Einfach Beweglich Durchschnittlich Prognose Beispiel

Simple Moving Average - SMA BREAKING DOWN Einfache Moving Average - SMA Ein einfacher gleitender Durchschnitt ist anpassbar, da er für eine andere Anzahl von Zeiträumen berechnet werden kann, einfach durch Hinzufügen des Schlusskurses der Sicherheit für eine Anzahl von Zeiträumen und dann Teilen Diese Summe um die Anzahl der Zeiträume, die den Durchschnittspreis der Sicherheit über den Zeitraum gibt. Ein einfacher gleitender Durchschnitt glättet die Volatilität und macht es einfacher, die Preisentwicklung eines Wertpapiers zu sehen. Wenn der einfache gleitende Durchschnitt aufblickt, bedeutet dies, dass der Sicherheitspreis steigt. Wenn es nach unten zeigt, bedeutet dies, dass der Wert der Sicherheit abnimmt. Je länger der Zeitrahmen für den gleitenden Durchschnitt, desto glatter der einfache gleitende Durchschnitt. Ein kürzerfristiger gleitender Durchschnitt ist volatiler, aber sein Lesen ist näher an den Quelldaten. Analytische Bedeutung Durchgehende Durchschnitte sind ein wichtiges analytisches Instrument, um die aktuellen Preisentwicklungen und das Potenzial für eine Veränderung eines etablierten Trends zu identifizieren. Die einfachste Form der Verwendung eines einfachen gleitenden Durchschnittes in der Analyse ist es, um schnell zu identifizieren, ob eine Sicherheit in einem Aufwärtstrend oder Abwärtstrend ist. Ein weiteres beliebtes, wenn auch etwas komplexeres analytisches Werkzeug ist es, ein Paar einfacher gleitender Durchschnitte zu vergleichen, wobei jeder unterschiedliche Zeitrahmen abdeckt. Wenn ein kurzfristiger einfacher gleitender Durchschnitt über einem längerfristigen Durchschnitt liegt, wird ein Aufwärtstrend erwartet. Auf der anderen Seite signalisiert ein langfristiger Durchschnitt über einem kürzeren Durchschnitt eine Abwärtsbewegung im Trend. Beliebte Trading Patterns Zwei beliebte Trading-Muster, die einfache gleitende Durchschnitte verwenden, gehören das Todeskreuz und ein goldenes Kreuz. Ein Todeskreuz tritt auf, wenn der 50-tägige, einfach gleitende Durchschnitt unter dem 200-Tage-Gleitender Durchschnitt liegt. Dies gilt als bärisches Signal, dass weitere Verluste auf Lager sind. Das goldene Kreuz tritt auf, wenn ein kurzfristiger gleitender Durchschnitt über einen langfristig gleitenden Durchschnitt bricht. Verstärkt durch hohe Handelsvolumina, kann dies signalisieren, dass weitere Gewinne im Laden sind. Prognoseberechnungsbeispiele A.1 Prognoseberechnungsmethoden Es sind zwölf Methoden zur Berechnung von Prognosen verfügbar. Die meisten dieser Methoden sorgen für eine begrenzte Benutzerkontrolle. Zum Beispiel könnte das Gewicht der letzten historischen Daten oder der Datumsbereich der in den Berechnungen verwendeten historischen Daten angegeben werden. Die folgenden Beispiele zeigen das Berechnungsverfahren für jede der verfügbaren Prognosemethoden, wobei ein identischer Satz historischer Daten vorliegt. Die folgenden Beispiele verwenden die gleichen Verkaufs - und Verkaufsdaten von 2004 und 2005, um eine Umsatzprognose von 2006 zu erzielen. Neben der Prognoseberechnung enthält jedes Beispiel eine simulierte Prognose für die Dauer von drei Monaten (Verarbeitungsoption 19 3), die dann für prozentuale Genauigkeit und mittlere Absolutabweichungsberechnungen verwendet wird (tatsächlicher Umsatz im Vergleich zur simulierten Prognose). A.2 Prognoseleistungsbewertungskriterien Abhängig von Ihrer Auswahl an Verarbeitungsoptionen und den in