Marknadsdata Frågor Exponential Versus Simple Moving Medelvärden Hej Tom - Jag är en abonnent på din och undrade om du hade ett ldquoconversionrdquo-diagram för att konvertera trendvärdet till perioden exponentiella MAs. Till exempel är 10 Trend ungefär lika med en 19-årig EMA, 1 Trend till 200EMA etc. Tack på förhand. Formeln för att konvertera ett exponentiellt glidande medelvärde (EMA) utjämning konstant till ett antal dagar är: 2 mdashmdashmdash-N 1 där N är antalet dagar. Således skulle en 19-dagars EMA passa in i formeln enligt följande: 2 2 mdashmdashmdashmdash-mdashmdashmdash-0.10 eller 10 19 1 20 Detta härrör från tanken att utjämningskonstanten är vald för att ge samma medelålder för data som skulle ha haft ett enkelt glidande medelvärde. Om du hade ett 20-taligt enkelt glidande medelvärde, är medelåldern för varje dataingång 9,5. Man kan tro att medelåldern bör vara 10, eftersom det är hälften av 20 eller 10,5 eftersom det är medeltalet av siffrorna 1 till 20. Men i statistisk konvention är åldern för den senaste datauppgiften 0. Således Att hitta medelåldern för de senaste tjugo datapunkterna görs genom att hitta medelvärdet av denna serie: Så är medelåldern för data i en uppsättning N-perioder: N - 1 mdashmdashmdashmdash - 2 För exponentiell utjämning med en utjämningskonstant av A , visar det sig att summationsteorins matematik är följande: 1 - En mdashmdashmdashmdash-A Kombinera dessa två ekvationer: 1 - AN - 1 mdashmdashmdash mdashmdashmdashmdash A 2 vi kan lösa ett värde av A som motsvarar en EMA till en enkel rörlig genomsnittslängd som: 2 A mdashmdashmdashmdash - N 1 Du kan läsa en av de ursprungliga bitarna som någonsin skrivits om detta koncept genom att gå till McClellanMTAaward. pdf. Där vi utdrag från P. N. Haurlanrsquos pamflet, ldquoMeasuring Trend Valuesrdquo. Haurlan var en av de första som använde exponentiella glidande medelvärden för att spåra aktiekurserna tillbaka på 1960-talet, och vi föredrar fortfarande sin ursprungliga terminologi av en XX-trend, snarare än att kalla ett exponentiellt glidande medelvärde med ett antal dagar. En stor anledning till detta är att med ett enkelt glidande medelvärde (SMA) ser du bara ett visst antal dagar tillbaka. Allt som är äldre än den återkallande perioden påverkar inte beräkningen. Men med en EMA, försvinner gamla data aldrig det blir bara mindre och mindre viktigt för värdet av det rörliga genomsnittet. För att förstå varför tekniker bryr sig om EMAs mot SMA, ger en snabb titt på det här diagrammet en viss bild av skillnaden. Under trending rör sig uppåt eller nedåt, kommer en 10-trend och en 19-dagars SMA i stor utsträckning att vara rätt tillsammans. Det är under perioder då priserna är hakiga, eller när trendriktningen ändras, ser vi att de två börjar röra sig ifrån varandra. I dessa fall kommer 10-trenden brukar krama prisåtgärden närmare, och därmed vara bättre i stånd att signalera en förändring när priset korsar det. För många människor gör EMAs ldquobetterrdquo än SMAs, men ldquobetterrdquo är i ögat av behållaren. Anledningen till att ingenjörer har använt EMA i många år, särskilt i elektronik, är att de är enklare att beräkna. För att bestämma dagens nya EMA-värde, behöver du bara yesterdayrsquos EMA-värde, utjämningskonstanten och todayrsquos nya slutkurs (eller annat datum). Men för att beräkna en SMA måste du veta varje värde tillbaka i tid för hela återkallningsperioden. Tidsseriemetoder Tidsseriemetoder är statistiska tekniker som utnyttjar historiska data som samlats över en tidsperiod. Tidsseriemetoder antar att det som inträffat i det förflutna kommer att fortsätta att ske i framtiden. Som namnetidsserierna föreslår, beräknar dessa metoder prognosen till endast en faktor - tid. De innefattar bland annat glidande medelvärde, exponentiell utjämning och linjär trendlinje och de är bland de mest populära metoderna för prognoser för kortdistans mellan service - och tillverkningsföretag. Dessa metoder antar att identifierbara historiska mönster eller trender för efterfrågan över tiden kommer att upprepa sig. Flyttande medelvärde En prognos för tidsserier kan vara så enkel som att använda efterfrågan under den aktuella perioden för att förutsäga efterfrågan under nästa period. Detta kallas ibland en naiv eller intuitiv prognos. 