Gewichtetes gleitendes Durchschnittsmodell Definition Im gewichteten gleitenden Durchschnittsmodell (Prognosestrategie 14) wird jeder historische Wert mit einem Faktor aus der Gewichtungsgruppe im univariaten Prognoseprofil gewichtet. Formel für den gewichteten gleitenden Durchschnitt Das gewichtete gleitende Durchschnittsmodell ermöglicht es Ihnen, aktuelle historische Daten stärker als ältere Daten zu gewichten, wenn Sie den Durchschnitt bestimmen. Sie tun dies, wenn die neueren Daten repräsentativer sind, was zukünftige Nachfrage als ältere Daten sein wird. Daher kann das System schneller auf eine Niveauänderung reagieren. Die Genauigkeit dieses Modells hängt weitgehend von der Wahl der Gewichtungsfaktoren ab. Wenn sich das Zeitreihenmuster ändert, müssen Sie auch die Gewichtungsfaktoren anpassen. Beim Anlegen einer Gewichtungsgruppe tragen Sie die Gewichtungsfaktoren in Prozent ein. Die Summe der Gewichtungsfaktoren muss nicht 100 sein. Keine Ex-post-Prognose wird mit dieser Prognosestrategie berechnet. Moving Average Forecasting Einleitung. Wie Sie vermutlich schauen, betrachten wir einige der primitivsten Ansätze zur Prognose. Aber hoffentlich sind diese zumindest eine lohnende Einführung in einige der Rechenprobleme im Zusammenhang mit der Umsetzung von Prognosen in Tabellenkalkulationen. In diesem Sinne werden wir von Anfang an beginnen und beginnen mit Moving Average Prognosen zu arbeiten. Gleitende durchschnittliche Prognosen. Jeder ist vertraut mit gleitenden durchschnittlichen Prognosen, unabhängig davon, ob sie glauben, sie sind. Alle Studenten tun sie die ganze Zeit. Denken Sie an Ihre Testergebnisse in einem Kurs, in dem Sie vier Tests während des Semesters haben werden. Angenommen, Sie haben eine 85 auf Ihrem ersten Test. Was würden Sie vorhersagen, für Ihre zweite Test-Score Was glauben Sie, Ihr Lehrer würde für Ihre nächste Test-Punkt vorhersagen Was denken Sie, Ihre Freunde könnten für Ihre nächste Test-Punkt vorherzusagen Was denken Sie, Ihre Eltern könnten für Ihre nächste Test-Score Unabhängig davon vorhersagen Alle die blabbing Sie tun könnten, um Ihre Freunde und Eltern, sie und Ihr Lehrer sind sehr wahrscheinlich zu erwarten, dass Sie etwas im Bereich der 85 erhalten Sie gerade bekommen. Nun, jetzt gehen wir davon aus, dass trotz Ihrer Selbst-Förderung an Ihre Freunde, Sie über-schätzen Sie sich und Figur, die Sie weniger für den zweiten Test lernen können und so erhalten Sie eine 73. Nun, was sind alle betroffenen und unbekümmerten gehen Erwarten Sie erhalten auf Ihrem dritten Test Es gibt zwei sehr wahrscheinlich Ansätze, damit sie eine Schätzung unabhängig davon entwickeln, ob sie sie mit Ihnen teilen. Sie können zu sich selbst sagen, dieser Kerl ist immer bläst Rauch über seine smarts. Hes gehend, ein anderes 73 zu erhalten, wenn hes glücklich. Vielleicht werden die Eltern versuchen, mehr unterstützend und sagen, quotWell, so weit youve bekommen eine 85 und eine 73, so vielleicht sollten Sie auf eine über (85 73) 2 79. Ich weiß nicht, vielleicht, wenn Sie weniger feiern Und werent wedelte das Wiesel ganz über dem Platz und wenn Sie anfingen, viel mehr zu studieren, konnten Sie einen höheren score. quot erhalten. Beide dieser Schätzungen sind wirklich gleitende durchschnittliche Prognosen. Der erste verwendet nur Ihre jüngste Punktzahl, um Ihre zukünftige Performance zu prognostizieren. Dies wird als gleitende Durchschnittsprognose mit einer Datenperiode bezeichnet. Die zweite ist auch eine gleitende durchschnittliche Prognose, aber mit zwei Perioden von Daten. Nehmen wir an, dass alle diese Leute, die auf deinem großen Verstand zerschmettern, Art von dich angepisst haben und du entscheidest, auf dem dritten Test aus deinen eigenen Gründen gut zu tun und eine höhere Kerbe vor deinen quotalliesquot zu setzen. Sie nehmen den Test und Ihre Gäste ist eigentlich ein 89 Jeder, einschließlich selbst, ist beeindruckt. So jetzt