Bewegende gemiddelde glad stata

Vooruitskatting deur gladstrykingstegnieke Hierdie webwerf is 'n deel van die JavaScript E-laboratoriums leer voorwerpe vir besluitneming. Ander JavaScript in hierdie reeks is verdeel onder verskillende gebiede van aansoeke in die menu artikel op hierdie bladsy. 'N tyd-reeks is 'n reeks waarnemings wat bestel betyds. Inherent in die versameling van data geneem met verloop van tyd is 'n vorm van ewekansige variasie. Daar bestaan ​​metodes vir die vermindering van van die kansellasie van die effek as gevolg van ewekansige variasie. Gebruikte tegnieke is glad. Hierdie tegnieke, wanneer dit behoorlik toegepas word, blyk duidelik die onderliggende tendense. Tik die tydreeks Ry-wyse in volgorde, vanaf die linker-boonste hoek, en die parameter (s), dan op die Bereken knoppie vir die verkryging van een tydperk lig vooruitskatting. Leeg bokse is nie ingesluit in die berekeninge, maar nulle is. In die begin van jou data om te beweeg van sel tot sel in die data-oorsig gebruik die Tab-sleutel nie arrow of betree sleutels. Kenmerke van tydreekse, wat geopenbaar kan word deur die ondersoek van die grafiek. met die geskatte waardes, en die residue gedrag, toestand voorspelling modelle. Bewegende gemiddeldes: bewegende gemiddeldes rang onder die gewildste tegnieke vir die preprocessing van tydreekse. Hulle word gebruik om ewekansige wit geraas filter uit die data, om die tydreeks gladder te maak of selfs om sekere inligting komponente vervat in die tydreeks te beklemtoon. Eksponensiële Smoothing: Dit is 'n baie gewilde skema om 'n reëlmatige Tyd Reeks produseer. Terwyl dit in Bewegende Gemiddeldes die afgelope waarnemings word dieselfde gewig, eksponensiële Smoothing ken eksponensieel afneem gewigte as die waarneming ouer. Met ander woorde, is Onlangse waarnemings gegee relatief meer gewig in vooruitskatting as die ouer waarnemings. Double Eksponensiële Smoothing is beter op tendense hantering. Drie Eksponensiële Smoothing beter te hanteer parabool tendense. 'N exponenentially geweeg bewegende gemiddelde met 'n glad konstante a. ooreenstem rofweg 'n eenvoudige bewegende gemiddelde lengte (bv tydperk) n, waar n en N verwant deur: 'n 2 / (N1) of N (2 - a) / n. So, byvoorbeeld, 'n exponenentially geweeg bewegende gemiddelde met 'n glad konstante gelyk aan 0,1 sou rofweg ooreen met 'n 19 dag bewegende gemiddelde. En 'n 40-dag eenvoudig bewegende gemiddelde sou rofweg ooreen met 'n eksponensieel geweeg bewegende gemiddelde met 'n glad konstante gelyk aan 0,04878. Holts Lineêre Eksponensiële Smoothing: Veronderstel dat die tydreeks is nie-seisoenale maar wel vertoon tendens. Holts metode skat beide die huidige vlak en die huidige tendens. Let daarop dat die eenvoudige bewegende gemiddelde is spesiale geval van die eksponensiële gladstryking deur die oprigting van die tydperk van die bewegende gemiddelde van die heelgetal deel van (2-Alpha) / Alpha. Vir die meeste sake-data 'n Alpha parameter kleiner as 0.40 is dikwels doeltreffend. Dit kan egter 'n mens 'n rooster op soek na die parameter ruimte uit te voer, met 0,1-0,9, met inkremente van 0.1. Toe het die beste alfa die kleinste gemiddelde absolute fout (MA Fout). Hoe om 'n paar glad metodes te vergelyk: Alhoewel daar numeriese aanwysers vir die beoordeling van die akkuraatheid van die voorspelling tegniek, die mees benadering is in die gebruik van visuele vergelyking van verskeie voorspellings oor die akkuraatheid daarvan te evalueer en kies tussen die verskillende vooruitskatting metodes. In hierdie benadering, moet 'n mens stip op dieselfde grafiek die oorspronklike waardes van 'n tydreeks veranderlike en die voorspelde waardes van verskillende vooruitskatting metodes (met behulp van, bv Excel), dus 'n visuele vergelyking fasilitering. Jy kan hou die gebruik van die verlede Voorspellings deur gladstrykingstegnieke JavaScript om die verlede voorspel waardes gebaseer op gladstrykingstegnieke dat slegs enkele parameter gebruik te verkry. Holt, en winters metodes gebruik twee en drie parameters, onderskeidelik, dus is dit nie 'n maklike taak om die optimale, of selfs naby optimale waardes kies deur probeer-en foute vir die parameters. Die enkele eksponensiële gladstryking beklemtoon die kort reeks perspektief dit stel die vlak van die laaste waarneming en is gebaseer op die voorwaarde dat daar geen tendens. Die lineêre regressie, wat 'n lyn van kleinste kwadrate op die historiese data (of omskep historiese data) pas, stel die lang reeks, wat gekondisioneer op die basiese tendens. Holts lineêre eksponensiële gladstryking vang inligting oor onlangse tendens. Die parameters in Holts model is vlakke-parameter wat moet verminder word wanneer die hoeveelheid data wat variasie is groot, en tendense-parameter moet verhoog word indien die onlangse tendens rigting word ondersteun deur die oorsaaklike paar faktore. Korttermyn vooruitskatting: Let daarop dat elke JavaScript op hierdie bladsy bied 'n een-stap-ahead skatting. Om 'n twee-stap-ahead voorspelling te kry. eenvoudig die geskatte waarde toevoeg tot die einde van jou tydreeksdata en kliek dan op dieselfde Bereken knoppie. Jy kan hierdie proses herhaal vir 'n paar keer om die nodige kort termyn forecasts. Smoothing verkry: Lowess Ons sal saam met die data van die Colombia WFS Huishoudelike Opname, wat in 1975-1976. Ek getabuleer die ouderdomsverspreiding van alle lede van die huishouding en gered word in 'n ascci lêer, wat ons nou lees en plot: Soos jy kan sien, die verspreiding lyk ietwat minder glad as die data van die Filippyne wat ons vroeër bestudeer. Kan jy bereken die Myers-indeks vir hierdie verdeling Running beteken en Lines Die eenvoudigste manier om 'n PUNTEDIAGRAM glad is om 'n bewegende gemiddelde gebruik. ook bekend as 'n lopende gemiddelde. Die mees algemene benadering is om 'n venster van 2k 1 waarnemings te gebruik, k aan die linkerkant en k aan die regterkant van elke waarneming. Die waarde van k is 'n kompromis tussen gladheid van passingstoetse. Spesiale sorg moet geneem word by die uiterstes van die reeks. Stata kan bereken hardloop middel via lowess met die opsies beteken en noweight. 'N Algemene probleem met die bestuur middel is vooroordeel. 