4 Till exempel, om efterfrågan är 100 enheter i veckan, är prognosen för nästa veckors efterfrågan 100 enheter om efterfrågan visar sig vara 90 enheter istället, då efterfrågan på följande veckor är 90 enheter, och så vidare. Denna typ av prognostiseringsmetod tar inte hänsyn till historiskt efterfrågan beteende som det endast bygger på efterfrågan under den aktuella perioden. Det reagerar direkt på de normala, slumpmässiga rörelserna i efterfrågan. Den enkla glidande metoden använder flera efterfrågningsvärden under det senaste förflutet för att utveckla en prognos. Detta tenderar att dämpa eller släta ut de slumpmässiga ökar och minskar en prognos som endast använder en period. Det enkla glidande medlet är användbart för att förutse efterfrågan som är stabil och uppvisar inte något uttalat efterfrågan, såsom en trend eller ett säsongsmönster. Flytta medelvärden beräknas för specifika perioder, till exempel tre månader eller fem månader, beroende på hur mycket prognosen önskar släta efterfrågningsdata. Ju längre den rörliga genomsnittliga perioden, ju mjukare blir det. Formeln för att beräkna det enkla glidande genomsnittet är att beräkna ett enkelt rörligt medelvärde. Instant Paper Clip Office Supply Company säljer och levererar kontorsmaterial till företag, skolor och byråer inom en 50-mils radie av sitt lager. Kontorsleveransverksamheten är konkurrenskraftig och möjligheten att leverera order snabbt är en faktor för att få nya kunder och hålla gamla. (Kontor beställer vanligtvis inte när de är låga på leveranser, men när de slutar helt. Därför behöver de sina beställningar omedelbart.) Företagets chef vill vara säker med tillräckligt många förare och fordon är tillgängliga för att snabbt kunna leverera order och De har tillräcklig inventering i lager. Därför vill chefen kunna förutse antalet order som kommer att inträffa under nästa månad (det vill säga för att prognostisera efterfrågan på leveranser). Från register över leveransorder har ledningen ackumulerat följande data under de senaste 10 månaderna, från vilken man vill beräkna 3- och 5-månaders glidande medelvärden. Låt oss anta att det är slutet av oktober. Prognosen som följer av antingen 3- eller 5-månaders glidande medelvärde är typiskt för nästa månad i sekvensen, vilket i det här fallet är november. Det glidande medelvärdet beräknas från efterfrågan på order under de föregående 3 månaderna i sekvensen enligt följande formel: 5-månaders glidande medelvärde beräknas från de föregående 5 månaderna av efterfrågningsdata enligt följande: 3- och 5-månaders Flyttande genomsnittliga prognoser för alla månader av efterfrågadata visas i följande tabell. Faktum är att endast prognosen för november baserat på den senaste månatliga efterfrågan skulle användas av chefen. De tidigare prognoserna för tidigare månader tillåter oss emellertid att jämföra prognosen med den faktiska efterfrågan för att se hur exakt prognosmetoden är - det vill säga hur bra det gör. Tre - och femmånadersgenomsnitt Både glidande genomsnittliga prognoser i tabellen ovan tenderar att släta ut variabiliteten i de faktiska uppgifterna. Denna utjämningseffekt kan observeras i följande figur där 3-månaders - och 5-månadsgenomsnittet har överlagts på en graf av de ursprungliga data: 5-månaders glidande medelvärde i föregående figur släpper ut fluktuationer i större utsträckning än 3 månaders glidande medelvärde. 3-månadersgenomsnittet återspeglar dock de senaste uppgifterna som finns tillgängliga för kontorsleverantören. I allmänhet är prognoser som använder det längre glidande genomsnittet långsammare att reagera på de senaste förändringarna i efterfrågan än de som gjordes med hjälp av kortare glidande medelvärden. De extra dataperioderna dämpar den hastighet som prognosen svarar på. Att fastställa lämpligt antal perioder att använda i en glidande genomsnittlig prognos kräver ofta en viss mängd försök och felprov. Nackdelen med den glidande genomsnittliga metoden är att den inte reagerar på variationer som uppstår av en orsak, såsom cykler och säsongseffekter. Faktorer som orsakar förändringar ignoreras generellt. Det är i princip en mekanisk metod som speglar historiska data på ett konsekvent sätt. Emellertid har den glidande genomsnittliga metoden fördelen att det är lätt att använda, snabbt och relativt billigt. I allmänhet kan denna metod ge en bra prognos på kort sikt, men det bör inte skjutas för långt in i framtiden. Viktat rörande medelvärde Den glidande genomsnittliga metoden kan justeras för att bättre reflektera fluktuationer i data. I den viktade glidande medelvärdet tilldelas vikter till de senaste data enligt följande formel: Efterfrågadata för PM Computer Services (visad i tabellen för Exempel 10.3) verkar följa en ökande linjär trend. Företaget vill beräkna en linjär trendlinje för att se om den är mer exakt än exponentiella utjämning och justerade exponentiella utjämningsprognoser som utvecklats i exempel 10.3 och 10.4. De värden som krävs för minsta kvadratberäkningarna är följande: Med dessa värden beräknas parametrarna för linjär trendlinje enligt följande: Därför är linjär trendlinjekvation Att beräkna en prognos för period 13, låt x 13 i linjär trendlinje: Nedanstående diagram visar linjär trendlinje jämfört med aktuella data. Trendslinjen verkar tydligt återspegla de faktiska uppgifterna, det vill säga vara en bra passform, och skulle därmed vara en bra prognosmodell för detta problem. En nackdel med den linjära trenderlinjen är emellertid att den inte kommer att anpassas till en förändring i trenden, eftersom de exponentiella utjämningsprognosmetoderna kommer att det antas att alla framtida prognoser kommer att följa en rak linje. Detta begränsar användningen av denna metod till en kortare tidsram där du kan