Siirtyminen keskimääräiseen ennusteeseen. Integrointi Kuten ehkä arvailme, tarkastelemme joitakin alkeellisimpia ennusteiden lähestymistapoja. Toivottavasti nämä ovat ainakin hyödyllistä tutustua joihinkin laskentataulukoiden ennusteiden toteuttamiseen liittyviin laskentaan liittyviin kysymyksiin. aloittaen alusta ja aloittaa työskentelyn keskimääräisten ennusteiden kanssa. Keskimääräisten ennusteiden siirtäminen Jokainen tuntee liukuvat keskimääräiset ennusteet riippumatta siitä, uskovatko he ovat. Kaikki opiskelijat tekevät niitä koko ajan Ajattele testituloksia kurssissa, josta aiot sinulla on neljä testia lukukauden aikana Oletetaan, että sinulla on 85 testissä ensimmäisellä testillä. Mitä arvioisit toisen testipisteen suhteen? Mitä mieltä olet opettajasi seuraavan testipisteenne arvioimisesta? Mitä mieltä olet ystäväsi ennustavan seuraavalle testipistemäärällemme. Mitä mieltä olette vanhemmillenne seuraavan testipistemääränne suhteen. Riippumatta kaikista blabbereista, joita voit tehdä he ja sinun opettajasi odottavat todennäköisesti, että sait jotain 85: n juuri saamaasi alaan. Vaikka, nyt oletetaan, että huolimatta omasta mainoksestasi ystävillesi, olet yliarvioinut itsesi ja luku voi opiskella vähemmän toisen testin ja niin saat 73. Nyt, mitä kaikki ovat huolissaan ja huolimattomia menossa ennakoimaan saat kolmannella testillä on kaksi erittäin todennäköistä lähestymistapaa heille kehittää arvio riippumatta ovatko he jakaneet sen kanssasi. He voivat sanoa itselleen: Tämä kaveri puhaltaa aina savua hänen älykkyydestään. Hän aikoo saada toisen 73, jos hän on onnekas. Ehkä vanhemmat yrittävät olla tukevampia ja sanoa: No, niin että sinulla on 85 ja 73, joten ehkä sinun pitäisi ymmärtää 85 73 2 79 En tiedä, ehkä jos teet vähemmän juhlimista ja ettet vaivannut pikkulintua koko paikan päällä ja jos aloitit tekemään paljon enemmän opiskelu voit saada korkeampi score. Both näistä arvioista ovat todellisia Toinen on myös liukuva keskimääräinen ennuste, mutta käyttää kahta ajanjaksoa. Lien oletetaan että kaikki nämä ihmiset, jotka menettivät teidän suurta mieltänne, ovat jonkinlaisen kuohuttaneet sinut ja päättävät tehdä hyvin kolmannella testillä omasta syystä ja antaa korkeamman pistemäärän liittolaistensa edessä. Otat testin ja pisteet ovat oikeasti 89 Jokainen, mukaanlukien itsesi, on vaikuttunut. Nyt sinulla on lopullinen puolivälin testi, ja tavalliseen tapaan tunnet tarvetta yllyttää kaikki tekemään ennustusta siitä, miten teet viimeisen testin aikana. Toivottavasti näet kuvio. Nyt, toivottavasti näet kuvion Mitkä ovat mielestänne tarkimmat. Whistle Vaikka toimimme Nyt palataan uusi puhdistusyhtiö aloitti teidän estranged puolison sisar nimeltä Whistle Vaikka työskentelemme Sinulla on joitakin aiempia myynti tietoja edustaa seuraava osio laskentataulukosta Esittelemme ensin tiedot kolmelle ajanjaksolle liukuvalle keskimääräiselle ennusteelle. Solun C6 merkinnän tulisi olla. Nyt voit kopioida tämän solukehyksen alas muihin soluihin C7-C11. Huomaa, kuinka keskimääräinen liikkuu viimeisimpien historiallisten tietojen mukaan, mutta käyttää täsmälleen kolmea viimeisintä ajanjaksoa jokaiselle ennustukselle. Huomaa myös, että emme todellakaan tarvitse tehdä ennusteita aiempina aikoina, jotta voimme kehittää viimeisimmän