Bewegende gemiddelde seisoenale patroon

Bewegende gemiddeldes faseverskuiwing is die verskil in die opsporing van draaipunte tussen oorspronklike en stryk data. Hierdie effek is 'n nadeel as dit veroorsaak 'n vertraging in die opsporing van die draaipunte van die tydreeks, veral in die mees onlangse tydperk. Die simmetriese, gesentreer bewegende gemiddeldes is bestand teen hierdie effek. Maar aan die einde (en die begin) van tydreekse simmetriese tydreeks kan nie gebruik word nie. Met die oog op die stryk waardes in die beide kante van die tydreeks die asimmetriese filter gebruik word bereken, maar hulle veroorsaak dat die fase krag. Tags / Keywords: Jy kan kliek en sleep in die plot area in U zoom kan muis oor datapunte om die werklike waarde wat weergegee As daar 'n legende boks te sien, kliek op die naam reeks om weg te steek / toon hulle Introduction bewegende gemiddeldes is rekenkundige gemiddeldes van toepassing op opeenvolgende tyd strek van vaste lengte van die reeks. Wanneer dit toegepas word om die oorspronklike tydreekse produseer hulle 'n reeks van gemiddeld waardes. Die algemene formule vir bewegende gemiddelde M van koëffisiënte is: die bewegende gemiddeldes koëffisiënte is gewigte genoem. Die hoeveelheid p f 1 is die bewegende gemiddelde bestel. Die bewegende gemiddelde genoem gesentreer as die aantal waarnemings in die verlede is gelyk aan die aantal waarneming in die toekoms (bv as p gelyk is aan f). Bewegende gemiddeldes te vervang die oorspronklike tydreekse deur geweegde gemiddeldes van die huidige waardes, p Waarnemings voor die huidige waarneming en f Waarnemings na aanleiding van die huidige waarneming. Hulle word gebruik om die oorspronklike tydreekse gladder. Voorbeeld Die tabel toon die aantal passasiers gereis deur die lug deur Finland berig in 2001. Dieselfde data word op die grafiek: Tipe bewegende gemiddeldes op grond van gewig patrone, bewegende gemiddeldes kan wees: Simmetriese die gewig van patroon gebruik word vir die berekening van bewegende gemiddeldes is simmetries om die teiken data punt. Deur middel van simmetriese bewegende gemiddeldes is dit nie moontlik om die reëlmatige waardes vir die eerste p en laaste p waarnemings te verkry (vir simmetriese bewegende gemiddeldes PF). Voorbeeld Asimmetriese die gewig van patroon gebruik word vir die berekening van bewegende gemiddeldes is nie simmetries om die teiken data punt Voorbeeld bewegende gemiddeldes kan ook geklassifiseer word volgens hul bydrae tot die finale waarde as: Eenvoudige bewegende gemiddeldes, naamlik die bewegende gemiddeldes waarvoor alle gewigte is dieselfde in geval van 'n eenvoudige bewegende gemiddeldes al die waarnemings ewe bydra tot die finale waarde. Nodeloos om te sê, al eenvoudig bewegende gemiddeldes is simmetriese. Formeel, vir simmetriese bewegende gemiddelde van orde P 2p 1 al die gewigte is gelyk aan 1 / P. Voorbeeld Die prentjie hieronder vergelyk die mate van gladstryking bereik deur die toepassing van 3 termyn en 7 termyn eenvoudige bewegende gemiddeldes. Die uiterste Waarnemings (bv April 2010 of Junie 2011) het 'n laer impak op die langer bewegende gemiddelde as die korter een. Nie eenvoudige bewegende gemiddeldes, naamlik die bewegende gemiddeldes waarvoor alle gewigte is nie dieselfde nie. Die spesiale gevalle van nie-eenvoudige bewegende gemiddeldes is: Saamgestelde bewegende gemiddeldes, wat verkry word deur die saamstel van 'n eenvoudige bewegende gemiddelde van orde P, wie se koëffisiënte is almal gelyk aan 1 P en 'n eenvoudige bewegende gemiddelde van orde Q, wie se koëffisiënte is almal gelyk tot 1 Vraag Asimmetriese bewegende gemiddeldes. Eienskappe van bewegende gemiddeldes Die bewegende gemiddeldes gladder die tydreeks. Wanneer dit toegepas word om 'n tydreeks, verminder hulle die amplitude van die waargeneem skommelinge en op te tree as 'n filter wat onreëlmatige bewegings verwyder