haben Sie die abschließende Prüfung des Semesters herauf und wie üblich spüren Sie die Notwendigkeit, alle in die Vorhersagen zu machen, wie youll auf dem letzten Test tun. Nun, hoffentlich sehen Sie das Muster. Nun, hoffentlich können Sie das Muster sehen. Was glauben Sie, ist die genaueste Pfeife, während wir arbeiten. Nun kehren wir zu unserer neuen Reinigungsfirma zurück, die von Ihrer entfremdeten Halbschwester namens Whistle While We Work begonnen wurde. Sie haben einige vergangene Verkaufsdaten, die durch den folgenden Abschnitt aus einer Kalkulationstabelle dargestellt werden. Zuerst präsentieren wir die Daten für eine dreidimensionale gleitende Durchschnittsprognose. Der Eintrag für Zelle C6 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C7 bis C11 kopieren. Beachten Sie, wie der Durchschnitt bewegt sich über die jüngsten historischen Daten, sondern verwendet genau die drei letzten Perioden zur Verfügung für jede Vorhersage. Sie sollten auch feststellen, dass wir nicht wirklich brauchen, um die Vorhersagen für die vergangenen Perioden zu machen, um unsere jüngste Vorhersage zu entwickeln. Dies ist definitiv anders als das exponentielle Glättungsmodell. Ive eingeschlossen das quotpast predictionsquot, weil wir sie auf der folgenden Webseite verwenden, um Vorhersagegültigkeit zu messen. Nun möchte ich die analogen Ergebnisse für eine zwei-Periode gleitenden Durchschnitt Prognose zu präsentieren. Der Eintrag für Zelle C5 sollte jetzt sein Sie können diese Zellformel auf die anderen Zellen C6 bis C11 kopieren. Beachten Sie, wie jetzt nur die beiden letzten Stücke der historischen Daten für jede Vorhersage verwendet werden. Wieder habe ich die quotpast Vorhersagequot für illustrative Zwecke und für die spätere Verwendung in der Prognose Validierung enthalten. Einige andere Dinge, die wichtig zu beachten sind. Für eine m-Periode gleitende Durchschnittsprognose werden nur die m neuesten Datenwerte verwendet, um die Vorhersage durchzuführen. Nichts anderes ist notwendig. Für eine m-Periode gleitende durchschnittliche Prognose, wenn Sie Quotpast Vorhersagequot, beachten Sie, dass die erste Vorhersage tritt im Zeitraum m 1 auf. Diese beiden Fragen werden sehr wichtig sein, wenn wir unseren Code entwickeln. Entwicklung der Moving Average Funktion. Nun müssen wir den Code für die gleitende Durchschnittsprognose entwickeln, die flexibler genutzt werden kann. Der Code folgt. Beachten Sie, dass die Eingaben für die Anzahl der Perioden sind, die Sie in der Prognose und dem Array der historischen Werte verwenden möchten. Sie können es in beliebiger Arbeitsmappe speichern. Funktion MovingAverage (Historical, NumberOfPeriods) als einzelne Deklarations - und Initialisierungsvariablen Dim Item als Variant Dim Zähler als Integer Dim Summe als Single Dim HistoricalSize als Integer Initialisierung von Variablen Zähler 1 Akkumulation 0 Festlegung der Größe des Historical Arrays HistoricalSize Historical. Count For Counter 1 bis NumberOfPeriods Summieren der entsprechenden Anzahl der zuletzt beobachteten Werte Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Der Code wird in der Klasse erklärt. Sie möchten die Funktion in der Tabellenkalkulation positionieren, sodass das Ergebnis der Berechnung dort erscheint, wo es wie folgt aussehen soll. In diesem Artikel werden Vorhersagetechniken beschrieben, die einfache und gewichtete gleitende Durchschnittsmodelle für eine Zeitreihe verwenden. Es beschreibt auch, wie ein mittlerer Absolutabweichungsansatz verwendet wird, um zu bestimmen, welches dieser Modelle eine genauere Vorhersage liefert. Hintergrund Der gleitende Durchschnitt ist eine sehr häufige Zeitreihenvorhersagetechnik. Es ist nützlich, wenn Sie eine Variable (z. B. Vertrieb, Seminarteilnehmer, Retouren, Konten usw.) über mehrere aufeinander folgende Zeiträume analysieren möchten, insbesondere wenn keine anderen Daten verfügbar sind, mit denen der