den Verkaufsdaten vorhandenen Trends und Mustern werden einige Prognosemethoden besser als andere für einen bestimmten historischen Datensatz durchgeführt. Eine für ein Produkt geeignete Vorhersagemethode ist möglicherweise nicht für ein anderes Produkt geeignet. Es ist auch unwahrscheinlich, dass eine Prognosemethode, die auf einer Stufe des Produktlebenszyklus gute Ergebnisse liefert, während des gesamten Lebenszyklus angemessen bleibt. Sie können zwischen zwei Methoden wählen, um die aktuelle Leistung der Prognosemethoden zu bewerten. Dies sind mittlere Absolute Abweichung (MAD) und Prozent der Genauigkeit (POA). Beide dieser Leistungsbewertungsmethoden erfordern historische Verkaufsdaten für einen vom Benutzer festgelegten Zeitraum. Diese Zeitspanne wird als Halteperiode oder Perioden am besten passt (PBF). Die Daten in diesem Zeitraum dienen als Grundlage für die Empfehlung, welche der Prognosemethoden bei der nächsten Prognoseprojektion verwendet werden sollen. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. Die beiden prognostizierten Leistungsbewertungsmethoden werden in den Seiten nach den Beispielen der zwölf Prognosemethoden gezeigt. A.3 Methode 1 - angegebener Prozentsatz über letztes Jahr Diese Methode multipliziert die Verkaufsdaten des Vorjahres mit einem vom Anwender angegebenen Faktor, zB 1,10 für 10 Zunahme oder 0,97 für 3 Abnahmen. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus der benutzerdefinierten Anzahl von Zeiträumen zur Auswertung der Prognoseleistung (Verarbeitungsoption 19). A.4.1 Prognoseberechnung Umfang des Verkaufsverlaufs bei der Berechnung des Wachstumsfaktors (Verarbeitungsoption 2a) 3 in diesem Beispiel. Summe der letzten drei Monate des Jahres 2005: 114 119 137 370 Summe der gleichen drei Monate für das Vorjahr: 123 139 133 395 Der berechnete Faktor 370395 0.9367 Berechnen Sie die Prognosen: Januar 2005 Umsatz 128 0.9367 119.8036 oder ca. 120. Februar 2005 Umsatz 117 0.9367 109.5939 oder ca. 110. März 2005 Umsatz 115 0.9367 107.7205 oder ca. 108 A.4.2 Simulierte Prognoseberechnung Summe der drei Monate 2005 vor der Halteperiode (Juli, Aug, September): 129 140 131 400 Summe der gleichen drei Monate für die Vorjahr: 141 128 118 387 Der berechnete Faktor 400387 1.033591731 Berechnen der simulierten Prognose: Oktober 2004 Umsatz 123 1.033591731 127.13178 November 2004 Umsatz 139 1.033591731 143.66925 Dezember 2004 Umsatz 133 1.033591731 137.4677 A.4.3 Prozent der Genauigkeitsberechnung POA (127.13178 143.66925 137.4677) (114 119 137) 100 408,26873 370 100 110.3429 A.4.4 Mittlere Absolutabweichungsberechnung MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 Methode 3 - Letztes Jahr zu diesem Jahr Diese Methode Kopiert die Verkaufsdaten vom Vorjahr auf das nächste Jahr. Erforderliche Verkaufsgeschichte: Ein Jahr für die Berechnung der Prognose plus die Anzahl der für die Auswertung der Prognoseleistung festgelegten Zeiträume (Verarbeitungsoption 19). A.6.1 Prognoseberechnung Anzahl der Perioden, die in den Durchschnitt einbezogen werden sollen (Verarbeitungsoption 4a) 3 in diesem Beispiel Für jeden Monat der Prognose durchschnittlich die letzten drei Monate Daten. Januar-Prognose: 114 119 137 370, 370 3 123.333 oder 123 Februar Prognose: 119 137 123 379, 379 3 126.333 oder 126 März Vorhersage: 137 123 126 379, 386 3 128.667 oder 129 A.6.2 Simulierte Prognoseberechnung Oktober 2005 Umsatz (129 140 131) 3 133.3333 November 2005 Umsatz (140 131 114) 3 128.3333 Dezember 