Flyttande genomsnittlig prognostisering. Introduktion Som du kanske antar vi tittar på några av de mest primitiva tillvägagångssätten för prognoser Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med Börja i början och börja arbeta med Moving Average Forecasts. Moving Average Prognoser Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är Alla studenter gör dem hela tiden Tänk på dina testresultat i en kurs där du ska Har fyra tester under terminen Låt oss anta att du fick 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat. Vad tycker du att din lärare skulle förutsäga för nästa testresultat. Vad tycker du att dina vänner kan förutsäga För din nästa testpoäng. Vad tror du att dina föräldrar kan förutsäga för nästa testresultat. Oavsett om du blabbar kan du göra din fr Älskar och föräldrar, de och din lärare förväntar mycket sannolikt att du får något i det område du bara har fått. Väl, nu låt oss anta att trots din självbefrämjande till dina vänner överskattar du dig själv Och figur du kan studera mindre för det andra testet och så får du en 73. Nu vad är alla berörda och oroade kommer att förutse att du kommer att få på ditt tredje test Det finns två mycket troliga metoder för att utveckla en uppskattning oavsett Om de kommer att dela den med dig. De kan säga till sig själva: Den här killen sprider alltid rök om hans smarts. Han kommer att få ytterligare 73 om han är lycklig. Måste föräldrarna försöker vara mer stödjande och säga, ja, så Långt har du fått en 85 och en 73, så kanske du borde räkna med att få en 85 73 2 79 Jag vet inte, kanske om du gjorde mindre fester och inte vågade väsen överallt och om du började göra en Mycket mer studerar du kan få en högre poäng. Båda dessa uppskattningar är faktiska De rörliga genomsnittliga prognoserna. Den första använder endast din senaste poäng för att prognostisera din framtida prestation. Detta kallas en glidande genomsnittlig prognos med en dataperiod. Den andra är också en glidande genomsnittlig prognos men med två dataperioder. Låt oss anta Att alla dessa människor bråkar på ditt stora sinne, har gissat dig och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga en högre poäng framför dina allierade. Du tar testet och din poäng är faktiskt en 89 Allting, inklusive dig själv, är imponerad. Så nu har du det sista provet på terminen som kommer upp och som vanligt känns det som om du behöver göra alla förutspåringar om hur du ska göra det sista testet. Förhoppningsvis ser du Mönster. Nu kan du förhoppningsvis se mönstret. Vad tror du är det mest exakta. Hälsa medan vi arbetar Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster kallas Whistle medan vi arbetar. Du har några tidigare försäljningsdata Representeras av följande avsnitt från ett kalkylblad Vi presenterar först data för en treårs glidande medelprognos. Inträdet för cell C6 borde vara. Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Notera hur genomsnittet rör sig Över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte behöver verkligen göra förutsägelserna för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än Exponentiell utjämningsmodell I ve inkluderade tidigare förutsägelser eftersom vi kommer att använda dem på nästa webbsida för att mäta prediktionsgiltighet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Inträdet för cell C5 borde vara. Nu Kan kopiera den här cellformeln ner till de andra cellerna C6 till och med C11.Notice hur nu används bara de två senaste bitarna av historiska data för varje förutsägelse igen jag har med D de senaste förutsägelserna för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är viktiga att notera. För en m-periods rörlig genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. . För en m-period glidande medelprognos när du gör tidigare förutsägelser märker du att den första förutsägelsen inträffar i period m 1. Båda dessa problem kommer att vara väldigt signifikanta när vi utvecklar vår kod. Utveckling av rörlig genomsnittsfunktion Nu behöver vi utveckla Koden för det glidande medelprognosen som kan användas mer flexibelt Koden följer Observera att ingångarna är för antalet perioder du vill använda i prognosen och i rad historiska värden. Du kan lagra den i vilken arbetsbok du vill. Funktion MovingAverage Historical, NumberOfPeriods Som Single Declaration och initialisering av variabler Dim Item As Variant Dim Counter Som Integer Dim Accumulation Som Single Dim HistoricalSize As Integer. Initialiserande variabler Counter 1 Accumulation 0. Bestämning av storleken på Historical array HistoricalSize. For Counter 1 till NumberOfPeriods. Ackumulera lämpligt antal senast tidigare observerade värden. Akkumuleringsaccumulering Historisk Historisk storlek - AntalOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. Koden kommer att förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska Som följande. I praktiken ger det glidande medelvärdet en bra uppskattning av medelvärdet av tidsserierna om medelvärdet är konstant eller långsamt förändrat. Vid konstant medel kommer det största värdet av m att ge de bästa uppskattningarna av det