Moving Average Forecasting. Introduction Som du kanskje antar 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 venen fortsetter vi med begynner i begynnelsen og begynner å jobbe med Moving Average Forecasts. Moving Average Forecasts Alle er kjent med å flytte gjennomsnittlige prognoser, uavhengig av om de tror de er Alle studenter gjør dem hele tiden Tenk på testpoengene 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 ville du forutsi for din andre test score. Hva tror du at din lærer ville forutsi for din neste test score. Hva tror du dine venner kan forutsi for din neste test score. Hva tror du at foreldrene dine kan forutsi for din neste testscore. Uansett hvilken blabbing du kan gjøre med din fr Jeg og foreldrene mine, de og din lærer, er veldig sannsynlig å forvente deg å få noe i det 85 du nettopp har fått. Vel, la oss nå anta at til tross for selvforfremmelse til vennene dine, overestimerer du deg selv og finne ut at du kan studere mindre for den andre testen, og så får du en 73. Nå er det alle de bekymrede og ubekymrede kommer til å forutse at du kommer på den tredje testen. Det er to svært sannsynlige tilnærminger for dem å utvikle et estimat uavhengig av om de vil dele det med deg. De kan si til seg selv: Denne fyren blåser alltid røyk om hans smarts. Han kommer til å få en annen 73 hvis han er heldig. Måtte foreldrene forsøke å være mer støttende og si, vel, så langt du har fått en 85 og en 73, så kanskje du burde finne ut på å få en 85 73 2 79 Jeg vet ikke, kanskje hvis du gjorde mindre fester og ikke ville veksle vevet over alt, og hvis du begynte å gjøre en mye mer å studere du kan få en høyere score. Både disse estimatene er faktiske Den bevegelige gjennomsnittlige prognosen. Den første bruker bare din siste poengsum for å prognose din fremtidige ytelse. Dette kalles en gjennomsnittlig gjennomsnittlig prognose ved hjelp av en dataperiode. Den andre er også en flytende gjennomsnittlig prognose, men bruker to perioder med data. 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 å sette en høyere poengsum foran dine allierte. Du tar testen og poengsummen din er egentlig 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 pattern. Now, forhåpentligvis kan du se mønsteret som tror du er den mest nøyaktige. Whistle Mens vi jobber nå, går vi tilbake til vårt nye rengjøringsfirma som startet av din fremmedgjorte halv søster, kalt Whistle While we Work Du har noen tidligere salgsdata representert av følgende seksjon 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 og med C11. Notat 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 eksponensiell utjevningsmodell Jeg har inkludert de siste spådommene fordi vi vil bruke dem på neste nettside for å måle prediksjonens gyldighet. Nå vil jeg presentere de analoge resultatene for en to-års glidende gjennomsnittlig prognose. Oppføringen for celle C5 skal være. Nå kan kopiere denne celleformelen ned til de andre cellene C6 til C11. Notat hvor nå blir bare de to siste stykkene av historiske data brukt for hver prediksjon igjen, jeg har med d de siste spådommene for illustrative formål og for senere bruk i prognose validering. Som andre ting som er viktig å legge merke til. For en m-periode beveger gjennomsnittlig prognose bare de nyeste dataverdiene er brukt til å foreta prognosen Ingenting annet er nødvendig. For en m-periode som går i gjennomsnitt, vil prognosen ved første forsinkelse oppstå i perioden m 1.Bet av disse problemene vil være svært viktig når vi utvikler vår kode. 