Gleitende durchschnittliche Vorhersage Einführung. Wie Sie vielleicht vermuten, sehen wir uns einige der primitivsten Ansätze zur Prognose an. Aber hoffentlich sind dies zumindest eine lohnende Einführung in einige der Computing-Fragen im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir fortfahren, indem wir am Anfang beginnen und mit Moving Average Prognosen arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist mit gleitenden durchschnittlichen Prognosen vertraut, unabhängig davon, ob sie glauben, dass sie sind. Alle College-Studenten machen sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, wo Sie vier Tests während des Semesters haben werden. Nehmen wir an, Sie haben eine 85 bei Ihrem ersten Test. Was würdest du für deinen zweiten Test-Score vorhersagen Was denkst du, dein Lehrer würde für deinen nächsten Test-Score voraussagen Was denkst du, deine Freunde können für deinen nächsten Test-Score voraussagen Was denkst du, deine Eltern können für deinen nächsten Test-Score voraussagen All das Blabbing, das du mit deinen Freunden und Eltern machen kannst, sie und deinem Lehrer sind sehr wahrscheinlich zu erwarten, dass du etwas im Bereich der 85 bekommst, die du gerade bekommen hast. Nun, jetzt können wir davon ausgehen, dass trotz Ihrer Selbst-Förderung zu Ihren Freunden, Sie über-schätzen Sie sich selbst und Figur können Sie weniger für den zweiten Test zu studieren und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmert zu gehen Erwarten Sie auf Ihrem dritten Test zu bekommen Es gibt zwei sehr wahrscheinlich Ansätze für sie eine Schätzung zu entwickeln, unabhängig davon, ob sie es mit Ihnen teilen wird. Sie können sich selbst sagen, "dieser Kerl ist immer bläst Rauch über seine smarts. Er wird noch 73, wenn er glücklich ist. Vielleicht werden die Eltern versuchen, mehr unterstützend zu sein und zu sagen, quotWell, so weit hast du eine 85 und eine 73 bekommen, also vielleicht solltest du auf eine (85 73) 2 79 kommen. Ich weiß nicht, vielleicht, wenn du weniger feiern musst Und werent wedelte den Wiesel überall auf den Platz und wenn du anfing, viel mehr zu studieren, könntest du eine höhere Punktzahl bekommen. Diese beiden Schätzungen belegen tatsächlich durchschnittliche Prognosen. Die erste nutzt nur Ihre aktuellste Punktzahl, um Ihre zukünftige Leistung zu prognostizieren. Dies wird als eine gleitende durchschnittliche Prognose mit einer Periode von Daten bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass all diese Leute, die auf deinem großen Verstand zerschlagen sind, dich irgendwie verärgert haben und du entscheidest, den dritten Test aus deinen eigenen Gründen gut zu machen und eine höhere Punktzahl vor deinem Quoten zu setzen. Sie nehmen den Test und Ihre Partitur ist eigentlich ein 89 Jeder, auch Sie selbst, ist beeindruckt. So, jetzt haben Sie die endgültige Prüfung des Semesters kommen und wie üblich fühlen Sie sich die Notwendigkeit, goad jeder in die Herstellung ihrer Vorhersagen darüber, wie youll auf den letzten Test zu tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich kannst du das Muster sehen. Was glaubst du, ist die genaueste Pfeife während wir arbeiten. Jetzt kehren wir zu unserer neuen Reinigungsfirma zurück, die von deiner entfremdeten Halbschwester namens Whistle während wir arbeiten. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst stellen wir die Daten für eine dreistellige gleitende durchschnittliche Prognose vor. Der Eintrag für Zelle C6 sollte jetzt sein. Du kannst diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie sich der Durchschnitt über die aktuellsten historischen Daten bewegt, aber genau die drei letzten Perioden verwendet, die für jede Vorhersage verfügbar sind. Sie sollten auch bemerken, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngsten Vorhersage zu entwickeln. Dies unterscheidet sich definitiv von dem exponentiellen Glättungsmodell. Ive enthalten die quotpast Vorhersagen, weil wir sie in der nächsten