Wert des nächsten Zeitraums vorhergesagt werden kann. Oft ist es vorzuziehen, historische Daten zu verwenden, um zukünftige Werte eher als einfache Schätzungen zu prognostizieren. Bewegungsdurchschnitte kompensieren kurzfristige Schwankungen und markieren langfristige Trends oder Zyklen. Im Wesentlichen prognostizieren gleitende Durchschnittswerte den Wert der nächsten Periode durch Mittelung des Werts von n vorherigen Perioden. Simple Moving Average (SMA) Der einfache gleitende Durchschnitt ist der Mittelwert der Werte in den letzten n Perioden. Die Anzahl der Perioden, die Sie in einer gleitenden Durchschnittsprognose analysieren sollten, hängt von der Art der Bewegung ab, an der Sie interessiert sind. In der nachstehenden Formel werden die vorhergehenden n Werte für D verwendet, um den prognostizierten Wert F für die Periode t1 zu berechnen. Weighted Moving Average (WMA) Manchmal sind Werte aus jüngeren Monaten einflussreicher als Prädiktoren für den kommenden Monat, so sollte das Modell ihnen mehr Gewicht geben. Dieser Modelltyp wird als gewichteter gleitender Durchschnitt bezeichnet. Die Gewichte, die Sie verwenden, können beliebig sein, solange die Summe der Gewichte gleich 1 ist: Angenommen, ein pharmazeutisches Unternehmen will die Nachfrage nach ihrer beliebtesten Droge vorhersagen, um sicherzustellen, dass sie genügend Inventar zur Hand haben, um Aufträge im kommenden Monat zu erhalten. Um dem Unternehmen dabei helfen zu können, eine genaue Vorhersage zu formulieren, analysiert der Demand Planning Manager einen dreimonatigen gleitenden Durchschnitt, da die Nachfrage deutlich über ein Viertel schwanken kann. Zuerst wird der vorhergesagte Wert unter Verwendung von SMA - und WMA-Verfahren berechnet. Dann richten wir das Modell ein und bewerten, welche Technik die genauere Prognose liefert. (SELECT Demand) (SELECT Demand (Summe) VORHERGEHEN (SELECT Demand) (SELECT Demand (Summe) (MonthJear (Demand Date), 3))) 3 Beachten Sie, dass wir eine FOR PRE VIOUS-Klausel verwendet haben, um die Nachfrage aus den letzten drei Perioden zu berechnen. Nach dem Summieren des Anforderungswertes für die letzten drei Perioden können wir die Summe durch 3 dividieren, um den Durchschnitt zu berechnen. Demand (WMA) Um die Nachfrage mit WMA zu berechnen, geben wir ein Gewicht von 3 bis zur letzten Periode, ein Gewicht von 2 bis zur nächsten letzten Periode und ein Gewicht von 1 bis zur nächsten letzten Periode. Es ist zu beachten, dass das Verhältnis 50: 33: 17 beträgt, was die Anforderung erfüllt, dass die Summe der Gewichte gleich 1 ist. SELECT (0,5 (SELECT Demand (Summe) FOR PREVIOUS SELECT Demand (Summe) ZUR VORHERGEHENSWERT (Monat Jahr (Demand Date), 2))) (0.17 (SELECT Demand (Summe) FOR PREVIOUS (MonthYear (Demand Date), 3))) Slicing diese Metriken nach MonthYear ergibt die folgende Ansicht: Angenommen Dass der aktuelle Monat April 2014 ist, bekommen wir zwei Werte für die Nachfrage im Mai 2014: eine SMA und eine MWA. Nun sehen wir, welche dieser beiden Werte genauer ist. Bestimmen der Genauigkeit eines gleitenden Durchschnittsmodells Berechnung der mittleren absoluten Abweichung (MAD) Typischerweise wird die Qualität eines Prognosemodells durch seine Fehlergrenze zwischen tatsächlichen und vorhergesagten Ergebnissen gemessen, und eine gemeinsame Messung der Prognosegenauigkeit ist die mittlere absolute Abweichung (MAD) ). Für jeden prognostizierten Wert in der Serie berechnen wir den absoluten Wert der Differenz zwischen den tatsächlichen und prognostizierten Werten (die Abweichung). Dann berechnen wir die absoluten Abweichungen, um MAD zu berechnen. MAD kann uns helfen zu entscheiden, wie viele Perioden zu durchschnittlich, das Gewicht zu jeder Periode zuzuordnen, oder beides. Das Modell mit dem niedrigsten MAD-Wert ist typischerweise unsere beste Wahl. Berechnen Sie MAD für die beiden Modelle: Abweichung (SMA) Abweichung (WMA)
No comments:
Post a Comment