daaruit. Die bewegende gemiddeldes met toepaslike gewig patroon kan gebruik word om siklusse van 'n sekere lengte in die tyd reeks uit te skakel. In X-12-ARIMA seisoensaanpassing metode verskillende soorte bewegende gemiddeldes word gebruik om die tendens-siklus en seisoenale komponent skat. As die som van die koëffisiënte gelyk aan 1 is, dan is die bewegende gemiddelde behoud van die tendens. Bewegende gemiddeldes het twee belangrike gebreke: Hulle is nie sterk en kan diep geraak deur uitskieters Die smoothing aan die einde van die reeks kan nie gedoen word nie, maar met asimmetriese bewegende gemiddeldes watter fase verskuiwings en vertragings te voer in die opsporing van draaipunte in die X11 metode , simmetriese bewegende gemiddeldes speel 'n belangrike rol as hulle nie 'n faseverskuiwing in die stryk reeks bekend te stel. Maar, om te verhoed dat die verlies van inligting op die reeks eindig, is dit óf aangevul deur ad hoc asimmetriese bewegende gemiddeldes of toegepas op die reeks voltooi deur voorspellings. Reg boxSpreadsheet implementering van seisoenale aanpassing en eksponensiële gladstryking Dit is maklik om seisoenale aanpassing voer en pas eksponensiële gladstryking modelle met behulp van Excel. Die skerm beelde en kaarte hieronder is geneem uit 'n sigblad wat is opgestel om multiplikatiewe seisoenale aanpassing en lineêre eksponensiële gladstryking op die volgende kwartaallikse verkope data van Buitenboord Marine illustreer: Om 'n afskrif van die sigbladlêer self te bekom, kliek hier. Die weergawe van lineêre eksponensiële gladstryking wat hier gebruik sal word vir doeleindes van demonstrasie is Brown8217s weergawe, bloot omdat dit geïmplementeer kan word met 'n enkele kolom van formules en daar is net een glad konstante te optimaliseer. Gewoonlik is dit beter om Holt8217s weergawe dat afsonderlike glad konstantes vir vlak en tendens het gebruik. Die vooruitskatting proses verloop soos volg: (i) die eerste keer die data is seisoenaal-aangepaste (ii) dan voorspellings gegenereer vir die seisoenaal-aangepaste data via lineêre eksponensiële gladstryking en (iii) Ten slotte het die seisoensaangesuiwerde voorspellings is quotreseasonalizedquot om voorspellings vir die oorspronklike reeks te verkry . Die aanpassingsproses seisoenale word in kolomme gedoen D deur G. Die eerste stap in seisoenale aanpassing is om te bereken 'n gesentreerde bewegende gemiddelde (hier opgevoer in kolom D). Dit kan gedoen word deur die gemiddelde van twee een-jaar-wye gemiddeldes wat geneutraliseer deur 'n tydperk relatief tot mekaar. ( 'N kombinasie van twee geneutraliseer gemiddeldes eerder as 'n enkele gemiddelde nodig vir sentrering doeleindes wanneer die aantal seisoene is selfs.) Die volgende stap is om die verhouding te bereken om bewegende gemiddelde --i. e. die oorspronklike data gedeel deur die bewegende gemiddelde in elke tydperk - wat hier uitgevoer word in kolom E. (Dit is ook die quottrend-cyclequot komponent van die patroon genoem, sover tendens en besigheid-siklus effekte kan oorweeg word om almal wat bly nadat gemiddeld meer as 'n geheel jaar se data. natuurlik, maand-tot-maand veranderinge wat nie as gevolg van seisoenale kan bepaal word deur baie ander faktore, maar die 12-maande-gemiddelde glad oor hulle 'n groot mate.) die na raming seisoenale indeks vir elke seisoen word bereken deur die eerste gemiddeld al die verhoudings vir daardie spesifieke seisoen, wat gedoen word in selle G3-G6 behulp van 'n AVERAGEIF formule. Die gemiddelde verhoudings word dan verklein sodat hulle som presies 100 keer die aantal periodes in 'n seisoen, of 400 in hierdie geval, wat gedoen word in selle H3-H6. Onder in kolom F, word VLOOKUP formules wat gebruik word om die toepaslike seisoenale indeks waarde in elke ry van die datatabel voeg, volgens die kwartaal van die jaar wat dit verteenwoordig. Die gesentreerde bewegende gemiddelde en die seisoensaangepaste data beland lyk soos hierdie: Let daarop dat die bewegende gemiddelde lyk tipies soos 'n gladder weergawe van die seisoensaangepaste reeks, en dit is korter aan beide kante. Nog 'n werkblad in dieselfde Excel lêer toon die toepassing van die lineêre eksponensiële gladstryking model om die seisoensaangepaste data, begin in kolom G. 