2005 Umsatz (131 114 119) 3 121.3333 A.6.3 Prozent der Genauigkeitsberechnung POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mittleres Absolut Abweichungsberechnung MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Methode 5 - Lineare Approximation Lineare Approximation berechnet einen Trend auf der Grundlage von zwei Erfolgsdaten. Diese beiden Punkte definieren eine gerade Trendlinie, die in die Zukunft projiziert wird. Verwenden Sie diese Methode mit Vorsicht, da Langstreckenprognosen durch kleine Änderungen in nur zwei Datenpunkten genutzt werden. Erforderliche Verkaufsgeschichte: Die Anzahl der Perioden, die in die Regression einbezogen werden (Verarbeitungsoption 5a), plus 1 plus die Anzahl der Zeiträume für die Bewertung der Prognoseleistung (Verarbeitungsoption 19). A.8.1 Prognoseberechnung Anzahl der Perioden, die in die Regression einbezogen werden sollen (Verarbeitungsoption 6a) 3 in diesem Beispiel Für jeden Monat der Prognose fügen Sie die Zunahme oder Abnahme während der angegebenen Zeiträume vor der Halteperiode der vorherigen Periode hinzu. Durchschnitt der letzten drei Monate (114 119 137) 3 123.3333 Zusammenfassung der letzten drei Monate mit Gewicht betrachtet (114 1) (119 2) (137 3) 763 Unterschied zwischen den Werten 763 - 123.3333 (1 2 3) 23 Verhältnis ( 12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 232 11,5 Wert2 Durchschnitt - Wert1 Verhältnis 123.3333 - 11.5 2 100.3333 Prognose (1 n) Wert1 Wert2 4 11.5 100.3333 146.333 oder 146 Prognose 5 11.5 100.3333 157.8333 oder 158 Prognose 6 11.5 100.3333 169.3333 Oder 169 A.8.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz: Durchschnitt der letzten drei Monate (129 140 131) 3 133.3333 Zusammenfassung der letzten drei Monate mit Gewicht (129 1) (140 2) (131 3) 802 Unterschied zwischen den Werte 802 - 133.3333 (1 2 3) 2 Verhältnis (12 22 32) - 2 3 14 - 12 2 Wert1 DifferenzRatio 22 1 Wert2 Durchschnitt - Wert1 Verhältnis 133.3333 - 1 2 131.3333 Prognose (1 n) Wert1 Wert2 4 1 131.3333 135.3333 November 2004 Umsatz Durchschnitt der letzten drei Monate (140 131 114) 3 128.3333 Zusammenfassung der letzten drei Monate mit Gewichtsbetrachtung (140 1) (131 2) (114 3) 744 Unterschied zwischen den Werten 744 - 128.3333 (1 2 3) -25.9999 Wert1 UnterschiedRatio -25.99992 -12.9999 Wert2 Durchschnitt - Wert1 Verhältnis 128.3333 - (-12.9999) 2 154.3333 Prognose 4 -12.9999 154.3333 102.3333 Dezember 2004 Umsatz Durchschnitt der letzten drei Monate (131 114 119) 3 121.3333 Zusammenfassung der letzten drei Monate mit Gewicht berücksichtigt (131 1) (114 2) (119 3) 716 Differenz zwischen den Werten 716 - 121.3333 (1 2 3) -11.9999 Wert1 DifferenzRatio -11.99992 -5.9999 Wert2 Durchschnitt - Wert1 Verhältnis 121.3333 - (-5.9999) 2 133.3333 Prognose 4 (- 5,9999) 133,3333 109,333 A,8,3 Prozent der Genauigkeitsberechnung POA (135,33 102,33 109,33) (114 119 137) 100 93,78 A,8,4 Mittlere Absolutabweichungsberechnung MAD (135,33 - 114 102,33 - 119 109,33 - 137) 3 21,88 A,9 Methode 7 - Zweite Grad Approximation Lineare Regression bestimmt Werte für a und b in der Prognoseformel Y a bX mit dem Ziel, eine Gerade an die Verkaufsgeschichte Daten anzupassen. Zweite Grad Approximation ist ähnlich. Dieses Verfahren bestimmt jedoch Werte für a, b und c in der Prognoseformel Y a bX cX2 mit dem Ziel, eine Kurve an die Verkaufsverlaufsdaten anzupassen. Diese Methode kann nützlich sein, wenn ein Produkt im Übergang zwischen den Phasen eines Lebenszyklus ist. Zum