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 forutse din neste testscore Hva tror du dine venner kan forutsi for neste testresultat Hva tror du at foreldrene dine kan forutsi for neste testresultat uansett 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 bitene 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 like følgende. I praksis vil det bevegelige gjennomsnittet gi et godt estimat av gjennomsnittet av tidsserien hvis gjennomsnittet er konstant eller sakte endring. Ved konstant gjennomsnitt vil den største verdien av m gi de beste estimatene for det underliggende gjennomsnittet. En lengre observasjonsperiode vil gjennomsnittlig utvirke virkningen av variabilitet. Formålet med å gi en mindre m er å la prognosen svare på en endring i den underliggende prosessen. For å illustrere foreslår vi et datasett som inkorporerer endringer i det underliggende gjennomsnittet av tidsseriene. Figuren viser tidsseriene som brukes til illustrasjon sammen med den gjennomsnittlige etterspørselen fra hvilken serien ble generert. Middelet begynner som en konstant ved 10. Begynner på tid 21, øker den med en enhet i hver periode til den når verdien av 20 ved tid 30. Da blir det konstant igjen. Dataene blir simulert ved å legge til i gjennomsnitt, en tilfeldig støy fra en Normal-fordeling med null-middel og standardavvik 3. Resultatene av simuleringen avrundes til nærmeste heltall. Tabellen viser de simulerte observasjonene som brukes til eksemplet. Når vi bruker bordet, må vi huske at det til enhver tid bare er kjent med tidligere data. Estimatene til modellparameteren, for tre forskjellige verdier av m, vises sammen med gjennomsnittet av tidsseriene i figuren under. Figuren viser gjennomsnittlig glidende gjennomsnittlig beregning av gjennomsnittet hver gang og ikke prognosen. Prognosene ville skifte de bevegelige gjennomsnittskurver til høyre etter perioder. En konklusjon er umiddelbart tydelig fra figuren. For alle tre estimatene ligger det glidende gjennomsnittet bak den lineære trenden, idet laget øker med m. Laget er avstanden mellom modellen og estimatet i tidsdimensjonen. På grunn av lavet undervurderer det bevegelige gjennomsnittet observasjonene ettersom gjennomsnittet øker. Forskjellerens forspenning er forskjellen på en bestemt tid i middelverdien av modellen og middelverdien forutsatt av det bevegelige gjennomsnittet. Forspenningen når gjennomsnittet øker er negativt. For et avtagende middel er forspenningen positiv. Forsinkelsen i tid og bias innført i estimatet er funksjoner av m. Jo større verdien av m. jo større størrelsen på lag og forspenning. For en kontinuerlig økende serie med trend a. verdiene av lag og forspenning av estimatoren av middelet er gitt i ligningene nedenfor. Eksempelkurverne stemmer ikke overens med disse ligningene, fordi eksempelmodellen ikke øker kontinuerlig, men det begynner som en konstant, endrer seg til en trend og blir konstant igjen. Også eksempelkurvene påvirkes av støyen. Den bevegelige gjennomsnittlige prognosen for perioder inn i fremtiden er representert ved å flytte kurvene til høyre. Forsinkelsen og forspenningen øker proporsjonalt. Ligningene nedenfor angir lag og forspenning av prognoseperioder i fremtiden sammenlignet med modellparametrene. Igjen, disse formlene er for en tidsserie med en konstant lineær trend. Vi bør ikke bli overrasket over dette resultatet. Den bevegelige gjennomsnittlige estimatoren er basert på antagelsen om konstant gjennomsnitt, og eksemplet har en lineær trend i gjennomsnittet i en del av studieperioden. Siden sanntidsserier sjelden vil adlyde forutsetningene til en hvilken som helst modell, bør vi være forberedt på slike resultater. Vi kan også konkludere fra figuren at variasjonen av støyen har størst effekt for mindre m. Estimatet er mye mer flyktig for det bevegelige gjennomsnittet på 5 