volgende 5 of 10 periodes. (Terug na bo.) Watter tipe tendens-ekstrapolasie die beste: horisontale of lineêre empiriese bewyse dui daarop dat, indien die data is reeds aangepas (indien nodig) vir inflasie, dan is dit dalk onverstandig om kort termyn lineêre ekstrapoleer wees tendense baie ver in die toekoms. Tendense duidelik vandag mag verslap in die toekoms as gevolg van uiteenlopende oorsake soos produk veroudering, toenemende mededinging en sikliese afswaai of opwaartse fases in 'n bedryf. Om hierdie rede, eenvoudige eksponensiële gladstryking voer dikwels beter out-of-monster as wat dit andersins word verwag, ten spyte van sy quotnaivequot horisontale tendens ekstrapolasie. Gedempte tendens veranderinge van die lineêre eksponensiële gladstryking model word ook dikwels gebruik in die praktyk om 'n aantekening van konserwatisme in te voer in die tendens projeksies. Die gedempte-tendens LES model geïmplementeer kan word as 'n spesiale geval van 'n ARIMA model, in die besonder, 'n ARIMA (1,1,2) model. Dit is moontlik om vertrouensintervalle rondom langtermyn voorspellings wat deur eksponensiële gladstryking modelle bereken deur die oorweging van hulle as spesiale gevalle van ARIMA modelle. (Pasop: nie alle sagteware bereken vertrouensintervalle vir hierdie modelle korrek.) Die breedte van die vertrouensintervalle hang af van (i) die RMS fout van die model, (ii) die tipe glad (eenvoudige of lineêr) (iii) die waarde (s) van die smoothing konstante (s) en (iv) die aantal periodes voor jy voorspel. In die algemeen, die tussenposes versprei vinniger as 945 kry groter in die SES model en hulle uitgebrei, sodat baie vinniger as lineêre, eerder as eenvoudige smoothing gebruik. Hierdie onderwerp word verder in die ARIMA modelle deel van die notas bespreek. (Terug na bo.) Bewegende gemiddelde - MA afbreek bewegende gemiddelde - MA As SMA voorbeeld, kyk na 'n sekuriteit met die volgende sluitingsdatum pryse meer as 15 dae: Week 1 (5 dae) 20, 22, 24, 25, 23 week 2 (5 dae) 26, 28, 26, 29, 27 week 3 (5 dae) 28, 30, 27, 29, 28 A 10-dag MA sou gemiddeld uit die sluitingsdatum pryse vir die eerste 10 dae as die eerste data punt. Die volgende data punt sal daal die vroegste prys, voeg die prys op dag 11 en neem die gemiddelde, en so aan, soos hieronder getoon. Soos voorheen verduidelik, MA lag huidige prys aksie omdat dit gebaseer is op vorige pryse hoe langer die tydperk vir die MA, hoe groter is die lag. So sal 'n 200-dag MA 'n veel groter mate van lag as 'n 20-dag MA het omdat dit pryse vir die afgelope 200 dae bevat. Die lengte van die MA om te gebruik, hang af van die handel doelwitte, met korter MA gebruik vir 'n kort termyn handel en langer termyn MA meer geskik vir 'n lang termyn beleggers. Die 200-dag MA word wyd gevolg deur beleggers en handelaars, met onderbrekings bo en onder hierdie bewegende gemiddelde beskou as belangrike handel seine wees. MA ook mee belangrik handel seine op hul eie, of wanneer twee gemiddeldes kruis. 'N stygende MA dui daarop dat die sekuriteit is in 'n uptrend. terwyl 'n dalende MA dui daarop dat dit in 'n verslechtering neiging. Net so, is opwaartse momentum bevestig met 'n lomp crossover. wat gebeur wanneer 'n korttermyn-MA kruisies bo 'n langer termyn MA. Afwaartse momentum bevestig met 'n lomp crossover, wat plaasvind wanneer 'n kort termyn MA kruisies onder 'n langer termyn MA.2.4: Trend en antieke termyn van waarskuwing met die bedreiging van skade op die ergste Seisoene komponente Fore 133.an en onsekerheid by beste, om diegene binne potensiaal bereik. Gooi 133 dien tot 'n projektiel die onsigbare en gewoonlik onbekend onder die misleidende oppervlak skatting. . 'n waarskuwing aan diegene wat dit gebruik. 'n belydenis van onsekerheid (of misleiding) word deur diegene wat dit skep. 