Beispiel, wenn ein neues Produkt von der Einführung in Wachstumsstadien bewegt, kann sich die Umsatzentwicklung beschleunigen. Wegen des Termes zweiter Ordnung kann sich die Prognose schnell an die Unendlichkeit wenden oder auf Null fallen (je nachdem, ob der Koeffizient c positiv oder negativ ist). Daher ist diese Methode nur kurzfristig sinnvoll. Prognosevorgaben: Die Formeln finden a, b und c, um eine Kurve auf genau drei Punkte zu passen. Sie spezifizieren n in der Verarbeitungsoption 7a, die Anzahl der Zeitperioden der Daten, die sich in jedem der drei Punkte ansammeln. In diesem Beispiel n 3. Daher werden die tatsächlichen Verkaufsdaten für April bis Juni in den ersten Punkt, Q1 zusammengefasst. Juli bis September werden zusammen addiert, um Q2 zu schaffen, und Oktober bis Dezember Summe zu Q3. Die Kurve wird an die drei Werte Q1, Q2 und Q3 angepasst. Erforderliche Verkaufsgeschichte: 3 n Perioden für die Berechnung der Prognose plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (PBF) erforderlich sind. Anzahl der zu berücksichtigenden Perioden (Verarbeitungsoption 7a) 3 in diesem Beispiel Verwenden Sie die vorherigen (3 n) Monate in dreimonatigen Blöcken: Q1 (Apr - Jun) 125 122 137 384 Q2 (Jul - Sep) 129 140 131 400 Q3 ( Der nächste Schritt beinhaltet die Berechnung der drei Koeffizienten a, b und c, die in der Prognoseformel Y a bX cX2 (1) Q1 a bX cX2 (wobei X 1) abc (2) Q2 verwendet werden soll A bX cX2 (wobei X 2) a 2b 4c (3) Q3 a bX cX2 (wobei X 3) a 3b 9c die drei Gleichungen gleichzeitig lösen, um b, a und c zu finden: Subtrahieren Sie Gleichung (1) aus Gleichung (2) Und lösen für b (2) - (1) Q2 - Q1 b 3c Ersetzen Sie diese Gleichung für b in Gleichung (3) (3) Q3 a 3 (Q2 - Q1) - 3c c Schließlich ersetzen Sie diese Gleichungen für a und b in Gleichung (1) Q3 - 3 (Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 Die zweite Grad Approximation Methode berechnet a, b und c wie folgt: a Q3 (Q & sub3; - Q & sub1;) (Q & sub3; - Q & sub1;) (Q & sub3; - Q & sub1;) (3) (3) 400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23) X2 Januar bis März Vorhersage (X4): (322 340 - 368) 3 2943 98 pro Periode April bis Juni Vorhersage (X5): ( 322 425 - 575) 3 57.333 oder 57 pro Periode Juli bis September Vorhersage (X6): (322 510 - 828) 3 1,33 oder 1 pro Periode Oktober bis Dezember (X7) (322 595 - 11273 -70 A.9.2 Simulierte Prognoseberechnung Oktober, November und Dezember 2004 Umsatz: Q1 (Jan - Mar) 360 Q2 (Apr - Jun) 384 Q3 (Jul - Sep) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) ) 2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Prozent der Genauigkeitsberechnung POA (136 136 136) (114 119 137) 100 110,27 A.9.4 Mittelwert Absolute Abweichungsberechnung MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Methode 8 - Flexible Methode Die Flexible Methode (Prozent über n Monate vorher) ähnelt Methode 1, Prozent über letztes Jahr. Beide Methoden vervielfachen Verkaufsdaten aus einem früheren Zeitraum durch einen vom Benutzer angegebenen Faktor, dann projektieren sie in die Zukunft. In der Percent Over Last Year Methode basiert die Projektion auf Daten aus dem gleichen Zeitraum im Vorjahr. Die Flexible Methode fügt die Möglichkeit hinzu, einen anderen Zeitraum als denselben Zeitraum im letzten Jahr anzugeben, um als Grundlage für die Berechnungen zu verwenden. Multiplikationsfaktor Geben Sie zum Beispiel 1.15 in der Verarbeitungsoption 8b an, um die bisherigen Verkaufsverlaufsdaten um 15 zu