underliggande Mean En längre observationsperiod kommer att medeltala effekterna av variabilitet. Syftet med att tillhandahålla en mindre m är att tillåta prognosen att svara på en förändring i den underliggande processen. För att illustrera föreslår vi en dataset som innehåller förändringar i det underliggande genomsnittet av Tidsserien Figuren visar tidsserierna som används för illustration tillsammans med den genomsnittliga efterfrågan från vilken se Ries genererades Medelvärdet börjar som en konstant vid 10 Börjar vid tid 21 ökar den med en enhet i varje period tills den når värdet 20 vid tidpunkten 30 Då blir det konstant igen Dataen simuleras genom att lägga till i genomsnitt en Slumpmässigt brus från en normalfördelning med nollvärde och standardavvikelse 3 Resultaten av simuleringen avrundas till närmaste heltal. Tabellen visar de simulerade observationerna som används för exemplet När vi använder tabellen måste vi komma ihåg att vid en viss tidpunkt, Endast de tidigare uppgifterna är kända. Beräkningarna av modellparametern, för tre olika värden på m visas tillsammans med medelvärdet av tidsserierna i figuren nedan. Figuren visar den genomsnittliga rörliga genomsnittliga beräkningen av medelvärdet vid varje tidpunkt och inte Prognosen Prognoserna skulle flytta de glidande genomsnittliga kurvorna till höger efter perioden. En enda slutsats framgår tydligt av figuren. För alla tre uppskattningar ligger det glidande medlet bakom den linjära trenden med fördröjningen Ng med m Fördröjningen är avståndet mellan modellen och uppskattningen i tidsdimensionen På grund av fördröjningen underskattar det rörliga genomsnittet observationerna när medelvärdet ökar. Förskjutarens förspänning är skillnaden vid en viss tid i medelvärdet Av modellen och medelvärdet förutspått av glidande medelvärdet Förskjutningen när medelvärdet ökar är negativt För ett minskande medelvärde är förspänningen positiv. Fördröjningen i tid och förspänningen som införs i uppskattningen är funktionerna i m. Ju större värdet av M den större storleken på fördröjning och förspänning. För en kontinuerligt ökande serie med trend a ges värdena för fördröjning och förspänning av medelvärdet av estimatorn i ekvationerna nedan. Exempelkurvorna matchar inte dessa ekvationer eftersom exemplen är Inte ständigt ökar, snarare börjar det som en konstant, förändras i en trend och blir sedan konstant igen Även exempletskurvorna påverkas av bruset. Den rörliga genomsnittliga prognosen för perioder i framtiden Representeras genom att flytta kurvorna till höger. Fördröjningen och förskjutningen ökar proportionellt. Ekvationerna nedan anger fördröjning och förspänning av prognosperioder i framtiden jämfört med modellparametrarna. Dessa formler är återigen en tidsserie med en konstant linjär trend . Vi borde inte bli förvånad över det här resultatet. Den glidande medelvärdena beräknas utifrån antagandet om ett konstant medelvärde och exemplet har en linjär trend i medelvärdet under en del av studieperioden. Eftersom realtidsserier sällan exakt kommer att följa antagandena Av vilken modell som helst, borde vi vara beredda på sådana resultat. Vi kan också dra slutsatsen av att variationen i bruset har störst effekt för mindre m. Uppskattningen är mycket mer flyktig för det glidande medlet på 5 än det glidande medlet på 20 Vi har de motstridiga önskningarna att öka m för att minska effekten av variationer på grund av bullret och att minska m för att göra prognosen mer responsiv mot förändringar i medelvärdet. Felet är di Avvikelse mellan den faktiska data och det prognostiserade värdet Om tidsserierna verkligen är ett konstant värde är det förväntade värdet av felet noll och variansen av felet består av en term som är en funktion av och en andra term som är variansen Av bruset. Den första termen är medelvärdet av variationer som uppskattas med ett urval av m-observationer, förutsatt att data kommer från en population med konstant medelvärde. Denna term minimeras genom att göra m så stor som möjligt. En stor m gör prognosen oförsvarlig Till en förändring i de underliggande tidsserierna För att prognosen ska kunna reagera på förändringar vill vi ha m så liten som möjligt 1, men det ökar felvariationen. Praktisk prognos kräver ett mellanvärde. Förberedelse med Excel. Prognostillägget implementerar rörelsen Genomsnittliga formler Nedanstående exempel visar analysen som tillhandahålls av tillägget för provdata i kolumn B De första 10 observationerna är indexerade -9 till 0 Jämfört med tabellen ovan indikerar perioden ind Iserna förskjuts av -10. De första tio observationerna ger startvärdena för uppskattningen och används för att beräkna det glidande medlet för period 0 MA 10-kolumnen C visar beräknade glidmedelvärdena. Den glidande genomsnittsparametern m är i cell C3. Den Fore 1 kolumn D visar en prognos för en period in i framtiden Prognosintervallet är i cell D3 När prognosintervallet ändras till ett större antal flyttas numren i Fore-kolumnen. Err 1-kolumnen E visar skillnaden mellan observationen Och prognosen Till exempel är observationen vid tidpunkten 1 6 Det