'n bedreiging van skade aan diegene in sy pad van Tom Brown in om die meeste van die voorspelling 2.1: Inleiding tot vooruitskatting Hoewel die kwantitatiewe metodes van besigheid kan bestudeer word as onafhanklike modules, ek glo dit gepas dat die teks plaas die vooruitskatting materiaal direk na is besluit analise. Onthou in ons besluit analise probleme, die state van die natuur in die algemeen verwys na verskillende vlakke van die vraag of 'n ander onbekende veranderlike in die toekoms. Die voorspelling, met 'n mate van akkuraatheid of betroubaarheid, wat die vlakke van die vraag sal wees, is ons volgende onderwerp. Voorspellings is meer as eenvoudige ekstrapolasies van verlede data in die toekoms met behulp van wiskundige formules, of byeenkoms tendense van experts133. Voorspellings is meganismes van aankoms by maatreëls vir die beplanning van die toekoms. Wanneer jy klaar is korrek, hulle bied 'n ouditspoor en 'n mate van hul akkuraatheid. Wanneer dit nie korrek gedoen, hulle het ons herinner aan Tom Browns slim uiteensetting van die term herhaal by die opening van hierdie notas. Nie net voorspellings help beplan, hulle help ons geld Ek is bewus van 'n maatskappy wat sy belegging in voorraad 28000000-22.000.000 verminder deur die aanneming van 'n formele vooruitskatting metode wat voorspel fout verminder deur 10. Dit spaar is 'n voorbeeld van 'n voorspelling help produk maatskappye vervang inventaris met inligting, wat nie net spaar geld maar verbeter reaksie kliënt en diens. Wanneer ons die term vooruitskatting in 'n kwantitatiewe metodes natuurlik, is ons oor die algemeen verwys na kwantitatiewe tydreeks vooruitskatting metodes. Hierdie modelle is toepaslik wanneer: 1) verlede inligting oor die veranderlike wese voorspelling is beskikbaar, 2) die inligting gekwantifiseer kan word, en 3) word aanvaar dat patrone in die historiese data sal voortgaan om in die toekoms. As die historiese data is beperk tot die verlede waardes van die reaksie veranderlike van belang is, is die voorspelling prosedure bekend as 'n tydreeks metode. Byvoorbeeld, baie verkope voorspellings staatmaak op die klassieke tyd reeks metodes wat ons sal dek in hierdie module. Wanneer die voorspelling is gegrond op vorige verkope, ons het 'n tydreeks vooruitskatting. 'N kant nota: Hoewel ek gesê verkope bo, waar moontlik, probeer ons om verkope te voorspel op grond van vorige vraag eerder as sales133 waarom Veronderstel jy die eienaar van 'n T-hemp winkel op die strand. Jy voorraad 100 Spring Break 2000 T-hemde gereed vir die lente breek. Verdere veronderstel dat 110 Lente Breakers tik jou winkel Spring Break 2000 T-hemde te koop. Wat is jou verkope Dis reg, 100. Maar wat is jou vraag weer regs, 110. Jy sal wil hê dat die figuur vraag gebruik, eerder as om die verkoopsyfer in die voorbereiding vir volgende jaar as die verkoopsyfers nie jou voorraad outs te vang. So hoekom doen baie maatskappye maak enige vooruitskatting gegrond op vorige verkope en nie eis die hoof rede is koste - verkope word maklik vasgevang op die tjek uit stasie, maar jy 'n paar ekstra funksie moet op jou bestuursinligtingstelsel vraag vang. Terug na die bekendstelling. Die ander groot kategorie van vooruitskatting metodes wat staatmaak op vorige data is regressiemodelle. dikwels na verwys as oorsaaklike modelle soos in ons teks. Hierdie modelle baseer hul voorspelling van toekomstige waardes van die reaksie veranderlike, verkope byvoorbeeld op verwante veranderlikes soos besteebare persoonlike inkomste, geslag, en miskien ouderdom van die verbruiker. Jy bestudeer regressiemodelle in die statistieke Natuurlik, so ons sal hulle nie bedek in hierdie kursus. Maar ek wil sê dat ons die term oorsaaklike moet gebruik word met omsigtigheid, ouderdom, geslag, of besteebare persoonlike inkomste kan hoogs verband hou met verkope, maar ouderdom, geslag of besteebare persoonlike inkomste kan nie verkoop veroorsaak. Ons kan net bewys oorsaak in 'n eksperiment. Die finale groot kategorie van voorspellingsmodelle sluit kwalitatiewe metodes wat algemeen gebruik deskundige oordeel behels die voorspelling ontwikkel. Hierdie metodes is nuttig wanneer ons nie historiese data, soos die geval wanneer ons die launch van 'n nuwe produk lyn sonder vorige ondervinding het. Hierdie metodes is ook nuttig wanneer ons maak vooruitskattings in die verre toekoms. Ons bied dekking vir een van die kwalitatiewe modelle in hierdie inleiding. In die eerste plek kan kyk na 'n eenvoudige klassifikasie skema vir algemene riglyne by die keuse van 'n vooruitskatting metode, en dan dek 'n paar basiese beginsels van vooruitskatting. Die keuse van 'n vooruitskatting Metode Die volgende tabel illustreer die algemene riglyne vir die kies van 'n vooruitskatting metode wat gebaseer is op tydsverloop en doel kriteria. Tendens Projeksie bewegende gemiddelde Eksponensiële Smoothing asseblief verstaan dat dit is algemene riglyne. Jy kan 'n maatskappy met behulp van tendens projeksie betroubare voorspellings te maak vir die produk verkoop 3 jaar in die toekoms te vind. Dit moet ook op gelet word dat