erhöhen. Basisperiode. Beispielsweise wird n 3 die erste Prognose auf die Verkaufsdaten im Oktober 2005 stützen. Mindestverkaufsgeschichte: Der Benutzer spezifizierte die Anzahl der Perioden zurück zum Basiszeitraum sowie die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung erforderlich sind ( PBF). A.10.4 Mittlere Absolutabweichungsberechnung MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Methode 9 - Gewichteter bewegter Durchschnitt Die Methode der gewichteten beweglichen Mittelwerte (WMA) ähnelt Methode 4, Moving Average (MA). Allerdings können Sie mit dem Weighted Moving Average den historischen Daten ungleiche Gewichte zuordnen. Die Methode berechnet einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Neuere Daten werden in der Regel ein größeres Gewicht als ältere Daten zugewiesen, so dass WMA besser auf Verschiebungen in der Ebene des Umsatzes reagiert. Allerdings treten prognostizierte Vorurteile und systematische Fehler immer noch auf, wenn die Produktverkaufsgeschichte starke Trend - oder Saisonmuster aufweist. Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. Geben Sie z. B. n 3 in der Verarbeitungsoption 9a an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Ein großer Wert für n (z. B. 12) erfordert mehr Verkaufsgeschichte. Es führt zu einer stabilen Prognose, wird aber langsam zu einer Verschiebung des Umsatzniveaus kommen. Auf der anderen Seite wird ein kleiner Wert für n (wie z. B. 3) schneller auf Verschiebungen in der Ebene des Umsatzes reagieren, aber die Prognose kann so weit schwanken, dass die Produktion nicht auf die Variationen reagieren kann. Das Gewicht, das jedem der historischen Datenperioden zugeordnet ist. Die zugeteilten Gewichte müssen auf 1,00 betragen. Zum Beispiel, wenn n 3, Gewichte von 0,6, 0,3 und 0,1 zuordnen, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. MAD (133,5 - 114 121,7 - 119 118,7 - 137) 3 13,5 A.12 Methode 10 - Lineare Glättung Diese Methode ähnelt Methode 9, Weighted Moving Average (WMA). Jedoch wird anstelle der willkürlichen Zuordnung von Gewichten zu den historischen Daten eine Formel verwendet, um Gewichte zuzuordnen, die linear abfallen und auf 1,00 summieren. Die Methode berechnet dann einen gewichteten Durchschnitt der letzten Verkaufsgeschichte, um kurzfristig eine Projektion zu erreichen. Wie bei allen linearen gleitenden durchschnittlichen Prognosetechniken zutreffend, treten prognostizierte Vorurteile und systematische Fehler auf, wenn die Produktverkaufsgeschichte starke Trend - oder Saisonmuster aufweist. Diese Methode funktioniert besser für kurzfristige Prognosen von reifen Produkten anstatt für Produkte in den Wachstums - oder Obsoleszenzstadien des Lebenszyklus. N die Anzahl der Perioden der Verkaufsgeschichte, die in der Prognoseberechnung verwendet werden soll. Dies ist in der Verarbeitungsoption 10a angegeben. Geben Sie z. B. n 3 in der Verarbeitungsoption 10b an, um die letzten drei Perioden als Grundlage für die Projektion in den nächsten Zeitraum zu verwenden. Das System ordnet die Gewichte automatisch den historischen Daten zu, die linear abfallen und auf 1,00 summieren. Zum Beispiel, wenn n 3, wird das System Gewichte von 0,5, 0,3333 und 0,1 zuweisen, wobei die letzten Daten das größte Gewicht erhalten. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. A.12.1 Prognoseberechnung Anzahl der Perioden, die in den Glättungsdurchschnitt einbezogen werden (Verarbeitungsoption 10a) 3 in diesem Beispiel Verhältnis für einen Zeitraum vor 3 (n2 n) 2 3 (32 3) 2 36 0,5 Verhältnis für zwei Perioden vorher 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. Verhältnis für drei Perioden vor 1 (n2 n) 2 1 (32 3) 2 16 0.1666 .. Januar-Prognose: 137 0,5 119 13 114 16 127,16 oder 127 Februar Vorhersage: 127 0,5 137 13 119 16 129 März-Prognose: 129 0,5 127 13 137 16 129,666 oder 130 A.12.2 Simulierte Prognoseberechnung Oktober 2004 Umsatz 129 16 140 26 131 36 133.6666 November 2004 Umsatz 140 16 131 26 114 36 124 Dezember 2004 Umsatz 131 16 114 26 119 36 119.3333 A.12.3 Prozent der Genauigkeitsberechnung POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Mittlere Absolutabweichungsberechnung MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Methode 11 - Exponentielle Glättung Diese Methode ähnelt Methode 10, Lineare Glättung. Bei der linearen Glättung weist das System den historischen Daten, die linear abweichen, Gewichte zu. Bei der exponentiellen Glättung weist das System Gewichte auf, die exponentiell abklingen. Die exponentielle Glättungsvorhersagegleichung lautet: Prognose a (vorherige Istverkäufe) (1 - a) vorherige Prognose Die Prognose ist ein gewichteter Durchschnitt des tatsächlichen Umsatzes aus der Vorperiode und der Prognose aus der Vorperiode. A ist das Gewicht auf den tatsächlichen Umsatz für die vorherige Periode angewendet. (1 - a) ist das Gewicht für die Vorhersage für die vorherige Periode angewendet. Gültige Werte für einen Bereich von 0 bis 1 und liegen in der Regel zwischen 0,1 und 0,4. Die Summe der Gewichte beträgt 1,00. A (1 - a) 1 Sie sollten einen Wert für die Glättungskonstante, a. Wenn Sie keine Werte für die Glättungskonstante zuordnen, berechnet das System einen angenommenen Wert, der auf der Anzahl der in der Verarbeitungsoption 11a angegebenen Perioden der Verkaufshistorie basiert. A die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Gültige Werte für einen Bereich von 0 bis 1. n der Bereich der Verkaufsgeschichte Daten in die Berechnungen enthalten. Im Allgemeinen reicht ein Jahr der Verkaufsgeschichte Daten aus, um das allgemeine Umsatzniveau abzuschätzen. Für dieses Beispiel wurde ein kleiner Wert für n (n 3) gewählt, um die manuellen Berechnungen zu reduzieren, die zur Überprüfung der Ergebnisse erforderlich sind. Eine exponentielle Glättung kann eine Prognose erzeugen, die auf so wenig wie einem historischen Datenpunkt basiert. Mindestens erforderliche Verkaufsgeschichte: n plus die Anzahl der Zeiträume, die für die Auswertung der Prognoseleistung (PBF) erforderlich sind. A.13.1 Prognoseberechnung Die Anzahl der Perioden, die in den Glättungsdurchschnitt einbezogen werden sollen (Verarbeitungsoption 11a) 3 und Alpha-Faktor (Verarbeitungsoption 11b) leer in diesem Beispiel ein Faktor für die ältesten Verkaufsdaten 2 (11) oder 1, wenn alpha angegeben ist Ein Faktor für die 2. ältesten Verkaufsdaten 2 (12) oder alpha, wenn alpha angegeben ist ein Faktor für die 3. ältesten Verkaufsdaten 2 (13) oder alpha, wenn alpha angegeben ist ein Faktor für die letzten Verkaufsdaten 2 (1n) , Oder alpha, wenn alpha angegeben ist November Sm. Durchschn. A (Oktober aktuell) (1 - a) Oktober Sm. Durchschn. 1 114 0 0 114 Dezember Sm. Durchschn. A (November Tatsächlich) (1 - a) November Sm. Durchschn. 23 119 13 114 117.3333 Januar Vorhersage a (Dezember aktuell) (1 - a) Dezember Sm. Durchschn. 24 137 24 117.3333 127.16665 oder 127 Februar Vorhersage Januar Vorhersage 127 März Vorhersage Januar Vorhersage 127 A.13.2 Simulierte Prognoseberechnung Juli 2004 Sm. Durchschn. 