'N Oplossing is om gewig wat meer waarde aan die naaste bure en minder te gee aan diegene verder weg te gebruik. 'N Gewilde gewig funksie is Tukeys Tri-kubus, gedefinieer as w (d) (1-D 3) 3 vir d LT 1 en 0 anders, waar d die afstand na die teiken punt uitgedruk as 'n fraksie van die bandwydte. Stata kan doen hierdie berekening via lowess met die opsie beteken as jy noweight laat. Selfs 'n beter oplossing is om hardlooplyne gebruik. Ons definieer weer 'n woonbuurt vir elke punt, tipies die k naaste bure aan weerskante, pas 'n regressielyn met die punte in die buurt, en dan gebruik dit om 'n gladder waarde vir die indeks waarneming voorspel. Dit klink soos 'n baie werk, maar die berekeninge kan doeltreffend gedoen word met behulp van regressie opdatering formules. Stata kan 'n lopende lyn via lowess bereken as jy bedoel laat maar sluit noweight. Nog beter is om geweegde hardlooplyne gebruik. gee meer gewig aan die naaste waarnemings, en dit is wat die lowess gladder doen. 'N variant volg hierdie skatting met 'n paar iterasies tot 'n meer robuuste lyn te kry. Dit is duidelik die beste tegniek in die familie. Statas lowess gebruik 'n geweegde hardloop lyn as jy weglaat beteken en noweight R implemente die lowess gladder deur die funksies lowess () en die nuwer loess (), wat 'n formule koppelvlak gebruik met een of meer voorspellers en ietwat anders standaard. Die parameter graad beheer die graad van die plaaslike polinoom die verstek is 2 vir kwadratiese, alternatiewe 1 vir lineêre en 0 vir die uitvoer van middel. Beide implementering kan 'n robuuste beramer gebruik, met die aantal iterasies beheer deur 'n parameter iter of iterasies. Tik loess en lowess in die R konsole vir meer inligting. In ggplot () kan jy 'n lowess gladder deur te bel geomsmooth trek () Die onderstaande figuur toon die Colombiaanse data en 'n lowess gladder met 'n span of bandwydte gelyk aan 25 van die data. Jy kan wil om te probeer verskillende badwidths om te sien hoe die resultate wissel. Syfer voorkeur Revisited glad die ouderdomsverspreiding bied 'n beter manier om syfer voorkeur as Myers vermenging te evalueer. Kom ons bereken die laaste syfer van ouderdom en tabuleer dit oor die hele reeks van die data met behulp van die waargenome frekwensies en 'n lowess gladder. Die rou frekwensies toon tekens van voorkeur vir eeue eindig in 0 en 5, en dit is baie algemeen, en waarskynlik 2 sowel. Ons gebruik nou die gladde as gewig Die stryk frekwensies te wys dat ons minder mense verwag by 'n hoër syfers, selfs in 'n gladde verspreiding, met meer eindig in 0 as 9. Ons is nou gereed om 'n indeks van syfer voorkeur, gedefinieer as die helfte van die bereken som van absolute verskille tussen waargenome en gladde frekwensies: ons sien dat ons nodig sou wees om te skommel 5.5 van die waarnemings syfer voorkeur uit te skakel. Dalk wil u hierdie resultaat te vergelyk met die Myers-indeks. afskrif 2016 Germaacuten Rodriacuteguez, Princeton UniversityStata: Data-analise en statistiese sagteware Nicholas J. Cox, Durham Universiteit, die Verenigde Koninkryk Christopher Baum, Boston College egen, MA () en sy beperkinge Statarsquos mees voor die hand liggend bevel vir die berekening van bewegende gemiddeldes is die ma () funksie van egen. Gegewe 'n uitdrukking, dit skep 'n - periode bewegende gemiddelde van daardie uitdrukking. By verstek, is geneem as 3. moet vreemd wees. Maar, soos die handleiding inskrywing dui, egen, MA () mag nie gekombineer word met die varlist:. en, net vir hierdie rede is dit nie van toepassing op paneel data. In elk geval, dit staan ​​buite die stel instruksies wat spesifiek vir tydreekse geskryf sien tydreekse vir meer inligting. Alternatiewe benaderings tot bereken bewegende gemiddeldes vir paneel data, is daar ten minste twee keuses. Beide is afhanklik van die dataset nadat vooraf tsset. Dit is baie moeite werd te doen: nie alleen kan bespaar jy jouself herhaaldelik spesifiseer paneel veranderlike en tyd veranderlike, maar Stata optree slim enige gapings in die data gegee. 1. Skryf jou eie definisie met behulp genereer Gebruik time-reeks operateurs soos L. en F.. gee die definisie van die bewegende gemiddelde as die argument om 'n te genereer verklaring. As jy dit doen, jy, natuurlik, nie beperk tot die gelyke gewigte (ongeweegde) gesentreer bewegende gemiddeldes bereken deur egen, MA (). Byvoorbeeld, ewe-geweeg drie-tydperk bewegende gemiddeldes sal deur gegee word en 'n paar gewigte kan maklik gespesifiseerde: Jy kan natuurlik, spesifiseer 'n uitdrukking soos log (myvar) in plaas van 'n veranderlike naam soos myvar. Een groot voordeel van hierdie benadering is dat Stata doen outomaties die regte ding vir paneel data: voorste en agter waardes uitgewerk binne panele, net soos logika dikteer hulle behoort te wees. Die mees noemenswaardige nadeel is dat die command line eerder lank kan kry as die bewegende gemiddelde behels verskeie terme. Nog 'n voorbeeld is 'n eensydige bewegende gemiddelde wat slegs gebaseer is op vorige waardes. Dit kan nuttig wees vir die opwekking van 'n aangepaste verwagting van wat 'n veranderlike sal suiwer gebaseer op inligting tot op hede: wat kan iemand voorspelling vir die huidige tydperk gebaseer op die afgelope vier waardes, met behulp van 'n vaste gewig skema (A 4-tydperk lag kan wees veral algemeen gebruik met kwartaallikse tijdreeksen.) 