Flytte gjennomsnittlig prognose Innledning. Som du kanskje tror vi ser på noen av de mest primitive tilnærmingene til prognoser. Men forhåpentligvis er disse minst en verdig innføring i noen av databehandlingsproblemene knyttet til implementering av prognoser i regneark. I denne veinen vil vi fortsette med å starte i begynnelsen og begynne å jobbe med Moving Average prognoser. Flytte gjennomsnittlige prognoser. Alle er kjent med å flytte gjennomsnittlige prognoser, uansett om de tror de er. Alle studenter gjør dem hele tiden. Tenk på testresultatene dine i et kurs der du skal ha fire tester i løpet av semesteret. La oss anta at du fikk en 85 på din første test. Hva vil du forutsi for din andre testscore Hva tror du at læreren din ville forutsi for din neste testscore Hva tror du dine venner kan forutsi for din neste testscore Hva tror du at foreldrene dine kan forutsi for neste testresultat uansett om alt det du kan gjøre med dine venner og foreldre, de og din lærer er veldig sannsynlig å forvente deg å få noe i området av 85 du nettopp har fått. Vel, nå kan vi anta at til tross for selvforfremmelse til vennene dine, overestimerer du deg selv og figurerer du kan studere mindre for den andre testen, og så får du en 73. Nå er det alle de bekymrede og ubekymrede går til Forvent deg at du kommer på den tredje testen. Det er to svært sannsynlige tilnærminger for dem å utvikle et estimat, uansett om de vil dele det med deg. De kan si til seg selv, at denne fyren alltid blåser røyk om hans smarts. Hes kommer til å få en annen 73 hvis han er heldig. Kanskje foreldrene vil prøve å være mer støttende og si, quote, så langt har du fått en 85 og en 73, så kanskje du burde finne på å få en (85 73) 2 79. Jeg vet ikke, kanskje hvis du gjorde mindre fest og werent vevet vasselen over alt, og hvis du begynte å gjøre mye mer å studere, kan du få en høyere score. quot Begge disse estimatene flytter faktisk gjennomsnittlige prognoser. Den første bruker bare din siste poengsum for å prognose din fremtidige ytelse. Dette kalles en flytende gjennomsnittlig prognose ved hjelp av en periode med data. Den andre er også en flytende gjennomsnittlig prognose, men bruker to perioder med data. La oss anta at alle disse menneskene bråser på ditt store sinn, har slags pisset deg av og du bestemmer deg for å gjøre det bra på den tredje testen av dine egne grunner og for å sette en høyere poengsum foran din quotalliesquot. Du tar testen og poengsummen din er faktisk en 89 Alle, inkludert deg selv, er imponert. Så nå har du den endelige testen av semesteret som kommer opp, og som vanlig føler du behovet for å få alle til å gjøre sine spådommer om hvordan du skal gjøre på den siste testen. Vel, forhåpentligvis ser du mønsteret. Nå, forhåpentligvis kan du se mønsteret. Hvilke tror du er den mest nøyaktige fløyten mens vi jobber. Nå går vi tilbake til vårt nye rengjøringsfirma som startes av din fremmedgjorte halv søster, kalt Whistle While We Work. Du har noen tidligere salgsdata som er representert av følgende del fra et regneark. Vi presenterer først dataene for en tre-års glidende gjennomsnittlig prognose. Oppføringen for celle C6 skal være Nå kan du kopiere denne celleformelen ned til de andre cellene C7 til C11. Legg merke til hvordan gjennomsnittet beveger seg over de nyeste historiske dataene, men bruker nøyaktig de tre siste perioder som er tilgjengelige for hver prediksjon. Du bør også legge merke til at vi ikke virkelig trenger å gjøre spådommene for de siste perioder for å utvikle vår siste prediksjon. Dette er definitivt forskjellig fra eksponentiell