Webseite verwenden, um die Vorhersagegültigkeit zu messen. Jetzt möchte ich die analogen Ergebnisse für eine zweistufige gleitende durchschnittliche Prognose vorstellen. Der Eintrag für Zelle C5 sollte jetzt sein. Du kannst diese Zellformel in die anderen Zellen C6 bis C11 kopieren. Beachten Sie, wie jetzt nur die beiden letzten Stücke der historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast-Vorhersagen für illustrative Zwecke und für die spätere Verwendung in der Prognose-Validierung enthalten. Einige andere Dinge, die wichtig sind, um zu bemerken. Für eine m-Periode gleitende durchschnittliche Prognose werden nur die m aktuellsten Datenwerte verwendet, um die Vorhersage zu machen. Nichts anderes ist nötig Für eine m-Periode gleitende durchschnittliche Prognose, wenn Sie quotpast Vorhersagen quot, bemerken, dass die erste Vorhersage in Periode m 1 auftritt. Beide Themen werden sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der beweglichen Mittelfunktion. Jetzt müssen wir den Code für die gleitende Mittelprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingaben für die Anzahl der Perioden gelten, die Sie in der Prognose und dem Array von historischen Werten verwenden möchten. Sie können es in der beliebigen Arbeitsmappe speichern. Funktion MovingAverage (Historical, NumberOfPeriods) Als Single Declaring und Initialisierung von Variablen Dim Item als Variant Dim Zähler als Integer Dim Akkumulation als Single Dim HistoricalSize als Integer Initialisierung von Variablen Counter 1 Akkumulation 0 Bestimmen der Größe von Historical Array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Akkumulation der entsprechenden Anzahl der aktuellsten bisher beobachteten Werte Akkumulation Akkumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Der Code wird in der Klasse erklärt. Sie möchten die Funktion auf der Kalkulationstabelle positionieren, damit das Ergebnis der Berechnung erscheint, wo es wie folgt liegen soll. Forecasting von Smoothing Techniques Diese Seite ist ein Teil der JavaScript E-Labs Lernobjekte für die Entscheidungsfindung. Andere JavaScript in dieser Serie sind unter verschiedenen Anwendungsbereichen im MENU-Bereich auf dieser Seite kategorisiert. Eine Zeitreihe ist eine Folge von Beobachtungen, die rechtzeitig bestellt werden. Inhärent in der Sammlung von Daten über die Zeit genommen ist eine Form der zufälligen Variation. Es gibt Methoden zur Verringerung der Aufhebung der Wirkung durch zufällige Variation. Weit verbreitete Techniken sind Glättung. Diese Techniken zeigen, wenn sie richtig angewendet werden, deutlicher die zugrunde liegenden Trends. Geben Sie die Zeitreihe Row-weise in der Reihenfolge ein, beginnend von der linken oberen Ecke und den Parameter (s), und klicken Sie dann auf die Schaltfläche Berechnen, um eine Vorhersage zu erhalten. Blank Boxen sind nicht in den Berechnungen enthalten, aber Nullen sind. Wenn Sie Ihre Daten eingeben, um von Zelle zu Zelle in der Datenmatrix zu wechseln, benutzen Sie die Tabulatortaste nicht Pfeil oder geben Sie die Tasten ein. Merkmale der Zeitreihen, die durch die Prüfung ihres Graphen aufgedeckt werden könnten. Mit den prognostizierten Werten und dem Residualverhalten, Bedingungsprognosemodellierung. Moving Averages: Moving Averages gehören zu den beliebtesten Techniken für die Vorverarbeitung von Zeitreihen. Sie werden verwendet, um zufälliges weißes Rauschen aus den Daten zu filtern, um die Zeitreihe glatter zu machen oder sogar bestimmte in der Zeitreihe enthaltene Informationskomponenten zu betonen. Exponentielle Glättung: Dies ist ein sehr beliebtes Schema, um eine geglättete Zeitreihe zu produzieren. Während bei fortlaufenden Mitteln die bisherigen Beobachtungen gleich gewichtet werden, weist Exponentialglättung exponentiell abnehmende Gewichte zu, wenn die Beobachtung älter wird. Mit anderen Worten, die jüngsten Beobachtungen werden bei der Prognose relativ viel mehr gegeben als die älteren Beobachtungen. Double