sedert maatskappye gebruik rekenaarsagteware tydreeks vooruitskatting pakkette eerder as hand berekeninge, kan hulle verskillende tegnieke probeer en kies die tegniek wat die beste maatstaf van akkuraatheid (laagste fout) het. Soos ons die verskillende tegnieke, en hul eienskappe, aannames en beperkings bespreek, ek hoop dat jy 'n waardering vir die bogenoemde klassifikasie skema sal kry. Vooruitskatting Beginsels Klassifikasieskemas soos die een hierbo is nuttig om te help kies voorspelling metodes wat geskik is vir die tydsduur en doel aan die hand. Daar is ook 'n paar algemene beginsels wat oorweeg moet word wanneer ons voor te berei en te gebruik voorspellings, veral dié wat gebaseer is op tyd reeks metodes. Oliver W. Wight in produksie en voorraad kontrole in die rekenaar ouderdom. en Thomas H. Fuller in Mikrorekenaars in Produksie en voorraad-bestuur ontwikkel 'n stel beginsels vir die produksie en voorraad beheer gemeenskap 'n rukkie terug wat ek glo het universele toepassing. 1. Tensy die metode is 100 akkurate, moet dit eenvoudig genoeg wees sodat mense wat dit gebruik weet hoe om dit intelligent gebruik (verstaan, te verduidelik, en herhaal dit). 2. Elke voorspelling moet vergesel word deur 'n skatting van die fout (die maatstaf van die akkuraatheid). 3. voorspellings Langtermyn moet dek die grootste moontlike groep items beperk individuele item voorspellings aan die kort termyn. 4. Die belangrikste element van enige vooruitsig skema is dat die ding tussen die klawerbord en die stoel. Die eerste beginsel dui daarop dat jy kan kry deur met die behandeling van 'n voorspelling metode as 'n swart boks, solank dit is 100 akkurate. Dit is, as 'n ontleder net voed historiese data in die rekenaar en aanvaar en implementeer die voorspelling uitset sonder enige idee hoe die berekeninge gemaak dat ontleder is die behandeling van die voorspelling metode as 'n swart boks. Dit is ok, solank die voorspelling fout (werklike waarneming - voorspel waarneming) is nul. As die voorspelling is nie betroubaar nie (hoë fout), moet die ontleder wees, ten minste, hoogs skaam nie in staat is om te verduidelik wat verkeerd geloop het. Daar kan 'n veel erger gevolge as verleentheid as begrotings en ander beplanning gebeure swaar gesteun op die verkeerde skatting. Die tweede beginsel is baie belangrik. In afdeling 2.2 sal ons 'n eenvoudige manier bekend te stel aan voorspelling fout te meet, die verskil tussen wat werklik plaasvind en wat voorspel om plaas te vind vir elke voorspelling tydperk. Hier is die idee. Veronderstel 'n motor maatskappy voorspel verkope van 30 motors aanstaande maand met behulp Metode A. Metode B kom ook met 'n voorspelling van 30 motors. Sonder om te weet wat die maat van akkuraatheid van die twee metodes, sou ons onverskillig oor hul keuse wees. Maar as ons geweet het dat die saamgestelde fout vir Metode A / - 2 motors oor 'n toepaslike tyd horison en die saamgestelde fout vir Metode B is / - 10 motors, sou ons beslis kies Metode A oor Metode B. Hoekom sou 'n mens metode het soveel fout in vergelyking met 'n ander wat sal een van ons leerdoelwitte in hierdie module wees. Dit mag wees omdat ons 'n glad metode eerder as 'n metode wat tendens projeksie as ons nie behoort te hê inkorporeer gebruik - soos wanneer die data toon 'n groei tendens. Glad metodes soos eksponensiële gladstryking, lag altyd tendense wat lei tot voorspelling fout. Die derde beginsel kan die beste geïllustreer deur 'n voorbeeld. Veronderstel jy is direkteur van operasies vir 'n hospitaal, en jy is verantwoordelik vir die voorspelling vraag na pasiënt beddens. As jou voorspelling gaan wees vir kapasiteit beplanning drie jaar van nou af, kan jy dalk te voorspel totale pasiënt beddens vir die jaar 2003. Aan die ander kant, as jy op pad was om die vraag na pasiënt beddens voorspel vir April 2000, skedulering doeleindes , dan sal jy 'n afsonderlike voorspellings te maak vir 'n noodgeval kamer pasiënt beddens, chirurgie herstel pasiënt beddens, OB pasiënt beddens, en dies meer. Wanneer veel besonderhede word verlang nie, hou by 'n korttermyn voorspelling horison saamvoeg jou produk lyne / tipe pasiënte / ens. wanneer langtermyn voorspellings. Dit verminder die algemeen die voorspelling fout in beide situasies. Ons moet die laaste beginsel is van toepassing op enige kwantitatiewe metode. Daar is altyd ruimte vir veroordelend aanpassings aan ons kwantitatiewe voorspellings. Ek hou van hierdie aanhaling uit Alfred North Whitehead in 'n Inleiding tot Wiskunde. 