'n Waarde vir die glad konstante (alfa) bo die voorspelling kolom ingeskryf (hier, in sel H9) en vir gerief dit die omvang naam quotAlpha. quot (die naam is opgedra deur die opdrag quotInsert / naam / Createquot.) die LES model is geïnisialiseer deur die oprigting van die eerste twee voorspellings gelyk aan die eerste werklike waarde van die seisoensaangepaste reeks toegeken. Die formule wat hier gebruik word vir die LES voorspelling is die enkel-vergelyking rekursiewe vorm van Brown8217s model: Hierdie formule is in die sel wat ooreenstem met die derde tydperk (hier, sel H15) aangegaan en kopieer af van daar af. Let daarop dat die LES voorspelling vir die huidige tydperk verwys na die twee voorafgaande waarnemings en die twee voorafgaande voorspelling foute, sowel as om die waarde van alfa. So, die voorspelling formule in ry 15 slegs verwys na data wat beskikbaar is in ry 14 en vroeër was. (Natuurlik, as ons wou eenvoudig in plaas van lineêre eksponensiële gladstryking te gebruik, kan ons die SES formule hier vervang in plaas. Ons kan ook gebruik Holt8217s eerder as Brown8217s LES model, wat nog twee kolomme van formules sou vereis dat die vlak en tendens bereken wat gebruik word in die vooruitsig.) die foute word bereken in die volgende kolom (hier, kolom J) deur die aftrekking van die voorspellings van die werklike waardes. Die wortel beteken kwadraat fout is bereken as die vierkantswortel van die variansie van die foute plus die vierkant van die gemiddelde. (Dit volg uit die wiskundige identiteit. MSE afwyking (foute) (gemiddeld (foute)) 2) By die berekening van die gemiddelde en variansie van die foute in hierdie formule, is die eerste twee periodes uitgesluit omdat die model vooruitskatting nie eintlik nie begin totdat die derde tydperk (ry 15 op die sigblad). Die optimale waarde van alfa kan óf gevind word deur die hand verander alfa tot die minimum RMSE is gevind, of anders kan jy die quotSolverquot gebruik om 'n presiese minimering. Die waarde van alfa dat die Solver gevind word hier (alpha0.471) getoon. Dit is gewoonlik 'n goeie idee om die foute van die model (in omskep eenhede) te plot en ook om te bereken en stip hul outokorrelasies by lags van tot een seisoen. Hier is 'n tydreeks plot van die (seisoenaangepaste) foute: Die fout outokorrelasies word bereken deur gebruik te maak van die funksie CORREL () om die korrelasies van die foute te bereken met hulself uitgestel word deur een of meer periodes - besonderhede word in die sigblad model . Hier is 'n plot van die outokorrelasies van die foute by die eerste vyf lags: Die outokorrelasies by lags 1 tot 3 is baie naby aan nul, maar die pen op lag 4 (wie se waarde is 0.35) is 'n bietjie lastig - dit dui daarop dat die seisoenale aanpassing proses het nie heeltemal suksesvol. Maar dit is eintlik net effens betekenisvol. 95 betekenis bands om te toets of outokorrelasies is aansienlik verskil van nul is min of meer plus-of-minus 2 / SQRT (N-k), waar n die steekproefgrootte en k is die lag. Hier N 38 en k wissel van 1 tot 5, so die vierkant-wortel-van-n-minus-k is ongeveer 6 vir almal, en vandaar die perke vir die toets van die statistiese betekenisvolheid van afwykings van nul is min of meer plus - of-minus 2/6, of 0.33. As jy die waarde van alfa wissel met die hand in hierdie Excel model, kan jy die effek op die tydreeks en outokorrelasie erwe van die foute in ag te neem, sowel as op die wortel-gemiddelde-kwadraat fout, wat onder sal wees geïllustreer. Aan die onderkant van die sigblad, is die voorspelling