vara relativt säker på att trenden inte kommer att förändras. Säsongsjusteringar Ett säsongsmönster är en repetitiv ökning och minskning av efterfrågan. Många efterfrågan förekommer med säsongsbeteende. Klädförsäljningen följer årliga säsongsmönster, med efterfrågan på varma kläder ökar på hösten och vintern och sjunker under våren och sommaren då efterfrågan på svalare kläder ökar. Efterfrågan på många detaljhandelsvaror, inklusive leksaker, sportutrustning, kläder, elektroniska apparater, skinka, kalkoner, vin och frukt, ökar under semesterperioden. Efterfrågan på hälsokort ökar i samband med speciella dagar som Alla hjärtans dag och mors dag. Säsongsmönster kan också ske varje månad, veckovis eller till och med dagligen. Vissa restauranger har högre efterfrågan på kvällen än vid lunch eller på helgerna i motsats till vardagar. Trafik - därmed försäljning - på köpcentra hämtar på fredag och lördag. Det finns flera metoder för att reflektera säsongsmönster i en prognos för tidsserier. Vi beskriver en av de enklare metoderna med en säsongsbetonad faktor. En säsongsfaktor är ett numeriskt värde som multipliceras med den normala prognosen för att få en säsongrensad prognos. En metod för att utveckla en efterfrågan på säsongsbetonade faktorer är att dela efterfrågan på varje säsongsperiod efter total årlig efterfrågan enligt följande formel: De resulterande säsongsfaktorerna mellan 0 och 1,0 är i själva verket den del av den totala årliga efterfrågan som tilldelas varje säsong. Dessa säsongsfaktorer multipliceras med den årliga prognostiserade efterfrågan för att ge anpassade prognoser för varje säsong. Beräkna ett prognos med säsongsjusteringar. Wishbone Farms växer kalkoner för att sälja till köttbearbetningsföretag under hela året. Men högsäsongen är uppenbarligen under fjärde kvartalet, från oktober till december. Wishbone Farms har upplevt efterfrågan på kalkoner under de senaste tre åren som visas i följande tabell: Eftersom vi har tre års efterfrågadata kan vi beräkna säsongsfaktorerna genom att dela den totala kvartalsbehovet för de tre åren med total efterfrågan under alla tre år : Sedan vill vi multiplicera den prognostiserade efterfrågan på nästa år, 2000, genom varje säsongsfaktor för att få den prognostiserade efterfrågan för varje kvartal. För att uppnå detta behöver vi en efterfråganprognos för 2000. I det här fallet, eftersom efterfrågadata i tabellen verkar uppvisa en generellt ökande trend, beräknar vi en linjär trendlinje för de tre års data i tabellen för att bli grov prognosuppskattning: Prognosen för 2000 är således 58,17 eller 58,170 kalkoner. Med hjälp av denna årliga prognosen för efterfrågan jämförs de säsongrensade prognoserna, SF i, för år 2000 med jämförelse av dessa kvartalsprognoser med de faktiska efterfrågningsvärdena i tabellen, de verkar vara relativt goda prognosberäkningar som återspeglar både säsongsvariationerna i data och den allmänna uppåtgående trenden. 10-12. Hur är den glidande medelmetoden som liknar exponentiell utjämning 10-13. Vilken effekt på exponentiell utjämningsmodell kommer att öka utjämningskonstanten har 10-14. Hur skiljer sig justerad exponentiell utjämning från exponentiell utjämning 10-15. Vad bestämmer valet av utjämningskonstanten för trend i en justerad exponentiell utjämningsmodell 10-16. I kapitelexemplen för tidsseriemetoder antogs startprognosen alltid vara densamma som den faktiska efterfrågan under den första perioden. Föreslå andra sätt att startprognosen kan härledas vid faktisk användning. 10-17. Hur skiljer den linjära trendlinjeprognosmodellen från en linjär regressionsmodell för prognoser 10-18. Av de tidsseriemodeller som presenteras i detta kapitel, inklusive det glidande medelvärdet och det vägda glidande medlet, exponentiell utjämning och justerad exponentiell utjämning och linjär trendlinje, vilken anser du bäst Varför 10-19. Vilka fördelar har justerad exponentiell utjämning över en linjär trendlinje för prognostiserad efterfrågan som uppvisar en trend 4 K. B. Kahn och J. T. Mentzer, prognoser inom konsument - och industrimarknaderna, Journal of Business Forecasting 14, nr. 2 (sommaren 1995): 21-28.Moving medelvärde och exponentiella utjämningsmodeller Som ett första steg för att flytta bortom genomsnittliga modeller kan slumpmässiga gångmodeller och linjära trendmodeller, nonseasonal mönster och trender extrapoleras med hjälp av en rörlig genomsnitts - eller utjämningsmodell . Det grundläggande antagandet bakom medelvärdes - och utjämningsmodeller är att tidsserierna är lokalt stationära med ett långsamt varierande medelvärde. Därför tar vi ett rörligt (lokalt) medelvärde för att uppskatta det nuvarande värdet av medelvärdet och sedan använda det som prognosen för den närmaste framtiden. Detta kan betraktas som en kompromiss mellan medelmodellen och slumpmässig-walk-utan-drift-modellen. Samma strategi kan användas för att uppskatta och extrapolera en lokal trend. Ett rörligt medelvärde kallas ofta en quotsmoothedquot-version av den ursprungliga