1911: 91T93here is nie meer algemene fout as om te aanvaar dat, omdat langdurige en akkurate wiskundige berekeninge gemaak is, die toepassing van die resultaat 'n paar feite van die natuur is absoluut seker. Natuurlik, kan oordeel af te wees. Hoe gaan dit met hierdie voorspelling gemaak in 1943 deur IBM voorsitter Thomas Watson: Ek dink Theres 'n wêreldmark vir sowat vyf rekenaars. Hoe kan ons die verbetering van die toepassing van die reg Dit is ons volgende onderwerp. Die Delphi Metode van voorspelling van die Delphi Metode van vooruitskatting is 'n kwalitatiewe tegniek gewild gemaak deur die Rand Corporation. Dit behoort tot die familie van tegnieke wat metodes soos Grassroots, Marknavorsing paneel, Historiese analogie kundige oordeel, en Sales Force Saamgestelde sluit. Die ding in gemeen met hierdie benaderings is die gebruik van die menings van kundiges, eerder as historiese data, om voorspellings en voorspellings te maak. Die vakke van hierdie voorspellings is gewoonlik die voorspelling van politieke, sosiale, ekonomiese en tegnologiese ontwikkelings wat nuwe programme, produkte, of antwoorde van die organisasie borg van die Delphi studie kan raai. My eerste ervaring met kundige oordeel voorspelling tegnieke was by my laaste opdrag tydens my vorige loopbaan in die Verenigde State van Amerika Lugmag. In daardie opdrag, was ek Direkteur van Vervoer programme by die Pentagon. Een keer per jaar, sou my baas, die Direkteur van Vervoer, senior leierskap (en hul optrede beamptes) in te samel op 'n konferensie te vervoer planne en programme te formuleer vir die volgende vyf jaar. Hierdie programme is dan die basis vir begroting, aankope, en dies meer. Een van die oefeninge wat ons gedoen het, was 'n Delphi Metode om ontwikkelings wat beduidende impak op Lugmag Vervoer programme sal voorspel. Ek onthou een van die ontwikkelings wat ons voorspel op 'n konferensie in die vroeë 1980's was die versnelde beweging van gedesentraliseerde om gesentraliseerde strategiese vervoer stelsels in die weermag. As gevolg hiervan, het ons begin om die Lugmag houding vir die verenigde vervoer opdrag 'n paar jaar voor dit 'n werklikheid geword. Stap 1. Die Delphi Metode van vooruitskatting, soos die ander oordeel tegnieke, begin met die kies van die kenners. Natuurlik, dit is waar hierdie tegnieke kan misluk - wanneer die kenners is regtig nie kenners nie. Dalk is dit die baas is ingesluit as 'n deskundige vir die Delphi studie, maar terwyl die baas is groot op die bestuur van hulpbronne, kan hy of sy verskriklike by die lees van die omgewing en die voorspelling van ontwikkelings wees. Stap 2. Die eerste formele stap is om 'n anonieme voorspelling oor die onderwerp van belang te bekom. Dit staan bekend as Round 1. Hier, sou die kenners gevra word om 'n politieke, ekonomiese, sosiale of tegnologiese ontwikkelings van belang is vir die organisasie borg die Delphi Metode voorsien. Die anonieme voorspellings kan versamel deur middel van 'n webwerf, via e-pos of deur vraelys. Hulle kan ook versamel in 'n lewendige groep instelling, maar die stralekrans-effek kan die vrye vloei van die voorspellings onderdruk. Byvoorbeeld, sou dit algemeen vir die groep van kundiges wat versamel is by die Pentagon om algemene beamptes insluit. Verskeie van die generaals was groot leiers in die veld, maar nie groot visionairen wanneer dit kom by logistieke ontwikkelinge. Aan die ander kant, hulle lt. kol aksie beamptes was baie goeie denkers en geweet veel oor wat op die horison vir logistiek en vervoer stelsels. As gevolg van die klassieke respek vir rang, die jonger offisiere dalk nie komende het as ons nie 'n anonieme metode gebruik het om die eerste ronde van 'n voorspelling te kry. Stap 3. Die derde stap in die Delphi metode behels die groep fasiliteerder op te som en die herverdeling van die resultate van die Round Een voorspellings. Dit is tipies 'n wassery lys van ontwikkelings. Die kenners is toe gevra om te reageer op die Round Een wasgoed lys deur aan te dui die jaar waarin hulle geglo het die ontwikkeling sal plaasvind of om te sê hierdie ontwikkeling sal nooit plaasvind nie. Dit staan bekend as Round 2. Stap 4. Die vierde stap, Round 3. behels die groep fasiliteerder op te som en die herverdeling van die resultate van die tweede ronde. Dit sluit in 'n eenvoudige statistiese vertoning, tipies die mediaan en