Verschieben von durchschnittlichen und exponentiellen Glättungsmodellen Als erster Schritt, um über mittlere Modelle hinauszugehen, können zufällige Wandermodelle und lineare Trendmodelle, Nichtseasonalmuster und Trends mit einem gleitenden Durchschnitt oder Glättungsmodell extrapoliert werden. Die Grundannahme hinter Mittelwertbildung und Glättung von Modellen ist, dass die Zeitreihe lokal stationär mit einem langsam variierenden Mittel ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann das als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-without-drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als quotsmoothedquot Version der ursprünglichen Serie, weil kurzfristige Mittelung hat die Wirkung der Glättung der Beulen in der ursprünglichen Serie. Durch die Anpassung des Grades der Glättung (die Breite des gleitenden Durchschnitts), können wir hoffen, eine Art von optimalem Gleichgewicht zwischen der Leistung der mittleren und zufälligen Wandermodelle zu schlagen. Die einfachste Art von Mittelungsmodell ist die. Einfache (gleichgewichtete) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Durchschnitt der letzten m Beobachtungen: (Hier und anderswo verwende ich das Symbol 8220Y-hat8221 zu stehen Für eine Prognose der Zeitreihe Y, die zum frühestmöglichen früheren Datum durch ein gegebenes Modell gemacht wurde.) Dieser Durchschnitt ist in der Periode t (m1) 2 zentriert, was impliziert, dass die Schätzung des lokalen Mittels dazu neigen wird, hinter dem wahren zu liegen Wert des lokalen Mittels um etwa (m1) 2 Perioden. So sagen wir, dass das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt (m1) 2 relativ zu dem Zeitraum ist, für den die Prognose berechnet wird: Dies ist die Zeitspanne, mit der die Prognosen dazu neigen, hinter den Wendepunkten in den Daten zu liegen . Zum Beispiel, wenn Sie durchschnittlich die letzten 5 Werte sind, werden die Prognosen etwa 3 Perioden spät in Reaktion auf Wendepunkte. Beachten Sie, dass, wenn m1, das einfache gleitende Durchschnitt (SMA) - Modell entspricht dem zufälligen Walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar mit der Länge der Schätzperiode), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um die besten Quoten für die Daten zu erhalten, d. h. die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel für eine Reihe, die zufällige Schwankungen um ein langsam variierendes Mittel zeigt. Zuerst können wir versuchen, es mit einem zufälligen Spaziergang Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff: Das zufällige Spaziergang Modell reagiert sehr schnell auf Änderungen in der Serie, aber in diesem Fall nimmt es viel von der Quotierung in der Daten (die zufälligen Schwankungen) sowie das quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen ausprobieren, erhalten wir einen glatteren Prognosen: Der 5-fach einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Spaziergangmodell. Das Durchschnittsalter der Daten in dieser Prognose beträgt 3 ((51) 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zurückzukehren. (Zum Beispiel scheint ein Abschwung in der Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich nicht um einige Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie im zufälligen Spaziergang Modell. So geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während die Prognosen aus dem zufälligen Wandermodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Durchschnitt der letzten Werte. Die von Statgraphics für die Langzeitprognosen des einfachen gleitenden Durchschnittes berechneten Vertrauensgrenzen werden nicht weiter erhöht, wenn der Prognosehorizont zunimmt. Das ist offensichtlich nicht richtig Leider gibt es keine zugrundeliegende statistische Theorie, die uns sagt, wie sich die Konfidenzintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Vertrauensgrenzen für die längerfristigen Prognosen zu berechnen. Zum Beispiel könnten Sie eine Kalkulationstabelle einrichten, in der das SMA-Modell zur Vorhersage von 2 Schritten voraus, 3 Schritten voraus, etc. im historischen Datenmuster verwendet werden würde. Sie können dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addition und Subtraktion von Vielfachen der entsprechenden Standardabweichung aufbauen. Wenn wir einen 9-fach einfachen gleitenden Durchschnitt versuchen, bekommen wir noch glattere Prognosen und mehr von einem nacheilenden Effekt: Das Durchschnittsalter beträgt nun 5 Perioden ((91) 2). Wenn wir einen 19-fachen gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10: Beachten Sie, dass die Prognosen in der Tat hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welche Menge an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistik vergleicht, auch einen 3-Term-Durchschnitt: Modell C, der 5-fache gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE um einen kleinen Marge über die 3 - term und 9-term Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Zurück zum Anfang der Seite) Browns Einfache Exponential-Glättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, dass es die letzten k-Beobachtungen gleichermaßen behandelt und alle vorherigen Beobachtungen völlig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise abgezinst werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die 2. jüngste, und die 2. jüngsten sollte ein wenig mehr Gewicht als die 3. jüngsten bekommen, und bald. Das einfache exponentielle Glättungsmodell (SES) erreicht dies. Sei 945 eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die den gegenwärtigen Pegel (d. h. den lokalen Mittelwert) der Reihe repräsentiert, wie er von den Daten bis zur Gegenwart geschätzt wird. Der Wert von L zum Zeitpunkt t wird rekursiv aus seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorherigen geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf den letzten Wert steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuell geglättete Wert: Gleichermaßen können wir die nächste Prognose direkt in Bezug auf vorherige Prognosen und frühere Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung: In der zweiten Version wird die nächste Prognose erhalten, indem man die vorherige Prognose in Richtung des vorherigen Fehlers um einen Bruchteil 945 anpasst Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Rabattfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu bedienen, wenn man das Modell auf einer Tabellenkalkulation implementiert: es passt in eine Einzelzelle und enthält Zellreferenzen, die auf die vorherige Prognose, die vorherige Beobachtung und die Zelle hinweisen, in der der Wert von 945 gespeichert ist. Beachten Sie, dass bei 945 1 das SES-Modell einem zufälligen Walk-Modell entspricht (ohne Wachstum). Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, vorausgesetzt, dass der erste geglättete Wert gleich dem Mittelwert ist. (Zurück zum Anfang der Seite) Das Durchschnittsalter der Daten in der einfach-exponentiellen Glättungsprognose beträgt 1 945 gegenüber dem Zeitraum, für den die Prognose berechnet wird. (Das soll nicht offensichtlich sein, aber es kann leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher dazu, hinter den Wendepunkten um etwa 1 945 Perioden zurückzukehren. Zum Beispiel, wenn 945 0,5 die Verzögerung 2 Perioden ist, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Verzögerung) ist die Prognose der einfachen exponentiellen Glättung (SES) der einfachen gleitenden Durchschnitts - (SMA) - Prognose etwas überlegen, da sie die jüngste Beobachtung - Es ist etwas mehr auffallend auf Veränderungen, die in der jüngsten Vergangenheit auftreten. Zum Beispiel hat ein SMA-Modell mit 9 Begriffen und einem SES-Modell mit 945 0,2 beide ein Durchschnittsalter von 5 für die Daten in ihren Prognosen, aber das SES-Modell setzt mehr Gewicht auf die letzten 3 Werte als das SMA-Modell und am Gleichzeitig ist es genau 8220forget8221 über Werte mehr als 9 Perioden alt, wie in dieser Tabelle gezeigt: Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der stufenlos variabel ist, so dass er leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell für diese Baureihe ergibt sich auf 0,2961, wie hier gezeigt: Das Durchschnittsalter der Daten in dieser Prognose beträgt 10.2961 3.4 Perioden, was ähnlich ist wie bei einem 6-fach einfach gleitenden Durchschnitt. Die Langzeitprognosen des SES-Modells sind eine horizontale Gerade. Wie im SMA-Modell und dem zufälligen Walk-Modell ohne Wachstum. Allerdings ist zu beachten, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftig aussehenden Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das zufällige Spaziergangmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbar ist als das zufällige Spaziergangmodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So bietet die statistische Theorie der ARIMA-Modelle eine fundierte Grundlage für die Berechnung von Konfidenzintervallen für das SES-Modell. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht-seasonalen Differenz, einem MA (1) Term und keinem konstanten Term. Ansonsten bekannt als ein quotARIMA (0,1,1) Modell ohne constantquot. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Menge 1-945 im SES-Modell. Zum Beispiel, wenn man ein ARIMA (0,1,1) Modell ohne Konstante an die hier analysierte Serie passt, ergibt sich der geschätzte MA (1) Koeffizient 0,7029, was fast genau ein minus 0.2961 ist. Es ist möglich, die Annahme eines nicht-null konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Um dies zu tun, geben Sie einfach ein ARIMA-Modell mit einer nicht-seasonalen Differenz und einem MA (1) Begriff mit einer Konstante, d. h. ein ARIMA (0,1,1) Modell mit konstant. Die langfristigen Prognosen werden dann einen Trend haben, der dem durchschnittlichen Trend entspricht, der über den gesamten Schätzungszeitraum beobachtet wird. Sie können dies nicht in Verbindung mit saisonaler Anpassung tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA eingestellt ist. Allerdings können Sie einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Vorhersageverfahren verwenden. Die jeweilige Quotenquote (prozentuale Wachstumsrate) pro Periode kann als Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmus-Transformation angepasst ist, oder sie kann auf anderen, unabhängigen Informationen über langfristige Wachstumsaussichten basieren . (Zurück zum Seitenanfang) Browns Linear (dh Double) Exponentielle Glättung Die SMA Modelle und SES Modelle gehen davon aus, dass es in den Daten keinen Trend gibt (was in der Regel ok oder zumindest nicht so schlecht ist für 1- Schritt-voraus Prognosen, wenn die Daten relativ laut sind), und sie können modifiziert werden, um einen konstanten linearen Trend wie oben gezeigt zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen den Lärm auszeichnet, und wenn es notwendig ist, mehr als einen Zeitraum voraus zu prognostizieren, dann könnte auch eine Einschätzung eines lokalen Trends erfolgen Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl von Ebene als auch von Trend berechnet. Das einfachste zeitveränderliche Trendmodell ist das lineare, exponentielle Glättungsmodell von Browns, das zwei verschiedene geglättete Serien verwendet, die zu unterschiedlichen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine ausgefeiltere Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des linearen exponentiellen Glättungsmodells von Brown8217s, wie das des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von verschiedenen, aber äquivalenten Formen ausgedrückt werden. Die quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung auf die Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern Sie sich, dass unter einfachem Exponentielle Glättung, das wäre die Prognose für Y in der Periode t1.) Dann sei Squot die doppelt geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung (mit demselben 945) auf die Reihe S erhalten wird: Schließlich ist die Prognose für Y tk. Für irgendwelche kgt1 ist gegeben durch: Dies ergibt e 1 0 (d. h. Cheat ein Bit, und lassen Sie die erste Prognose gleich der tatsächlichen ersten Beobachtung) und e 2 Y 2 8211 Y 1. Nach denen Prognosen mit der obigen Gleichung erzeugt werden. Dies ergibt die gleichen angepassten Werte wie die Formel auf Basis von S und S, wenn diese mit S 1 S 1 Y 1 gestartet wurden. Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination aus exponentieller Glättung mit saisonaler Anpassung darstellt. Holt8217s Lineare Exponential-Glättung Brown8217s LES-Modell berechnet lokale Schätzungen von Level und Trend durch Glättung der aktuellen Daten, aber die Tatsache, dass es dies mit einem einzigen Glättungsparameter macht, legt eine Einschränkung auf die Datenmuster, die es passen kann: das Niveau und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem, indem es zwei Glättungskonstanten einschließt, eine für die Ebene und eine für den Trend. Zu jeder Zeit t, wie in Brown8217s Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem Wert von Y, der zum Zeitpunkt t beobachtet wurde, und den vorherigen Schätzungen des Niveaus und des Tendenzes durch zwei Gleichungen berechnet, die eine exponentielle Glättung für sie separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der Istwert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv durch Interpolation zwischen Y tshy und dessen Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1 945 berechnet. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine laute Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv durch Interpolation zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 berechnet. Mit Gewichten von 946 und 1-946: Die Interpretation der Trend-Glättungs-Konstante 946 ist analog zu der Niveau-Glättungs-Konstante 945. Modelle mit kleinen Werten von 946 gehen davon aus, dass sich der Trend nur sehr langsam über die Zeit ändert, während Modelle mit Größer 946 nehmen an, dass es sich schneller ändert. Ein Modell mit einer großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, denn Fehler in der Trendschätzung werden bei der Prognose von mehr als einer Periode sehr wichtig. (Zurück zum Seitenanfang) Die Glättungskonstanten 945 und 946 können in der üblichen Weise durch Minimierung des mittleren quadratischen Fehlers der 1-Schritt-voraus-Prognosen geschätzt werden. Wenn dies in Statgraphics geschieht, ergeben sich die Schätzungen auf 945 0.3048 und 946 0,008. Der sehr kleine Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung des Trends von einer Periode zur nächsten einnimmt, so dass dieses Modell grundsätzlich versucht, einen langfristigen Trend abzuschätzen. In Analogie zum Begriff des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Serie verwendet wird, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet wird, proportional zu 1 946, wenn auch nicht genau gleich . In diesem Fall stellt sich heraus, dass es sich um 10.006 125 handelt. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 wirklich 3 Dezimalstellen ist, aber sie ist von der gleichen allgemeinen Größenordnung wie die Stichprobengröße von 100 Dieses Modell ist durchschnittlich über eine ganze Menge Geschichte bei der Schätzung der Trend. Die prognostizierte Handlung unten zeigt, dass das LES-Modell einen geringfügig größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Auch der Schätzwert von 945 ist fast identisch mit dem, der durch die Anpassung des SES-Modells mit oder ohne Trend erhalten wird. Das ist also fast das gleiche Modell. Nun, sehen diese aus wie vernünftige Prognosen für ein Modell, das soll ein lokaler Trend schätzen Wenn Sie diese Handlung, es sieht so aus, als ob der lokale Trend hat sich nach unten am Ende der Serie Was ist passiert Die Parameter dieses Modells Wurden durch die Minimierung der quadratischen Fehler von 1-Schritt-voraus Prognosen, nicht längerfristige Prognosen geschätzt, in welchem Fall der Trend doesn8217t machen einen großen Unterschied. Wenn alles, was Sie suchen, sind 1-Schritt-vor-Fehler, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell mehr im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trend-Glättung konstant manuell anpassen, so dass es eine kürzere Grundlinie für Trendschätzung verwendet. Zum Beispiel, wenn wir uns dafür entscheiden, 946 0,1 zu setzen, dann ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so vermitteln. Hier8217s, was die Prognose Handlung aussieht, wenn wir 946 0,1 gesetzt, während halten 945 0,3. Das sieht für diese Serie intuitiv vernünftig aus, obwohl es wahrscheinlich gefährlich ist, diesen Trend in Zukunft mehr als 10 Perioden zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber es werden ähnliche Ergebnisse (mit etwas mehr oder weniger Ansprechverhalten) mit 0,5 und 0,2 erhalten. (A) Holts linear exp. Glättung mit alpha 0.3048 und beta 0.008 (B) Holts linear exp. Glättung mit alpha 0,3 und beta 0,1 (C) Einfache exponentielle Glättung mit alpha 0,5 (D) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0.2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl treffen können Von 1-Schritt-voraus Prognosefehler innerhalb der Datenprobe Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir stark davon überzeugt sind, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zu stützen, so können wir einen Fall für das LES-Modell mit 945 0,3 und 946 0,1 machen. Wenn wir agnostisch darüber sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein und würde auch mehr Mittelwert der Prognosen für die nächsten 5 oder 10 Perioden geben. (Rückkehr nach oben) Welche Art von Trend-Extrapolation ist am besten: horizontal oder linear Empirische Evidenz deutet darauf hin, dass, wenn die Daten bereits für die Inflation angepasst wurden (falls erforderlich), dann kann es unklug sein, kurzfristig linear zu extrapolieren Trends sehr weit in die Zukunft. Trends, die heute deutlich werden, können in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, erhöhter Konkurrenz und zyklischer Abschwünge oder Aufschwünge in einer Branche nachlassen. Aus diesem Grund führt eine einfache, exponentielle Glättung oftmals zu einem besseren Out-of-Sample, als es sonst zu erwarten wäre, trotz der