serien, eftersom kortsiktig medelvärde medför att utjämning av stötarna i originalserien. Genom att justera graden av utjämning (bredden på glidande medelvärdet) kan vi hoppas att hitta någon form av optimal balans mellan prestandan hos medel - och slumpmässiga gångmodeller. Den enklaste typen av medelvärdesmodell är. Enkelt (lika viktat) Flyttande medelvärde: Prognosen för värdet av Y vid tiden t1 som är gjord vid tiden t motsvarar det enkla medelvärdet av de senaste m-observationerna: (Här och på annat håll använder jag symbolen 8220Y-hat8221 för att stå för en prognos av tidsserien Y som gjordes så tidigt som möjligt enligt en given modell.) Detta medel är centrerat vid period-t (m1) 2 vilket innebär att uppskattningen av det lokala medelvärdet tenderar att ligga bakom det sanna värdet av det lokala medelvärdet med ca (m1) 2 perioder. Således säger vi att medelåldern för data i det enkla glidande medlet är (m1) 2 i förhållande till den period för vilken prognosen beräknas: det här är hur lång tid prognoserna tenderar att ligga bakom vändpunkter i data . Om du till exempel medger de senaste 5 värdena, kommer prognoserna att vara cirka 3 perioder sent för att svara på vändpunkter. Observera att om m1 är den enkla glidande genomsnittsmodellen (SMA) motsvarar den slumpmässiga gångmodellen (utan tillväxt). Om m är väldigt stor (jämförbar med längden på uppskattningsperioden) motsvarar SMA-modellen den genomsnittliga modellen. Precis som med vilken parameter som helst av en prognosmodell, är det vanligt att justera värdet på k för att få den bästa kvotfoten till data, dvs de minsta prognosfelen i genomsnitt. Här är ett exempel på en serie som verkar utgöra slumpmässiga fluktuationer runt ett långsamt varierande medelvärde. Först kan vi försöka passa på den med en slumpmässig promenadmodell, vilket motsvarar ett enkelt glidande medelvärde på 1 term: Slumpmässig gångmodell svarar väldigt snabbt på förändringar i serien, men därigenom väljer man mycket av kvotenhetskvoten i data (de slumpmässiga fluktuationerna) samt quotsignalquot (den lokala medelvärdet). Om vi istället försöker ett enkelt glidande medelvärde på 5 termer får vi en snyggare uppsättning prognoser: Det 5-åriga enkla glidande medlet ger betydligt mindre fel än den slumpmässiga gångmodellen i det här fallet. Medelåldern för data i denna prognos är 3 ((51) 2), så att den tenderar att ligga bakom vändpunkter med cirka tre perioder. (Till exempel verkar en nedgång ha skett i period 21, men prognoserna vänder inte om till flera perioder senare.) Notera att de långsiktiga prognoserna från SMA-modellen är en horisontell rak linje, precis som i slumpmässig promenad modell. Således antar SMA-modellen att det inte finns någon trend i data. Men medan prognoserna från den slumpmässiga promenadmodellen helt enkelt motsvarar det senast observerade värdet är prognoserna från SMA-modellen lika med ett vägt genomsnitt av de senaste värdena. De konfidensbegränsningar som beräknas av Statgraphics för de långsiktiga prognoserna för det enkla glidande genomsnittet blir inte större eftersom prognostiseringshorisonten ökar. Det här är uppenbarligen inte korrekt Tyvärr finns det ingen underliggande statistisk teori som berättar hur förtroendeintervallen borde utvidgas för denna modell. Det är dock inte så svårt att beräkna empiriska uppskattningar av konfidensgränserna för prognosen för längre tid. Du kan till exempel konfigurera ett kalkylblad där SMA-modellen skulle användas för att prognostisera två steg framåt, 3 steg framåt etc. i det historiska dataprov. Därefter kan du beräkna felfunktionens avvikelser vid varje prognoshorisont och sedan konstruera konfidensintervaller för längre siktprognoser genom att lägga till och subtrahera multiplar med lämplig standardavvikelse. Om vi försöker ett 9-sikt enkelt glidande medelvärde får vi ännu smidigare prognoser och mer av en långsammare effekt: Medelåldern är nu 5 perioder (91) 2). Om vi tar ett 19-årigt glidande medel ökar medeltiden till 10: Observera att prognoserna nu försvinner nu bakom vändpunkter med cirka 10 perioder. Vilken mängd utjämning är bäst för denna serie Här är en tabell som jämför deras felstatistik, inklusive ett 3-siktigt genomsnitt: Modell C, det 5-åriga glidande medlet, ger det lägsta värdet av RMSE med en liten marginal över 3 - term och 9-medeltal, och deras andra statistik är nästan identiska. Så, bland modeller med mycket liknande felstatistik kan vi välja om vi föredrar lite mer respons eller lite mer jämnhet i prognoserna. (Tillbaka till början av sidan.) Browns Simple Exponential Smoothing (exponentiellt vägd glidande medelvärde) Den enkla glidande medelmodellen beskriven ovan har den oönskade egenskapen som den behandlar de senaste k-observationerna lika och fullständigt ignorerar alla föregående observationer. Intuitivt bör tidigare data diskonteras på ett mer gradvis sätt - till exempel bör den senaste observationen få lite mer vikt än 2: a senast, och den 2: a senaste bör få lite mer vikt än den 3: e senaste, och så vidare. Den