interkwartielvariasiewydte, vir die data (jare 'n ontwikkeling sal plaasvind) van Round 2. Die opsomming sal ook die persent van kundiges rapporteer nooit gebeur vir 'n bepaalde ontwikkeling in te sluit. In hierdie ronde, is die kenners gevra om te verander, as hulle wil, hul voorspellings. Die kundiges is ook die geleentheid gegee om argumente uitdagende of ondersteuning van die nooit voorspellings vir 'n bepaalde ontwikkeling voorkom, en uit te daag of ondersteun die jaar buite die interkwartielvariasiewydte voorsien. Stap 5. Die vyfde stap, Round 4. herhalings Round 3 - die kenners ontvang 'n nuwe statistiek vertoning met argumente - en word versoek om nuwe voorspellings en / of teenargumente te voorsien. Stap 6. Round 4 herhaal totdat konsensus daaroor gevorm, of ten minste, 'n betreklik klein verspreiding van menings. My ondervinding is dat deur Round 4, ons het 'n goeie idee van die ontwikkelinge wat ons moet fokus op. As die oorspronklike doel van die Delphi metode is om 'n aantal eerder as 'n ontwikkeling tendens, produseer dan Round 1 vra net die kenners vir hul eerste voorspelling. Dit kan wees om die vraag produk vir 'n nuwe produk lyn vir 'n consumer maatskappy voorspel of om die DJIA uit voorspel 'n jaar vir 'n onderlinge fonds maatskappy bestuur van 'n prima indeksfonds. Kom ons doen 'n vir die pret (nie gegradeer en suiwer vrywilliger) Delphi Oefening. Veronderstel jy is 'n mark deskundige en wil die ander kenners sluit in ons klas in die voorspelling van wat die DJIA sal wees op 16 April 2001 (so naby aan belasting sperdatum as moontlik). Ek sal plaas 'n konferensie Forum genoem DJIA Voorspellings oor die loop Web Raad, binne die Module 2 konferensie. Beantwoord die konferensie onderwerp deur net te stel wat jy dink die DJIA sluit om op 16 April 2001 Reageer asseblief deur 27 Januarie 2001, so ek kan plaas die opsommingstatistiek voor ons vertrek die vooruitskatting materiaal op 3 Februarie. Ons sal nou begin ons bespreking van kwantitatiewe tydreeks vooruitskatting metodes. 2.2: Smoothing Metodes In hierdie afdeling wil ons dek die komponente van 'n tydreeks naïef, bewegende gemiddelde en eksponensiële gladstryking metodes van vooruitskouing en meet akkuraatheid Voorspelling vir elk van die bekendgestel metodes. Stop and Reflect Onthou dat daar drie algemene klasse van vooruitskatting of voorspelling modelle. Kwalitatiewe metodes, insluitend die Delphi, staatmaak op die oordeel en opinie deskundige, nie historiese data. Regressiemodelle staatmaak op historiese inligting oor beide voorspeller veranderlikes en die reaksie veranderlike van belang. Kwantitatiewe tydreeks vooruitskatting metodes staatmaak op historiese numeriese inligting oor die veranderlike van belang en aanvaar patrone in die verlede sal voortgaan om in die toekoms. Hierdie afdeling begin ons studie van die tydreeks modelle, wat begin met patrone of komponente van tydreekse. Komponente van 'n tydreeks Die patrone wat ons kan vind in 'n tydreeks van historiese data sluit die gemiddelde, tendens, seisoenale, sikliese en onreëlmatige komponente. Die gemiddelde is eenvoudig die gemiddelde van die historiese data. Tendens beskryf reële groei of afname in die gemiddelde vraag of ander veranderlike van belang, en verteenwoordig 'n verskuiwing in die gemiddelde. Die seisoenale komponent weerspieël 'n patroon wat herhaal word binne die totale tyd van belang. Byvoorbeeld, 15 jaar gelede in die suidweste van Florida, lugredery verkeer was baie hoër in Januarie - April hoogtepunt in Maart. Oktober was die lae maand. Dit seisoenale patroon herhaal deur 1988. Tussen 1988 en 1992, Januarie-April voortgegaan om elke jaar so hoog maande herhaal, maar die pieke was nie so hoog soos voorheen nie, en die af-seisoen dale so laag as voorheen, veel tot die genot van die hotel en toerisme nywerhede. Die punt is, seisoenale pieke herhaal binne die tydraamwerk van belang - gewoonlik maandeliks of kwartaalliks seisoene binne 'n jaar, maar daar daagliks seisoenaliteit in die aandelemark kan wees (Maandae en Vrydae toon hoër sluiting gemiddeldes as Dinsdae - Donderdae) as 'n voorbeeld. Die sikliese komponent toon herhalende waardes van die veranderlike van belang bo of onder die gemiddelde of lang termyn tendens lyn oor 'n meer jarige beplanningshorison. Die lengte van siklusse is nie konstant, soos met die lengte van seisoenale pieke en dale, maak die ekonomiese siklusse baie moeiliker om te