2. gebruik egen, filter () van SSC gebruik die gebruiker geskryf egen funksie filter () van die egenmore pakket op SSC. In Stata 7 (opgedateer na 14 November 2001), kan jy die pakket installeer deur waarna help egenmore punte om besonderhede oor filter (). Die twee voorbeelde hierbo sou word gelewer (In hierdie vergelyking genereer die benadering is dalk meer deursigtig, maar ons sal 'n voorbeeld van die teenoorgestelde in 'n oomblik sien.) Die lags is 'n numlist. lei dat negatiewe lags: in hierdie geval -1/1 brei om -1 0 1 of lei 1, lag 0, lag 1. Die Coëf ficients, 'n ander numlist, vermeerder die ooreenstemmende sloerende of leidende items: in hierdie geval die items is F1.myvar. myvar en L1.myvar. Die effek van die opsie normaliseer is aan elke koëffisiënt skaal deur die som van die koëffisiënte sodat Coëf (1 1 1) normaliseer is gelykstaande aan koëffisiënte van 1/3 1/3 1/3 en Coëf (1 2 1) normaliseer is gelykstaande om koëffisiënte van 1/4 1/2 1/4. Jy moet nie net die lags, maar ook die koëffisiënte spesifiseer. Omdat egen, MA () gee die ewe geweegde geval, die belangrikste rasionaal vir egen, filter () is om die ongelyk geweegde geval, waarvoor jy moet koëffisiënte spesifiseer ondersteun. Dit kan ook gesê word dat die verpligting om gebruikers te koëffisiënte spesifiseer 'n bietjie ekstra druk op hulle om te dink oor wat koëffisiënte wat hulle wil. Die belangrikste rede vir gelyke gewigte is, ons dink, eenvoud, maar gelyke gewigte het gemeen frekwensiedomein eienskappe, om net 'n oorweging te noem. Die derde voorbeeld hierbo kan óf waarvan net omtrent so ingewikkeld as die genereer benadering. Daar is gevalle waar egen, filter () gee 'n eenvoudiger formulering as genereer. As jy 'n nege-termyn binomiaal filter, wat klimatoloë nuttig vind wil, kyk dan miskien minder aaklig as, en makliker om reg as kry, net soos met die genereer benadering, egen, filter () werk behoorlik met paneel data. Trouens, soos hierbo genoem, dit hang af van die dataset nadat vooraf tsset. 'N Grafiese punt Na die berekening van jou bewegende gemiddeldes, sal jy waarskynlik wil hê om te kyk na 'n grafiek. Die gebruiker geskrewe tsgraph is slim oor tsset datastelle. Installeer dit in 'n up-to-date Stata 7 deur SSC Inst tsgraph. Wat van subsetting met as een van die bogenoemde voorbeelde maak gebruik van as beperkings. Om die waarheid te egen, sal ma () nie toelaat dat indien gespesifiseer word. Soms mense wil gebruik as die berekening bewegende gemiddeldes, maar die gebruik daarvan is 'n bietjie meer ingewikkeld as wat dit is gewoonlik. Wat sou jy verwag van 'n bewegende gemiddelde bereken met as. Kom ons identifiseer twee moontlikhede: Swak interpretasie: Ek dont wil enige resultate vir die uitgesluit Waarnemings sien. Sterk interpretasie: Ek dont selfs wil hê jy moet die waardes vir die uitgesluit waarnemings. Hier is 'n konkrete voorbeeld. Veronderstel as gevolg van 'n paar as voorwaarde, waarnemings 1-42 ingesluit maar nie Waarnemings 43 op. Maar die bewegende gemiddelde vir 42 sal afhang, onder andere, op die waarde vir waarneming 43 as die gemiddelde strek heen en weer en is van lengte ten minste 3, en dit sal op soortgelyke wyse afhanklik van 'n paar van die waarnemings 44 en verder in sekere omstandighede. Ons raaiskoot is dat die meeste mense sal gaan vir die swak interpretasie, maar of dit korrek is, beteken egen, filter () nie ondersteun as óf. Jy kan altyd ignoreer wat jy donrsquot wil of selfs ongewenste waardes stel om daarna ontbreek deur die gebruik van te vervang. 'N Nota oor vermiste resultate aan die einde van 'n reeks Omdat bewegende gemiddeldes is funksies van sloerings en lei, egen, MA () produseer ontbreek waar die lags en lei nie bestaan ​​nie, aan die begin en einde van die reeks. 'N opsie nomiss dwing die berekening van korter, uncentered bewegende gemiddeldes vir die sterte. In teenstelling hiermee het nie genereer word nie egen, filter () doen, of laat, niks spesiaal ontbreek resultate te vermy. Indien enige van die waardes wat nodig is vir die berekening ontbreek, dan is dit gevolg ontbreek. Dit is aan gebruikers om te besluit of en watter korrektiewe chirurgie nodig is vir sulke waarnemings, vermoedelik na te kyk na die datastel en die oorweging van enige onderliggende wetenskap wat tot bear. Moving gemiddelde en eksponensiële gladstryking modelle As 'n eerste stap in die beweging van buite gemiddelde gebring kan word modelle, ewekansige loop modelle, en lineêre tendens modelle, nonseasonal patrone en tendense kan geëkstrapoleer deur 'n bewegende-gemiddelde of glad model. Die basiese aanname agter gemiddelde en glad modelle is dat die tyd reeks is plaaslik stilstaande met 'n stadig wisselende gemiddelde. Vandaar, neem ons 'n bewegende (plaaslike) gemiddelde om die huidige waarde van die gemiddelde skat en dan gebruik dit as die voorspelling vir die nabye toekoms. Dit kan beskou word as 'n kompromie tussen die gemiddelde model en die ewekansige-stap-sonder-drif-model. Dieselfde strategie gebruik kan word om te skat en ekstrapoleer 'n plaaslike tendens. 'N bewegende gemiddelde is dikwels 'n quotsmoothedquot weergawe van die oorspronklike reeks, want kort termyn gemiddelde het die effek van gladstryking uit die knoppe in die oorspronklike reeks. Deur die aanpassing van die mate van gladstryking (die breedte van die bewegende gemiddelde), kan ons hoop om 'n soort van 'n optimale balans tussen die prestasie van die gemiddelde en die stogastiese wandeling modelle slaan. Die eenvoudigste soort gemiddelde model is die. Eenvoudige (ewe-geweeg) Moving Average: Die voorspelling vir die waarde van Y op tyd T1 wat gemaak word op tydstip t is gelyk aan die eenvoudige gemiddelde van die mees onlangse m waarnemings: (hier en elders sal ek die simbool 8220Y-hat8221 gebruik om op te staan vir 'n voorspelling van die tyd reeks Y gemaak op die vroegste moontlike voor datum deur 'n gegewe model.) Hierdie gemiddelde is gesentreer op tydperk t (M1) / 2, wat impliseer dat die skatting van die plaaslike gemiddelde sal neig om agter die werklike waarde van die plaaslike gemiddelde met sowat (M1) / 2 periodes. So, sê ons die gemiddelde ouderdom van die data in die eenvoudige bewegende gemiddelde is (M1) / 2 met betrekking tot die tydperk waarvoor die voorspelling is bereken: dit is die hoeveelheid tyd waarop voorspellings sal neig om agter draaipunte in die data. Byvoorbeeld, as jy gemiddeld die afgelope 5 waardes, sal die voorspellings wees oor 3 periodes laat in reaksie op draaipunte. Let daarop dat indien M1, die eenvoudige bewegende gemiddelde (SMA) model is soortgelyk aan die ewekansige loop model (sonder groei). As m is baie groot (vergelykbaar met die lengte van die skatting tydperk), die SMA model is gelykstaande aan die gemiddelde model. Soos met enige parameter van 'n voorspelling model, is dit gebruiklik om die waarde van k te pas ten einde die beste quotfitquot om die data, dit wil sê die kleinste voorspelling foute gemiddeld behaal. Hier is 'n voorbeeld van 'n reeks wat blykbaar ewekansige skommelinge toon om 'n stadig-wisselende