ennustamme. Tämä on ehdottomasti erilainen kuin eksponentiaalinen tasoitusmalli Olen sisällyttänyt aikaisemmat ennusteet, koska käytämme niitä seuraavalla verkkosivulla mittaamaan ennusteiden pätevyys. Nyt haluan esittää samanlaiset tulokset kahden ajan liikkuvaa keskimääräistä ennustetta varten. C5-solun merkinnän pitäisi olla. voi kopioida tämän solukehyksen alas muille soluille C6-C11. Huomatkaa, kuinka kullekin ennusteelle käytetään vain kahta viimeisintä historiatietoa. Jälleen olen sisällyttänyt d aiempia ennusteita havainnollistamistarkoituksiin ja myöhempää käyttöä varten ennusteiden validoinnissa. Jotkin muut asiat, jotka ovat tärkeitä huomaamaan. Mm-ajan liikkuvaa keskimääräistä ennustetta käytetään vain m viimeisimpien tietojen arvojen avulla tehdä ennuste Mitään muuta ei ole tarpeen . M-aikavälin liukuva keskimääräinen ennuste, kun tehdään aikaisempia ennusteita, huomaa, että ensimmäinen ennuste tapahtuu ajanjaksolla m 1. Näistä asioista suuri merkitys on, kun kehitämme koodimme. Liikkuvan keskiarvotoiminnon kehittäminen Nyt meidän on kehitettävä liikkuvaa keskimääräistä ennusteita, joita voidaan käyttää joustavammin. Koodi seuraa Huomaa, että syötteet ovat ennusteiden ja historiallisten arvojen joukossa käytettävien aikajaksojen lukumäärää. Voit tallentaa sen haluamaasi työkirjaan. MovingAverage Historiallinen, NumberOfPeriods kuin yksittäinen Ilmoittaa ja alustaa muuttujat Dim Item kuin Variant Dim Counter kuin kokonaisluku Dim Kerääntyminen kuin yksi Dim HistoricalSize kuin kokonaisluku. Muuttujien alustaminen Counter 1: n kertyminen 0. Historical array HistoricalSize. ofin määrittäminen Counter 1: lle NumberOfPeriods: lle. Keräämällä sopiva määrä viimeisimpiä aiemmin havaittuja arvoja. Kerääntymisen kertyminen Historiallinen HistoricalSize - NumberOfPeriods Counter. MovingMaksujen keskimääräinen kertymänumero. Peruutukset. Koodi selitetään luokassa Haluat sijoittaa toiminnon laskentataulukkoon niin, että laskutoimitus näkyy missä se pitäisi kuten seuraavanlainen keskimääräinen keskiarvo. Mittaus aikasarjan datan havainnoista, jotka ovat yhtä kauas ajankohtana useista peräkkäisistä jaksoista Soitettu liikkuva, koska se jatkuu uudelleen, kun uusi tieto tulee saataville, se etenee pudottamalla aikaisinta arvoa ja lisäämällä viimeisin arvo Esimerkiksi kuuden kuukauden liikevaihdon keskiarvo voidaan laskea ottamalla keskimääräinen myynti tammi-kesäkuussa, sitten myynnin keskimäärin helmikuusta heinäkuuhun, maaliskuusta elokuun loppuun ja niin edelleen. Keskimääräisten 1 liikevaihto vähentää väliaikaisten vaihteluiden vaikutusta data, 2 parantavat datan sopivuutta viivaan prosessiksi, jota kutsutaan tasoittamiseksi, jotta datan trendi näytetään enemmän c learly ja 3 Korosta kaikki trendin ylä - tai alapuolella olevat arvot. Jos lasket jotain erittäin suurella varianssilla, voit parhaiten selvittää liikkuvan keskiarvon. Halusin tietää, mitä liikkuva keskiarvo oli, joten voisin paremmin ymmärtää, miten me teimme. Kun yrität selvittää joitakin numeroita, jotka muuttuvat usein paras voit tehdä on laskea liikkuva keskiarvo. moving keskimääräinen hinta MAP. Moving keskimäärin ja eksponentiaalinen tasoitus mallit. Koska ensimmäinen askel siirtymään keskimäärin malleista, satunnaisista kävelymalleista ja lineaarisista