formule quotbootstrappedquot in die toekoms deur bloot vervang voorspellings vir werklike waardes by die punt waar die werklike data loop uit - d. w.z. waar quotthe futurequot begin. (Met ander woorde, in elke sel waar 'n toekomstige datawaarde sou plaasvind, 'n selverwysing is ingevoeg wat daarop dui dat die voorspelling gemaak vir daardie tydperk.) Al die ander formules is eenvoudig van bo af gekopieer: Let daarop dat die foute vir voorspellings van die toekoms is al bereken as nul. Dit beteken nie dat die werklike foute sal nul wees nie, maar eerder dit weerspieël bloot die feit dat vir doeleindes van voorspelling is ons veronderstelling dat die toekoms data die voorspellings sal gelyk gemiddeld. Die gevolglike LES voorspellings vir die seisoenaal-aangepaste data soos volg lyk: Met hierdie besondere waarde van Alpha, wat is optimaal vir een-periode-vooruit voorspellings, die geprojekteerde tendens is effens opwaarts, wat die plaaslike tendens wat oor die afgelope 2 jaar is waargeneem of so. Vir ander waardes van Alpha dalk 'n heel ander tendens projeksie verkry. Dit is gewoonlik 'n goeie idee om te sien wat gebeur met die langtermyn-tendens projeksie wanneer Alpha is uiteenlopend, omdat die waarde wat die beste vir 'n kort termyn vooruitskatting sal nie noodwendig die beste waarde vir die voorspelling van die meer verre toekoms wees. Byvoorbeeld, hier is die resultaat wat verkry word indien die waarde van alfa hand is ingestel op 0,25: Die geprojekteerde langtermyn-tendens is nou negatiewe eerder as positiewe Met 'n kleiner waarde van Alpha model plaas meer gewig op ouer data in sy skatting van die huidige vlak en tendens, en sy voorspellings langtermyn weerspieël die afwaartse neiging waargeneem oor die afgelope 5 jaar, eerder as die meer onlangse opwaartse neiging. Hierdie grafiek ook duidelik illustreer hoe die model met 'n kleiner waarde van Alpha is stadiger te reageer op quotturning pointsquot in die data en dus geneig is om 'n fout van die dieselfde teken maak vir baie tye in 'n ry. Die 1-stap-ahead voorspelling foute is groter gemiddeld as dié verkry voordat (RMSE van 34,4 eerder as 27.4) en sterk positief autocorrelated. Die lag-1 outokorrelasie van 0,56 oorskry grootliks die waarde van 0.33 hierbo bereken vir 'n statisties beduidende afwyking van nul. As 'n alternatief vir slingerspoed die waarde van alfa ten einde meer konserwatisme te voer in 'n lang termyn voorspellings, is 'n quottrend dampeningquot faktor soms by die model ten einde te maak die geprojekteerde tendens plat uit na 'n paar periodes. Die finale stap in die bou van die voorspelling model is om die LES voorspellings quotreasonalizequot deur hulle deur die toepaslike seisoenale indekse te vermenigvuldig. So, die reseasonalized voorspellings in kolom Ek is net die produk van die seisoenale indekse in kolom F en die seisoensaangepaste LES voorspellings in kolom H. Dit is relatief maklik om vertrouensintervalle bereken vir een-stap-ahead voorspellings gemaak deur hierdie model: eerste bereken die RMSE (wortel-gemiddelde-kwadraat fout, wat net die vierkantswortel van die MSE) en dan bereken 'n vertrouensinterval vir die seisoensaangepaste voorspel deur optelling en aftrekking twee keer die RMSE. (Oor die algemeen 'n 95 vertrouensinterval vir 'n een-tydperk lig voorspelling is min of meer gelyk aan die punt voorspelling plus-of-minus twee keer die geskatte standaardafwyking van die voorspelling foute, die aanvaarding van die fout verspreiding is ongeveer normale en die steekproefgrootte groot genoeg is, sê, 20 of meer. Hier is die RMSE eerder as die monster standaardafwyking van die foute is die beste raming van die standaard afwyking van toekomstige vooruitsig foute, want dit neem vooroordeel sowel toevallige variasies in ag.) die vertroue perke vir die seisoensaangepaste voorspelling is dan reseasonalized. saam met die voorspelling, deur hulle