quadratischen horizontalen Trend-Extrapolation. Gedämpfte Trendmodifikationen des linearen exponentiellen Glättungsmodells werden auch in der Praxis häufig verwendet, um eine Note des Konservatismus in seine Trendprojektionen einzuführen. Das LES-Modell mit gedämpftem Trend kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA (1,1,2) - Modells, implementiert werden. Es ist möglich, Konfidenzintervalle um Langzeitprognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem sie sie als Sonderfälle von ARIMA-Modellen betrachten. (Vorsicht: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt von (i) dem RMS-Fehler des Modells ab, (ii) der Art der Glättung (einfach oder linear) (iii) der Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der voraussichtlichen Perioden, die Sie prognostizieren. Im Allgemeinen werden die Intervalle schneller ausgebreitet als 945 im SES-Modell größer und sie breiten sich viel schneller aus, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im ARIMA-Modellteil der Notizen weiter erörtert. (Zurück zum Anfang der Seite) Periodische einfache durchschnittliche Methode Periodische einfache durchschnittliche Methode ist ein wenig Abweichung von der einfachen durchschnittlichen Methode. In diesem Fall wird die periodische einfache Durchschnittsrate durch Addition der Käufe der Einkäufe während eines bestimmten Zeitraums erreicht und teilt sie dann durch die Anzahl solcher Einkäufe während dieses Zeitraums auf. Bei der Berechnung der periodischen einfachen Durchschnittsrate wird der Wert der Eröffnungsbestände nicht als der Eröffnungsbestand betrachtet, der den letzten Zeitraum darstellt. Die Vorteile der einfachen Durchschnittsmethode sind in diesem Fall auch mit einigen zusätzlichen Vorteilen anwendbar: (a) Da während des Zeitraums ein Satz für die Anwendung auf alle Fragen berechnet wird, sobald ein neuer Kauf erfolgt, wird eine neue Berechnung vermieden. (B) Die Gebühren während eines Zeitraums erfolgen zu einheitlichen Zinssätzen. Im Falle einer periodischen einfachen Durchschnittsmethode sind die Nachteile der einfachen Durchschnittsmethode in der Regel mit dem zusätzlichen Nachteil anwendbar, dass bei der Berechnung der periodischen einfachen Durchschnittsrate die gesamte Arbeit der Aufladung der Emissionen bis zum Ende des Zeitraums. Manchmal, um diese Schwierigkeit zu entfernen, wird die vorherige periodrsquos Rate in der gegenwärtigen Periode angewendet. In diesem Fall wird für die Bewerbung in Bezug auf alle Angelegenheiten während eines Zeitraums ein gewichteter Durchschnittssatz berechnet, nachdem die Mengen amp der entsprechenden Kaufkosten im gleichen Zeitraum berücksichtigt wurden. Da der Eröffnungsbestandswert den letzten Zeitraum darstellt, wird er nicht berücksichtigt. Der Schlussbestand der Periode wird jedoch zu diesem periodischen gewichteten Durchschnittskurs bewertet. Einige der Nachteile der gewichteten durchschnittlichen Methode, wie häufige Berechnung der Emissionsraten, die Erhebung von Emissionen mit unterschiedlichen Raten im gleichen Zeitraum usw. werden durch diese Methode vermieden. Die Aussetzung aller Arbeiten zur Erhebung der Emissionen bis zum Ende des Zeitraums ist durch die periodisch gewichtete Durchschnittsmethode erforderlich. Die periodische gewichtete Durchschnittsmethode, mit Ausnahme der obigen, genießt die gleichen Vorteile, die der Verstärker von den gleichen Nachteilen der gewichteten Durchschnittsmethode erleidet. Abbildung 6: Auf der Grundlage der in Abbildung 5 angegebenen Informationen bereiten wir ein Ledgerkonto unter periodisch einfacher Durchschnittsmethode vor. (1) Periodischer einfacher Durchschnittspreis (2.002.102.202.50) 4 2.20 (2) Gesamtpreis der Ausgaben 28002.20 6160 (3) Wert der Schlussbestände (8240-6160) 2080 (4) Bei der Berechnung des periodischen Durchschnitts, Der Preis der Eröffnungsbestände, falls vorhanden, sollte ausgeschlossen werden. Auf der Grundlage der in Abbildung 5 angegebenen Informationen wird ein Ledger-Account unter periodisch gewichteter Durchschnittsmethode vorbereitet. (1) Periodischer gewichteter Durchschnittspreis 82403800 2.1684 (2) Bewertung von Schlussbestand (8240 ndash 6072) 2168 Unter dieser Methode wird die gleitende Durchschnittsrate durch Division der Summe der periodischen Durchschnittsraten einer ausgewählten Anzahl von Perioden durch die Anzahl solcher Perioden. Die ausgewählten Perioden beinhalten den Verstärker, der dem Zeitraum vorausgeht, in dem die zu erwerbenden Materialien ausgegeben werden. Die