Flyttande genomsnittlig prognostisering. Introduktion Som du kanske antar vi tittar på några av de mest primitiva tillvägagångssätten för prognoser Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med Börja i början och börja arbeta med Moving Average Forecasts. Moving Average Prognoser Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är Alla studenter gör dem hela tiden Tänk på dina testresultat i en kurs där du ska Har fyra tester under terminen Låt oss anta att du fick 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat. Vad tycker du att din lärare skulle förutsäga för nästa testresultat. Vad tycker du att dina vänner kan förutsäga För din nästa testpoäng. Vad tror du att dina föräldrar kan förutsäga för nästa testresultat. Oavsett om du blabbar kan du göra din fr Älskar och föräldrar, de och din lärare förväntar mycket sannolikt att du får något i det område du bara har fått. Väl, nu låt oss anta att trots din självbefrämjande till dina vänner överskattar du dig själv Och figur du kan studera mindre för det andra testet och så får du en 73. Nu vad är alla berörda och oroade kommer att förutse att du kommer att få på ditt tredje test Det finns två mycket troliga metoder för att utveckla en uppskattning oavsett Om de kommer att dela den med dig. De kan säga till sig själva: Den här killen sprider alltid rök om hans smarts. Han kommer att få ytterligare 73 om han är lycklig. Måste föräldrarna försöker vara mer stödjande och säga, ja, så Långt har du fått en 85 och en 73, så kanske du borde räkna med att få en 85 73 2 79 Jag vet inte, kanske om du gjorde mindre fester och inte vågade väsen överallt och om du började göra en Mycket mer studerar du kan få en högre poäng. Båda dessa uppskattningar är faktiska De rörliga genomsnittliga prognoserna. Den första använder endast din senaste poäng för att prognostisera din framtida prestation. Detta kallas en glidande genomsnittlig prognos med en dataperiod. Den andra är också en glidande genomsnittlig prognos men med två dataperioder. Låt oss anta Att alla dessa människor bråkar på ditt stora sinne, har gissat dig och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga en högre poäng framför dina allierade. Du tar testet och din poäng är faktiskt en 89 Allting, inklusive dig själv, är imponerad. Så nu har du det sista provet på terminen som kommer upp och som vanligt känns det som om du behöver göra alla förutspåringar om hur du ska göra det sista testet. Förhoppningsvis ser du Mönster. Nu kan du förhoppningsvis se mönstret. Vad tror du är det mest exakta. Hälsa medan vi arbetar Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster kallas Whistle medan vi arbetar. Du har några tidigare försäljningsdata Representeras av följande avsnitt från ett kalkylblad Vi presenterar först data för en treårs glidande medelprognos. Inträdet för cell C6 borde vara. Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Notera hur genomsnittet rör sig Över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte behöver verkligen göra förutsägelserna för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än Exponentiell utjämningsmodell I ve inkluderade tidigare förutsägelser eftersom vi kommer att använda dem på nästa webbsida för att mäta prediktionsgiltighet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Inträdet för cell C5 borde vara. Nu Kan kopiera den här cellformeln ner till de andra cellerna C6 till och med C11.Notice hur nu används bara de två senaste bitarna av historiska data för varje förutsägelse igen jag har med D de senaste förutsägelserna för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är viktiga att notera. För en m-periods rörlig genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. . För en m-period glidande medelprognos när du gör tidigare förutsägelser märker du att den första förutsägelsen inträffar i period m 1. Båda dessa problem kommer att vara väldigt signifikanta när vi utvecklar vår kod. Utveckling av rörlig genomsnittsfunktion Nu behöver vi utveckla Koden för det glidande medelprognosen som kan användas mer flexibelt Koden följer Observera att ingångarna är för antalet perioder du vill använda i prognosen och i rad historiska värden. Du kan lagra den i vilken arbetsbok du vill. Funktion MovingAverage Historical, NumberOfPeriods Som Single Declaration och initialisering av variabler Dim Item As Variant Dim Counter Som Integer Dim Accumulation Som Single Dim HistoricalSize As Integer. Initialiserande variabler Counter 1 Accumulation 0. Bestämning av storleken på Historical array HistoricalSize. For Counter 