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. Funksjon MovingAverage Historical, NumberOfPeriods Som Single Declaration og initialisering av variabler Dim Item Som variant Dim Counter Som Integer Dim Akkumulering Som Single Dim HistoricalSize Som Integer. Initialisering av variabler Teller 1 Akkumulering 0. Bestemme størrelsen på Historisk matrise HistoricalSize. For Counter 1 til NumberOfPeriods. Akkumulere riktig antall siste tidligere observerte verdier. Akkumulasjonsakkumulering Historisk Historisk størrelse - AntallOfPeriods Counter. MovingAverage AkkumuleringsnummerOfPeriods. Koden vil bli forklart i klassen. Du vil plassere funksjonen på regnearket slik at resultatet av beregningen vises der den skal som følgende. movende gjennomsnitt. Mengden av tidsserier data observasjoner like fordelt i tid fra flere påfølgende perioder Kalt flytting fordi det kontinuerlig rekomputeres når nye data blir tilgjengelig, utvikler den ved å slippe den tidligste verdien og legge til den nyeste verdien For eksempel Flytende gjennomsnitt på seks måneders salg kan beregnes ved å ta gjennomsnittet av salget fra januar til juni, deretter gjennomsnittet av salget fra februar til juli, mars til august osv. Flytte gjennomsnitt 1 redusere effekten av midlertidige variasjoner i data, 2 forbedre passformen til en linje en prosess kalt utjevning for å vise datas trend mer c learly og 3 markere noen verdi over eller under trenden. Hvis du beregner noe med svært høy varians, er det beste du kanskje kan gjøre å finne ut det bevegelige gjennomsnittet. Jeg ville 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. Boks Jenkins BJ-modeller. Den enkleste tilnærmingen ville være å ta gjennomsnittet fra januar til mars og bruk det for å estimere april s salg. 129 134 122 3 128 333. På grunnlag av salget fra januar til mars forutser du at salget i april vil være 128 333. Når april s faktiske salg kommer inn, vil du deretter 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 gjennomsnittlige 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 glidende gjennomsnitt. Noen ganger kan salg i nyere måneder være sterkere påvirkning av salget i kommende måneder, så du vil gi de nærmere månedene mer vekt i prognosemodellen. Dette er et vektet glidende gjennomsnitt. Og akkurat som tallet av perioder, vekter du tildeler er rent vilkårlig La oss si at du ønsket å gi mars s salg 50 vekt, februar s 30 vekt og januar s 20 Da vil din prognose for april være 127 000 122 50 134 30 129 20 127.L imitasjoner av bevegelige gjennomsnittlige metoder Flytte gjennomsnitt er ansett som en jevnlig prognoseteknikk Fordi du tar et gjennomsnitt over tid, myker du eller utjevner effekten av uregelmessige hendelser i dataene Som et resultat av effektene av sesongmessighet, forretningsykluser og andre tilfeldige hendelser kan dramatisk øke prognosen Feil Ta en titt på en helårs s verdi av data, og sammenlign et 3-års glidende gjennomsnitt og et 5-års glidende gjennomsnitt. Merk at i dette tilfellet at jeg ikke lagde prognoser, men heller sentrert de bevegelige gjennomsnittene Det første tre måneders glidende gjennomsnittet er i februar, og det er gjennomsnittet for januar, februar og mars. Jeg gjorde også lignende for 5-måneders gjennomsnittet. Nå ser du på følgende diagram. Hva ser du Is ikke tremåneders glidende gjennomsnittsserien mye jevnere enn den faktiske salgsserien Og hva med femmåneders glidende gjennomsnitt Det er enda jevnere Derfor, jo flere perioder du bruker i glidende gjennomsnitt, jo glattere din tid s derfor er det bare for prognoser at et enkelt bevegelige gjennomsnitt ikke er den mest nøyaktige metoden. Flytte gjennomsnittlige metoder viser seg ganske verdifulle når du 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 i dekomponering av en tidsserie vil bli adressert senere i serien. Bestemme nøyaktigheten til en flytende gjennomsnittsmodell. Generelt 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 avviksmodus. I denne tilnærmingen, for hver periode i tidsseriene som du genererte en prognose for, tar du absoluttverdien av forskjellen mellom den perioden og de faktiske og prognostiserte verdiene avviket deretter du gjennomsnitt 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 mengden av vekt du plasserer på hver periode Generelt velger du den som resulterer i laveste MAD Her er et eksempel på hvordan MAD er beregnet. MAD er bare gjennomsnittet av 8, 1 og 3.Moving Averages Recap Når du bruker bevegelige gjennomsnitt for prognoser , husk. Gjennomsnittlige gjennomsnitt