utjevningsmodell. Ive inkluderte quotpast predictionsquot fordi vi vil bruke dem på neste nettside for å måle prediksjonsgyldigheten. Nå vil jeg presentere de analoge resultatene for en to-års glidende gjennomsnittlig prognose. Oppføringen for celle C5 skal være Nå kan du kopiere denne celleformelen ned til de andre cellene C6 til C11. Legg merke til hvordan nå bare de to siste stykkene av historiske data blir brukt for hver prediksjon. Igjen har jeg tatt med quotpast predictionsquot for illustrative formål og for senere bruk i prognose validering. Noen andre ting som er viktig å legge merke til. For en m-periode som beveger gjennomsnittlig prognose, brukes bare de nyeste dataverdiene for å gjøre prognosen. Ingenting annet er nødvendig. For en m-periode som beveger gjennomsnittlig prognose, legger du merke til at den første prediksjonen forekommer i periode m 1. Begge disse problemene vil være svært viktige når vi utvikler koden vår. Utvikle den bevegelige gjennomsnittsfunksjonen. Nå må vi utvikle koden for den bevegelige gjennomsnittlige prognosen som kan brukes mer fleksibelt. Koden følger. Legg merke til at inngangene er for antall perioder du vil bruke i prognosen og rekke historiske verdier. Du kan lagre den i hvilken arbeidsbok du vil ha. Funksjon MovingAverage (Historical, NumberOfPeriods) Som Single Deklarering og Initialisering av variabler Dim Item Som Variant Dim Counter Som Integer Dim Akkumulering Som Single Dim HistoricalSize Som Integer Initialiserende variabler Teller 1 Akkumulering 0 Bestemme størrelsen på Historical array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Akkumulere riktig antall siste tidligere observerte verdier Akkumulasjonsakkumulering Historisk (HistoricalSize - NumberOfPeriods Counter) MovingAverage AkkumuleringsnummerOfPeriods Koden vil bli forklart i klassen. Du vil plassere funksjonen på regnearket slik at resultatet av beregningen vises der det vil ha følgende gjennomsnittlige gjennomsnitt. Gjennomsnitt av tidsseriedata (observasjoner like fordelt i tid) fra flere sammenhengende perioder. Kalt flytting fordi det kontinuerlig omdannes når nye data blir tilgjengelige, går det fremover ved å slippe den tidligste verdien og legge til den nyeste verdien. For eksempel kan det bevegelige gjennomsnittet på seks måneders salg beregnes ved å ta gjennomsnittet av salget fra januar til juni, deretter gjennomsnittet av salget fra februar til juli, deretter fra mars til august og så videre. Flytte gjennomsnitt (1) redusere effekten av midlertidige variasjoner i data, (2) forbedre passformen til en linje (en prosess kalt utjevning) for å vise datasendensen tydeligere, og (3) markere en verdi over eller under trend. Hvis du regner med noe med svært høy varians, er det beste du kan gjøre, å finne ut det bevegelige gjennomsnittet. Jeg ønsket å vite hva det bevegelige gjennomsnittet var av dataene, så jeg ville få en bedre forståelse av hvordan vi gjorde. Når du prøver å finne ut noen tall som endrer seg ofte, er det beste du kan gjøre, å beregne det bevegelige gjennomsnittet. Den enkleste tilnærmingen ville være å ta gjennomsnittet fra januar til mars og bruke det til å estimere April8217s salg: (129 134 122) 3 128.333 På grunnlag av salget fra januar til mars forutsetter du at salget i april vil være 128 333. Når April8217s faktiske salg kommer inn, vil du da beregne prognosen for mai, denne gangen bruker februar til april. Du må være i samsvar med antall perioder du bruker til å flytte gjennomsnittlig prognose. Antall perioder du bruker i dine gjennomsnittlige prognoser er vilkårlige. Du kan