enn det bevegelige gjennomsnittet på 20. Vi har de motstridende ønskene om å øke m for å redusere effekten av variabilitet på grunn av støyen, og å redusere m for å gjøre prognosen mer lydhør for endringer i gjennomsnitt. Feilen er forskjellen mellom de faktiske dataene og den forventede verdien. Hvis tidsseriene er virkelig en konstant verdi, er den forventede verdien av feilen null og variansen av feilen består av et begrep som er en funksjon av og et andre begrep som er variansen av støyen. Første term er variansen av gjennomsnittet estimert med en prøve av m observasjoner, forutsatt at data kommer fra en befolkning med konstant gjennomsnitt. Denne termen er minimert ved å gjøre m så stor som mulig. Et stort m gjør prognosen uansvarlig for en endring i den underliggende tidsserien. For å gjøre prognosen lydhør for endringer, ønsker vi m så liten som mulig (1), men dette øker feilvariasjonen. Praktisk prognose krever en mellomverdi. Forecasting with Excel Forecasting-tillegget implementerer de bevegelige gjennomsnittlige formlene. Eksempelet nedenfor viser analysen som ble levert av tillegget for prøvedataene i kolonne B. De første 10 observasjonene er indeksert -9 til 0. Sammenlignet med tabellen over, forskyves periodindeksene med -10. De første ti observasjonene gir oppstartsverdiene for estimatet og brukes til å beregne det bevegelige gjennomsnittet for perioden 0. MA (10) kolonnen (C) viser de beregnede bevegelige gjennomsnittene. Den bevegelige gjennomsnittsparameteren m er i celle C3. Fore (1) kolonne (D) viser en prognose for en periode inn i fremtiden. Forespørselsintervallet er i celle D3. Når prognoseperioden endres til et større tall, blir tallene i Fore-kolonnen flyttet ned. Err-kolonnen (E) viser forskjellen mellom observasjonen og prognosen. For eksempel er observasjonen ved tidspunkt 1 6. Den prognostiserte verdien fra det bevegelige gjennomsnittet ved tid 0 er 11,1. Feilen er da -5,1. Standardavviket og gjennomsnittlig avvik (MAD) beregnes i henholdsvis cellene E6 og E7. Den enkleste tilnærmingen er å ta gjennomsnittet fra januar til mars og bruke det til å estimere April8217s salg: (129 134 122) 3 128 333 På salget fra januar til mars forutsier 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 gjennomsnittsserien 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 vet ikke hvordan du gjør det klart og strukturert. Det avhenger egentlig av mengden og kvaliteten på dataene du har, og din prognosehorisont (langsiktig, mellomlang eller kort sikt). Veidede Flytte gjennomsnittlige prognosemetoder: Fordeler og Cons Hei, ELSKER innlegget ditt. Lurte på om du kunne utdype seg videre. Vi bruker SAP. I det er det et valg du kan velge før du kjører din prognose som kalles initialisering. Hvis du sjekker dette alternativet, får du et prospektresultat, hvis du kjører prognosen igjen, i samme periode, og ikke kontrollerer initialisering, endres resultatet. Jeg kan ikke finne ut hva den initialiseringen gjør. Jeg mener matematisk. Hvilket prognoseresultat er best å lagre og bruke for eksempel. Endringene mellom de to er ikke i prognosen, men i MAD og Error, sikkerhetslager og ROP-mengder. Ikke sikker på om du bruker SAP. hei takk for å forklare så effektivt det er for gd. takk igjen Jaspreet Legg igjen en kommentar Avbryt svar Om Shmula Pete Abilla er grunnleggeren av Shmula og tegnet Kanban Cody. Han har hjulpet selskaper som Amazon, Zappos, eBay, Backcountry, og andre, reduserer kostnader og forbedrer kundeopplevelsen. Han gjør dette gjennom en systematisk metode for å identifisere smertepunkter som påvirker kunden og virksomheten, og oppfordrer bred deltakelse fra selskapets medarbeidere til å forbedre sine egne prosesser. Dette nettstedet er en samling av hans erfaringer han ønsker å dele med deg. Kom i gang med gratis nedlastinger
No comments:
Post a Comment