Flytte Gjennomsnittet Teknikk Prognoser

Moving Average Forecasting. Introduction Som du kanskje antar 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 venen fortsetter vi med begynner i begynnelsen og begynner å jobbe med Moving Average Forecasts. Moving Average Forecasts Alle er kjent med å flytte gjennomsnittlige prognoser, uavhengig av om de tror de er Alle studenter gjør dem hele tiden Tenk på testpoengene 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 ville du forutsi for din andre test score. Hva tror du at din lærer ville forutsi for din neste test score. Hva tror du dine venner kan forutsi for din neste test score. Hva tror du at foreldrene dine kan forutsi for din neste testscore. Uansett hvilken blabbing du kan gjøre med din fr Jeg og foreldrene mine, de og din lærer, er veldig sannsynlig å forvente deg å få noe i det 85 du nettopp har fått. Vel, la oss nå anta at til tross for selvforfremmelse til vennene dine, overestimerer du deg selv og finne ut at du kan studere mindre for den andre testen, og så får du en 73. Nå er det alle de bekymrede og ubekymrede kommer til å forutse at du kommer på den tredje testen. Det er to svært sannsynlige tilnærminger for dem å utvikle et estimat uavhengig av om de vil dele det med deg. De kan si til seg selv: Denne fyren blåser alltid røyk om hans smarts. Han kommer til å få en annen 73 hvis han er heldig. Måtte foreldrene forsøke å være mer støttende og si, vel, så langt du har fått en 85 og en 73, så kanskje du burde finne ut på å få en 85 73 2 79 Jeg vet ikke, kanskje hvis du gjorde mindre fester og ikke ville veksle vevet over alt, og hvis du begynte å gjøre en mye mer å studere du kan få en høyere score. Både disse estimatene er faktiske Den bevegelige gjennomsnittlige prognosen. Den første bruker bare din siste poengsum for å prognose din fremtidige ytelse. Dette kalles en gjennomsnittlig gjennomsnittlig prognose ved hjelp av en dataperiode. Den andre er også en flytende gjennomsnittlig prognose, men bruker to perioder med data. 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 å sette en høyere poengsum foran dine allierte. Du tar testen og poengsummen din er egentlig 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 pattern. Now, forhåpentligvis kan du se mønsteret som tror du er den mest nøyaktige. Whistle Mens vi jobber nå, går vi tilbake til vårt nye rengjøringsfirma som startet av din fremmedgjorte halv søster, kalt Whistle While we Work Du har noen tidligere salgsdata representert av følgende seksjon 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 og med C11. Notat 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 eksponensiell utjevningsmodell Jeg har inkludert de siste spådommene 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 kopiere denne celleformelen ned til de andre cellene C6 til C11. Notat hvor nå blir bare de to siste stykkene av historiske data brukt for hver prediksjon igjen, jeg har med d de siste spådommene for illustrative formål og for senere bruk i prognose validering. Som andre ting som er viktig å legge merke til. For en m-periode beveger gjennomsnittlig prognose bare de nyeste dataverdiene er brukt til å foreta prognosen Ingenting annet er nødvendig. For en m-periode som går i gjennomsnitt, vil prognosen ved første forsinkelse oppstå i perioden m 1.Bet av disse problemene vil være svært viktig når vi utvikler vår kode. 