trendimalleista, ei-seitsenkuvista kuvioista ja suuntauksista voidaan ekstrapoloida käyttäen liikkuvan keskiarvon tai tasoitusmallin. Perusoletus oletusmittareiden keskiarvojen ja tasoitusten takana on, että aikasarja on paikallisesti paikallaan hitaasti vaihtelevaa keskiarvoa. Siksi siirrymme liukuvaan paikalliseen keskiarvoon keskiarvon nykyarvon arvioimiseksi ja käytämme sitä lähitulevaisuuden ennusteena. Tätä voidaan pitää kompromissina keskimääräisen mallin ja satunnaisesti kulkevaa ilman drift - mallia Samaa strategiaa voidaan käyttää paikallisen trendin arvioimiseen ja ekstrapolointiin Liukuvaa keskiarvoa kutsutaan usein alkuperäisen sarjan tasoitetuksi versioksi, koska lyhyen aikavälin keskiarvotuksen vaikutus tasoittaa kuoppia alkuperäisessä sarjassa säätämällä liikkuvan keskiarvon leveyden tasaamista, voimme toivoa löytävän jonkinlaisen optimaalisen tasapainon keskimääräisen ja satunnaisen kävelymallin suorituskyvyn välillä. Yksinkertaisin keskitemallin malli on yksinkertainen, yhtä painotettu Keskimääräinen liikkumavaraus. Tulevaisuuden ennuste Y: n hetkellä t 1, joka tehdään ajankohtana t, vastaa viimeisimpien m havaintojen yksinkertaista keskiarvoa. Tässä ja muualla käytän Y-hahmoa ennusteessa aikasarjasta Y mahdollisimman varhaisessa päivämääränä tietyn mallin mukaan. Tämä keskiarvo keskittyy ajanjaksoon t-m 1 2, mikä tarkoittaa sitä, että arvio paikallinen keskiarvo pyrkii jäljessä paikallisen keskiarvon tosiasiallisesta arvosta noin m 1 2 - jaksolla. Näin ollen sanomme, että keskimääräisen liikevoiton keskiarvo on m 1 2 suhteessa siihen kauteen, jolle ennuste lasketaan tämä on aika, jolla ennusteet katoavat jäljessä datan kääntöpisteistä. Esimerkiksi, jos keskiarvo lasketaan viimeksi kuluneesta viidestä arvosta, ennusteet ovat noin 3 jaksoa, jotka myöhästyvät vastakkain kääntöpisteissä. Huomaa, että jos m 1, yksinkertainen liukuva keskimääräinen SMA-malli vastaa satunnaisen kävelymallin ilman kasvua Jos m on hyvin suuri, joka on verrattavissa arviointikauden pituuteen, SMA-malli vastaa keskiarvoista mallia. Kuten ennustamomallin parametreilla, se on tavanomaista säätää ki-arvoa n jotta saadaan parhaiten sopivat tiedot, eli pienimmät ennustevirheet keskimäärin. On esimerkki sarjasta, joka näyttää satunnaisvaihteluita hitaasti vaihtelevan keskiarvon ympärillä. Ensinnäkin yritetään sovittaa satunnaisen kävelyn kanssa malli, joka vastaa yhtä yksinkertaista liikkumatonta keskiarvoa. Satunnaiskäytävä malli reagoi hyvin nopeasti sarjan muutoksiin, mutta näin tehdessään se poimii paljon datan kohinaa satunnaisvaihteluista sekä signaalista paikallinen keskiarvo Jos me yrittäisimme yksinkertaisesti liikkua keskimäärin 5 ehdokasta, saamme tasaisemman näköisiä ennusteita. 5-aikavälinen yksinkertainen liukuva keskiarvo tuottaa huomattavasti pienempiä virheitä kuin satunnaisen kulkumallin tapauksessa Tässä tapauksessa tietojen keskimääräinen ikä ennuste on 3 5 1 2, joten se on yleensä jäljessä käännekohdista noin kolmella jaksolla Esimerkiksi laskusuhdanne näyttää esiintyneen kaudella 21, mutta ennusteet eivät kääntyneet vasta useisiin jaksoihin myöhemmin. Huomaa, pitkän aikavälin ennusteet SMA-modista El on horisontaalinen suora linja, kuten satunnaiskäytävässä. Siten SMA-mallissa oletetaan, että datassa ei ole