ausgewählten Perioden werden lsquoaverage periodrsquo genannt. Nehmen wir an, dass die durchschnittliche Periode fünf Monate beträgt. Für die Berechnung des gleitenden Durchschnittssatzes, der für die im August 2010 getätigten Ausgaben angewandt wird, werden die periodischen Durchschnittsraten von April, Mai, Juni, Juli, August 2010 gemittelt. Für die Berechnung des in Bezug auf September 2010 anzuwendenden Satzes werden die periodischen Durchschnittsraten von Mai, Juni, Juli, August, September September 2010 gemittelt. So bewegt sich der lsquoaverage periodrsquo vorwärts und damit der Name gleitender Durchschnitt. Es gibt zwei Arten von gleitenden Durchschnitt auch, nämlich die Verschiebung einfacher durchschnittlicher Ampere bewegen gewichteten Durchschnitt, da zwei Arten von periodischen Durchschnitt gibt es, nämlich periodische einfache durchschnittliche Ampere periodisch gewichteten Durchschnitt. Die Auswirkung von Preisschwankungen auf die Emissionsraten wird durch die gleitende Durchschnittsmethode (einfach oder gewichtet) geglättet. Bei einer gleitenden durchschnittlichen Methode können die Emissionsraten nicht unbegrenzt durch den überhöhten hohen oder niedrigen Preis bezahlt werden, der für jeden Kauf gezahlt wird, aus irgendeinem Grund. 2. Wiederbeschaffungspreis (oder Marktpreis) Methode: Der Preis, zu dem die ausgegebenen Materialien wieder aufgefüllt werden können, wird als Ersatzpreis bezeichnet. So bedeutet es den Marktpreis, denn zum Marktpreis kann die Nachschub durch Kauf erfolgen. Wenn also ein Problem stattfindet, ist die Ermittlung des Wiederbeschaffungspreises (d. H. Marktpreis) für die Erhebung von Ausgaben zum Wiederbeschaffungspreis erforderlich. So ist der Wert vor Ausgabe abzüglich des Wertes der Emission zum Wiederbeschaffungspreis der Wert der Aktie nach jeder Emission. Die Methode kann mit der Begründung unterstützt werden, dass der aktuelle Marktpreis durch die Materialkosten eines Auftrags oder Arbeitsauftrags repräsentiert werden sollte. Es kann auch beanstandet werden, dass die tatsächlichen Materialkosten nicht durch die materiellen Kosten der Arbeitsplätze vertreten werden, wenn eine Ausgabe stattfindet, ist die Ermittlung des Ersatzpreises nicht einfach, es sei denn, der Markt ist ein perfekter Markt Veröffentlichen den Preis täglich unter den Bedingungen der steigenden Preise, manchmal der Wert der Schlussbestände zeigen negative Zahl (dh Aktienkonto mit Kredit-Balance), die absurd ist. Online Live Tutor Moving Average Methode: Wir haben die besten Tutoren in Economics in der Branche. Unsere Tutoren können ein komplexes Moving Average Method Problem in seine Unterteile zerlegen und Ihnen ausführlich erklären, wie jeder Schritt durchgeführt wird. Dieser Ansatz des Abbruchs eines Problems wurde von der Mehrheit unserer Schüler für das Lernen von Moving Average Method Konzepten geschätzt. Sie erhalten Eins-zu-eins personalisierte Aufmerksamkeit durch unsere Online-Tutoring, die Lernen Spaß und einfach machen wird. Unsere Tutoren sind hochqualifiziert und halten fortgeschrittene Abschlüsse. Bitte senden Sie uns eine Anfrage für Moving Average Method Tutoring und erleben Sie die Qualität selbst. Online Periodische einfache durchschnittliche Methode, Periodische gewichtete durchschnittliche Methode Hilfe: Wenn Sie mit einer Periodischen einfachen durchschnittlichen Methode stecken, Periodisch gewichtete durchschnittliche Methode Hausaufgabe Problem und brauchen Hilfe, haben wir ausgezeichnete Tutoren, die Ihnen mit Hausaufgaben helfen können. Unsere Tutoren, die Periodische einfache durchschnittliche Methode, Periodisch gewichtete durchschnittliche Methode helfen, sind hoch qualifiziert. Unsere Tutoren haben viele Jahre Erfahrung in der Industrie und haben jahrelange Erfahrung mit Periodic Simple Average Method, Periodisch gewichtete durchschnittliche Methode Hausaufgaben Hilfe. Bitte senden Sie uns die Periodic Simple Average Method, Periodic Weighted Average Method Probleme, auf denen Sie Hilfe benötigen und wir werden dann an unsere Tutoren zur Überprüfung weiterleiten. Der einfachste Ansatz wäre, den Durchschnitt von Januar bis März zu nehmen und das zu verwenden, um April8217s abzuschätzen Umsatz: (129 134 122) 3 128.333 Auf der Grundlage der Verkäufe von Januar bis März, prognostizieren Sie, 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 Quantität und Qualität der Daten ab, die Sie haben und Ihren Prognosehorizont (langfristig, mittelfristig oder kurzfristig)
Comments
Post a Comment