kan være enkle eller vektede. Antall perioder du bruker til gjennomsnittet, og eventuelle vekter du tilordner hver, er strengt vilkårlige. Gjennomsnittlige gjennomsnitt utjevner uregelmessige mønstre i tidsseriedata, jo større antall perioder som brukes til hvert datapunkt, jo større utjevningseffekt. På grunn av utjevning, prognose neste måned s salg basert på de siste månedene, kan salget føre til store avvik på grunn av sesongmessige, sykliske og uregelmessige mønstre i dataene og utjevningskapasiteten av en bevegelig gjennomsnittlig metode kan være nyttig i å dekomponere en tidsserie for mer avanserte prognosemetoder. Neste uke Eksponensiell utjevning I neste uke s Prognose fredag vil vi diskutere eksponensielle utjevningsmetoder , og du vil se at de kan være langt bedre enn å flytte gjennomsnittlige prognostiseringsmetoder. Ikke vet hvorfor våre prognose fredag innlegg vises på torsdag Finn ut på. Post-navigasjon. Gi et svar Avbryt svar. Jeg hadde 2 spørsmål. 1 Kan du bruk den sentrale MA-tilnærmingen til å prognose eller bare for å fjerne sesongmessige forhold. 2 Når du bruker den enkle t t-1 t-2 tk k MA til å forutsi en periode fremover, er det mulig å prognose mer enn 1 periode fremover ville være en av poengene som fôr inn i neste. Takk, elsk info og forklaringer. Jeg er glad for at du liker bloggen. Jeg er sikker på at flere analytikere har brukt den sentrale MA-tilnærmingen til prognoser, men jeg ville ikke personlig, siden denne tilnærmingen resulterer i et tap av observasjoner i begge ender Dette knytter seg faktisk til det andre spørsmålet Vanligvis er simpel MA brukt til å prognose bare en periode framover, men mange analytikere og jeg vil også noen ganger bruke min foreløpige prognose for en periode som en av inngangene til den andre perioden fremover Det er s viktig å huske at jo lenger inn i fremtiden du forsøker å prognose, desto større er risikoen for prognosefeil. Derfor anbefaler jeg ikke sentrert MA for å prognostisere tapet av observasjoner på slutten, det betyr at du må stole på prognoser for de tapte observasjonene, så vel som perioden er fremover, så det er større sjanse for prognosefeil. Lesere du blir invitert til å veie inn på dette Har du noen tanker eller forslag på dette. Brian, takk for din kommentar og dine komplimenter på bloggen. Nice initiativ og fin forklaring Det er veldig nyttig. Jeg prognostiserer tilpassede kretskort til en kunde som ikke gir noen prognoser jeg har brukt glidende gjennomsnitt, men det er ikke så nøyaktig som bransjen kan gå opp og ned. Vi ser mot midten av sommeren til slutten av året at frakt PCB s er opp Da ser vi på 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 du har trykt kretskortsalg ha en sesongbestandig komponent jeg tar opp sesongbestemte i noen av de andre prognosene fredag innlegg En annen tilnærming du kan bruke, som er ganske enkelt, er Holt-Winters algoritmen, som tar hensyn til sesongbestemtheten. Du kan finne en god forklaring på det her. Vær sikker på for å avgjøre om årstidens mønster er multiplikativ eller additiv fordi algoritmen er litt annerledes for hver. Hvis du plotter månedlige data fra noen få år og ser at sesongvariasjoner på samme tidspunkter ser ut til å være konstant år over år, da sesongmessigheten er additiv hvis sesongvariationer over tid ser ut til å øke, så sesongmessigheten er multiplikativ. De fleste sesongmessige tidsseriene vil være multiplikative. Hvis du er i tvil, antar multiplikasjon. Lykke til. Der, Mellom den metoden Nave Forecasting Oppdatering av gjennomsnittlig Flytende gjennomsnitt av lengde k Enten vektet bevegelse Gjennomsnittlig lengde k ELLER eksponensiell utjevning Hvilken av disse oppdateringsmodeller anbefaler du at jeg bruker til forecas T dataene Etter min mening tenker jeg på Flytende Gjennomsnitt, men jeg vet ikke hvordan det skal gjøres klart og strukturert. Det avhenger egentlig av mengden og kvaliteten på dataene du har og din prognose horisont langsiktig, midtveis , eller kortsiktig.
No comments:
Post a Comment