1 till NumberOfPeriods. Ackumulera lämpligt antal senast tidigare observerade värden. Akkumuleringsaccumulering Historisk Historisk storlek - AntalOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. Koden kommer att förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska Som följande. movande medel. Manan av tidsserie data observationer lika fördelade i tid från flera på varandra följande perioder kallas rörelse eftersom det kontinuerligt recomputed som nya data blir tillgängliga, det fortskrider genom att släppa det tidigaste värdet och lägga till det senaste värdet till exempel Glidande medelvärde av sex månaders försäljning kan beräknas genom att genomsnittet av försäljningen går från januari till juni, då genomsnittet av försäljningen från februari till juli, mars-augusti osv. Flytta genomsnittsvärden 1 minskar effekten av tillfälliga variationer i Data, 2 förbättra passningen av data till en rad en process som kallas utjämning för att visa datas trend mer c Learly och 3 markera något värde över eller under trenden. Om du beräknar något med mycket hög varians är det bästa du kan göra att räkna ut det rörliga genomsnittet. Jag ville veta vad det rörliga genomsnittet var för data, Så jag skulle få en bättre förståelse för hur vi gjorde. När du försöker räkna ut några siffror som ändras ofta är det bästa du kan göra att beräkna den glidande genomsnittliga exponentialutjämningen. Det enklaste sättet är att ta medeltalet januari Genom mars och använd det för att uppskatta april s försäljning. 129 134 122 3 128 333. På grund av försäljningen från januari till mars förutspår du att försäljningen i april blir 128 333. När april s faktiska försäljning kommer in, skulle du då beräkna prognosen för maj, den här gången med februari till april Du måste stämma överens med antalet perioder du använder för att flytta genomsnittliga prognoser. Antalet perioder du använder i dina genomsnittliga prognoser är godtyckliga. Du får bara använda två perioder eller fem eller sex perioder oavsett vad du vill skapa dina prognoser. Tillvägagångssättet ovan är ett enkelt glidande medelvärde. Ibland kan försäljningen under de senaste månaderna vara starkare influenser av försäljningen i nästa månad, så du vill ge de närmare månaderna mer vikt i din prognosmodell. Detta är ett vägt glidande medelvärde och precis som numret Av perioder, de vikter du tilldelar är rent godtyckliga. Låt oss säga att du ville ge mars s försäljning 50 vikt, februari s 30 vikt och januari s 20. Då kommer din prognos för april att vara 127 000 122 50 134 30 129 20 127.L Imitationer av rörliga medelvärden Metoder Flyttande medelvärden betraktas som en utjämningsprognossteknik Eftersom du tar en genomsnittlig över tid, mjukar du ut eller utjämnar effekterna av oregelbundna händelser inom data. Resultatet av säsongsalder, konjunkturcykler och andra Slumpmässiga händelser kan dramatiskt öka prognosfelet Ta en titt på en helårs s värde av data, och jämföra ett 3-års glidande medelvärde och ett 5-års glidande medelvärde. Notera att i det här fallet att jag inte skapade prognoser utan snarare centrerad De glidande medelvärdena Det första 3 månaders glidande genomsnittet är för februari och det är medeltalet januari, februari och mars gjorde jag också samma för 5-månaders genomsnittet. Ta en titt på följande diagram. Vad ser du Is Inte den tre månaders glidande genomsnittsserien mycket mjukare än den faktiska försäljningsserien Och vad sägs om femmånaders glidande medelvärde Det är jämna jämnare Ju fler perioder du använder i ditt glidande medelvärde desto mjukare blir din tid s Därför för prognoser kan ett enkelt glidande medelvärde inte vara den mest exakta metoden. Flyttande genomsnittsmetoder är ganska värdefulla när du försöker extrahera säsongs-, oregelbundna och cykliska komponenter i en tidsserie för mer avancerade prognosmetoder, som regression Och ARIMA, och användningen av glidande medelvärden vid sönderdelning av en tidsserie kommer att behandlas senare i serien. Bestämning av en rörlig genomsnittsmodells noggrannhet. Generellt vill du ha en prognosmetod som har minst fel mellan aktuella och förutsagda resultat. En av De vanligaste åtgärderna för prognosnoggrannhet är den genomsnittliga absoluta avvikelsen MAD I den här metoden, för varje period i de tidsserier som du genererade en prognos för, tar du absolutvärdet av skillnaden mellan den periodens faktiska och prognostiserade värden avvikelsen sedan Du genomsnittliga de absoluta avvikelserna och du får ett mått på MAD MAD kan vara till hjälp när du bestämmer hur många