enkla exponentiella utjämningens (SES) - modellen åstadkommer detta. Låt 945 beteckna en quotsmoothing constantquot (ett tal mellan 0 och 1). Ett sätt att skriva modellen är att definiera en serie L som representerar den nuvarande nivån (dvs lokal medelvärde) för serien som uppskattad från data fram till idag. Värdet av L vid tiden t beräknas rekursivt från sitt eget tidigare värde som här: Således är det nuvarande utjämnade värdet en interpolation mellan det tidigare jämnda värdet och den aktuella observationen, där 945 styr närheten av det interpolerade värdet till det senaste observation. Prognosen för nästa period är helt enkelt det nuvarande släta värdet: Likvärdigt kan vi uttrycka nästa prognos direkt i form av tidigare prognoser och tidigare observationer, i någon av följande ekvivalenta versioner. I den första versionen är prognosen en interpolation mellan föregående prognos och tidigare observation: I den andra versionen erhålls nästa prognos genom att justera föregående prognos i riktning mot det föregående felet med en bråkdel av 945. Är felet gjort vid tid t. I den tredje versionen är prognosen ett exponentiellt vägt (dvs. rabatterat) glidande medelvärde med rabattfaktor 1-945: Interpolationsversionen av prognosformuläret är det enklaste att använda om du genomför modellen på ett kalkylblad: det passar in i en encell och innehåller cellreferenser som pekar på föregående prognos, föregående observation och cellen där värdet 945 lagras. Observera att om 945 1 motsvarar SES-modellen en slumpmässig gångmodell (utan tillväxt). Om 945 0 motsvarar SES-modellen den genomsnittliga modellen, förutsatt att det första släta värdet sätts lika med medelvärdet. (Återgå till början av sidan.) Medelåldern för data i prognosen för enkel exponentiell utjämning är 1 945 i förhållande till den period som prognosen beräknas för. (Det här är inte tänkt att vara uppenbart, men det kan enkelt visas genom att utvärdera en oändlig serie.) Den enkla, snabba genomsnittliga prognosen tenderar därför att ligga bakom vändpunkter med cirka 1 945 perioder. Till exempel, när 945 0,5 är fördröjningen 2 perioder när 945 0,2 är fördröjningen 5 perioder när 945 0,1 är fördröjningen 10 perioder, och så vidare. För en given medelålder (dvs mängden fördröjning) är prognosen för enkel exponentiell utjämning (SES) något överlägsen SMA-prognosen (Simple Moving Average) eftersom den lägger relativt större vikt vid den senaste observationen, dvs. det är något mer quotresponsivequot för förändringar som inträffade under det senaste förflutna. Till exempel har en SMA-modell med 9 villkor och en SES-modell med 945 0,2 båda en genomsnittlig ålder på 5 för data i sina prognoser, men SES-modellen lägger mer vikt på de senaste 3 värdena än SMA-modellen och vid samtidigt som det inte helt 8220forget8221 om värden som är mer än 9 perioder gamla, vilket visas i det här diagrammet. En annan viktig fördel med SES-modellen över SMA-modellen är att SES-modellen använder en utjämningsparameter som kontinuerligt varierar, så att den lätt kan optimeras genom att använda en kvotsolverquot-algoritm för att minimera det genomsnittliga kvadratfelet. Det optimala värdet på 945 i SES-modellen för denna serie visar sig vara 0,2961, som visas här: Medelåldern för data i denna prognos är 10,2961 3,4 perioder, vilket liknar det för ett 6-sikt enkelt glidande medelvärde. De långsiktiga prognoserna från SES-modellen är en horisontell rak linje. som i SMA-modellen och den slumpmässiga promenadmodellen utan tillväxt. Observera dock att de konfidensintervaller som beräknas av Statgraphics avviker nu på ett rimligt sätt, och att de är väsentligt smalare än konfidensintervallet för slumpmässig promenadmodell. SES-modellen förutsätter att serien är något mer förutsägbar än den slumpmässiga promenadmodellen. En SES-modell är egentligen ett speciellt fall av en ARIMA-modell. så ger den statistiska teorin om ARIMA-modeller en bra grund för beräkning av konfidensintervaller för SES-modellen. I synnerhet är en SES-modell en ARIMA-modell med en icke-säsongsskillnad, en MA (1) term och ingen konstant term. annars känd som en quotARIMA (0,1,1) modell utan constantquot. MA (1) - koefficienten i ARIMA-modellen motsvarar kvantiteten 1-945 i SES-modellen. Om du till exempel passar en ARIMA-modell (0,1,1) utan konstant till serien som analyseras här, uppskattas den uppskattade MA (1) - koefficienten vara 0,7029, vilket är nästan exakt en minus 0,2961. Det är möjligt att lägga till antagandet om en icke-noll konstant linjär trend till en SES-modell. För att göra detta, ange bara en ARIMA-modell med en icke-säsongsskillnad och en MA (1) term med en konstant, dvs en ARIMA (0,1,1) modell med konstant. De långsiktiga prognoserna kommer då att ha en trend som är lika med den genomsnittliga trenden som observerats under hela estimeringsperioden. Du kan inte göra detta i samband med säsongsjustering, eftersom säsongsjusteringsalternativen är inaktiverade när modelltypen är inställd på ARIMA. Du kan dock lägga till