trendiä. Vaikka satunnaiskäytävä mallin ennusteet ovat yksinkertaisesti yhtä kuin viimeinen havaittu arvo, ennusteet SMA-malli on yhtä kuin viimeaikaisten arvojen painotettu keskiarvo. Statgraphicsin laskemat luottamusrajat yksinkertaisen liukuvan keskiarvon pitkän aikavälin ennusteille eivät laajene ennustehorisontin kasvaessa. Tämä ei tietenkään ole oikea. Valitettavasti ei ole mitään taustalla olevaa tilastoteoria, joka kertoo, kuinka luottamusväliä pitäisi laajentaa tähän malliin. Ei kuitenkaan ole liian vaikeaa laskea empiirisiä estimaatteja luottamusrajoista pidemmille horisonttiennusteille. Esimerkiksi voit luoda laskentataulukon, jossa SMA-malli käytetään ennustamaan 2 askeleen eteenpäin, 3 askeleen eteenpäin, jne. historiallisen datanäytteen sisällä. Tämän jälkeen voit laskea virheiden näytteen keskihajotukset jokaisella ennusteella h orizon, ja sitten rakentaa luottamusväliä pitempiaikaisille ennusteille lisäämällä ja vähentämällä sopivien standardipoikkeaman kerrannaisvaikutuksia. Jos yritämme 9-portaista yksinkertaista liikkuvaa keskiarvoa, saamme vielä tasaisempia ennusteita ja enemmän jäljellä olevaa vaikutusta. Keskimääräinen ikä on nyt 5 jaksoa 9 1 2 Jos otamme 19-vuotisen liikkumavälin keskiarvon, keski-ikä kasvaa arvoon 10. Huomaa, että ennusteet ovat nyt jäljessä käännekohdista noin 10 jaksolla. Mikä taso on parasta tässä sarjassa Tässä on taulukko, joka vertaa virhetilastojaan, mukaan lukien myös 3-aikavälin keskiarvon. Mallin C, 5-aikavälinen liukuva keskiarvo, tuottaa RMSE: n pienimmän arvon pienellä marginaalilla kolmen ja 9 kuukauden keskiarvoissa. niiden muut tilastot ovat lähes samankaltaisia. Joten mallien, joilla on hyvin samankaltaiset virhestatukset, voimme valita, haluammeko ennustaa hieman reagointikykyä tai hieman tasaisempaa. Palaa sivun yläreunaan. Brown s Yksinkertainen eksponentiaalinen tasoitus eksponentiaalisesti painotettu liikkuvaa keskiarvoa. Edellä kuvatulla yksinkertaisella liikkuva keskiarvoominaisuudella on epätoivottava ominaisuus, että se käsittelee viimeiset k-havainnot yhtä lailla ja jättää täysin huomiotta kaikki edeltävät havainnot Intuitiivisesti, aiemmat tiedot on diskontattava asteittain - esimerkiksi viimeisin havainto saavat hieman enemmän painoa kuin 2. viimeisin, ja 2. viimeisin pitäisi saada hieman enemmän painoa kuin kolmas viimeisin ja niin edelleen Yksinkertainen eksponentti tasoitus SES malli tekee tämän. Let merkitsee tasaus vakiona luku välillä 0 ja 1 Yksi tapa kirjoittaa mallia on määrittää sarja L, joka edustaa nykyistä tasoa eli sarjan keskimääräistä arvoa, joka on arvioitu datasta tähän asti. L: n arvo ajankohtana t lasketaan rekursiivisesti edellisestä omasta edellisestä arvostaan. Siten nykyinen tasoitettu arvo on interpolointi edellisen tasoitetun arvon ja nykyisen havainnon välillä, missä se ohjaa interpoloidun arvon läheisyyttä eniten sentin ennustaminen Seuraavan jakson ennuste on yksinkertaisesti nykyinen tasoitettu arvo. Vastaavasti voimme ilmaista seuraavan ennusteen suoraan edellisten ennusteiden ja aikaisempien havaintojen perusteella jollakin seuraavista vastaavista versioista Ensimmäisessä versiossa ennuste on interpolointi edellisestä ennusteesta ja edellisestä havainnosta. Toisessa versiossa seuraava ennuste saadaan säätämällä edellistä