gemiddelde. In die eerste plek kan probeer om dit aan te pas met 'n ewekansige loop model, wat gelykstaande is aan 'n eenvoudige bewegende gemiddelde van 1 kwartaal: Die ewekansige loop model reageer baie vinnig om veranderinge in die reeks, maar sodoende dit tel baie van die quotnoisequot in die data (die ewekansige skommelinge) asook die quotsignalquot (die plaaslike gemiddelde). As ons eerder probeer 'n eenvoudige bewegende gemiddelde van 5 terme, kry ons 'n gladder lyk stel voorspellings: Die 5 termyn eenvoudige bewegende gemiddelde opbrengste aansienlik kleiner foute as die ewekansige loop model in hierdie geval. Die gemiddelde ouderdom van die data in hierdie voorspelling is 3 ((51) / 2), sodat dit is geneig om agter draaipunte met sowat drie periodes. (Byvoorbeeld, blyk 'n afswaai het plaasgevind by tydperk 21, maar die voorspellings nie omdraai tot verskeie tydperke later.) Let daarop dat die langtermyn-voorspellings van die SMA model is 'n horisontale reguit lyn, net soos in die ewekansige loop model. So, die SMA model veronderstel dat daar geen neiging in die data. Maar, terwyl die voorspellings van die ewekansige loop model is eenvoudig gelyk aan die laaste waargenome waarde, die voorspellings van die SMA model is gelykstaande aan 'n geweegde gemiddelde van die afgelope waardes. Die vertroue perke bereken deur Stat Graphics vir die langtermyn-voorspellings van die eenvoudige bewegende gemiddelde nie groter as die vooruitskatting horison styg kry. Dit is natuurlik nie korrek Ongelukkig is daar geen onderliggende statistiese teorie wat ons vertel hoe die vertrouensintervalle behoort te brei vir hierdie model. Dit is egter nie te moeilik om empiriese ramings van die vertroue perke vir die langer-horison voorspellings te bereken. Byvoorbeeld, kan jy die opstel van 'n sigblad waarop die SMA model sal gebruik word om 2 stappe vooruit, 3 stappe vooruit, ens binne die historiese data monster voorspel. Jy kan dan bereken die monster standaardafwykings van die foute op elke voorspelling horison, en dan bou vertrouensintervalle vir langer termyn voorspellings deur optelling en aftrekking veelvoude van die toepaslike standaard afwyking. As ons probeer om 'n 9-termyn eenvoudige bewegende gemiddelde, kry ons selfs gladder voorspellings en meer van 'n sloerende uitwerking: Die gemiddelde ouderdom is nou 5 periodes ((91) / 2). As ons 'n 19-termyn bewegende gemiddelde te neem, die gemiddelde ouderdom toeneem tot 10: Let daarop dat, inderdaad, is die voorspellings nou agter draaipunte met sowat 10 periodes. Watter bedrag van smoothing is die beste vir hierdie reeks Hier is 'n tabel wat hulle dwaling statistieke vergelyk, ook met 'n 3-gemiddelde: Model C, die 5-termyn bewegende gemiddelde, lewer die laagste waarde van RMSE deur 'n klein marge oor die 3 - term en 9 termyn gemiddeldes, en hul ander statistieke is byna identies. So, onder modelle met 'n baie soortgelyke fout statistieke, kan ons kies of ons 'n bietjie meer responsiewe ingesteldheid of 'n bietjie meer gladheid in die voorspellings sou verkies. (Terug na bo.) Browns Eenvoudige Eksponensiële Smoothing (eksponensieel geweeg bewegende gemiddelde) Die eenvoudige bewegende gemiddelde model hierbo beskryf het die ongewenste eienskap dat dit behandel die laaste k Waarnemings ewe en heeltemal ignoreer al voorafgaande waarnemings. Intuïtief, moet afgelope data verdiskonteer in 'n meer geleidelike mode - byvoorbeeld, die mees onlangse waarneming moet 'n bietjie meer gewig kry as 2 mees onlangse, en die 2de mees onlangse moet 'n bietjie meer gewig as die 3 mees onlangse kry, en so aan. Die eenvoudige eksponensiële gladstryking (SES) model accomplishes hierdie. Laat 945 dui n quotsmoothing constantquot ( 'n getal tussen 0 en 1). Een manier om die model te skryf is om 'n reeks L dat die huidige vlak (dit wil sê die plaaslike gemiddelde waarde) van die reeks verteenwoordig as geraamde van data tot op hede te definieer. Die waarde van L op tydstip t is rekursief bereken uit sy eie vorige waarde soos volg: Dus, die huidige stryk waarde is 'n interpolasie tussen die vorige stryk waarde en die huidige waarneming, waar 945 kontroles die nabyheid van die geïnterpoleerde waarde tot die mees onlangse waarneming. Die voorspelling vir die volgende tydperk is eenvoudig die huidige stryk waarde: anders gestel ons kan die volgende voorspelling direk in terme van vorige voorspellings en vorige waarnemings uit te druk, in enige van die volgende ekwivalent weergawes. In die eerste weergawe, die voorspelling is 'n interpolasie tussen vorige skatting en vorige waarneming: In die tweede weergawe, is die volgende voorspelling verkry deur die aanpassing van die vorige skatting in die rigting van die vorige fout deur 'n breukdeel bedrag 945. is die fout gemaak by tyd t. In die derde weergawe, die voorspelling is 'n eksponensieel geweeg (dit wil sê afslag) bewegende gemiddelde met afslag faktor 1- 945: Die interpolasie weergawe van die voorspelling formule is die eenvoudigste om te gebruik as jy die uitvoering van die model op 'n spreadsheet: dit pas in 'n enkele sel en bevat selverwysings verwys na die vorige skatting, die vorige waarneming, en die sel waar die waarde van 945 gestoor. Let daarop dat indien 945 1, die SES model is gelykstaande aan 'n ewekansige loop model (sonder groei). As 945 0, die SES model is gelykstaande aan die gemiddelde model, met die veronderstelling dat die eerste stryk waarde gelyk aan die gemiddelde is ingestel. (Terug na bo.) Die gemiddelde ouderdom van die data in die eenvoudige eksponensiële-glad voorspelling is 1/945 relatief tot die tydperk waarvoor die voorspelling is bereken. (Dit is nie veronderstel duidelik te wees, maar dit kan maklik aangetoon deur die evaluering van 'n oneindige reeks.) Dus, die eenvoudige bewegende gemiddelde voorspelling is geneig om agter draaipunte met sowat 1/945 periodes. Byvoorbeeld, wanneer 945 0.5 die lag is 2 periodes wanneer 945 0.2 die lag is 5 periodes wanneer 945 0.1 die lag is 10 periodes, en so aan. Vir 'n gegewe gemiddelde ouderdom (bv bedrag van lag), die eenvoudige eksponensiële gladstryking (SES) voorspelling is 'n bietjie beter as die eenvoudige bewegende gemiddelde (SMA) voorspel, want dit