Exponential Smoothing ist besser bei der Handhabung von Trends. Triple Exponential Glättung ist besser bei der Behandlung von Parabel Trends. Ein exponentiell gewichteter gleitender Durchschnitt mit einer Glättungskonstante a. Entspricht etwa einem einfachen gleitenden Mittelwert der Länge (d. H. Periode) n, wobei a und n verwandt sind durch: a 2 (n1) OR n (2 - a) a. So würde beispielsweise ein exponentiell gewichteter gleitender Durchschnitt mit einer Glättungskonstante gleich 0,1 etwa einem 19-tägigen gleitenden Durchschnitt entsprechen. Und ein 40-Tage einfacher gleitender Durchschnitt würde etwa einem exponentiell gewichteten gleitenden Durchschnitt entsprechen, wobei eine Glättungskonstante gleich 0,04878 ist. Holts Linear Exponential Glättung: Angenommen, die Zeitreihe ist nicht saisonal, aber zeigt Trend. Holts-Methode schätzt sowohl den aktuellen Level als auch den aktuellen Trend. Beachten Sie, dass der einfache gleitende Durchschnitt ein besonderer Fall der exponentiellen Glättung ist, indem die Periode des gleitenden Durchschnitts auf den ganzzahligen Teil von (2-Alpha) Alpha gesetzt wird. Für die meisten Geschäftsdaten ist ein Alpha-Parameter kleiner als 0,40 oft wirksam. Jedoch kann man eine Gittersuche des Parameterraums mit 0,1 bis 0,9 mit Inkrementen von 0,1 durchführen. Dann hat das beste Alpha den kleinsten Mean Absolute Error (MA Error). Wie man mehrere Glättungsmethoden vergleicht: Obwohl es numerische Indikatoren für die Beurteilung der Genauigkeit der Prognose-Technik gibt, ist der am weitesten verbreitete Ansatz bei der Verwendung visueller Vergleich von mehreren Prognosen, um ihre Genauigkeit zu beurteilen und wählen Sie unter den verschiedenen Vorhersage Methoden. Bei diesem Ansatz muss man auf demselben Graphen die ursprünglichen Werte einer Zeitreihenvariablen und die vorhergesagten Werte aus verschiedenen Prognosemethoden (unter Verwendung von zB Excel) aufzeichnen, wodurch ein visueller Vergleich erleichtert wird. Sie können die vorherigen Prognosen durch Glättungstechniken JavaScript verwenden, um die vergangenen Prognosewerte zu erhalten, die auf Glättungstechniken basieren, die nur einen einzelnen Parameter verwenden. Holt - und Winters-Methoden verwenden zwei bzw. drei Parameter, daher ist es keine leichte Aufgabe, die optimalen oder sogar nahezu optimalen Werte durch Versuche und Fehler für die Parameter auszuwählen. Die einzige exponentielle Glättung unterstreicht die kurzfristige Perspektive, die sie auf die letzte Beobachtung setzt und basiert auf der Bedingung, dass es keinen Trend gibt. Die lineare Regression, die eine kleinste Quadrate zu den historischen Daten passt (oder transformierte historische Daten), repräsentiert die lange Reichweite, die auf dem grundlegenden Trend bedingt ist. Holts lineare exponentielle Glättung erfasst Informationen über den letzten Trend. Die Parameter in Holts-Modell sind Pegel-Parameter, die verringert werden sollten, wenn die Menge der Datenvariation groß ist und der Trends-Parameter erhöht werden sollte, wenn die aktuelle Trendrichtung durch die kausalen Faktoren unterstützt wird. Kurzfristige Prognose: Beachten Sie, dass jedes JavaScript auf dieser Seite eine einstufige Prognose bietet. Um eine zweistufige Prognose zu erhalten. Fügen Sie einfach den prognostizierten Wert dem Ende der Zeitreihendaten hinzu und klicken Sie dann auf dieselbe Schaltfläche Berechnen. Sie können diesen Vorgang für ein paar Mal wiederholen, um die benötigten kurzfristigen Prognosen zu erhalten. Der einfachste Ansatz wäre, den Durchschnitt von Januar bis März zu nehmen und diesen zu verwenden, um den Umsatz von April8217 zu schätzen: (129 134 122) 3 128.333 Daher, Basierend auf den Verkäufen von Januar bis März, Sie voraussagen, dass der Umsatz im April wird 128.333. Sobald April8217 tatsächlichen Umsatz kommen, würden Sie dann berechnen die Prognose für Mai, diesmal mit Februar bis April. Sie müssen mit der Anzahl der Perioden übereinstimmen, die