22 129 129 August Sm. Durchschn. 23 140 13 129 136.3333 September Sm. Durchschn. 24 131 24 136.3333 133.6666 Oktober 2004 Verkauf Sep Sm. Durchschn. 133.6666 August 2004 Sm. Durchschn. 22 140 140 September Sm. Durchschn. 23 131 13 140 134 Oktober Sm. Durchschn. 24 114 24 134 124 November 2004 Verkauf Sep Sm. Durchschn. 124 September 2004 Sm. Durchschn. 22 131 131 Oktober Sm. Durchschn. 23 114 13 131 119.6666 November Sm. Durchschn. 24 119 24 119.6666 119.3333 Dezember 2004 Verkauf Sep Sm. Durchschn. 119.3333 A.13.3 Prozent der Genauigkeitsberechnung POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Mittlere Absolutabweichungsberechnung MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Methode 12 - Exponentielle Glättung Mit Trend und Saisonalität Diese Methode ähnelt Methode 11, Exponentielle Glättung darin, dass ein geglätteter Durchschnitt berechnet wird. Allerdings enthält das Verfahren 12 auch einen Begriff in der Prognosegleichung, um einen geglätteten Trend zu berechnen. Die Prognose setzt sich aus einer geglätteten gemittelten gemittelten für einen linearen Trend zusammen. Wenn in der Verarbeitungsoption angegeben, wird die Prognose auch für Saisonalität angepasst. A die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für das allgemeine Niveau oder die Größe des Umsatzes verwendet wird. Gültige Werte für Alpha-Bereich von 0 bis 1. b Die Glättungskonstante, die bei der Berechnung des geglätteten Durchschnitts für die Trendkomponente der Prognose verwendet wird. Gültige Werte für Beta-Bereich von 0 bis 1. Ob ein saisonaler Index auf die Prognose a und b angewendet wird, sind unabhängig voneinander. Sie müssen nicht zu 1.0 hinzufügen. Mindestens erforderliche Verkaufsgeschichte: zwei Jahre plus die Anzahl der Zeiträume, die für die Bewertung der Prognoseleistung (PBF) erforderlich sind. Methode 12 verwendet zwei exponentielle Glättungsgleichungen und einen einfachen Durchschnitt, um einen geglätteten Durchschnitt, einen geglätteten Trend und einen einfachen durchschnittlichen saisonalen Faktor zu berechnen. A.14.1 Prognoseberechnung A) Ein exponentiell geglätteter Durchschnitt MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Auswertung der Prognosen Sie können Prognosemethoden auswählen, um bis zu zwölf Prognosen für jedes Produkt zu generieren. Jede Prognosemethode wird wahrscheinlich eine etwas andere Projektion schaffen. Wenn Tausende von Produkten prognostiziert werden, ist es unpraktisch, eine subjektive Entscheidung zu treffen, welche der Prognosen in Ihren Plänen für jedes der Produkte verwendet werden soll. Das System wertet automatisch die Leistung für jede der von Ihnen ausgewählten Prognosemethoden aus und für jede der prognostizierten Produkte. Sie können zwischen zwei Leistungskriterien, Mean Absolute Deviation (MAD) und Prozent der Genauigkeit (POA) wählen. MAD ist ein Maß für Prognosefehler. POA ist ein Maß für die Prognose-Bias. Beide dieser Leistungsbewertungsverfahren erfordern tatsächliche Verkaufsgeschichte Daten für einen Benutzer bestimmten Zeitraum. Diese Periode der jüngsten Geschichte wird als Halteperiode oder Perioden am besten fit (PBF) bezeichnet. Um die Leistung einer Prognosemethode zu messen, verwenden Sie die Prognoseformeln, um eine Prognose für die historische Holdout-Periode zu simulieren. Es werden in der Regel Unterschiede zwischen den tatsächlichen Verkaufsdaten und der simulierten Prognose für den