met die toepaslike seisoenale indekse te vermenigvuldig. In hierdie geval is die RMSE is gelyk aan 27.4 en die seisoensaangepaste voorspelling vir die eerste toekoms tydperk (Desember-93) is 273,2. sodat die seisoensaangepaste 95 vertrouensinterval is 273,2-227,4 218,4 te 273.2227.4 328,0. Vermenigvuldig hierdie perke deur Decembers seisoenale indeks van 68,61. Ons kry onderste en boonste vertroue grense van 149,8 en 225,0 rondom die Desember-93 punt voorspelling van 187,4. Vertroue perke vir voorspellings meer as een tydperk wat voorlê, sal oor die algemeen uit te brei as die voorspelling horison toeneem, as gevolg van onsekerheid oor die vlak en tendens asook die seisoenale faktore, maar dit is moeilik om hulle te bereken in die algemeen deur analitiese metodes. (Die geskikte manier om vertroue perke vir die LES voorspelling bereken is deur die gebruik van ARIMA teorie, maar die onsekerheid in die seisoenale indekse is 'n ander saak.) As jy 'n realistiese vertroue interval vir 'n voorspelling wil meer as een tydperk wat voorlê, met al die bronne van fout in ag, jou beste bet is om empiriese metodes gebruik: byvoorbeeld, 'n vertrouensinterval vir 'n 2-stap vorentoe voorspel verkry, jy kan 'n ander kolom skep op die sigblad om 'n 2-stap-ahead voorspelling bereken vir elke tydperk ( deur Opstarten die een-stap-ahead voorspelling). bereken dan die RMSE van die 2-stap-ahead voorspelling foute en gebruik dit as die basis vir 'n 2-stap-ahead vertroue interval. Time Reeks Metodes Tyd reeks metodes is statistiese tegnieke wat gebruik maak van historiese data opgehoopte oor 'n tydperk van die tyd te maak . Tydreeks metodes aanvaar dat dit wat in die verlede plaasgevind sal voortgaan om in die toekoms plaasvind. Soos die naam tydreekse suggereer, hierdie metodes in verband die vooruitsig om slegs een faktor - tyd. Dit sluit in die bewegende gemiddelde, eksponensiële gladstryking, en lineêre tendens lyn en hulle is een van die gewildste metodes vir 'n kort-reeks voorspelling onder diens en vervaardiging van maatskappye. Hierdie metodes aanvaar dat identifiseerbare historiese patrone of tendense vir die vraag oor 'n tydperk sal hulself herhaal. Bewegende gemiddelde A tydreeks vooruitskatting kan so eenvoudig wees soos die gebruik van die vraag in die huidige tydperk tot die vraag in die volgende tydperk voorspel word. Dit is soms 'n naïef of intuïtief skatting. 4 Byvoorbeeld, as die vraag is 100 eenhede vandeesweek die voorspelling vir die volgende weke vraag is 100 eenhede as die vraag blyk te wees 90 eenhede in plaas wees, dan is die volgende weke vraag is 90 eenhede, en so aan. Hierdie tipe van vooruitskatting metode nie in ag neem historiese gedrag vraag dit berus slegs op aanvraag in die huidige tydperk. Dit reageer direk na die normale, ewekansige bewegings in aanvraag. Die eenvoudige bewegende gemiddelde metode gebruik 'n paar vraag waardes tydens die onlangse verlede 'n voorspelling te ontwikkel. Dit is geneig om te demp, of glad, die ewekansige toeneem en afneem van 'n voorspelling dat slegs een tydperk gebruik. Die eenvoudige bewegende gemiddelde is nuttig vir vooruitskatting vraag wat is stabiel en geen uitgesproke vraag gedrag vertoon, soos 'n tendens of seisoenale patroon. Bewegende gemiddeldes word bereken vir bepaalde tydperke, soos drie maande of vyf maande, afhangende van hoeveel die weervoorspeller begeer om die vraag data glad. Hoe langer die bewegende gemiddelde tydperk, die gladder dit sal wees. Die formule vir die berekening van die eenvoudige bewegende gemiddelde is Rekenaarkunde n Eenvoudige bewegende gemiddelde Die Instant Skuifspeld Kantoor Supply Company verkoop en lewer kantoor verskaf aan maatskappye, skole, en agentskappe binne 'n radius van 50 myl van sy pakhuis. Die kantoor voorsien besigheid is mededingend, en die vermoë om bestellings te vinnig te lewer is 'n faktor in kry nuwe kliënte en die