en konstant långsiktig exponentiell trend till en enkel exponentiell utjämningsmodell (med eller utan säsongsjustering) genom att använda inflationsjusteringsalternativet i prognosproceduren. Den lämpliga quotinflationen (procentuell tillväxt) per period kan uppskattas som lutningskoefficienten i en linjär trendmodell som är anpassad till data i samband med en naturlig logaritmtransformation, eller det kan baseras på annan oberoende information om långsiktiga tillväxtutsikter . (Return to top of page.) Browns Linjär (dvs dubbel) Exponentiell utjämning SMA-modellerna och SES-modellerna antar att det inte finns någon trend av något slag i data (vilket vanligtvis är OK eller åtminstone inte för dåligt för 1- stegprognoser när data är relativt bullriga), och de kan modifieras för att införliva en konstant linjär trend som visas ovan. Vad sägs om kortsiktiga trender Om en serie visar en växande växthastighet eller ett cykliskt mönster som står klart ut mot bruset, och om det finns behov av att prognostisera mer än en period framåt, kan uppskattningen av en lokal trend också vara en fråga. Den enkla exponentiella utjämningsmodellen kan generaliseras för att erhålla en linjär exponentiell utjämning (LES) - modell som beräknar lokala uppskattningar av både nivå och trend. Den enklaste tidsvarierande trendmodellen är Browns linjära exponentiella utjämningsmodell, som använder två olika slätmade serier som centreras vid olika tidpunkter. Prognosformeln baseras på en extrapolering av en linje genom de två centra. (En mer sofistikerad version av denna modell, Holt8217s, diskuteras nedan.) Den algebraiska formen av Brown8217s linjär exponentiell utjämningsmodell, som den enkla exponentiella utjämningsmodellen, kan uttryckas i ett antal olika men likvärdiga former. Den här kvotens kvotstandardkvot uttrycks vanligen enligt följande: Låt S beteckna den singeljämnade serien som erhållits genom att använda enkel exponentiell utjämning till serie Y. Dvs, värdet av S vid period t ges av: (Minns att, under enkel exponentiell utjämning, detta skulle vara prognosen för Y vid period t1.) Låt sedan Squot beteckna den dubbelsidiga serien erhållen genom att använda enkel exponentiell utjämning (med samma 945) till serie S: Slutligen prognosen för Y tk. för vilken kgt1 som helst, ges av: Detta ger e 1 0 (det vill säga lura lite och låt den första prognosen motsvara den faktiska första observationen) och e 2 Y 2 8211 Y 1. varefter prognoser genereras med hjälp av ekvationen ovan. Detta ger samma monterade värden som formeln baserad på S och S om de senare startades med användning av S1S1Y1. Denna version av modellen används på nästa sida som illustrerar en kombination av exponentiell utjämning med säsongsjustering. Holt8217s linjär exponentiell utjämning Brown8217s LES-modell beräknar lokala uppskattningar av nivå och trend genom att utjämna de senaste uppgifterna, men det faktum att det gör det med en enda utjämningsparameter ställer en begränsning på de datamönster som den kan passa: nivån och trenden får inte variera till oberoende priser. Holt8217s LES-modell tar upp problemet genom att inkludera två utjämningskonstanter, en för nivån och en för trenden. När som helst, t som i Brown8217s modell, finns det en uppskattning L t på lokal nivå och en uppskattning T t av den lokala trenden. Här rekryteras de rekursivt från värdet av Y observerat vid tiden t och de tidigare uppskattningarna av nivån och trenden med två ekvationer som applicerar exponentiell utjämning till dem separat. Om den beräknade nivån och trenden vid tiden t-1 är L t82091 och T t-1. respektive prognosen för Y tshy som skulle ha gjorts vid tid t-1 är lika med L t-1 T t-1. När det verkliga värdet observeras beräknas den uppdaterade uppskattningen av nivån rekursivt genom interpolering mellan Y tshy och dess prognos L t-1 T t 1 med vikter av 945 och 1- 945. Förändringen i beräknad nivå, nämligen L t 8209 L t82091. kan tolkas som en bullrig mätning av trenden vid tiden t. Den uppdaterade uppskattningen av trenden beräknas sedan rekursivt genom interpolering mellan L t 8209 L t82091 och den tidigare uppskattningen av trenden T t-1. Användning av vikter av 946 och 1-946: Tolkningen av trendutjämningskonstanten 946 är analog med den för nivåutjämningskonstanten 945. Modeller med små värden av 946 förutsätter att trenden ändras endast mycket långsamt över tiden, medan modeller med större 946 antar att det förändras snabbare. En modell med en stor 946 tror att den avlägsna framtiden är väldigt osäker, eftersom fel i trendberäkning blir ganska viktiga vid prognoser mer än en period framåt. (Återgå till början av sidan.) Utjämningskonstanterna 945 och 946 kan uppskattas på vanligt sätt genom att minimera medelkvadratfelet i de 1-stegs-prognoserna. När detta görs i Statgraphics visar uppskattningarna att vara 945 0.3048 och 946 0.008. Det mycket lilla värdet på 946 innebär att modellen antar mycket liten förändring i trenden från en period till nästa, så i grunden försöker denna modell att estimera en