voorspel. Sedert die patrone is nie konstant, verskeie veranderlike modelle soos ekonometriese en meervoudige regressie modelle is beter geskik vir sikliese draaipunte voorspel as tydreeksmodelle. Die laaste komponent is whats links die onreëlmatige komponent is die ewekansige variasie in die vraag wat onverklaarbare deur die gemiddelde, tendens, seisoenale en / of sikliese komponente van 'n tydreeks. Soos in regressiemodelle, probeer ons om die ewekansige variasie so laag as moontlik te maak. Kwantitatiewe modelle is ontwerp om die verskillende komponente hierbo gedek te spreek. Dit is duidelik dat, sal die tendens projeksie tegniek die beste werk met die tyd reeks wat 'n historiese tendens patroon uit te stal. Tydreeks ontbinding, wat die tendens en seisoenale komponente van 'n tydreeks ontbind, werk die beste met tye reeks met tendens en seisoenale patrone. Waar kom dit laat ons eerste stel tegnieke, glad metodes Eintlik glad metodes werk goed in die teenwoordigheid van gemiddelde en onreëlmatige komponente. Ons begin met hulle volgende. Voordat ons begin, kan 'n paar data. Hierdie keer reeks bestaan uit kwartaallikse vraag na 'n produk. Historiese data is beskikbaar vir 12/4, of drie jaar. Tabel 2.2.1 bied die geskiedenis. Figuur 2.2.1 bied 'n grafiek van die tydreeks. Hierdie grafiek is bereid om in Excel behulp van die diagram Wizards Line Plot grafiek assistent. Dit is nie belangrik watter sagteware word gebruik om die historiese tydreekse die grafiek - maar dit is belangrik om te kyk na die data. Selfs 'n pen en papier skets is nuttig om 'n gevoel te kry vir die data, en kyk of daar tendens en / of seisoenale komponente in die tyd reeks kan wees. Metode van bewegende gemiddeldes 'n Eenvoudige tegniek wat goed werk met data wat geen tendens, seisoenaliteit het nie sikliese komponente is die bewegende gemiddelde metode. Toegegee, hierdie voorbeeld datastel het tendens (let op die algehele groeikoers van tydperk 1 tot 12), en seisoenaliteit (let op dat elke derde kwartaal weerspieël 'n afname in historiese vraag). Maar laat die bewegende gemiddelde tegniek toe te pas om hierdie inligting sodat ons 'n basis vir 'n vergelyking met ander metodes later sal hê. 'N Drie tydperk bewegende gemiddelde voorspelling is 'n metode wat drie periodes van data vind en skep 'n gemiddelde. Dat die gemiddelde is die voorspelling vir die volgende tydperk. Vir hierdie datastel, die eerste skatting ons kan bereken is vir Periode 4, met behulp van werklike historiese data van Periodes 1, 2 en 3 (sedert sy 'n drie tydperk bewegende gemiddelde). Dan, na Periode 4 voorkom, kan ons 'n voorspelling vir Tydperk 5 maak, met behulp van historiese data van Periodes 2, 3, en 4. Let daarop dat Periode 1 afgelaai, vandaar die term bewegende gemiddelde. Hierdie tegniek veronderstel dan dat werklike historiese data in die verre verlede, is nie so nuttig soos meer huidige historiese data in die maak van voorspellings. Voordat toon die formules en hierdie voorbeeld illustreer, laat ek 'n paar simbole. In hierdie module, sal ek met behulp van die simbool F t om 'n voorspelling vir tydperk t verteenwoordig. Dus, sou die voorspelling vir tydperk 4 getoon word as F 4. Ek sal gebruik maak van die simbool Y t om die werklike historiese waarde van die veranderlike van belang, soos die vraag te stel, in tydperk t. Dus, sou die werklike vraag na tydperk 1 getoon word as Y 1. Nou om voort te dra die berekeninge vir 'n drie tydperk bewegende gemiddelde. Die voorspelling vir n tydperk van vier is: die voorspelling te genereer vir n tydperk van vyf: Ons gaan voort deur middel van die historiese data tot ons by die einde van die tydperk 12 en maak ons voorspelling vir Tydperk 13 gebaseer op werklike vraag van Periodes 10, 11 en 12. Sedert tydperk van 12 is die laaste tydperk waarvoor ons het data, dit eindig ons berekeninge. As iemand belangstel in die maak van 'n voorspelling vir tydperke 14, 15, en 16, asook Tydperk 13 was, die beste wat gedoen kan word met die bewegende gemiddelde metode sou wees om die uit tydperk voorspellings dieselfde as die mees onlangse voorspelling te maak. Dit is waar, omdat bewegende gemiddelde metodes nie kan groei of te reageer op tendens. Dit is die hoof rede waarom hierdie tipe metodes is beperk tot kwartaal aansoeke kort, soos wat die vraag na die volgende tydperk. Die voorspelling berekeninge word opgesom in Tabel 2.2.2. Aangesien ons belangstel in die meting van die grootte van die fout om voorspelling akkuraat bepaal is, daarop te let dat ek blokkie word die fout om die plus en minus tekens te verwyder. Dan het ons eenvoudige gemiddelde die kwadraat foute. Om 'n gemiddelde of 'n gemiddelde, eerste s um die e quared e rrors (SSE) bereken. dan verdeel deur die aantal foute aan die m EAN s quared e rror (MSE) kry. dan neem die vierkantswortel van die fout om die R OOT M EAN S quare E rror (RMSE) kry. SSE (235,1 608,4. 