Double Moving Average Forecasting Methode

Vorhersage von Smoothing Techniques Diese Seite ist ein Teil der JavaScript E-Labs Lernobjekte für die Entscheidungsfindung. Andere JavaScript in dieser Serie sind unter verschiedenen Bereichen von Anwendungen im Abschnitt MENU auf dieser Seite kategorisiert. Eine Zeitreihe ist eine Folge von Beobachtungen, die zeitlich geordnet sind. Inhärent in der Sammlung von Daten über die Zeit genommen ist eine Form der zufälligen Variation. Es gibt Methoden zur Verringerung der Annullierung der Wirkung aufgrund zufälliger Variation. Weit verbreitete Techniken sind Glättung. Diese Techniken, wenn richtig angewandt, zeigt deutlicher die zugrunde liegenden Trends. Geben Sie die Zeitreihe Row-weise in der Reihenfolge beginnend mit der linken oberen Ecke und den Parametern ein, und klicken Sie dann auf die Schaltfläche Berechnen, um eine Prognose für eine Periode zu erhalten. Blank Boxen sind nicht in den Berechnungen, sondern Nullen enthalten. Wenn Sie Ihre Daten eingeben, um von Zelle zu Zelle in der Daten-Matrix zu bewegen, verwenden Sie die Tabulatortaste nicht Pfeil oder geben Sie die Tasten ein. Merkmale der Zeitreihen, die durch die Untersuchung seines Graphen aufgezeigt werden könnten. Mit den prognostizierten Werten und dem Residualverhalten, Condition Prognose Modellierung. Moving Averages: Gleitende Durchschnitte zählen zu den beliebtesten Techniken für die Vorverarbeitung von Zeitreihen. Sie werden verwendet, um zufälliges weißes Rauschen aus den Daten zu filtern, um die Zeitreihe glatter zu machen oder sogar bestimmte in der Zeitreihe enthaltene Informationskomponenten zu betonen. Exponentialglättung: Dies ist ein sehr populäres Schema, um eine geglättete Zeitreihe zu erzeugen. Während in den gleitenden Durchschnitten die früheren Beobachtungen gleich gewichtet werden, weist Exponentialglättung exponentiell abnehmende Gewichte zu, wenn die Beobachtung älter wird. Mit anderen Worten, die jüngsten Beobachtungen sind relativ mehr Gewicht in der Prognose gegeben als die älteren Beobachtungen. Double Exponential Smoothing ist besser im Umgang mit Trends. Triple Exponential Smoothing ist besser im Umgang mit Parabeltrends. Ein exponentiell gewichteter gleitender Durchschnitt mit einer Glättungskonstanten a. Entspricht in etwa einem einfachen gleitenden Durchschnitt der Länge (d. h. Periode) n, wobei a und n durch a 2 (n1) OR n (2 - a) a verknüpft sind. So würde beispielsweise ein exponentiell gewichteter gleitender Durchschnitt mit einer Glättungskonstante gleich 0,1 etwa einem 19 Tage gleitenden Durchschnitt entsprechen. Und ein 40 Tage einfacher gleitender Durchschnitt würde etwa einem exponentiell gewichteten gleitenden Durchschnitt mit einer Glättungskonstanten gleich 0,04878 entsprechen. Holts Lineare Exponentialglättung: Angenommen, die Zeitreihe ist nicht saisonal, sondern zeigt Trend. Holts-Methode schätzt sowohl das aktuelle Niveau als auch den aktuellen Trend. Beachten Sie, dass der einfache gleitende Durchschnitt ein Spezialfall der exponentiellen Glättung ist, indem die Periode des gleitenden Mittelwertes auf den ganzzahligen Teil von (2-Alpha) Alpha gesetzt wird. Für die meisten Geschäftsdaten ist ein Alpha-Parameter kleiner als 0,40 oft effektiv. Man kann jedoch eine Gittersuche des Parameterraums mit 0,1 bis 0,9 mit Inkrementen von 0,1 durchführen. Dann hat das beste Alpha den kleinsten mittleren Absolutfehler (MA Error). Wie man mehrere Glättungsmethoden miteinander vergleicht: Obwohl es numerische Indikatoren für die Beurteilung der Genauigkeit der Prognosetechnik gibt, besteht der am weitesten verbreitete Ansatz darin, einen visuellen Vergleich mehrerer Prognosen zu verwenden, um deren Genauigkeit zu beurteilen und zwischen den verschiedenen Prognosemethoden zu wählen. Bei diesem Ansatz muss man auf demselben Graphen die ursprünglichen Werte einer Zeitreihenvariablen und die vorhergesagten Werte aus verschiedenen Prognoseverfahren aufzeichnen und damit einen visuellen Vergleich erleichtern. Sie können die Vergangenheitsvorhersage von Smoothing Techniques JavaScript verwenden, um die letzten Prognosewerte basierend auf Glättungstechniken zu erhalten, die nur einen einzigen Parameter verwenden. Holt - und Winters-Methoden zwei bzw. drei Parameter, daher ist es keine leichte Aufgabe, die optimalen oder sogar nahezu optimalen Werte durch Versuch und Fehler für die Parameter