Sie für die gleitende durchschnittliche Prognose verwenden. Die Anzahl der Perioden, die Sie in Ihren gleitenden Durchschnittsprognosen verwenden, sind willkürlich, Sie können nur zwei Perioden oder fünf oder sechs Perioden verwenden, was auch immer Sie Ihre Prognosen generieren möchten. Der oben genannte Ansatz ist ein einfacher gleitender Durchschnitt. Manchmal, neuere Monate8217 Verkäufe können stärkere Einflussfaktoren des kommenden Monats8217s Verkäufe sein, also möchten Sie diesen näheren Monaten mehr Gewicht in Ihrem Vorhersagemodell geben. Dies ist ein gewichteter gleitender Durchschnitt. Und genau wie die Anzahl der Perioden sind die Gewichte, die Sie zuordnen, rein willkürlich. Let8217s sagen, Sie wollten März8217s Umsatz 50 Gewicht, Februar8217s 30 Gewicht und Januar8217s 20. Dann wird Ihre Prognose für April 127.000 (122,50) (134,30) (129,20) 127. Einschränkungen von Moving Average Methoden Verschieben von Durchschnittswerten gelten als 8220smoothing8221 Prognose Technik. Weil du im Laufe der Zeit einen Durchschnitt nimmst, wirst du die Auswirkungen von unregelmäßigen Ereignissen innerhalb der Daten erweichen (oder glätten). Infolgedessen können die Effekte von Saisonalität, Geschäftszyklen und anderen zufälligen Ereignissen den Prognosefehler drastisch erhöhen. Werfen Sie einen Blick auf ein ganzes Jahr82s Wert von Daten, und vergleichen Sie einen 3-Periode gleitenden Durchschnitt und ein 5-Periode gleitenden Durchschnitt: Beachten Sie, dass in diesem Fall, dass ich keine Prognosen, sondern eher zentriert die gleitenden Durchschnitte. Der erste dreimonatige gleitende Durchschnitt ist für Februar, und es8217s der Durchschnitt von Januar, Februar und März. Ich habe auch für den 5-Monats-Durchschnitt ähnlich gemacht. Nun werfen Sie einen Blick auf die folgende Tabelle: Was sehen Sie Ist nicht die dreimonatige gleitende durchschnittliche Serie viel glatter als die tatsächliche Verkaufsreihe Und wie wäre es mit dem fünfmonatigen gleitenden Durchschnitt It8217s noch glatter. Je mehr Perioden Sie in Ihrem gleitenden Durchschnitt verwenden, desto glatter Ihre Zeitreihe. Daher kann für die Prognose ein einfacher gleitender Durchschnitt nicht die genaueste Methode sein. Bewegliche durchschnittliche Methoden erweisen sich als sehr wertvoll, wenn Sie versuchen, die saisonalen, unregelmäßigen und zyklischen Komponenten einer Zeitreihe für fortgeschrittenere Prognosemethoden, wie Regression und ARIMA, zu extrahieren, und die Verwendung von gleitenden Durchschnitten bei der Zerlegung einer Zeitreihe wird später angesprochen in der Serie. Ermittlung der Genauigkeit eines Moving Average-Modells Im Allgemeinen möchten Sie eine Prognosemethode, die den kleinsten Fehler zwischen tatsächlichen und vorhergesagten Ergebnissen hat. Eine der häufigsten Maßnahmen der Prognosegenauigkeit ist die Mean Absolute Deviation (MAD). In diesem Ansatz, für jede Periode in der Zeitreihe, für die Sie eine Prognose erstellt haben, nehmen Sie den absoluten Wert der Differenz zwischen diesem Zeitraum8217s tatsächlichen und prognostizierten Werten (die Abweichung). Dann beurteilen Sie diese absoluten Abweichungen und Sie erhalten ein Maß von MAD. MAD kann bei der Entscheidung über die Anzahl der Perioden, die Sie durchschnittlich, und und die Menge des Gewichts, die Sie auf jedem Zeitraum. Im Allgemeinen wählen Sie diejenige aus, die in der niedrigsten MAD resultiert. Hier ist ein Beispiel dafür, wie MAD berechnet wird: MAD ist einfach der Durchschnitt von 8, 1 und 3. Moving Averages: Recap Bei Verwendung von Moving Averages für die Prognose, erinnern Sie sich: Moving Averages können einfach oder gewichtet werden Die Anzahl der Perioden, die Sie für Ihre verwenden Durchschnittlich, und alle Gewichte, die Sie jedem zuordnen, sind streng willkürlich Bewegliche Durchschnitte glätten unregelmäßige Muster in Zeitreihendaten umso größer die Anzahl der Perioden, die für jeden Datenpunkt verwendet werden, desto größer ist