625,0 455,1) 9061,78 MSE 9061,78 / 9 1006,86 RMSE Square Root (1006,86) 31,73 Van jou statistieke kursus (se), jy sal die RMSE erken as bloot die standaard afwyking van voorspelling foute en die MSE is eenvoudig die variansie van die voorspelling foute. Soos die standaardafwyking, hoe laer die RMSE hoe meer akkuraat die skatting. Dus, kan die RMSE baie nuttig in die keuse tussen voorspelling modelle wees. Ons kan ook die RMSE gebruik om 'n paar waarskynlikheid analise te doen. Sedert die RMSE is die standaardafwyking van die voorspelling fout, kan ons die voorspelling te hanteer as die gemiddelde van 'n verdeling, en die belangrike empiriese reël toe te pas. veronderstelling dat voorspelling foute word normaalweg versprei. Ek sal wed dat sommige van julle onthou hierdie reël: 68 van die waarnemings in 'n klokvormige simmetriese verdeling lê binne die gebied: gemiddelde / - 1 standaardafwyking 95 van die waarnemings lê binne: gemiddelde / - 2 standaardafwykings 99,7 (byna al van die waarnemings) lê binne: gemiddelde / - 3 standaardafwykings Sedert die gemiddelde is die voorspelling, en die standaardafwyking is die RMSE, kan ons die empiriese reël uit te druk soos volg: 68 van werklike waardes verwagting binne te val: Voorspelling / - 1 RMSE 454,3 / - 31,73 423-486 95 van die werklike waardes verwagting binne te val: Voorspelling / - 2 RMSE 454,3 / - (231,73) 391-518 99,7 van die werklike waardes verwagting binne te val: Voorspelling / - 3 RMSE 454,3 / - (331,73) 359-549 Soos in die studie van die gemiddelde en standaardafwyking in beskrywende statistiek, dit is baie belangrik en het soortgelyke programme. Een ding wat ons kan doen is om te gebruik die 3 RMSE waardes te bepaal of ons enige uitskieters in ons data wat vervang moet word. Enige voorspelling wat meer as 3 RMSEs van die werklike syfer (of het 'n fout groter as die absolute waarde van 3 31,73 of 95 is 'n uitskieter. Dit waarde moet verwyder word omdat dit die RMSE blaas. Die eenvoudigste manier om 'n uitskieter in verwyder 'n tydreeks is om dit te vervang deur die gemiddeld van die waarde net voor die uitskieter en net na die uitskieter. Nog 'n baie hand gebruik vir die RMSE is in die omgewing van veiligheid aandele in voorraad situasies. Kom ons trek uit die 2 RMSE streek van die empiriese reël vir hierdie vooruitsig: 2,5 95 2,5 359. 391. 454. 518. 549 Sedert die middel 95 van die waarnemings val tussen 391 en 518, 5 van die waarnemings val onder 391 en bo 518. die aanvaarding van die verspreiding is klokkie vormige, 2.5 van die waarnemings val onder 391 en 2.5 val bo 518. Nog 'n manier verklaar dit is dat 97,5 van die waarnemings val onder 518 (wanneer meet af aan negatiewe oneindigheid, hoewel die werklike data moet stop by 359. bottom line. As die firma verwag werklike vraag te wees 518 (2 RMSEs bo die voorspelling), dan deur die kous 'n inventaris van 518 hulle sal dek 97,5 van die werklike eise wat teoreties kan voorkom. Dit wil sê, die is wat teen 'n 97,5 kliëntediens vlak. In net 2.5 van die vraag gevalle moet hulle verwag dat 'n voorraad uit. Dis regtig gladde, isnt dit. Na aanleiding van die dieselfde metode as die firma aandele 549 items, of 3 RMSEs bo die voorspelling, is dit feitlik verseker hulle sal nie 'n voorraad uit, tensy iets baie ongewone plaasvind (ons noem dit 'n uitskieter is statistieke). Ten slotte, as die firma aandele 486 items (2 RMSEs bo die voorspelling), hulle sal 'n voorraad het in 16 van die gevalle, of dek 84 van die eise wat moet plaasvind (100-16). In hierdie geval, is dit wat teen 'n 84 kliëntediens vlak. 16 68 16 359. 423. 454. 486. 