behoud van oues. (Kantore bestel tipies nie wanneer hulle lae hardloop op voorrade, maar wanneer hulle heeltemal uitgeput. As gevolg hiervan, het hulle onmiddellik moet hul bestellings.) Die bestuurder van die maatskappy wil seker wees genoeg bestuurders en voertuie beskikbaar is om bestellings te vinnig te lewer en hulle het voldoende voorraad in voorraad. Daarom is die bestuurder wil in staat wees om die aantal bestellings wat sal plaasvind gedurende die volgende maand voorspel (dit wil sê die vraag na aflewerings voorspel). Van rekords van aflewering bestellings, het die bestuur opgehoopte die volgende data vir die afgelope 10 maande, waaruit dit wil 3- en 5-maande bewegende gemiddeldes te bereken. Kom ons neem aan dat dit die einde van Oktober. Die voorspelling as gevolg van óf die 3 of die 5-maande bewegende gemiddelde is tipies vir die volgende maand in die volgorde, wat in hierdie geval is November. Die bewegende gemiddelde word bereken uit die vraag na bestellings vir die vorige 3 maande in die volgorde volgens die volgende formule: Die 3- en 5-maande: die 5-maande bewegende gemiddelde is soos volg bereken vanaf die vorige 5 maande van die vraag data bewegende gemiddelde voorspellings vir al die maande van die vraag data word in die volgende tabel. Eintlik, sou net die voorspelling vir November gebaseer op die mees onlangse maandelikse vraag gebruik word deur die bestuurder. Maar die vroeëre voorspellings vir vorige maande toelaat om die voorspelling te vergelyk met die werklike vraag om te sien hoe akkuraat die voorspellings metode is - dit is, hoe goed dit werk. Drie - en vyf maande Gemiddeldes Beide bewegende gemiddelde voorspellings in die tabel hierbo is geneig om uit te stryk die variasie wat in die werklike data. Dit glad effek waargeneem kan word in die volgende figuur waarin die 3-maande en 5 maande gemiddeldes is bo-op 'n grafiek van die oorspronklike data: Die 5-maande bewegende gemiddelde in die vorige figuur glad uit skommelinge in 'n mindere mate as die 3-maande bewegende gemiddelde. Maar die 3-maande-gemiddelde van naderby weerspieël die mees onlangse data beskikbaar is om die kantoor voorsien bestuurder. In die algemeen, voorspellings met behulp van die langer tydperk bewegende gemiddelde is stadiger te reageer op onlangse veranderings in vraag as wat diegene wat met behulp van korter-tydperk bewegende gemiddeldes. Die ekstra periodes van data demp die spoed waarmee die voorspelling reageer. Stigting van die toepaslike aantal periodes te gebruik in 'n bewegende gemiddelde vooruitskatting vereis dikwels 'n paar bedrag van probeer-en-tref eksperimentering. Die nadeel van die bewegende gemiddelde metode is dat dit nie reageer op variasies wat voorkom vir 'n rede, soos siklusse en seisoenale effekte. Faktore wat veranderings veroorsaak is oor die algemeen geïgnoreer. Dit is basies 'n meganiese metode, wat historiese data in 'n konsekwente manier weerspieël. Maar die bewegende gemiddelde metode het wel die voordeel dat dit maklik om te gebruik, vinnig, en relatief goedkoop. In die algemeen, kan hierdie metode 'n goeie vooruitsig vir die kort termyn te voorsien, maar dit behoort nie te ver gestoot in die toekoms. Geweegde Moving Gemiddelde Die bewegende gemiddelde metode aangepas kan word om nouer weerspieël skommelinge in die data. In die geweegde bewegende gemiddelde metode, is gewigte aan die mees onlangse data volgens die volgende formule: Die vraag data vir PM Computer Services (in die tabel getoon vir Voorbeeld 10.3) blyk 'n verhoging van lineêre tendens volg. Die maatskappy wil 'n lineêre tendens lyn te bereken om te sien of dit is meer akkuraat as die eksponensiële gladstryking en aangepas eksponensiële gladstryking voorspellings ontwikkel in Voorbeelde 10.3 en 10.4. Die waardes wat nodig is vir die kleinstekwadrate berekeninge is soos volg: Daarom is die lineêre tendens lyn vergelyking is