bare bruke to perioder, eller fem eller seks perioder uansett hva du ønsker å generere prognosene dine. Tilnærmingen ovenfor er et enkelt bevegelige gjennomsnitt. Noen ganger kan nyere salg i måneder8217 være sterkere påvirkning av det kommende month8217s salg, så du vil gi de nærmere månedene mer vekt i prognosemodellen din. Dette er et vektet glidende gjennomsnitt. Og akkurat som antall perioder, er vektene du tildeler, rent vilkårlig. Let8217s sier at du ønsket å gi March8217s salg 50 vekt, februar8217s 30 vekt og januar8217s 20. Deretter vil prognosen for april være 127,000 (122,50) (134,30) (129,20) 127. Begrensninger av bevegelige gjennomsnittsmetoder Flytende gjennomsnitt regnes som en 8220smoothing8221 prognose teknikk. Fordi du8217 tar et gjennomsnitt over tid, myker du (eller utjevner) virkningen av uregelmessige hendelser i dataene. Som et resultat kan effektene av sesongmessighet, konjunktursykluser og andre tilfeldige hendelser dramatisk øke prognosen feil. Ta en titt på en full år8217s verdi av data, og sammenlign et 3-års glidende gjennomsnitt og et 5-års glidende gjennomsnitt: Legg merke til at i dette tilfellet at jeg ikke lagde prognoser, men heller sentrert de bevegelige gjennomsnittene. Det første tre måneders glidende gjennomsnittet er for februar, og det er gjennomsnittlig januar, februar og mars. Jeg gjorde også lignende for 5-måneders gjennomsnittet. Nå ser du på følgende diagram: Hva ser du Er ikke tremåneders glidende gjennomsnittsserie mye jevnere enn den faktiske salgsserien Og hva med femmåneders glidende gjennomsnitt It8217s jevnere. Derfor, jo flere perioder du bruker i glidende gjennomsnitt, jo jevnere din tidsserie. Derfor, for prognoser, kan et enkelt glidende gjennomsnitt ikke være den mest nøyaktige metoden. Flytte gjennomsnittlige metoder viser seg å være ganske verdifulle når man prøver å trekke ut sesongmessige, uregelmessige og sykliske komponenter i en tidsserie for mer avanserte prognosemetoder, som regresjon og ARIMA, og bruken av bevegelige gjennomsnittsverdier ved dekomponering av en tidsserie vil bli adressert senere i serien. Bestemme nøyaktigheten til en flytende gjennomsnittsmodell Vanligvis vil du ha en prognosemetode som har minst feil mellom faktiske og forventede resultater. En av de vanligste målene for prognose nøyaktighet er gjennomsnittlig absolutt avvik (MAD). I denne tilnærmingen tar du den absolutte verdien av forskjellen mellom period8217s faktiske og forventede verdier (avviket) for hver periode i tidsseriene som du genererte en prognose for. Så gjennomsnittlig de absolutt avvik, og du får et mål på MAD. MAD kan være nyttig når du bestemmer deg for antall perioder du gjennomsnittlig, og eller hvor mye vekt du legger på hver periode. Vanligvis velger du den som resulterer i laveste MAD. Here8217 er et eksempel på hvordan MAD beregnes: MAD er bare gjennomsnittet på 8, 1 og 3. Flytte gjennomsnitt: Recap Når du bruker bevegelige gjennomsnitt for prognoser, husk: Flytte gjennomsnitt kan være enkelt eller vektet Antall perioder du bruker til din gjennomsnittlig og eventuelle vekter du tildeler hver, er strengt vilkårlig. Flytende gjennomsnitt utjevner uregelmessige mønstre i tidsseriedata, jo større antall perioder som brukes for hvert datapunkt, desto større utjevningseffekt. På grunn av utjevning, prognose neste måned8217s salg basert på siste månedene8217s salg kan resultere i store avvik på grunn av sesongmessige, sykliske og uregelmessige mønstre i dataene og Utjevningskapasiteten til en bevegelig gjennomsnittlig metode kan være nyttig ved å dekomponere en tidsserie