ennustusta edellisen virheen suuntaan murto-osalla. on virhe hetkellä t. Kolmannessa versiossa ennuste on eksponentiaalisesti painotettu eli diskontattu liikkuva keskiarvo diskonttokertoimella 1. Ennakoivan kaavan interpolointiversio on yksinkertaisin käyttää, jos toteutat mallia laskentataulukkoon, johon se sopii yhteen soluun ja sisältää soluviitteitä, jotka osoittavat edellistä ennustetta, havainto ja solu, jossa arvo on tallennettu. Huomaa, että jos 1, SES-malli vastaa satunnainen kävelymalli wit jos 0, SES-malli vastaa keskiarvoa, olettaen, että ensimmäinen tasoitettu arvo on asetettu yhtä kuin keskiarvo Palaa sivun yläosaan. Yksinkertaisen eksponentiaalisen tasauksen ennusteessa olevien tietojen keskimääräinen ikä on 1 suhteellinen ennuste lasketaan Tämä ei ole tarkoitus olla ilmeinen, mutta se voidaan helposti osoittaa arvioimalla ääretön sarja Näin ollen yksinkertainen liukuva keskimääräinen ennuste pyrkii kääntämään käänteispisteitä noin yhdellä jaksolla Esimerkiksi 0 5 viive on 2 jaksoa, kun 0 2 viive on 5 jaksoa, kun 0 1 viive on 10 jaksoa jne. Tietyllä keskimääräisellä iällä eli viivästymisellä, yksinkertainen eksponentiaalinen tasoitus SES ennuste on jonkin verran parempi kuin yksinkertainen liikkuva keskimääräinen SMA-ennuste, koska se asettaa suhteellisen enemmän painoarvoa viimeisimpiin havaintoihin - se on hieman reagoivampi viime aikoina tapahtuneisiin muutoksiin. Esimerkiksi yhdeksällä ehdolla olevalla SMA-mallilla ja kahdella SES-mallilla on keskimääräinen ikä 5: lle da mutta SES-mallissa painotetaan viimeisimpiä kolmea arvoa kuin SMA-malli, mutta samalla ei unohda yli 9 vanhoja arvoja, kuten tässä kaaviossa on esitetty. Toinen tärkeä etu SES-malli SMA-mallissa on, että SES-malli käyttää tasausparametria, joka on jatkuvasti muuttuva, joten se voidaan helposti optimoida käyttämällä ratkaisija-algoritmia keskimääräisen neliövirheen minimoimiseksi. SES-mallin optimaalinen arvo tämän sarjan osalta ilmaisee on 0 2961, kuten tässä on esitetty. Tämän ennusteen tietojen keski-ikä on 1 0 2961 3 4 jaksoa, joka on samanlainen kuin 6-aikavälin yksinkertainen liukuva keskiarvo. SES-mallin pitkän aikavälin ennusteet ovat vaakasuora viiva kuten SMA-mallissa ja satunnaiskäytävä malli ilman kasvua Huomaa kuitenkin, että Statgraphicsin laskemat luottamusvälit eroavat nyt kohtuullisen näköisellä tavalla ja että ne ovat huomattavasti kapeampia kuin randin luottamusvälit om-kävelymalli SES-malli olettaa, että sarja on hieman ennakoitavampi kuin satunnaiskäytävä malli. SES-malli on itse asiassa ARIMA-mallin erityistilanne, joten ARIMA-mallien tilastollinen teoria tarjoaa hyvän perustan luottamusvälien laskemiselle SES-malli Erityisesti SES-malli on ARIMA-malli, jossa on yksi epäsuositusero, MA1-termi ja ei vakioaikaa, joka muuten tunnetaan ARIMA 0,1,1 - malliksi ilman vakioa. ARIMA-mallissa MA 1 - kerroin vastaa Esimerkiksi, jos asetat ARIMA 0,1,1 - mallin ilman vakioja täällä analysoituun sarjaan, arvioitu MA 1-kerroin osoittautuu 0 7029, joka on lähes täsmälleen yksi miinus 0 2961. On mahdollista lisätä oletus nollasta riippumattomalle vakioiselle lineaariselle trendille SES-mallille. Tähän voidaan tehdä vain ARIMA-malli, jossa on yksi epäsuositusero ja MA1-termi vakiolla eli ARIMA 0,1,1 - mallilla pitkällä aikavälillä