auszuwählen. Die einzelne exponentielle Glättung betont die kurzreichweite Perspektive, die sie den Pegel auf die letzte Beobachtung setzt und basiert auf der Bedingung, dass es keinen Trend gibt. Die lineare Regression, die auf eine Linie der kleinsten Quadrate zu den historischen Daten (oder transformierten historischen Daten) passt, repräsentiert die lange Reichweite, die auf dem Grundtrend konditioniert ist. Holts lineare exponentielle Glättung erfasst Informationen über die jüngsten Trend. Die Parameter im Holts-Modell sind Ebenenparameter, die verringert werden sollten, wenn die Menge der Datenvariation groß ist, und der Trends-Parameter sollte erhöht werden, wenn die jüngste Trendrichtung durch das Kausale beeinflusst wird. Kurzfristige Prognose: Beachten Sie, dass jeder JavaScript auf dieser Seite eine einstufige Prognose zur Verfügung stellt. Um eine zweistufige Prognose zu erhalten. Fügen Sie einfach den prognostizierten Wert an das Ende der Zeitreihendaten und klicken Sie dann auf die Schaltfläche Berechnen. Sie können diesen Vorgang einige Male wiederholen, um die benötigten kurzfristigen Prognosen zu erhalten. Hierbei haben wir sowohl die Konstanten als auch die Trendkoeffizienten, die durch exponentielle Glättung geschätzt werden. Die Prognoseparameter für die Konstante und für den Trendbegriff können unabhängig gesetzt werden. Beide Paremeter müssen zwischen 0 und 1 liegen. Die Prognose für den erwarteten Wert für zukünftige Perioden ist die Konstante plus ein linearer Term, der von der Anzahl der Perioden in die Zukunft abhängt. Mit einem linearen Begriff als Teil der Prognose, wird diese Methode verfolgen Trends in der Zeitreihe. Wir verwenden die gleichen Daten wie für die anderen Prognosemethoden zur Veranschaulichung. Wir wiederholen die Daten unten. Es sei daran erinnert, dass die simulierten Daten mit einem konstanten Mittelwert von 10 beginnen. Zum Zeitpunkt 11 erhöht sich der Mittelwert mit einem Trend von 1 bis zum Zeitpunkt 20, wenn der Mittelwert wieder mit dem Wert 20 wieder konstant wird. Das Rauschen wird mit einer Normalverteilung mit Mittelwert 0 und Standardabweichung 3. Die Werte werden auf die nächste ganze Zahl gerundet. Zu jeder Zeit T. Sind nur drei Informationen notwendig, um die Schätzungen,,, und zu berechnen. Wir veranschaulichen die Berechnungen für die Zeit 20 unter Verwendung der geschätzten Koeffizienten für die Zeit 19 und der Daten für die Zeit 20. Die Parameter werden mit drei verschiedenen Werten wie in der folgenden Tabelle festgelegt. Die Schätzungen des Modells für drei Fälle sind zusammen mit dem Mittelwert der Zeitreihen in der folgenden Abbildung dargestellt. Die Abbildung zeigt die Schätzung des Mittelwerts zu jedem Zeitpunkt und nicht die Prognose. Die Schätzung mit dem größeren Wert folgt dem Trend genauer, hat aber mehr Variabilität. Die Prognose mit dem kleineren Wert von ist deutlich glatter, aber nie korrigiert vollständig für den Trend. Im Vergleich zum Regressionsmodell vergisst die exponentielle Glättungsmethode nie einen Teil ihrer Vergangenheit. Somit kann es länger dauern, sich im Falle einer Störung im darunterliegenden Mittel zu erholen. Dies ist in der folgenden Abbildung dargestellt, wobei die Varianz des Rauschens auf 0 gesetzt ist. Prognose mit Excel Das Prognose-Add-In implementiert die doppelten exponentiellen Glättungsformeln. Das folgende Beispiel zeigt die Analyse des Add-In für die Beispieldaten in Spalte B. Wir verwenden die Parameter des zweiten Falls. Die ersten 10 Beobachtungen sind -9 bis 0 indexiert. Im Vergleich zur obigen Tabelle werden die Periodenindizes um -10 verschoben. Die ersten zehn Beobachtungen liefern die Startwerte für die Prognose. Die Werte für die Koeffizienten zum Zeitpunkt 0 werden durch das lineare Regressionsverfahren bestimmt. Der Rest der Koeffizientenschätzungen in den Spalten C und D wird mit doppelter exponentieller Glättung berechnet. Die Fore (1) Spalte (E) zeigt eine Prognose für einen Zeitraum in die Zukunft. Die Werte von und sind in den Zellen C3 bzw. D3. Das Prognoseintervall ist in Zelle E3. Wenn das Prognoseintervall auf eine größere Anzahl geändert wird, werden die Werte in der Spalte Vorwärts verschoben. Die Err (1) - Spalte (F) zeigt die Differenz zwischen der Beobachtung und der Prognose. Die Standardabweichung und mittlere mittlere Abweichung (MAD) werden in den Zellen F6 und F7 berechnet.