plaas relatief meer gewig op die mees onlangse waarneming --i. e. dit is 'n bietjie meer quotresponsivequot om veranderinge voorkom in die onlangse verlede. Byvoorbeeld, 'n SMA model met 9 terme en 'n SES model met 945 0.2 beide het 'n gemiddelde ouderdom van 5 vir die data in hul voorspellings, maar die SES model plaas meer gewig op die laaste 3 waardes as wel die SMA model en by die Terselfdertyd is dit doesn8217t heeltemal 8220forget8221 oor waardes meer as 9 tydperke oud was, soos getoon in hierdie grafiek: nog 'n belangrike voordeel van die SES model die SMA model is dat die SES model maak gebruik van 'smoothing parameter wat voortdurend veranderlike, so dit kan maklik new deur die gebruik van 'n quotsolverquot algoritme om die gemiddelde minimum te beperk kwadraat fout. Die optimale waarde van 945 in die SES model vir hierdie reeks blyk te wees 0,2961, soos hier gewys word: die gemiddelde ouderdom van die data in hierdie voorspelling is 1 / 0,2961 3.4 tydperke, wat soortgelyk is aan dié van 'n 6-termyn eenvoudige bewegende gemiddelde. Die langtermyn-voorspellings van die SES model is 'n horisontale reguit lyn. soos in die SMA model en die ewekansige loop model sonder groei. Let egter daarop dat die vertrouensintervalle bereken deur Stat Graphics nou divergeer in 'n redelike aantreklike mode, en dat hulle aansienlik nouer as die vertrouensintervalle vir die ewekansige loop model. Die SES model veronderstel dat die reeks is 'n bietjie quotmore predictablequot as wel die ewekansige loop model. 'N SES model is eintlik 'n spesiale geval van 'n ARIMA model. sodat die statistiese teorie van ARIMA modelle bied 'n goeie basis vir die berekening van vertrouensintervalle vir die SES model. In die besonder, 'n SES model is 'n ARIMA model met een nonseasonal verskil, 'n MA (1) termyn, en geen konstante term. andersins bekend as 'n quotARIMA (0,1,1) model sonder constantquot. Die MA (1) koëffisiënt in die ARIMA model stem ooreen met die hoeveelheid 1- 945 in die SES model. Byvoorbeeld, as jy 'n ARIMA (0,1,1) model inpas sonder konstante om die reeks te ontleed hier, die beraamde MA (1) koëffisiënt blyk te wees 0,7029, wat byna presies 'n minus 0,2961. Dit is moontlik om die aanname van 'n nie-nul konstante lineêre tendens voeg by 'n SES model. Om dit te doen, net 'n ARIMA model met een nonseasonal verskil en 'n MA (1) termyn met 'n konstante, dit wil sê 'n ARIMA (0,1,1) model met 'n konstante spesifiseer. Die langtermyn-voorspellings sal dan 'n tendens wat gelyk is aan die gemiddelde tendens waargeneem oor die hele skatting tydperk is. Jy kan dit nie doen in samewerking met seisoenale aanpassing, omdat die aanpassing opsies seisoenale is afgeskakel wanneer die model tipe is ingestel op ARIMA. Jy kan egter 'n konstante langtermyn eksponensiële tendens om 'n eenvoudige eksponensiële gladstryking model voeg (met of sonder seisoenale aanpassing) deur gebruik te maak van die opsie inflasie-aanpassing in die vooruitskatting prosedure. Die toepaslike quotinflationquot (persentasie groei) koers per periode kan geskat word as die helling koëffisiënt in 'n lineêre tendens model toegerus om die data in samewerking met 'n natuurlike logaritme transformasie, of dit kan op grond van ander, onafhanklike inligting oor die langtermyn groeivooruitsigte . (Terug na bo.) Browns Lineêre (dws dubbel) Eksponensiële glad die SMA modelle en SES modelle aanvaar dat daar geen tendens van enige aard in die data (wat gewoonlik OK of ten minste nie-te-sleg vir 1- stap-ahead voorspellings wanneer die data is relatief raserig), en hulle kan verander word om 'n konstante lineêre tendens inkorporeer soos hierbo getoon. Wat van kort termyn tendense As 'n reeks vertoon 'n wisselende koers van groei of 'n sikliese patroon wat uitstaan ​​duidelik teen die geraas, en as daar 'n behoefte aan meer as 1 tydperk wat voorlê voorspel, dan skatting van 'n plaaslike tendens kan ook wees n probleem. Die eenvoudige eksponensiële gladstryking model veralgemeen kan word na 'n lineêre eksponensiële gladstryking (LES) model wat plaaslike begrotings van beide vlak en tendens bere te kry. Die eenvoudigste-time wisselende tendens model is Browns lineêr eksponensiële gladstryking model, wat twee verskillende reëlmatige reeks wat op verskillende punte gesentreer in die tyd gebruik. Die vooruitskatting formule is gebaseer op 'n ekstrapolasie van 'n streep deur die twee sentrums. ( 'N meer gesofistikeerde weergawe van hierdie model, Holt8217s, word hieronder bespreek.) Die algebraïese vorm van Brown8217s lineêr eksponensiële gladstryking model, soos dié van die eenvoudige eksponensiële gladstryking model, uitgedruk kan word in 'n aantal verskillende maar ekwivalente vorms. Die quotstandardquot vorm van hierdie model word gewoonlik uitgedruk as volg: Laat S dui die enkel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking om reeks Y. Dit is, is die waarde van S op tydperk t gegee word deur: (Onthou dat, onder eenvoudige eksponensiële gladstryking, dit sou die voorspelling vir Y by tydperk T1 wees) Dan Squot dui die dubbel-stryk reeks verkry deur die toepassing van eenvoudige eksponensiële gladstryking (met behulp van dieselfde 945) tot reeks S:. ten slotte, die voorspelling vir Y tk. vir enige kgt1, word gegee deur: Dit lewer e 1 0 (dit wil sê kul n bietjie, en laat die eerste skatting gelyk wees aan die werklike eerste waarneming), en e 2 Y 2 8211 Y 1. waarna voorspellings gegenereer met behulp van die vergelyking hierbo. Dit gee dieselfde toegerus waardes as die formule gebaseer op S en S indien laasgenoemde is begin met behulp van S 1 S 1 Y 1. Hierdie weergawe van die model gebruik word op die volgende bladsy wat 'n kombinasie van eksponensiële gladstryking met seisoenale aanpassing illustreer. Holt8217s Lineêre Eksponensiële Smoothing Brown8217s LES model bere plaaslike begrotings van vlak en tendens deur glad die onlangse data, maar die feit dat dit nie so met 'n enkele glad parameter plaas 'n beperking op die data patrone wat dit in staat is om aan te pas: die vlak en tendens word nie toegelaat om wissel op onafhanklike tariewe. Holt8217s LES model spreek hierdie kwessie deur die insluiting van twee glad konstantes, een vir die vlak en