for mer avanserte prognosemetoder. Neste uke: Eksponensiell utjevning I neste uke8217s Forecast Forecast Friday. Vi vil diskutere eksponensielle utjevningsmetoder, og du vil se at de kan være langt bedre enn å flytte gjennomsnittlige prognosemetoder. Fortsatt don8217t vet hvorfor våre prognose fredag innlegg ser ut på torsdag Finn ut på: tinyurl26cm6ma Liker dette: Postnavigasjon Legg igjen et svar Avbryt svar Jeg hadde 2 spørsmål: 1) Kan du bruke den sentrert MA-tilnærmingen til å prognose eller bare for å fjerne sesongmessighet 2) Når du bruker den enkle t (t-1t-2t-k) k MA for å prognose en periode fremover, er det mulig å prognose mer enn 1 periode framover. Jeg antar da at prognosen din ville være en av poengene som fôr til neste. Takk. Elske infoen og dine forklaringer I8217m er glad for at bloggen I8217m er sikker på at flere analytikere har brukt den sentrale MA-tilnærmingen til prognoser, men jeg ville ikke, siden denne tilnærmingen gir et tap av observasjoner i begge ender. Dette knytter seg da til ditt andre spørsmål. Vanligvis er simpel MA brukt til å prognose bare en periode framover, men mange analytikere 8211 og jeg for noen ganger 8211 vil bruke min foreløpige prognose for en periode som en av inngangene til andre periode fremover. Det er viktig å huske at jo lenger inn i fremtiden du forsøker å prognose, desto større er risikoen for prognosefeil. Dette er grunnen til at jeg ikke anbefaler sentrert MA for prognose 8211. Tapet av observasjoner på slutten betyr at du må stole på prognoser for de tapte observasjonene, så vel som perioden (er) foran, så det er større sjanse for prognosefeil. Lesere: You8217 er invitert til å veie inn på dette. Har du noen tanker eller forslag på denne Brian, takk for din kommentar og dine komplimenter på bloggen. Fint initiativ og fin forklaring. It8217 er veldig hjelpsomme. Jeg prognose egendefinerte kretskort for en kunde som ikke gir noen prognoser. Jeg har brukt glidende gjennomsnitt, men det er ikke så nøyaktig som industrien kan gå opp og ned. Vi ser mot midten av sommeren til slutten av året at frakt pcb8217 er oppe. Da ser vi i begynnelsen av året bremser nedover. Hvordan kan jeg være mer nøyaktig med mine data Katrina, fra det du fortalte meg, ser det ut til at ditt trykte kretskortsalg har en sesongbestemt komponent. Jeg tar opp sesongmessighet i noen av de andre prognosen fredag innleggene. En annen tilnærming du kan bruke, som er ganske enkelt, er Holt-Winters algoritmen, som tar hensyn til sesongmessighet. Du kan finne en god forklaring på det her. Pass på å avgjøre om årstidens mønster er multiplikativ eller additiv, fordi algoritmen er litt forskjellig for hver. Hvis du plotter dine månedlige data fra noen år og ser at sesongvariasjoner på samme tidspunkter ser ut til å være konstant år over år, så er sesongmessigheten additiv hvis sesongvariasjonene over tid ser ut til å øke, så sesongmessigheten er multiplikativ. De fleste sesongbestemte tidsserier vil være multiplikative. Hvis du er i tvil, antar du multiplikativ. Lykke til Hei, Mellom den metoden:. Nave Forecasting. Oppdaterer gjennomsnittet. Flytte gjennomsnittet av lengden k. Enten vektet Flytende Gjennomsnittlig lengde k ELLER Eksponentiell utjevning Hvilken av disse oppdateringsmodellene anbefaler du at jeg bruker for å prognose dataene. Etter min mening tenker jeg på Moving Average. Men jeg skjønner ikke hvordan jeg gjør det klart og strukturert. Det avhenger egentlig av mengden og kvaliteten på dataene du har, og din prognosehorisont (langsiktig, mellomlang eller kort sikt)
No comments:
Post a Comment