der Glättungseffekt Wegen der Glättung, Prognose des nächsten Monats8217s Verkäufe auf der Grundlage der Die jüngsten Monate des Monats8217 können zu großen Abweichungen aufgrund von Saisonalität, zyklischen und unregelmäßigen Mustern in den Daten führen. Die Glättungsfähigkeit einer gleitenden Durchschnittsmethode kann bei der Zerlegung einer Zeitreihe für fortgeschrittenere Prognosemethoden nützlich sein. Nächste Woche: Exponentielle Glättung In der nächsten Woche8217s Vorhersage Freitag. Wir diskutieren exponentielle Glättungsmethoden, und Sie werden sehen, dass sie weit überlegen sind, um durchschnittliche Prognosemethoden zu bewegen. Immer noch don8217t wissen, warum unsere Prognose Freitag Beiträge erscheinen am Donnerstag Finden Sie heraus, bei: tinyurl26cm6ma Wie folgt: Post Navigation Lassen Sie eine Antwort Abbrechen Antwort Ich hatte 2 Fragen: 1) Können Sie die zentrierte MA-Ansatz zu prognostizieren oder nur für die Beseitigung der Saisonalität 2) Wann Sie verwenden die einfache t (t-1t-2t-k) k MA, um einen Zeitraum voraus zu prognostizieren, ist es möglich, mehr als 1 Periode voraus zu prognostizieren Ich denke, dann wäre Ihre Prognose einer der Punkte, die in die nächste füttern. Vielen Dank. Lieben Sie die Info und Ihre Erklärungen I8217m froh, dass Sie das Blog I8217m sicher, dass mehrere Analysten den zentrierten MA-Ansatz für die Prognose verwendet haben, aber ich persönlich würde nicht, da dieser Ansatz zu einem Verlust von Beobachtungen an beiden Enden führt. Das geht dann in deine zweite Frage. Im Allgemeinen wird einfaches MA verwendet, um nur einen Zeitraum voraus zu prognostizieren, aber viele Analytiker 8211 und ich auch manchmal 8211 werden meine Ein-Periode voraus Prognose als einer der Eingänge in die zweite Periode voran verwenden. Es ist wichtig, sich daran zu erinnern, dass die weitere in die Zukunft Sie versuchen zu prognostizieren, desto größer ist Ihr Risiko von Prognose Fehler. Aus diesem Grund empfehle ich nicht zentriert MA für die Prognose 8211 der Verlust von Beobachtungen am Ende bedeutet, auf Prognosen für die verlorenen Beobachtungen, sowie die Periode (s) voraus zu verlassen, so gibt es größere Chance auf Prognose Fehler. Leser: Sie sind eingeladen, auf diesem zu wiegen. Hast du irgendwelche Gedanken oder Anregungen zu diesem Brian, danke für deinen Kommentar und deine Komplimente auf dem Blog Nizza Initiative und nette Erklärung. It8217s sehr hilfreich Ich prognostiziere benutzerdefinierte Leiterplatten für einen Kunden, der keine Prognosen gibt. Ich habe den gleitenden Durchschnitt benutzt, aber es ist nicht sehr genau, wie die Branche auf und ab gehen kann. Wir sehen in der Mitte des Sommers bis zum Ende des Jahres, dass der Versand pcb8217s ist. Dann sehen wir zu Beginn des Jahres nach unten. Wie kann ich genauer mit meinen Daten Katrina sein, von dem, was du mir gesagt hast, es scheint, dass deine Leiterplattenverkäufe eine saisonale Komponente haben. Ich habe die Saisonalität in einigen der anderen Forecast Friday Beiträge. Ein anderer Ansatz, den du verwenden kannst, was ziemlich einfach ist, ist der Holt-Winters-Algorithmus, der die Saisonalität berücksichtigt. Hier finden Sie eine gute Erklärung hier. Seien Sie sicher zu bestimmen, ob Ihre saisonalen Muster sind multiplikativ oder additiv, weil der Algorithmus ist etwas anders für jeden. Wenn Sie Ihre monatlichen Daten aus wenigen Jahren aufzeichnen und sehen, dass die saisonalen Variationen zu den gleichen Zeiten der Jahre im Laufe des Jahres konstant zu sein scheinen, dann ist die Saisonalität additiv, wenn die saisonalen Variationen im Laufe der Zeit zu erhöhen scheinen, dann ist die Saisonalität Multiplikativ Die meisten saisonalen Zeitreihen werden multiplikativ sein. Wenn im Zweifel, multiplikativ annehmen. Viel Glück Hi da, Zwischen diesen Methoden:. Nave Vorhersage. Aktualisieren des Mittels Gleitender Durchschnitt der Länge k. Entweder gewichtet Bewegen Durchschnitt der Länge k OR