een vir die tendens. Te eniger tyd t, soos in Brown8217s model, die daar is 'n skatting L t van die plaaslike vlak en 'n skatting T t van die plaaslike tendens. Hier is hulle rekursief bereken vanaf die waarde van Y op tydstip t en die vorige raming van die vlak en tendens waargeneem deur twee vergelykings wat eksponensiële gladstryking afsonderlik van toepassing op hulle. As die geskatte vlak en tendens op tydstip t-1 is L t82091 en T t-1. onderskeidelik, dan is die voorspelling vir Y tshy wat op tydstip t-1 sal gemaak is gelyk aan L t-1 T T-1. Wanneer die werklike waarde is waargeneem, is die opgedateer skatting van die vlak rekursief bereken deur interpol tussen Y tshy en sy voorspelling, L t-1 T T-1, die gebruik van gewigte van 945 en 1- 945. Die verandering in die geskatte vlak, naamlik L t 8209 L t82091. geïnterpreteer kan word as 'n lawaaierige meting van die tendens op tydstip t. Die opgedateer skatting van die tendens is dan rekursief bereken deur interpol tussen L t 8209 L t82091 en die vorige skatting van die tendens, T t-1. die gebruik van gewigte van 946 en 1-946: Die interpretasie van die tendens-glad konstante 946 is soortgelyk aan dié van die vlak glad konstante 945. Models met klein waardes van 946 aanvaar dat die tendens verander net baie stadig met verloop van tyd, terwyl modelle met groter 946 aanvaar dat dit vinniger is om te verander. 'N Model met 'n groot 946 is van mening dat die verre toekoms is baie onseker, omdat foute in die tendens-skatting word baie belangrik wanneer voorspel meer as een tydperk wat voorlê. (Terug na bo.) Die smoothing konstantes 945 en 946 kan in die gewone manier word beraam deur die vermindering van die gemiddelde kwadraat fout van die 1-stap-ahead voorspellings. Wanneer dit in Stat Graphics gedoen, die skattings uitdraai om te wees 945 0.3048 en 946 0,008. Die baie klein waarde van 946 beteken dat die model veronderstel baie min verandering in die tendens van een tydperk na die volgende, so basies hierdie model is besig om 'n langtermyn-tendens skat. Volgens analogie met die idee van die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike vlak van die reeks, die gemiddelde ouderdom van die data wat gebruik word in die skatte van die plaaslike tendens is eweredig aan 1/946, hoewel nie presies gelyk aan Dit. In hierdie geval is dit blyk 1 / 0,006 125. Dit isn8217t n baie presiese aantal sover die akkuraatheid van die skatting van 946 isn8217t regtig 3 desimale plekke te wees, maar dit is van dieselfde algemene orde van grootte as die steekproefgrootte van 100 , so hierdie model is gemiddeld oor 'n hele klomp van die geskiedenis in die skatte van die tendens. Die voorspelling plot hieronder toon dat die LES model skat 'n effens groter plaaslike tendens aan die einde van die reeks as die konstante tendens geskat in die SEStrend model. Ook waarvan die beraamde waarde van 945 is byna identies aan die een wat deur die pas van die SES model met of sonder tendens, so dit is amper dieselfde model. Nou, doen hierdie lyk redelike voorspellings vir 'n model wat veronderstel is om te beraming 'n plaaslike tendens As jy hierdie plot 8220eyeball8221, dit lyk asof die plaaslike tendens afwaarts gedraai aan die einde van die reeks: Wat het die parameters van hierdie model gebeur is beraam deur die vermindering van die kwadraat fout van 1-stap-ahead voorspellings, nie langer termyn voorspellings, in welke geval die tendens 'n groot verskil doesn8217t maak. As alles wat jy is op soek na is 1-stap-ahead foute, is jy nie sien die groter prentjie van tendense oor (sê) 10 of 20 periodes. Ten einde hierdie model meer in harmonie te kry met ons oogbal ekstrapolasie van die data, kan ons met die hand die tendens-glad konstante pas sodat dit 'n korter basislyn vir tendens skatting. Byvoorbeeld, as ons kies om te stel 946 0.1, dan is die gemiddelde ouderdom van die gebruik in die skatte van die plaaslike tendens data is 10 periodes, wat beteken dat ons die gemiddeld van die tendens oor daardie laaste 20 periodes of so. Here8217s wat die voorspelling plot lyk asof ons '946 0.1 terwyl 945 0.3. Dit lyk intuïtief redelike vir hierdie reeks, maar dit is waarskynlik gevaarlik om hierdie tendens te ekstrapoleer nie meer as 10 periodes in die toekoms. Wat van die fout statistieke Hier is 'n model vergelyking vir die twee modelle hierbo asook drie SES modelle getoon. Die optimale waarde van 945.Vir die SES model is ongeveer 0,3, maar soortgelyke resultate (met 'n bietjie meer of minder 'n responsiewe ingesteldheid, onderskeidelik) verkry met 0,5 en 0,2. (A) Holts lineêre exp. glad met alfa 0,3048 en beta 0,008 (B) Holts lineêre exp. glad met alfa 0,3 en beta 0,1 (C) Eenvoudige eksponensiële gladstryking met alfa 0,5 (D) Eenvoudige eksponensiële gladstryking met alfa 0,3 (E) Eenvoudige eksponensiële gladstryking met alfa 0,2 hul statistieke is byna identies, so ons can8217t regtig die keuse te maak op die basis van 1-stap-ahead voorspelling foute binne die data monster. Ons het om terug te val op ander oorwegings. As ons glo dat dit sinvol om die huidige tendens skatting van wat die afgelope 20 periodes of so gebeur baseer, kan ons 'n saak vir die LES model met 945 0.3 en 946 0.1 maak. As ons wil hê agnostikus te wees oor die vraag of daar 'n plaaslike tendens, dan een van die SES modelle makliker om te verduidelik kan wees en sou ook vir meer middel-of-the-road voorspellings vir die volgende 5 of 10 periodes. (Terug na bo.) Watter tipe tendens-ekstrapolasie die beste: horisontale of lineêre empiriese bewyse dui daarop dat, indien die data is reeds aangepas (indien nodig) vir inflasie, dan is dit dalk onverstandig om kort termyn lineêre ekstrapoleer wees tendense baie ver in die toekoms. Tendense duidelik vandag mag verslap in die toekoms as gevolg van uiteenlopende oorsake soos produk veroudering, toenemende mededinging en sikliese afswaai of opwaartse fases in 'n bedryf. Om hierdie rede, eenvoudige eksponensiële gladstryking voer dikwels beter out-of-monster as wat dit andersins word verwag, ten spyte van sy quotnaivequot horisontale tendens ekstrapolasie. Gedempte tendens veranderinge van die lineêre eksponensiële gladstryking model word ook dikwels gebruik in die