sitten on trendi, joka on yhtä suuri kuin koko arviointikauden aikana havaittu keskimääräinen trendi Et voi tehdä kausittaista säätöä, koska kausittaiset säätömahdollisuudet ovat pois käytöstä, kun mallityyppi on asetettu ARIMA: lle. Voit kuitenkin lisätä vakion pitkän - terminen eksponentiaalinen trendi yksinkertaiseen eksponenttien tasoitusmalliin kausittaisen säätämisen kanssa tai ilman sitä käyttämällä inflaatiokorjausvaihtoehtoa ennusteprosessissa Asianmukaista inflaation prosentuaalista kasvuvauhtia jaksoa kohden voidaan arvioida laskennan kertoimeksi lineaarisessa trendimallissa, joka on sovitettu yhdessä luonnollisen logaritmimuunnoksen kanssa tai se voi perustua muihin pitkäaikaisiin kasvunäkymiin liittyvästä riippumattomasta tiedosta. Palaa sivun yläosaan. Brown s Lineaarinen eli kaksinkertainen eksponentiaalinen tasoittaminen. SMA-mallit ja SES-mallit olettavat, että ei ole olemassa suuntausta kaikenlaisia tietoja, jotka ovat yleensä OK tai ainakin ei-liian-huono 1-askel eteenpäin ennusteet, kun tiedot ovat suhteellisesti noi syy, ja niitä voidaan muokata siten, että ne sisältävät lineaarisen lineaarisen kehityksen, kuten edellä on esitetty. Mitä lyhyen aikavälin trendeihin Jos sarjassa on vaihteleva kasvuvauhti tai syklinen kaava, joka erottuu selkeästi melusta, ja jos on tarpeen ennustetaan enemmän kuin 1 jakso eteenpäin, paikallisen trendin estimointi saattaa myös olla kysymys Yksinkertainen eksponentiaalinen tasoitusmalli voidaan yleistää lineaarisen eksponenttien tasoituksen LES-mallin saamiseksi, joka laskee paikalliset arviot sekä tasosta että trendistä. Yksinkertaisin aikamuuttuva trendi malli on Brownin lineaarinen eksponentiaalinen tasoitusmalli, jossa käytetään kahta erilaista tasoitettua sarjaa, jotka keskittyvät eri ajankohtiin. Ennuskaavan kaava perustuu kahden keskuksen välisen linjan ekstrapoloimiseen. Holt s: n hienostunut malli on Seuraavassa tarkastellaan Brownin lineaarisen eksponentiaalisen tasoitusmallin algebrallista muotoa, kuten yksinkertaisen eksponentiaalisen tasoitusmallin mallia, jota voidaan ilmaista monissa erilaisissa, mutta e Tämän mallin vakiomuoto ilmaistaan tavallisesti seuraavasti: Let S tarkoittaa yksinkertaisesti tasoitettua sarjaa, joka saadaan soveltamalla yksinkertaista eksponentiaalista tasoitusta sarjaan Y, joka on S: n arvo ajanjaksolla t. Muista, että yksinkertaisen eksponentiaalisen tasoituksen alla tämä olisi Y: n ennuste ajanjaksolla t 1 Sitten S merkitsee kaksinkertaisen tasoitetun sarjan, joka saadaan käyttämällä yksinkertaista eksponentiaalista tasoitusta käyttäen samaa sarjaa S. Lopuksi Y: n ennustetta mille tahansa k 1 on annettu. Tämä tuottaa e 1 0 eli huijaa hieman ja anna ensimmäisen ennusteen olevan yhtä todellinen ensimmäinen havainto, ja e 2 Y 2 Y 1, jonka jälkeen ennusteet muodostetaan käyttämällä edellä olevaa yhtälöä, saadaan samat sovitut arvot kuten S ja S perustuva kaava, jos jälkimmäiset käynnistettiin käyttämällä S 1 S 1 Y 1 Tätä malliversiota käytetään seuraavalla sivulla, joka kuvaa eksponentiaalisen tasoituksen yhdistelmää kausittaisella säätöllä. Holt s Linear Exponential Smoothing. Brown s LES-malli laskee paikalliset arviot tasosta ja trendistä tasoittamalla tuoreita tietoja, mutta se, että se tekee niin yhdellä tasoitusparametrilla, rajoittaa