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. Funksjon MovingAverage Historical, NumberOfPeriods Som Single Declaration og initialisering av variabler Dim Item Som variant Dim Counter Som Integer Dim Akkumulering Som Single Dim HistoricalSize Som Integer. Initialisering av variabler Teller 1 Akkumulering 0. Bestemme størrelsen på Historisk matrise HistoricalSize. For Counter 1 til NumberOfPeriods. Akkumulere riktig antall siste tidligere observerte verdier. Akkumulasjonsakkumulering Historisk Historisk størrelse - AntallOfPeriods Counter. MovingAverage AkkumuleringsnummerOfPeriods. Koden vil bli forklart i klassen. Du vil plassere funksjonen på regnearket slik at resultatet av beregningen vises der den skal som følgende. movende gjennomsnitt. Mengden av tidsserier data observasjoner like fordelt i tid fra flere påfølgende perioder Kalt flytting fordi det kontinuerlig rekomputeres når nye data blir tilgjengelig, utvikler den ved å slippe den tidligste verdien og legge til den nyeste verdien For eksempel Flytende gjennomsnitt på seks måneders salg kan beregnes ved å ta gjennomsnittet av salget fra januar til juni, deretter gjennomsnittet av salget fra februar til juli, mars til august osv. Flytte gjennomsnitt 1 redusere effekten av midlertidige variasjoner i data, 2 forbedre passformen til en linje en prosess kalt utjevning for å vise datas trend mer c learly og 3 markere noen verdi over eller under trenden. Hvis du beregner noe med svært høy varians, er det beste du kanskje kan gjøre å finne ut det bevegelige gjennomsnittet. Jeg ville vite hva det bevegelige gjennomsnittet var av dataene, så jeg ville få en bedre forståelse av hvordan vi gjorde. Når du prøver å finne ut noen tall som endrer seg ofte, er det best du kan gjøre å beregne den gjennomsnittlige gjennomsnittlige gjennomsnittlige gjennomsnittlige prisen. MAP. Smoothing-data fjerner tilfeldig variasjon og viser trender og sykliske komponenter. Innenværende i samlingen av data tatt over tid er noen form for tilfeldig variasjon. Det eksisterer metoder for å redusere avbryte effekten på grunn av tilfeldig variasjon. En ofte brukt teknikk i industrien er utjevning. Denne teknikken, når den er riktig påført, avslører tydeligere den underliggende trenden, sesongmessige og sykliske komponenter. Det er to forskjellige grupper av utjevningsmetoder. Bedriftsmetoder. Eksponentielle utjevningsmetoder. Taking gjennomsnitt er den enkleste måten å glatte data på. Vi er dårlig først undersøke noen gjennomsnittsmetoder, for eksempel det enkle gjennomsnittet av alle tidligere data. En leder av et lager ønsker å vite hvor mye en typisk leverandør leverer i 1000 dollar-enheter. Han tar et utvalg av 12 leverandører, tilfeldig, og får følgende resultater. Beregnet gjennomsnitt eller gjennomsnitt av dataene 10 Overordnet bestemmer seg for å bruke dette som estimat for utgifter til en typisk leverandør. Dette er et godt eller dårlig estimat. En kvadratfeil er en måte å bedømme hvor bra en modell er. skal beregne den gjennomsnittlige kvadratfeilen. Feil sant mengde brukt minus estimert mengde. Feilen kvadrert er feilen ovenfor, squared. SSE er summen av de kvadratiske feilene. MSE er gjennomsnittet av de kvadratiske feilene. MSE-resultatene for eksempel. Resultatene er feil og kvadratfeil. Estimatet 10.For spørsmålet oppstår, kan vi bruke gjennomsnittet til å prognostisere inntekt hvis vi mistenker en trend. En titt på grafen nedenfor viser tydelig at vi ikke bør gjøre dette. Enhet veier alle tidligere observasjoner likt. Sammendrag, vi oppgi det. Det enkle gjennomsnittet eller gjennomsnittet av alle tidligere observasjoner er bare et nyttig estimat for prognose når det ikke er noen trender. Hvis det er trender, bruk ulike estimater som tar trenden i betraktning. Gjennomsnittet veier alle tidligere observasjoner likt. For eksempel gjennomsnitt av verdiene 3, 4, 5 er 4 Vi vet selvsagt at et gjennomsnitt beregnes ved å legge til alle verdiene og dividere summen med antall verdier En annen måte å beregne gjennomsnittet på er å legge til hver verdi dividert med antall verdier, eller.3 3 4 3 5 3 1 1 3333 1 6667 4.Multiplikatoren 1 3 kalles vekten Generelt. bar frac sum venstre frak høyre x1 venstre frac høyre x2,,, venstre frac høyre xn. Venstre frac høyre er vektene og selvfølgelig de summerer til 1.