prognostiserade värdet från det glidande medlet vid tidpunkten 0 är 11 1 Felet är då -5 1 Standardavvikelsen och medelvärdesavvikelsen MAD beräknas i cellerna E6 respektive E7 . Klass MovingAverageModel. En rörlig genomsnittlig prognosmodell baseras på en konstgjort konstruerad tidsserie där värdet för en given tidsperiod ersätts med medelvärdet av det värdet och värdena för ett antal före och efterföljande tidsperioder som du kanske har gissat Från beskrivningen är den här modellen bäst lämpad för tidsseriedata, dvs data som ändras över tiden. Exempelvis visar många kartor över enskilda aktier på aktiemarknaden 20, 50, 100 eller 200 dagars glidande medelvärden som ett sätt att visa trender. Eftersom prognosvärdet för en given period är ett medelvärde av tidigare perioder, kommer prognosen alltid att förefalla ligga bakom antingen ökningar eller minskningar i de observerade beroende värdena. Till exempel, om en dataserie har en noterbar uppåtgående trend då ett glidande medelvärde Prognosen kommer generellt att ge en underskattning av värdena för den beroende variabeln. Den glidande genomsnittliga metoden har en fördel jämfört med andra prognosmodeller genom att det släpper ut toppar och t Roughs eller dalar i en uppsättning observationer Men det har också flera nackdelar. I synnerhet producerar denna modell inte en verklig ekvation. Därför är det inte allt som är användbart som ett medium långt prognosverktyg. Det kan endast på ett tillförlitligt sätt användas för att förutse en Eller två perioder i framtiden. Den rörliga genomsnittliga modellen är ett speciellt fall av det mer generella viktiga glidande medlet. I det enkla glidande medlet är alla vikter lika. Sedan 0 3 Författare Steven R Gould. Fields ärvt från class. MovingAverageModel Konstruerar en ny Flytta genomsnittsprognosmodell. MovingAverageModel int period Konstruerar en ny glidande genomsnittsprognosmodell med den angivna perioden. getForecastType Returnerar ett eller två ordnamn för denna typ av prognosmodell. init DataSet dataSet Används för att initiera den glidande genomsnittsmodellen. toString Detta borde Överskridas för att tillhandahålla en textbeskrivning av den aktuella prognosmodellen inklusive, om möjligt, vilka härledda parametrar som används. Metoder som ärvavs från Class. Constructs en ny rörlig genomsnittsprognosmodell För en giltig modell som ska byggas, bör du ringa init och passera i en dataset som innehåller en serie datapunkter med tidsvariabeln initialiserad för att identifiera den oberoende varianten. Konstruerar ett nytt glidande medelprognos Modell, använder det angivna namnet som den oberoende variabeln. Parametrar independentVariable - namnet på den oberoende variabeln som ska användas i den här modellen. Konstruerar en ny rörlig genomsnittsprognosmodell med den angivna perioden För en giltig modell som ska konstrueras bör du ringa init Och passera i en dataset som innehåller en serie datapunkter med initierad tidsvariabel för att identifiera den oberoende variabeln. Periodvärdet används för att bestämma antalet observationer som ska användas för att beräkna det glidande genomsnittet Till exempel för en 50-dagars Glidande medelvärde där datapunkterna är dagliga observationer, då bör perioden ställas in till 50. Perioden används också för att bestämma mängden framtida perioder t Hatt kan effektivt prognostiseras Med ett 50-dagars glidande medelvärde kan vi inte med rimlig noggrannhet förutse mer än 50 dagar bortom den senaste perioden för vilken data är tillgänglig. Det kan vara mer fördelaktigt än en 10-dagarsperiod, Där vi bara kunde rimligen förutse 10 dagar bortom den senaste perioden. Parametrar period - antalet observationer som ska användas för att beräkna det rörliga genomsnittet. Konstruerar en ny glidande genomsnittsprognosmodell med det angivna namnet som den oberoende variabeln och den angivna perioden. Parametrar independentVariable - namnet på den oberoende variabel som ska användas i denna modellperiod - antalet observationer som ska användas för att beräkna det rörliga genomsnittet. Används för att initiera den glidande genomsnittsmodellen. Denna metod måste kallas före någon annan metod i klassen. Eftersom Rörlig genomsnittsmodell utleder inte någon ekvation för prognoser, använder denna metod ingångsdataet för att beräkna prognosvärden för alla giltiga värden för den oberoende ti Mig variabel. Specificeret av init i gränssnittet ForecastingModel Overrides init i klassen AbstractTimeBasedModel Parameters dataSet - en dataset av observationer som kan användas för att initiera prognosparametrarna för prognosmodellen. Återställer ett eller två ordnamn för denna typ av prognosmodell. Den här korta En längre beskrivning bör genomföras i toString-metoden. Detta bör överskridas för att ge en textbeskrivning av den aktuella prognosmodellen, inklusive eventuella härledda parametrar som används. Specificeret av toString i gränssnittet ForecastingModel Overrides toString i klassen WeightedMovingAverageModel Returnerar en Strängrepresentation av den aktuella prognosmodellen och dess parametrar.
No comments:
Post a Comment