långsiktig trend. I analogi med begreppet medelålder för de data som används för att uppskatta den lokala nivån i serien, är medelåldern för de data som används för att uppskatta den lokala trenden proportionell mot 1 946, men inte exakt lika med den . I det här fallet visar sig att vara 10.006 125. Detta är ett mycket exakt nummer eftersom precisionen av uppskattningen av 946 är verkligen 3 decimaler, men den har samma generella storleksordning som provstorleken på 100, så att denna modell är medeltal över ganska mycket historia för att uppskatta trenden. Prognosplotten nedan visar att LES-modellen beräknar en något större lokal trend i slutet av serien än den ständiga trenden som beräknas i SEStrend-modellen. Det uppskattade värdet på 945 är också nästan identiskt med det som erhållits genom att montera SES-modellen med eller utan trend, så det här är nästan samma modell. Nu ser dessa ut som rimliga prognoser för en modell som ska beräkna en lokal trend. Om du 8220eyeball8221 ser den här tomten ser den ut som om den lokala trenden har vänt sig nedåt i slutet av serien. Vad har hänt Parametrarna i denna modell har uppskattats genom att minimera det kvadrerade felet i 1-stegs-prognoser, inte längre prognoser, i vilket fall trenden gör inte en stor skillnad. Om allt du tittar på är 1 steg framåt, ser du inte den större bilden av trender över (säg) 10 eller 20 perioder. För att få denna modell mer i linje med vår ögonbolls extrapolering av data kan vi manuellt justera trendutjämningskonstanten så att den använder en kortare baslinje för trendberäkning. Om vi till exempel väljer att ställa in 946 0,1, är genomsnittsåldern för de data som används för att uppskatta den lokala trenden 10 perioder, vilket innebär att vi medeltar trenden över de senaste 20 perioderna eller så. Here8217s hur prognosplotet ser ut om vi sätter 946 0,1 medan ni håller 945 0.3. Detta ser intuitivt rimligt ut för denna serie, men det är troligen farligt att extrapolera denna trend mer än 10 perioder i framtiden. Vad sägs om felstatistik Här är en modelljämförelse för de två modellerna ovan och tre SES-modeller. Det optimala värdet på 945. För SES-modellen är ungefär 0,3, men liknande resultat (med något mer eller mindre responsivitet) erhålls med 0,5 och 0,2. (A) Hål linjär exp. utjämning med alfa 0,3048 och beta 0,008 (B) Hål linjär exp. utjämning med alfa 0,3 och beta 0,1 (C) Enkel exponentiell utjämning med alfa 0,5 (D) Enkel exponentiell utjämning med alfa 0,3 (E) Enkel exponentiell utjämning med alfa 0,2 Deras statistik är nästan identisk, så vi kan verkligen göra valet på grundval av prognosfel i 1 steg före proverna. Vi måste falla tillbaka på andra överväganden. Om vi starkt tror att det är vettigt att basera den nuvarande trendberäkningen på vad som hänt under de senaste 20 perioderna eller så kan vi göra ett ärende för LES-modellen med 945 0,3 och 946 0,1. Om vi vill vara agnostiska om det finns en lokal trend, kan en av SES-modellerna vara enklare att förklara och skulle också ge fler mitten av vägtrafikprognoserna för de kommande 5 eller 10 perioderna. (Tillbaka till början av sidan.) Vilken typ av trend-extrapolation är bäst: Horisontell eller linjär. Empiriska bevis tyder på att om uppgifterna redan har justerats (om det behövs) för inflationen, kan det vara oskäligt att extrapolera kortsiktiga linjära trender mycket långt in i framtiden. Tendenser som uppenbaras idag kan sänkas i framtiden på grund av olika orsaker som produktförstörning, ökad konkurrens och konjunkturnedgångar eller uppgångar i en bransch. Av denna anledning utför enkel exponentiell utjämning ofta bättre ur prov än vad som annars skulle kunna förväntas, trots sin kvotiv kvot horisontell trend extrapolering. Dämpade trendmodifieringar av den linjära exponentiella utjämningsmodellen används också i praktiken för att införa en konservatismedel i dess trendprognoser. Den demoniserade trenden LES-modellen kan implementeras som ett speciellt fall av en ARIMA-modell, i synnerhet en ARIMA-modell (1,1,2). Det är möjligt att beräkna konfidensintervaller kring långsiktiga prognoser som produceras av exponentiella utjämningsmodeller, genom att betrakta dem som speciella fall av ARIMA-modeller. (Var försiktig: inte alla mjukvaror beräknar konfidensintervall för dessa modeller korrekt.) Bredden på konfidensintervallet beror på (i) modellens RMS-fel, (ii) utjämningstypen (enkel eller linjär) (iii) värdet (er) av utjämningskonstanten (erna) och (iv) antalet perioder framåt du prognoserar. I allmänhet sprids intervallet snabbare, eftersom 945 blir större i SES-modellen och de sprider sig mycket snabbare när linjär snarare än enkel utjämning används. Detta ämne diskuteras vidare i avsnittet ARIMA-modeller i anteckningarna. (Återgå till början av sidan.) Granska det Lista några av funktionerna och funktionerna i ett företag som är beroende av en prognos för produktbehov. Vad är skillnaden mellan kvantitativa prognosmetoder och kvalitativa prognosmetoder Beskriv skillnaden mellan kort - och