tietomalleja, joita se kykenee sovittamaan tasolle ja suuntaukselle, eivät saa vaihdella at riippumatonta tasoa Holtin LES-malli käsittelee tätä ongelmaa sisällyttämällä kaksi tasoitusvaketta, yksi tasolle ja yksi trendille Joka kerta t, kuten Brownin mallissa, on paikallisen tason L t ja arvio T t paikallinen trendi Tässä ne lasketaan rekursiivisesti y: n arvosta t havaitussa ajanhetkessä t ja edellisistä tason ja trendin arvioista kahdella yhtälöllä, jotka soveltavat erikseen eksponenttista tasoitusta. Jos arvioitu taso ja trendi ajanhetkellä t-1 ovat vastaavasti L t 1 ja T t-1, niin ennuste Y t: lle, joka olisi tehty ajanhetkellä t-1, on yhtä kuin L t-1 T t-1 Kun todellinen arvo havaitaan, taso lasketaan rekursiivisesti interpoloimalla Yt: n ja sen ennusteen L t-1 T t-1 välillä käyttäen painotuksia ja 1. Arvioitua tasoa, eli L t Lt 1: n muutosta voidaan tulkita meluisaksi mittaukseksi trendi ajankohtana t Trendin päivitetty arvio arvioidaan sitten rekursiivisesti interpoloimalla L: n välillä t L t 1 ja edellisen trendin trendin T t-1 käyttäen painotasoja ja 1. Trenditasoitusvakion tulkinta on sama kuin tason tasoitusvakio. Mallit, joilla on pieniä arvoja, olettavat, että trendi muuttuu vain suuremmalla hitaudella, kun taas suurempien mallien oletetaan muuttuvan nopeammin. Suuri malli uskoo, että kaukana oleva tulevaisuus on hyvin epävarma, koska trendien arvioinnin virheet tulevat melko tärkeiksi, kun ennustetaan enemmän kuin yksi aika edellä. Palaa alkuun Sivutaso tasoittaa ja voidaan arvioida tavallisella tavalla minimoimalla yhden askeleen ennusteiden keskimääräinen neliövirhe. Kun Statgraphicsissa tämä tehdään, arviot osoittavat olevan 0 3048 ja 0 008. tarkoittaa, että mallissa oletetaan, että trendi vaihtelee hyvin vähän ajanjaksosta toiseen, joten pohjimmiltaan tämä malli yrittää arvioida pitkän aikavälin trendin. Analogisesti käsitteen "keskiarvot" se paikallisen tason sarja, keskimääräinen ikä, jota käytetään paikallisen trendin arvioinnissa, on verrannollinen 1: een, mutta ei täsmälleen samaa tasoa. Tässä tapauksessa 1 0 006 125 Tämä on tarkka luku koska tarkkuuden tarkkuus ei ole todellakaan 3 desimaalin tarkkuudella, mutta se on samaa yleistä suuruusluokkaa kuin näytteen koko 100, joten tämä malli on keskimäärin melko paljon historiaa trendin arvioimiseksi. Alla oleva taulukko osoittaa, että LES-malli arvioi jonkin verran suurempaa paikallista suuntausta sarjan lopussa kuin SES-trendimallissa arvioitu jatkuva kehitys. Myös arvioitu arvo on lähes identtinen SES-mallin kanssa sovittamalla tai ilman suuntausta , joten tämä on melkein sama malli. Nyt nämä näyttävät kohtuullisilta ennusteiksi mallilta, jonka pitäisi arvioida paikallista suuntausta. Jos näet silmämunin tämän tontin, näyttää siltä, että paikallinen trendi on kääntynyt alaspäin lopussa sarja Wh at on tapahtunut Tämän mallin parametreja on arvioitu minimoimalla 1-askeleen ennusteiden neliövirhe, ei pidemmän aikavälin ennusteita, jolloin trendi ei tee paljon eroa Jos kaikki olet tarkastelemassa ovat 1 - etenemisvirheitä, et näe suurempaa kuvaa suuntauksista yli sanoa 10 tai 20 jaksoa Jotta tämä malli olisi paremmin sopusoinnussa tietojen silmämunien ekstrapolointiin, voimme säätää manuaalisesti trendin tasoitusvakion niin, että se käyttää trendin