praktyk om 'n aantekening van konserwatisme in te voer in die tendens projeksies. Die gedempte-tendens LES model geïmplementeer kan word as 'n spesiale geval van 'n ARIMA model, in die besonder, 'n ARIMA (1,1,2) model. Dit is moontlik om vertrouensintervalle rondom langtermyn voorspellings wat deur eksponensiële gladstryking modelle bereken deur die oorweging van hulle as spesiale gevalle van ARIMA modelle. (Pasop: nie alle sagteware bereken vertrouensintervalle vir hierdie modelle korrek.) Die breedte van die vertrouensintervalle hang af van (i) die RMS fout van die model, (ii) die tipe glad (eenvoudige of lineêr) (iii) die waarde (s) van die smoothing konstante (s) en (iv) die aantal periodes voor jy voorspel. In die algemeen, die tussenposes versprei vinniger as 945 kry groter in die SES model en hulle uitgebrei, sodat baie vinniger as lineêre, eerder as eenvoudige smoothing gebruik. Hierdie onderwerp word verder in die ARIMA modelle deel van die notas bespreek. (Terug na bo.) Tyd Reeks Metodes Tyd reeks metodes is statistiese tegnieke wat gebruik maak van historiese data opgehoopte oor 'n tydperk van die tyd te maak. Tydreeks metodes aanvaar dat dit wat in die verlede plaasgevind sal voortgaan om in die toekoms plaasvind. Soos die naam tydreekse suggereer, hierdie metodes in verband die vooruitsig om slegs een faktor - tyd. Dit sluit in die bewegende gemiddelde, eksponensiële gladstryking, en lineêre tendens lyn en hulle is een van die gewildste metodes vir 'n kort-reeks voorspelling onder diens en vervaardiging van maatskappye. Hierdie metodes aanvaar dat identifiseerbare historiese patrone of tendense vir die vraag oor 'n tydperk sal hulself herhaal. Bewegende gemiddelde A tydreeks vooruitskatting kan so eenvoudig wees soos die gebruik van die vraag in die huidige tydperk tot die vraag in die volgende tydperk voorspel word. Dit is soms 'n naïef of intuïtief skatting. 4 Byvoorbeeld, as die vraag is 100 eenhede vandeesweek die voorspelling vir die volgende weke vraag is 100 eenhede as die vraag blyk te wees 90 eenhede in plaas wees, dan is die volgende weke vraag is 90 eenhede, en so aan. Hierdie tipe van vooruitskatting metode nie in ag neem historiese gedrag vraag dit berus slegs op aanvraag in die huidige tydperk. Dit reageer direk na die normale, ewekansige bewegings in aanvraag. Die eenvoudige bewegende gemiddelde metode gebruik 'n paar vraag waardes tydens die onlangse verlede 'n voorspelling te ontwikkel. Dit is geneig om te demp, of glad, die ewekansige toeneem en afneem van 'n voorspelling dat slegs een tydperk gebruik. Die eenvoudige bewegende gemiddelde is nuttig vir vooruitskatting vraag wat is stabiel en geen uitgesproke vraag gedrag vertoon, soos 'n tendens of seisoenale patroon. Bewegende gemiddeldes word bereken vir bepaalde tydperke, soos drie maande of vyf maande, afhangende van hoeveel die weervoorspeller begeer om die vraag data glad. Hoe langer die bewegende gemiddelde tydperk, die gladder dit sal wees. Die formule vir die berekening van die eenvoudige bewegende gemiddelde is Rekenaarkunde n Eenvoudige bewegende gemiddelde Die Instant Skuifspeld Kantoor Supply Company verkoop en lewer kantoor verskaf aan maatskappye, skole, en agentskappe binne 'n radius van 50 myl van sy pakhuis. Die kantoor voorsien besigheid is mededingend, en die vermoë om bestellings te vinnig te lewer is 'n faktor in kry nuwe kliënte en die behoud van oues. (Kantore bestel tipies nie wanneer hulle lae hardloop op voorrade, maar wanneer hulle heeltemal uitgeput. As gevolg hiervan, het hulle onmiddellik moet hul bestellings.) Die bestuurder van die maatskappy wil seker wees genoeg bestuurders en voertuie beskikbaar is om bestellings te vinnig te lewer en hulle het voldoende voorraad in voorraad. Daarom is die bestuurder wil in staat wees om die aantal bestellings wat sal plaasvind gedurende die volgende maand voorspel (dit wil sê die vraag na aflewerings voorspel). Van rekords van aflewering bestellings, het die bestuur opgehoopte die volgende data vir die afgelope 10 maande, waaruit dit wil 3- en 5-maande bewegende gemiddeldes te bereken. Kom ons neem aan dat dit die einde van Oktober. Die voorspelling as gevolg van óf die 3 of die 5-maande bewegende gemiddelde is tipies vir die volgende maand in die volgorde, wat in hierdie geval is November. Die bewegende gemiddelde word bereken uit die vraag na bestellings vir die vorige 3 maande in die volgorde volgens die volgende formule: Die 3- en 5-maande: die 5-maande bewegende gemiddelde is soos volg bereken vanaf die vorige 5 maande van die vraag data bewegende gemiddelde voorspellings vir al die maande van die vraag data word in die volgende tabel. Eintlik, sou net die voorspelling vir November gebaseer op die mees onlangse maandelikse vraag gebruik word deur die bestuurder. Maar die vroeëre voorspellings vir vorige maande toelaat om die voorspelling te vergelyk met die werklike vraag om te sien hoe akkuraat die voorspellings metode is - dit is, hoe goed dit werk. Drie - en vyf maande Gemiddeldes Beide bewegende gemiddelde voorspellings in die tabel hierbo is geneig om uit te stryk die variasie wat in die werklike data. Dit glad effek waargeneem kan word in die volgende figuur waarin die 3-maande en 5 maande gemiddeldes is bo-op 'n grafiek van die oorspronklike data: Die 5-maande bewegende gemiddelde in die vorige figuur glad uit skommelinge in 'n mindere mate as die 3-maande bewegende gemiddelde. Maar die 3-maande-gemiddelde van naderby weerspieël die mees onlangse data beskikbaar is om die kantoor voorsien bestuurder. In die algemeen, voorspellings met behulp van die langer tydperk bewegende gemiddelde is stadiger te reageer op onlangse veranderings in vraag as wat diegene wat met behulp van korter-tydperk bewegende gemiddeldes. Die ekstra periodes van data demp die spoed waarmee die voorspelling reageer. Stigting van die toepaslike aantal periodes te gebruik in 'n bewegende gemiddelde vooruitskatting vereis dikwels 'n paar bedrag van probeer-en-tref eksperimentering. Die nadeel van die bewegende gemiddelde metode is dat dit nie reageer op variasies wat voorkom vir 'n rede, soos siklusse en seisoenale effekte. Faktore wat veranderings