549 Ons kan ander waarskynlikhede wat verband hou met ander gebiede onder die kurwe bereken deur die vind van die kumulatiewe waarskynlikheid vir Z tellings, Z (waarneming - voorspel) / RMSE (onthou jy dat van die stat loop (e)). Vir ons doeleindes hier, dit is net belangrik om die aansoek van die statistieke natuurlik illustreer. Met behulp van die Bestuur Scientist Softwarepakket Ons sal gebruik word om die bestuur Scientist Vooruitskatting Module om die werklike voorspellings en RMSE berekeninge te doen. Om die pakket vir die eerste voorbeeld illustreer, kliek Windows Start / Program / Die Bestuur Scientist / Die Bestuur Scientist simbool / Hou / Select Module 11 vooruitskatting / OK / lêer / Nuwe en jy is gereed om die voorbeeld probleem te laai. Die volgende dialoog skerm vra jou om die aantal tydperke betree - dit is hoeveel waarnemings jy - 12 in hierdie geval. Klik op OK. en begin die begin van jou data (getalle en desimale punte net - die dialoog skerm sal nie alfa karakters of kommas toelaat). Volgende, kliek Oplossing / Los / bewegende gemiddelde en betree 3 waar dit vra aantal beweeg tydperke. Jy moet die volgende oplossing te kry: Vooruitskatting met bewegende gemiddeldes DIE bewegende gemiddelde verbruik jaarliks 3 tydperke TYDPERK TYD REEKS WAARDE Voorspelling Voorspelling FOUT die gemiddelde SQUARE FOUT 1,006.86 die voorspelling vir TYDPERK 13 454,33 Neem asseblief kennis dat die sagteware gee die gemiddelde-kwadraat fout. en om te kry die meer bruikbaar wortel-gemiddelde-kwadraat fout. wat jy nodig het om die vierkantswortel van die gemiddelde-kwadraat fout, 1006,83 neem in hierdie geval. Let ook daarop dat die sagteware bied net een voorspelling waarde, die erkenning van die beperking van bewegende gemiddelde metodes wat die projeksie tot een periode te beperk. Ten slotte daarop dat ek die data in 'n HTML-tabel net sodat jy dit beter kan lees - dit is slegs nodig in die gang van die OUT lêer na HTML, nie om 'n e-pos te voeg van die OUT lêer of kopiëring van 'n buite-lêer in 'n WORD-dokument. Soos met die besluit analise module oplossings, kan jy dan kies Oplossing / Druk Oplossing en óf kies drukker te druk, of teks lêer te red vir die inbring in 'n e-pos vir my, of in 'n Word-dokument. Voordat ons nog 'n bewegende gemiddelde voorbeeld te doen, 'n blik op die voorspelling fout kolom. Let daarop dat die meeste van die foute is positief. Sedert fout gelyk aan werklike tyd reeks waarde minus die voorspelde waardes is, positief foute beteken dat die werklike vraag is oor die algemeen groter as die geskatte vraag - ons is onder vooruitskatting. In hierdie geval, is ons ontbreek 'n groei tendens in die data. Soos vroeër uitgewys bewegende gemiddelde tegnieke nie goed werk met tydreeksdata wat tendense toon. Figuur 2.2.2 illustreer die lag wat teenwoordig is by die gebruik van die bewegende gemiddelde tegniek met 'n tydreeks wat 'n tendens toon. Vyf Tydperk bewegende gemiddelde voorspelling Hier is die bestuur Scientist oplossing vir die gebruik van 5 periodes om die bewegende gemiddelde voorspelling bou. Vooruitskatting met bewegende gemiddeldes bewegende gemiddeldes GEBRUIKE 5 TYD REEKS tydperke TYDPERK TYDWAARDE Voorspelling Voorspelling FOUT die gemiddelde SQUARE FOUT 1,349.37 die voorspelling vir TYDPERK 13 453,60 Die RMSE vir die Vyf-tydperk bewegende gemiddelde voorspelling is 36.7, wat sowat 16 erger as die fout van die drie - tydperk model. Die rede hiervoor is dat daar 'n groei tendens in hierdie data. Soos ons die verhoging van die aantal periodes in die berekening van die bewegende gemiddelde, die gemiddelde begin die groeitendens lag deur groter bedrae. Dieselfde sou waar wees indien die historiese data uitgestal 'n afwaartse neiging. Die bewegende gemiddelde sou die tendens raak en bied voorspellings wat bo die werklike sou wees. Stop and Reflect Die bewegende gemiddelde vooruitskatting metode is maklik om te gebruik en te verstaan, en dit werk goed met tydreeks wat nie tendens, seisoenale of sikliese komponente. Die tegniek verg min data, net genoeg afgelope waarnemings die aantal tydperke te pas in die bewegende gemiddelde. Voorspellings is gewoonlik beperk tot een tydperk wat voorlê. Die tegniek werk nie goed met data wat nie skryfbehoeftes - data wat tendens, seisoenaliteit, en / of sikliese patrone vertoon. Een-tydperk bewegende gemiddelde voorspelling of die Naïef voorspel 'n naïewe vooruitskatting sou 'n mens waar die aantal periodes in die bewegende gemiddelde gelyke is ingestel op een. Dit wil sê, die volgende voorspelling is gelyk aan die laaste werklike vraag. Moenie lag Hierdie tegniek kan nuttig wees in die geval van 'n vinnige groei tendens wees die voorspelling sal net lag die werklike deur 'n kwart of met 'n maand, ongeag die tydperk van belang.
No comments:
Post a Comment