om 'n voorspelling te bereken vir tydperk 13, laat x 13 in die lineêre: Die gebruik van hierdie waardes, is die parameters vir die lineêre tendens lyn soos volg bereken tendens lyn: die volgende grafiek toon die lineêre tendens lyn in vergelyking met die werklike data. Die tendens lyn verskyn om nou die werklike data weerspieël - dit is, om 'n goeie passing wees - en sal dus 'n goeie voorspelling model vir hierdie probleem te wees nie. Maar 'n nadeel van die lineêre tendens is dat dit nie sal pas by 'n verandering in die tendens, soos die eksponensiële gladstryking voorspelling metodes sal dit is, dit word aanvaar dat alle toekomstige voorspellings 'n reguit lyn sal volg. Dit beperk die gebruik van hierdie metode om 'n korter tydperk waarin jy relatief seker dat die tendens sal nie verander kan word. Seisoenale aanpassings n seisoenale patroon is 'n herhalende toename en afname in die vraag. Baie vraag items uitstal seisoenale gedrag. Klere verkope volg jaarlikse seisoenale patrone, met die vraag na warm klere aan die toeneem in die herfs en winter en dalende in die lente en somer as die vraag na koeler klere toeneem. Die vraag na baie kleinhandel items, insluitend speelgoed, sporttoerusting, klere, elektroniese toestelle, ham, kalkoene, wyn en vrugte, toename gedurende die vakansieseisoen. Groet die vraag kaart stygings in samewerking met spesiale dae soos Valentynsdag en Moedersdag. Seisoenale patrone kan ook voorkom op 'n maandelikse, weeklikse, of selfs daagliks. Sommige restaurante het 'n hoër vraag in die aand as by die middagete of oor naweke in teenstelling met weeksdae. Verkeer - vandaar verkope - by winkelsentrums optel op Vrydag en Saterdag. Daar is verskeie metodes vir weerspieël seisoenale patrone in 'n tydreeks vooruitskatting. Ons sal beskryf een van die eenvoudiger metodes gebruik te maak van 'n seisoenale faktor. 'N seisoenale faktor is 'n numeriese waarde wat vermenigvuldig met die normale voorspelling om 'n seisoensaangepaste voorspelling te kry. Een metode vir die ontwikkeling van 'n vraag na seisoenale faktore is om die vraag na elke seisoen tydperk deur totale jaarlikse vraag te verdeel, volgens die volgende formule: Die gevolglike seisoenale faktore tussen 0 en 1,0 is, in effek, die gedeelte van die totale jaarlikse vraag aan elke seisoen. Hierdie seisoenale faktore word vermenigvuldig met die jaarlikse geskatte vraag na aangepaste vooruitskattings gee vir elke seisoen. Berekening van 'n voorspelling met seisoenale aanpassings Been Plase groei kalkoene te verkoop aan 'n vleis verwerking maatskappy regdeur die jaar. Maar sy seisoen is natuurlik in die vierde kwartaal van die jaar, vanaf Oktober tot Desember. Been Plase ervaar die vraag na kalkoene vir die afgelope drie jaar getoon in die volgende tabel: Omdat ons drie jaar van die vraag data, kan ons die seisoenale faktore bereken word deur die totale kwartaallikse vraag na die drie jaar deur totale vraag oor al drie jare : volgende, ons wil die geskatte vraag na die volgende jaar, 2000 vermeerder deur elk van die seisoenale faktore tot die geskatte vraag na elke kwartaal kry. Om dit te bereik, het ons 'n vraag voorspelling vir 2000 moet In hierdie geval, aangesien die vraag data in die tabel lyk na 'n algemeen toenemende tendens toon, bereken ons 'n lineêre tendens lyn vir die drie jaar van data in die tabel om 'n rowwe kry voorspelling raming: So, die vooruitsig vir 2000 is 58,17, of 58.170 kalkoene. Die gebruik van hierdie jaarlikse voorspelling van die vraag, die seisoensaangepaste voorspellings, SF ek, vir 2000 vergelyk hierdie kwartaallikse voorspellings met die werklike vraag waardes in die tabel, sou hulle lyk redelik goed voorspel skattings, weerspieël beide die seisoenale variasies in die data en die algemene opwaartse neiging. 