estimointiin lyhyemmän perustan Esimerkiksi jos päätämme asettaa 0 1, paikallisen trendin arvioinnissa käytettävien tietojen keskimääräinen ikä on 10 jaksoa, mikä tarkoittaa, että lasketaan keskiarvo viimeisen 20 jakson aikana tai niin Tässä on se, mitä ennustettu tontti näyttää, jos asetamme 0 1 säilyttäen 0 3 Tämä näyttää intuitiivisesti kohtuulliselta tässä sarjassa, vaikkakin on todennäköisesti vaarallista ekstrapoloida tämä trendi yli 10 jaksoa tulevaisuudessa. Mitä virhestatuksista tässä on mallivertailu f tai edellä kuvatut kaksi mallia sekä kolme SES-mallia SES-mallin optimaalinen arvo on noin 0, mutta vastaavilla tuloksilla, joilla on hieman enemmän tai vähemmän vastetta, saadaan vastaavasti 0 5 ja 0 2. Holtin lineaarinen exp-tasoitus alfa 0 3048 ja beeta 0 008. B Holtin lineaarinen pikselointi alfa 0 3: lla ja beeta 0 1. C Yksinkertainen eksponenttinen tasaus alfa 0 5. D Yksinkertainen eksponenttinen tasoitus alfa 0 3. E Yksinkertainen eksponenttinen tasaus alfa 0 2: lla. Tietojesi tilastot ovat lähes samanlaisia, joten voimme todellakin tehdä valinnan perustuen 1-askeleen ennusteisiin virheisiin datanäytteessä. Meidän on pudottava muut näkökohdat. Jos uskomme vahvasti, että on järkevää perustaa nykyinen trenditieto siitä, mitä on tapahtunut viimeisen 20 ajanjakson aikana tai niin, voimme tehdä tapauksen LES-mallille, jossa on 0 3 ja 0 1 Jos haluamme olla agnostisia siitä, onko paikallinen suuntaus, niin yksi SES-malleista voisi olisi helpompi selittää ja antaa myös enemmän middl e-of-the-road - ennusteet seuraaville viideksi tai kymmenelle jaksolle Palaa sivun yläreunaan. Mikä suuntaus-ekstrapolointi on paras horisontaalinen vai lineaarinen? Empiirinen näyttö viittaa siihen, että jos tietoja on jo jo tarpeellista inflaatiota varten, niin voi olla varomaton ekstrapoloida lyhytaikaisia lineaarisia suuntauksia hyvin pitkälle tulevaisuuteen. Tänään näkyvät trendit voivat hidastua tulevaisuudessa erilaisten syiden vuoksi, kuten tuotteiden vanhentumisesta, lisääntyneestä kilpailusta ja syklisistä laskusuhdanteista tai nousuista teollisuudessa. Siksi yksinkertainen eksponentiaalinen tasoitustoimet tekevät usein parempaa näytteenottotapahtumaa kuin muutoin olisi odotettavissa, vaikka sen naiivi horisontaalinen suuntaus ekstrapolaatiosta Lineaarisen eksponentiaalisen tasoitusmallin vaimennetut trendimuutokset ovat myös käytännössä usein käytännössä esillä konservatiivisuuden muistiinpanossa sen suuntausennusteisiin. Vaimennettu trendi LES-malli voidaan toteuttaa ARIMA-mallin erityistilanteena, erityisesti ARIMA 1,1,2-mallina. Luottamusvälit arou eksponentiaalisten tasoitusmallien tuottamat pitkän aikavälin ennusteet, tarkastelemalla niitä ARIMA-mallien erikoistapauksina Varo, etteivät kaikki ohjelmat laske luottamusvälit näille malleille oikein Luottamusvälien leveys riippuu mallin RMS-virheestä, tyypistä yksinkertaisen tai lineaarisen tasoituksen taso iii tasoitusvakion s ja iv lukema ennusteiden aikaisempien jaksojen lukumäärä Yleensä välejä levitetään nopeammin, kun ne tulevat suuremmiksi SES-mallissa ja ne levittyvät paljon nopeammin, kun ne ovat lineaarisia eikä yksinkertaisia tasoitus on käytössä Tätä aihetta käsitellään edelleen huomautusten ARIMA-malleissa. Palaa sivun yläosaan.
No comments:
Post a Comment