Flytte Gjennomsnittet Prognoser Problemer

Enkel flytting Gjennomgang Problemer med å bruke det enkle glidende gjennomsnittet som et prognoseverktøy: Det bevegelige gjennomsnittet sporer aktuelle data, men det ligger alltid etter det. Det bevegelige gjennomsnittet kommer aldri til å nå toppene eller dalene til de faktiske dataene. 15Det slipper ut dataene. Forteller deg ikke veldig mye om fremtiden. Dette gjør imidlertid ikke det bevegelige gjennomsnittet ubrukelig. Du trenger bare å være klar over problemene sine. SLID BESKRIVELSE AUDIO TRANSCRIPTION Så for å oppsummere, for et enkelt glidende gjennomsnitt eller et enkelt bevegelig gjennomsnitt, har vi sett noen problemer med å bruke det enkle glidende gjennomsnittet som et prognoseverktøy. Det bevegelige gjennomsnittet sporer de faktiske dataene, men det ligger alltid etter det. Det bevegelige gjennomsnittet vil aldri nå toppene eller dalene til de faktiske dataene, slik at dataene blir jevnere, og det forteller deg ikke veldig mye om fremtiden, fordi det bare forutsetter en periode på forhånd, og at prognosen antas å representere det beste verdi for fremtiden, en periode på forhånd, men det forteller deg ikke mye utover det. Det gjør ikke det enkle glidende gjennomsnittet ubrukelig151Faktisk ser du enkle bevegelige gjennomsnitt, Gjennomgang av gjennomsnittlig prognoseinnledning. Som du kanskje tror vi ser på noen av de mest primitive tilnærmingene til prognoser. Men forhåpentligvis er disse minst en verdig innføring i noen av databehandlingsproblemene knyttet til implementering av prognoser i regneark. I denne veinen vil vi fortsette med å starte i begynnelsen og begynne å jobbe med Moving Average prognoser. Flytte gjennomsnittlige prognoser. Alle er kjent med å flytte gjennomsnittlige prognoser, uansett om de tror de er. Alle studenter gjør dem hele tiden. Tenk på testresultatene dine i et kurs der du skal ha fire tester i løpet av semesteret. La oss anta at du fikk en 85 på din første test. Hva vil du forutsi for din andre testscore Hva tror du at læreren din ville forutsi for din neste testscore Hva tror du dine venner kan forutsi for din neste testscore Hva tror du at foreldrene dine kan forutsi for neste testresultat uansett om alt det du kan gjøre med dine venner og foreldre, de og din lærer er veldig sannsynlig å forvente deg å få noe i området av 85 du nettopp har fått. Vel, nå kan vi anta at til tross for selvforfremmelse til vennene dine, overestimerer du deg selv og figurerer du kan studere mindre for den andre testen, og så får du en 73. Nå er det alle de bekymrede og ubekymrede går til Forvent deg at du kommer på den tredje testen. Det er to svært sannsynlige tilnærminger for dem å utvikle et estimat, uansett om de vil dele det med deg. De kan si til seg selv, at denne fyren alltid blåser røyk om hans smarts. Hes kommer til å få en annen 73 hvis han er heldig. Kanskje foreldrene vil prøve å være mer støttende og si, quote, så langt har du fått en 85 og en 73, så kanskje du burde finne på å få en (85 73) 2 79. Jeg vet ikke, kanskje hvis du gjorde mindre fest og werent vevet vasselen over alt, og hvis du begynte å gjøre mye mer å studere, kan du få en høyere score. quot Begge disse estimatene flytter faktisk gjennomsnittlige prognoser. Den første bruker bare din siste poengsum for å prognose din fremtidige ytelse. Dette kalles en flytende gjennomsnittlig prognose ved hjelp av en periode med data. Den andre er også en flytende gjennomsnittlig prognose, men bruker to perioder med data. La oss anta at alle disse menneskene bråser på ditt store sinn, har slags pisset deg av og du bestemmer deg for å gjøre det bra på den tredje testen av dine egne grunner og for å sette en høyere poengsum foran din quotalliesquot. Du tar testen og poengsummen din er faktisk en 89 Alle, inkludert deg selv, er imponert. Så nå har du den endelige testen av semesteret som kommer opp, og som vanlig føler du behovet for å få alle til å gjøre sine spådommer om hvordan du skal gjøre på den siste testen. Vel, forhåpentligvis ser du mønsteret. Nå, forhåpentligvis kan du se mønsteret. Hvilke tror du er den mest nøyaktige fløyten mens vi jobber. Nå går vi tilbake til vårt nye rengjøringsfirma som startes av din fremmedgjorte halv søster, kalt Whistle While We Work. Du har noen tidligere salgsdata som er representert av følgende del fra et regneark. Vi presenterer først dataene for en tre-års glidende gjennomsnittlig prognose. Oppføringen for celle C6 skal være Nå kan du kopiere denne celleformelen ned til de andre cellene C7 til C11. Legg merke til hvordan gjennomsnittet beveger seg over de nyeste historiske dataene, men bruker nøyaktig de tre siste perioder som er tilgjengelige for hver prediksjon. Du bør også legge merke til at vi ikke virkelig trenger å gjøre spådommene for de siste perioder for å utvikle vår siste prediksjon. Dette er definitivt forskjellig fra eksponentiell utjevningsmodell. Ive inkluderte quotpast predictionsquot fordi vi vil bruke dem