10-12. Hoe is die bewegende gemiddelde metode soortgelyk aan eksponensiële gladstryking 10-13. Watter uitwerking op die eksponensiële gladstryking model sal die verhoging van die glad konstante het 10-14. Hoe eksponensiële gladstryking aangepas verskil van eksponensiële gladstryking 10-15. Wat bepaal die keuse van die smoothing konstante vir tendens in 'n aangepaste eksponensiële gladstryking model 10-16. In die hoofstuk voorbeelde vir tydreekse metodes, is die begin voorspelling altyd aanvaar dat die dieselfde as werklike vraag in die eerste periode wees. Stel ander maniere waarop die begin voorspel kan word afgelei in die werklike gebruik. 10-17. Hoe die lineêre tendens lyn voorspelling model verskil van 'n lineêre regressiemodel vir die voorspelling 10-18. Van die tyd reeks modelle wat in hierdie hoofstuk, insluitende die bewegende gemiddelde en geweegde bewegende gemiddelde, eksponensiële gladstryking en aangepas eksponensiële gladstryking, en lineêre tendens lyn, watter een jy die beste Hoekom 10-19 in ag neem. Watter voordele hou aangepas eksponensiële gladstryking het meer as 'n lineêre tendens lyn vir die geskatte vraag wat 'n tendens 4 uitstallings K. B. Kahn en J. T. Mentzer, vooruitskatting in verbruikers-en industriële markte, Die Journal of Business Vooruitskatting 14, no. 2 (Summer 1995): 21-28.Forecasting seasonals en tendense deur eksponensieel geweeg bewegende gemiddeldes Opsomming Die papier bied 'n sistematiese ontwikkeling van die voorspelling uitdrukkings vir eksponensiële geweegde bewegende gemiddeldes. Metodes vir die reeks met geen tendens, of toevoeging of vermenigvuldiging tendens word ondersoek. Net so, die metodes te dek nie-seisoenale en seisoenale reeks met toevoeging of vermenigvuldiging fout strukture. Die papier is 'n herdruk weergawe van die verslag 1957 aan die Kantoor van Naval Navorsing (ONR 52) en word hier gepubliseer om groter toeganklikheid bied. Sleutelwoorde Eksponensiële glad Vooruitskatting Plaaslike seasonals Plaaslike tendense Kopiereg afskrif 2004 Uitgegee deur Elsevier BV Biografie: Charles C. HOLT is professor in Management emeritus aan die Graduate School of Business, Universiteit van Texas in Austin. Sy huidige navorsing is op kwantitatiewe besluit metodes, besluitsteunstelsels, en finansiële vooruitskatting. Voorheen het hy navorsing en onderrig gedoen word by M. I.T. Carnegie Mellon Universiteit, die London School of Economics, die Universiteit van Wisconsin en die Urban Institute. Hy is reeds aktief in rekenaartoepassings sedert 1947, en het navorsing oor outomatiese beheer, die simulasie van ekonomiese stelsels gedoen, skedulering produksie, indiensname en voorrade, en die dinamika van inflasie en unemployment. Moving Gemiddelde Hierdie voorbeeld leer jy hoe om die bewegende bereken gemiddelde van 'n tydreeks in Excel. 'N bewegende avearge gebruik te stryk onreëlmatighede (pieke en dale) om maklik tendense herken. 1. In die eerste plek kan 'n blik op ons tyd reeks. 2. Klik op die blad Data, kliek Data-analise. Nota: cant vind die Data-analise knoppie Klik hier om die analise ToolPak add-in te laai. 3. Kies bewegende gemiddelde en klik op OK. 4. Klik op die insette Range boks en kies die reeks B2: M2. 5. Klik op die boks interval en tik 6. 6. Klik in die uitset Range boks en kies sel B3. 8. Teken 'n grafiek van hierdie waardes. Verduideliking: omdat ons die interval stel om 6, die bewegende gemiddelde is die gemiddeld van die vorige 5 datapunte en die huidige data punt. As gevolg hiervan, is pieke en dale stryk uit. Die grafiek toon 'n toenemende tendens. Excel kan nie bereken die bewegende gemiddelde vir die eerste 5 datapunte, want daar is nie genoeg vorige datapunte. 9. Herhaal stappe 2 tot 8 vir interval 2 en interval 4. Gevolgtrekking: Hoe groter die interval, hoe meer die pieke en dale is glad nie. Hoe kleiner die interval, hoe nader die bewegende gemiddeldes is om die werklike data punte. Hou jy van hierdie gratis webwerf Deel asseblief hierdie bladsy op Google