veroorsaak is oor die algemeen geïgnoreer. Dit is basies 'n meganiese metode, wat historiese data in 'n konsekwente manier weerspieël. Maar die bewegende gemiddelde metode het wel die voordeel dat dit maklik om te gebruik, vinnig, en relatief goedkoop. In die algemeen, kan hierdie metode 'n goeie vooruitsig vir die kort termyn te voorsien, maar dit behoort nie te ver gestoot in die toekoms. Geweegde Moving Gemiddelde Die bewegende gemiddelde metode aangepas kan word om nouer weerspieël skommelinge in die data. In die geweegde bewegende gemiddelde metode, is gewigte aan die mees onlangse data volgens die volgende formule: Die vraag data vir PM Computer Services (in die tabel getoon vir Voorbeeld 10.3) blyk 'n verhoging van lineêre tendens volg. Die maatskappy wil 'n lineêre tendens lyn te bereken om te sien of dit is meer akkuraat as die eksponensiële gladstryking en aangepas eksponensiële gladstryking voorspellings ontwikkel in Voorbeelde 10.3 en 10.4. Die waardes wat nodig is vir die kleinstekwadrate berekeninge is soos volg: Daarom is die lineêre tendens lyn vergelyking is om 'n voorspelling te bereken vir tydperk 13, laat x 13 in die lineêre: Die gebruik van hierdie waardes, is die parameters vir die lineêre tendens lyn soos volg bereken tendens lyn: die volgende grafiek toon die lineêre tendens lyn in vergelyking met die werklike data. Die tendens lyn verskyn om nou die werklike data weerspieël - dit is, om 'n goeie passing wees - en sal dus 'n goeie voorspelling model vir hierdie probleem te wees nie. Maar 'n nadeel van die lineêre tendens is dat dit nie sal pas by 'n verandering in die tendens, soos die eksponensiële gladstryking voorspelling metodes sal dit is, dit word aanvaar dat alle toekomstige voorspellings 'n reguit lyn sal volg. Dit beperk die gebruik van hierdie metode om 'n korter tydperk waarin jy relatief seker dat die tendens sal nie verander kan word. Seisoenale aanpassings n seisoenale patroon is 'n herhalende toename en afname in die vraag. Baie vraag items uitstal seisoenale gedrag. Klere verkope volg jaarlikse seisoenale patrone, met die vraag na warm klere aan die toeneem in die herfs en winter en dalende in die lente en somer as die vraag na koeler klere toeneem. Die vraag na baie kleinhandel items, insluitend speelgoed, sporttoerusting, klere, elektroniese toestelle, ham, kalkoene, wyn en vrugte, toename gedurende die vakansieseisoen. Groet die vraag kaart stygings in samewerking met spesiale dae soos Valentynsdag en Moedersdag. Seisoenale patrone kan ook voorkom op 'n maandelikse, weeklikse, of selfs daagliks. Sommige restaurante het 'n hoër vraag in die aand as by die middagete of oor naweke in teenstelling met weeksdae. Verkeer - vandaar verkope - by winkelsentrums optel op Vrydag en Saterdag. Daar is verskeie metodes vir weerspieël seisoenale patrone in 'n tydreeks vooruitskatting. Ons sal beskryf een van die eenvoudiger metodes gebruik te maak van 'n seisoenale faktor. 'N seisoenale faktor is 'n numeriese waarde wat vermenigvuldig met die normale voorspelling om 'n seisoensaangepaste voorspelling te kry. Een metode vir die ontwikkeling van 'n vraag na seisoenale faktore is om die vraag na elke seisoen tydperk deur totale jaarlikse vraag te verdeel, volgens die volgende formule: Die gevolglike seisoenale faktore tussen 0 en 1,0 is, in effek, die gedeelte van die totale jaarlikse vraag aan elke seisoen. Hierdie seisoenale faktore word vermenigvuldig met die jaarlikse geskatte vraag na aangepaste vooruitskattings gee vir elke seisoen. Berekening van 'n voorspelling met seisoenale aanpassings Been Plase groei kalkoene te verkoop aan 'n vleis verwerking maatskappy regdeur die jaar. Maar sy seisoen is natuurlik in die vierde kwartaal van die jaar, vanaf Oktober tot Desember. Been Plase ervaar die vraag na kalkoene vir die afgelope drie jaar getoon in die volgende tabel: Omdat ons drie jaar van die vraag data, kan ons die seisoenale faktore bereken word deur die totale kwartaallikse vraag na die drie jaar deur totale vraag oor al drie jare : volgende, ons wil die geskatte vraag na die volgende jaar, 2000 vermeerder deur elk van die seisoenale faktore tot die geskatte vraag na elke kwartaal kry. Om dit te bereik, het ons 'n vraag voorspelling vir 2000 moet In hierdie geval, aangesien die vraag data in die tabel lyk na 'n algemeen toenemende tendens toon, bereken ons 'n lineêre tendens lyn vir die drie jaar van data in die tabel om 'n rowwe kry voorspelling raming: So, die vooruitsig vir 2000 is 58,17, of 58.170 kalkoene. Die gebruik van hierdie jaarlikse voorspelling van die vraag, die seisoensaangepaste voorspellings, SF ek, vir 2000 vergelyk hierdie kwartaallikse voorspellings met die werklike vraag waardes in die tabel, sou hulle lyk redelik goed voorspel skattings, weerspieël beide die seisoenale variasies in die data en die algemene opwaartse neiging. 10-12. Hoe is die bewegende gemiddelde metode soortgelyk aan eksponensiële gladstryking 10-13. Watter uitwerking op die eksponensiële gladstryking model sal die verhoging van die glad konstante het 10-14. Hoe eksponensiële gladstryking aangepas verskil van eksponensiële gladstryking 10-15. Wat bepaal die keuse van die smoothing konstante vir tendens in 'n aangepaste eksponensiële gladstryking model 10-16. In die hoofstuk voorbeelde vir tydreekse metodes, is die begin voorspelling altyd aanvaar dat die dieselfde as werklike vraag in die eerste periode wees. Stel ander maniere waarop die begin voorspel kan word afgelei in die werklike gebruik. 10-17. Hoe die lineêre tendens lyn voorspelling model verskil van 'n lineêre regressiemodel vir die voorspelling 10-18. Van die tyd reeks modelle wat in hierdie hoofstuk, insluitende die bewegende gemiddelde en geweegde bewegende gemiddelde, eksponensiële gladstryking en aangepas eksponensiële gladstryking, en lineêre tendens lyn, watter een jy die beste Hoekom 10-19 in ag neem. Watter voordele hou aangepas eksponensiële gladstryking het meer as 'n lineêre tendens lyn vir die geskatte vraag wat 'n tendens 4 uitstallings K. B. Kahn en J. T. Mentzer, vooruitskatting in verbruikers-en industriële markte, Die Journal of Business Vooruitskatting 14, no. 2 (Summer 1995): 21-28.