perioder du är i genomsnitt och eller hur många Vikt du placerar på varje period Generellt väljer du den som resulterar i lägsta MAD Här är ett exempel på hur MAD beräknas. MAD är helt enkelt genomsnittet av 8, 1 och 3.Moving Averages Recap När man använder glidande medelvärden för prognoser , Kom ihåg. Möjliga medelvärden kan vara enkla eller viktade. Antalet perioder du använder för ditt medelvärde och alla vikter du tilldelar var och en är absolut godtyckliga. Medelvärdena släpper ut oregelbundna mönster i tidsseriedata desto större är antalet perioder som används för Varje datapunkt, desto större utjämningseffekt. Förutsättningen för utjämning, prognos nästa månad s-försäljningen baserad på senaste månadens försäljning kan resultera i stora avvikelser på grund av säsongens, cykliska och oregelbundna mönster i data och. Utjämningsförmågan Av ett glidande medelvärde kan vara användbart vid sönderdelning av en tidsserie för mer avancerade prognosmetoder. Nästa vecka Exponentiell utjämning I nästa vecka s Prognos Fredag kommer vi att diskutera exponentiella utjämningsmetoder , Och du kommer se att de kan vara långt överlägsen förskjutande genomsnittliga prognostiseringsmetoder. Okej vet inte varför våra prognos fredags inlägg visas på torsdag Ta reda på. Postnavigering. Visa ett svar Avbryt svar. Jag hade 2 frågor.1 Kan du Använd det centrerade MA-tillvägagångssättet för att prognostisera eller bara för att ta bort säsongsbetonade. 2 När du använder den enkla t t-1 t-2 tk k MA för att prognostisera en period framåt, är det möjligt att prognostisera mer än en period framåt. Skulle vara en av de punkter som matar in i nästa. Tack Älska informationen och dina förklaringar. Jag är glad att du gillar bloggen. Jag är säker på att flera analytiker har använt det centrerade MA-tillvägagångssättet för prognoser, men jag skulle inte personligen, eftersom det resulterar i resultat I en förlust av observationer i båda ändarna Detta knyter i själva verket sedan till din andra fråga Generellt är det enkelt att MA förutspår endast en period framåt, men många analytiker och jag kommer också ibland att använda min framtidsprognos som en av ingångarna till Den andra perioden framåt Det s Viktigt att komma ihåg att ju längre in i framtiden du försöker att prognostisera desto större är risken för prognosfel. Det är därför jag inte rekommenderar centrerad MA för att förutse förlusten av observationer i slutet betyder att man måste förlita sig på prognoser för de förlorade observationerna, Såväl som perioden s framåt, så det finns större chans att prognosfel. Readers du är inbjuden att väga in på detta Har du några tankar eller förslag på detta. Brian, tack för din kommentar och dina komplimanger på bloggen. Nice Initiativ och fin förklaring Det är verkligen användbart. Jag förutser anpassade kretskort för en kund som inte ger några prognoser jag har använt det rörliga genomsnittet, men det är inte så exakt som industrin kan gå upp och ner. Vi ser mot mitten av Sommaren till slutet av året som sändnings-PCB s är upp Då ser vi i början av året saktar sig ner Hur kan jag vara mer exakt med mina data. Katrina, från vad du sa till mig, verkar det att ditt tryckta kretskortsförsäljning Har en säsongsbetonad komponent som jag adresserar säsongsbetonad i några av de andra Prognos Fredagens inlägg En annan metod som du kan använda, vilket är ganska lätt, är Holt-Winters-algoritmen, som tar hänsyn till säsongligheten. Du kan hitta en bra förklaring av det här. Var säker För att bestämma om dina säsongsbetonade mönster är multiplicativa eller additiva eftersom algoritmen är lite annorlunda för varje. Om du plottar dina månadsdata från några år och ser till att säsongsvariationerna vid samma årstider verkar vara konstanta år över år, då Säsongsvariationen är tillsats om säsongsmässiga variationer över tiden verkar öka, då säsongsbundenheten är multiplikativ. De flesta säsongsbundna tidsserierna kommer att vara multiplikativa. Om du är osäker, antar multiplicativ lycka. Han där, mellan de här metoderna Nave Forecasting Uppdatering av genomsnittliga rörliga genomsnittet av Längd k Varken viktad Flytta Genomsnittlig längd k ELLER Exponentiell utjämning Vilken av dessa uppdateringsmodeller rekommenderar du att jag använder för att förecas T data Enligt min mening tänker jag på Flyttande medelvärde men jag vet inte hur man klargör och strukturerar. Det beror egentligen på kvantiteten och kvaliteten på de data du har och din prognostiseringshorisont på lång sikt, på medellång sikt , Eller på kort sikt.
No comments:
Post a Comment