Exponentielle Glättung Welches einer dieser Aktualisierungsmodelle empfehlen Sie mir, die Daten zu prognostizieren. Meiner Meinung nach denke ich an Moving Average. Aber ich weiß nicht, wie es klar und strukturiert ist Es hängt wirklich von der Menge und Qualität der Daten ab, die Sie haben und Ihren Prognosehorizont (langfristig, mittelfristig oder kurzfristig) Eine Zeitreihe ist eine Abfolge von Beobachtungen Einer periodischen Zufallsvariablen. Beispiele sind die monatliche Nachfrage nach einem Produkt, die jährliche Neuling Einschreibung in einer Abteilung der Universität und die täglichen Flüsse in einem Fluss. Zeitreihen sind wichtig für Operations Research, weil sie oft die Treiber von Entscheidungsmodellen sind. Ein Inventarmodell erfordert Schätzungen zukünftiger Anforderungen, ein Kursterminierungs - und Personalmodell für eine Hochschulabteilung erfordert Schätzungen des zukünftigen Studentenzuflusses und ein Modell für die Bereitstellung von Warnungen an die Bevölkerung in einem Flusseinzugsgebiet erfordert Schätzungen der Flussströme für die unmittelbare Zukunft. Zeitreihenanalyse bietet Werkzeuge zur Auswahl eines Modells, das die Zeitreihen beschreibt und das Modell zur Vorhersage zukünftiger Ereignisse verwendet. Die Modellierung der Zeitreihe ist ein statistisches Problem, da beobachtete Daten in Berechnungsverfahren verwendet werden, um die Koeffizienten eines vermeintlichen Modells abzuschätzen. Modelle gehen davon aus, dass Beobachtungen zufällig über einen zugrundeliegenden Mittelwert variieren, der eine Funktion der Zeit ist. Auf diesen Seiten beschränken wir die Aufmerksamkeit auf die Verwendung historischer Zeitreihendaten, um ein zeitabhängiges Modell zu schätzen. Die Methoden eignen sich für die automatische, kurzfristige Prognose von häufig verwendeten Informationen, bei denen sich die zugrunde liegenden Ursachen der Zeitvariation nicht zeitlich deutlich ändern. In der Praxis werden die von diesen Methoden abgeleiteten Prognosen anschließend von menschlichen Analytikern modifiziert, die Informationen aus den historischen Daten nicht enthalten. Unser Hauptzweck in diesem Abschnitt ist es, die Gleichungen für die vier Prognosemethoden, die im Prognose-Add-In verwendet werden, darzustellen: gleitender Durchschnitt, exponentielle Glättung, Regression und doppelte exponentielle Glättung. Diese heißen Glättungsmethoden. Methoden, die nicht berücksichtigt werden, umfassen qualitative Prognose, multiple Regression und autoregressive Methoden (ARIMA). Diejenigen, die sich für eine umfassendere Berichterstattung interessieren, sollten die Prognoseprinzipien besuchen oder eine der zahlreichen hervorragenden Bücher zum Thema lesen. Wir haben das Buch Prognose verwendet. Von Makridakis, Wheelwright und McGee, John Wiley amp Sons, 1983. Um die Excel-Beispiele-Arbeitsmappe zu verwenden, muss das Forecasting-Add-In installiert sein. Wählen Sie den Befehl Relink, um die Links zum Add-In zu erstellen. Diese Seite beschreibt die Modelle für die einfache Prognose und die Notation für die Analyse verwendet. Diese einfachste Prognosemethode ist die gleitende Durchschnittsprognose. Die Methode schätzt einfach die letzten m Beobachtungen ein. Es ist nützlich für Zeitreihen mit einem sich langsam ändernden Mittelwert. Diese Methode betrachtet die ganze Vergangenheit in ihrer Prognose, aber wiegt die jüngsten Erfahrungen stärker als weniger neu. Die Berechnungen sind einfach, weil nur die Schätzung der vorherigen Periode und die aktuellen Daten die neue Schätzung bestimmen. Die Methode ist nützlich für Zeitreihen mit einem sich langsam ändernden Mittelwert. Die gleitende Durchschnittsmethode reagiert nicht gut auf eine Zeitreihe, die mit der Zeit zunimmt oder abnimmt. Hier haben wir einen linearen Trendbegriff im Modell. Die Regressionsmethode nähert sich dem Modell durch den Aufbau einer linearen Gleichung, die die kleinsten Quadrate für die letzten m Beobachtungen passt.
No comments:
Post a Comment