på neste nettside for å måle prediksjonens gyldighet. Nå vil jeg presentere de analoge resultatene for en to-års glidende gjennomsnittlig prognose. Oppføringen for celle C5 skal være Nå kan du kopiere denne celleformelen ned til de andre cellene C6 til C11. Legg merke til hvordan nå bare de to siste stykkene av historiske data blir brukt for hver prediksjon. Igjen har jeg tatt med quotpast predictionsquot for illustrative formål og for senere bruk i prognose validering. Noen andre ting som er viktig å legge merke til. For en m-periode som beveger gjennomsnittlig prognose, brukes bare de nyeste dataverdiene for å gjøre prognosen. Ingenting annet er nødvendig. For en m-periode som beveger gjennomsnittlig prognose, legger du merke til at den første prediksjonen forekommer i periode m 1. Begge disse problemene vil være svært viktige når vi utvikler koden vår. Utvikle den bevegelige gjennomsnittsfunksjonen. Nå må vi utvikle koden for den bevegelige gjennomsnittlige prognosen som kan brukes mer fleksibelt. Koden følger. Legg merke til at inngangene er for antall perioder du vil bruke i prognosen og rekke historiske verdier. Du kan lagre den i hvilken arbeidsbok du vil ha. Funksjon MovingAverage (Historical, NumberOfPeriods) Som Single Deklarering og Initialisering av variabler Dim Item Som Variant Dim Counter Som Integer Dim Akkumulering Som Single Dim HistoricalSize Som Integer Initialiserende variabler Teller 1 Akkumulering 0 Bestemme størrelsen på Historical array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Akkumulere riktig antall siste tidligere observerte verdier Akkumulasjonsakkumulering Historisk (HistoricalSize - NumberOfPeriods Counter) MovingAverage AkkumuleringsnummerOfPeriods Koden vil bli forklart i klassen. Du vil plassere funksjonen på regnearket slik at resultatet av beregningen vises der det skal like følgende. En tidsserie er en sekvens av observasjoner av en periodisk tilfeldig variabel. Eksempler er den månedlige etterspørselen etter et produkt, den årlige innkjøpsmannens påmelding i en avdeling ved universitetet og de daglige strømmen i en elv. Tidsserier er viktige for operasjonsforskning fordi de ofte er førerne av beslutningsmodeller. En beholdningsmodell krever estimater av fremtidige krav, en kursplanlegging og bemanningsmodell for en universitetsavdeling krever estimater for fremtidig studentinstrømning, og en modell for å gi advarsler til befolkningen i et elvområde krever estimater av elvestrømmer for nær fremtid. Tidsserieanalyse gir verktøy for å velge en modell som beskriver tidsseriene og bruker modellen til å prognose fremtidige hendelser. Modellering av tidsserien er et statistisk problem fordi observerte data blir brukt i beregningsmetode for å estimere koeffisientene til en antatt modell. Modeller antar at observasjoner varierer tilfeldig med en underliggende middelverdi som er en funksjon av tiden. På disse sidene begrenser vi oppmerksomheten til å bruke historiske tidsseriedata for å estimere en tidsavhengig modell. Metodene er hensiktsmessige for automatisk, kortsiktig prognose av ofte brukt informasjon der de underliggende årsakene til tidsvariasjon ikke endres markant i tide. I praksis blir prognosene avledet av disse metodene senere modifisert av menneskelige analytikere som inkorporerer informasjon som ikke er tilgjengelig fra de historiske dataene. Vårt primære formål i denne delen er å presentere ligningene for de fire prognosemetodene som brukes i Forecasting-tillegget: glidende gjennomsnitt, eksponensiell utjevning, regresjon og dobbel eksponensiell utjevning. Disse kalles utjevningsmetoder. Metoder som ikke vurderes inkluderer kvalitative prognoser, multiple regresjon og autoregressive metoder (ARIMA). De som er interessert i mer omfattende dekning, bør besøke nettstedet Forecasting Principles eller lese en av de mange gode bøkene om emnet. Vi brukte boken Forecasting. av Makridakis, Wheelwright og McGee, John Wiley ampsons, 1983. For å bruke Excel Exempler-arbeidsboken, må du ha prognosen for tilleggsprogram installert. Velg Relink-kommandoen for å etablere koblingene til tillegget. Denne siden beskriver modellene som brukes til enkel prognose og notasjonen som brukes til analysen. Denne enkleste prognosemetoden er den gjennomsnittlige prognosen i gjennomsnitt. Metoden er bare gjennomsnitt av de siste m-observasjonene. Det er nyttig for tidsserier med et sakte skiftende middel. Denne metoden vurderer hele fortiden i prognosen, men veier nyere erfaring tungere enn mindre nylig. Beregningene er enkle fordi bare estimatet av forrige periode og gjeldende data bestemmer det nye estimatet. Metoden er nyttig for tidsserier med et sakte skiftmiddel. Den bevegelige gjennomsnittlige metoden svarer ikke godt til en tidsserie som øker eller avtar med tiden. Her inkluderer vi en lineær trendbegrep i modellen. Regresjonsmetoden nærmer seg modellen ved å konstruere en lineær ligning som gir de minste firkanter som passer til de siste m-observasjonene.