långdistansprognoser. Diskutera rollen som prognoser i supply chain management. Varför är exakt prognostisering så viktig för företag som använder ett kontinuerligt förnyelsebeställningssystem. Diskutera förhållandet mellan prognos och TQM. Vilka typer av prognosmetoder används för långsiktig strategisk planering Beskriv Delphi-metoden för prognoser. Vad är skillnaden mellan en trend och en cykel och ett säsongsmönster Hur är den glidande medelmetoden som liknar exponentiell utjämning I kapitelexemplen för tidsseriemetoder antogs startprognosen vara densamma som den faktiska efterfrågan under den första perioden . Föreslå andra sätt att startprognosen kan härledas vid faktisk användning. Vilken effekt på exponentiell utjämningsmodell kommer att öka utjämningskonstanten har Hur skiljer sig justerad exponentiell utjämning från exponentiell utjämning Vad bestämmer valet av utjämningskonstanten för trend i en justerad exponentiell utjämningsmodell Hur skiljer den linjära trendlinjeprognosmodellen från en linjär regressionsmodell för prognostisering Av de tidsseriemodeller som presenteras i detta kapitel, inklusive det glidande medelvärdet och det vägda glidande medlet, exponentiell utjämning och justerad exponentiell utjämning och linjär trendlinje, vilken anser du bäst Varför Vilka fördelar har justerad exponentiell utjämning över en linjär trendlinje för prognostiserad efterfrågan som uppvisar en trend Beskriv hur en prognos övervakas för att upptäcka bias. Förklara förhållandet mellan användningen av en spårningssignal och statistiska kontrollgränser för prognoskontroll. Val av MAD, MAPD, MSE, E och E. vilken mätning av prognosnoggrannhet anser du överlägsen Varför är skillnaden mellan linjär och multipel regression Definiera de olika komponenterna (y, x, a och b) för en linjär regression ekvation. Ett företag som producerar videoutrustning, inklusive videobandspelare, videokameror och tv-apparater, försöker prognostisera vilka nya produkter och produktinnovationer som kan vara tekniskt genomförbara och att kunderna kan kräva tio år i framtiden. Spekulera på vilken typ av kvalitativa metoder det kan använda för att utveckla denna typ av prognos. Dra Drop-övning Med musen drar du villkoren till rätt plats på diagrammet. Lansera övning 10.1 Lös problem 1. Flytta genomsnittet Ett tillverkningsföretag har månatligt efterfrågan på en av sina produkter enligt följande: Utveckla en treårs glidande genomsnittlig prognos och en treårsvägd vägd glidande medelprognos med vikter på 0,50, 0,30 och 0,20 för de senaste efterfrågningsvärdena, i den ordningen. Beräkna MAD för varje prognos och ange vilken som verkar vara mest exakt. Steg 1. Beräkna 3 månaders glidande medelvärde med hjälp av formeln För maj är den snabba genomsnittliga prognosen Steg 2. Beräkna det 3-månadersviktade glidande medlet med formeln För maj är den vägda genomsnittliga prognosen Värdena för både glidande medelprognoser visas i följande tabell: Steg 3. Beräkna MAD-värdet för båda prognoserna: MAD-värdet för 3 månaders glidande medelvärde är 80,0 och MAD-värdet för det 3-månadersviktade glidgänget är 75,6 vilket indikerar att det inte finns stor skillnad i noggrannhet mellan de två prognoserna, även om det vägda glidande medlet är något bättre. 2. Exponentiell utjämning Ett datorprogramföretag har upplevt följande efterfrågan på programvaran Personal Finance: Utveckla en exponentiell utjämningsprognos med en 0,40 och en justerad exponentiell utjämningsprognos med en 0,40 och b 0,20. Jämför noggrannheten i de två prognoserna med hjälp av MAD och kumulativt fel. Steg 1. Beräkna exponentialutjämningsprognosen med en 0,40 med följande formel: För period 2 är prognosen (förutsatt F 1 56) För period 3 är prognosen De återstående prognoserna beräknas på samma sätt och visas i bifogad tabell. Steg 2. Beräkna den justerade exponentiella utjämningsprognosen med 0,40 och b 0,20 med formeln Börja med prognosen för period 3 (sedan F 1 F 2. och vi antar T 2 0). De återstående justerade prognoserna beräknas på samma sätt och är visas i följande tabell: Steg 3. Beräkna MAD-värdet för varje prognos: Steg 4. Beräkna det kumulativa felet för varje prognos: Eftersom både MAD och det kumulativa felet är mindre för den justerade prognosen, verkar det vara den mest exakta . 3. Linjär regression En lokal byggvaruaffär har ackumulerat försäljningsdata för 2 165 4 timmer (bordfötter) och antalet bygglov i sitt område under de senaste tio kvartalen: Utveckla en linjär regressionsmodell för dessa data och bestäm styrkan av det linjära förhållandet med användning av korrelation. Om modellen verkar vara relativt stark, bestämma prognosen för timmer med tio bygglov i nästa kvartal. Steg 1. Beräkna komponenterna i den linjära regressionsekvationen, y a bx, med hjälp av minsta kvadratformlerna Steg 2. Utveckla den linjära regressionsekvationen: Steg 3. Beräkna korrelationskoefficienten: Således verkar det finnas ett starkt linjärt förhållande. Steg 4. Beräkna prognosen för x 10 tillstånd.
No comments:
Post a Comment