Haltezeitraum bestehen. Wenn mehrere Prognosemethoden ausgewählt werden, tritt dieser Vorgang für jede Methode auf. Mehrere Prognosen werden für den Haltezeitraum berechnet und verglichen mit der bekannten Verkaufsgeschichte für denselben Zeitraum. Die Vorhersagemethode, die die beste Übereinstimmung (beste Passform) zwischen der Prognose und dem tatsächlichen Verkauf während des Haltezeitraums herstellt, wird für die Verwendung in Ihren Plänen empfohlen. Diese Empfehlung ist für jedes Produkt spezifisch und kann von einer Prognoseerzeugung zur nächsten wechseln. A.16 Mittlere Absolute Abweichung (MAD) MAD ist der Mittelwert (oder Durchschnitt) der Absolutwerte (oder Größe) der Abweichungen (oder Fehler) zwischen Ist - und Prognosedaten. MAD ist ein Maß für die durchschnittliche Größe der zu erwartenden Fehler, bei einer Prognosemethode und Datenhistorie. Da bei der Berechnung absolute Werte verwendet werden, werden bei positiven Fehlern keine negativen Fehler ausgelöst. Beim Vergleich mehrerer Prognosemethoden hat sich derjenige mit dem kleinsten MAD als zuverlässig für dieses Produkt für diesen Holdout-Zeitraum erwiesen. Wenn die Prognose unvoreingenommen ist und Fehler normal verteilt sind, gibt es eine einfache mathematische Beziehung zwischen MAD und zwei anderen gemeinsamen Maßnahmen der Verteilung, Standardabweichung und Mean Squared Error: A.16.1 Prozent der Genauigkeit (POA) Prozent der Genauigkeit (POA) ist Ein Maß für die Prognose-Bias. Wenn die Prognosen konsequent zu hoch sind, sammeln sich die Bestände an und die Inventurkosten steigen. Wenn die Prognosen konsequent zwei niedrig sind, werden die Vorräte verbraucht und der Kundendienst sinkt. Eine Prognose, die 10 Einheiten zu niedrig ist, dann 8 Einheiten zu hoch, dann 2 Einheiten zu hoch, wäre eine unvoreingenommene Prognose. Der positive Fehler von 10 wird durch Negativfehler von 8 und 2 abgebrochen. Fehler Tatsächlich - Prognose Wenn ein Produkt im Inventar gespeichert werden kann und wenn die Prognose unvoreingenommen ist, kann eine kleine Menge an Sicherheitsbestand verwendet werden, um die Fehler zu puffern. In dieser Situation ist es nicht so wichtig, Prognosefehler zu beseitigen, da es darum geht, unvoreingenommene Prognosen zu erzeugen. Doch in der Dienstleistungsbranche wäre die obige Situation als drei Fehler zu betrachten. Der Dienst würde in der ersten Periode unterbesetzt sein, dann überbesetzt für die nächsten zwei Perioden. In den Diensten ist die Größenordnung der Prognosefehler in der Regel wichtiger als die Vorhersage. Die Summation über die Holdout-Periode ermöglicht positive Fehler, um negative Fehler zu annullieren. Wenn die Summe der tatsächlichen Verkäufe die Summe der Prognoseverkäufe übersteigt, ist das Verhältnis größer als 100. Natürlich ist es unmöglich, mehr als 100 genau zu sein. Wenn eine Prognose unvoreingenommen ist, wird das POA-Verhältnis 100 sein. Daher ist es wünschenswerter, 95 genau zu sein, als 110 genau zu sein. Die POA-Kriterien wählen die Prognosemethode, die ein POA-Verhältnis hat, das am nächsten zu 100 liegt. Scripting auf dieser Seite verbessert die Inhaltsnavigation, ändert aber den Inhalt nicht in irgendeiner Weise. Moving durchschnittliche und exponentielle Glättungsmodelle Als erster Schritt, um über mittlere Modelle hinauszugehen, Zufällige Wandermodelle und lineare Trendmodelle, Nicht-Sektionsmuster und Trends können mit einem gleitenden Durchschnitt oder Glättungsmodell extrapoliert werden. Die Grundannahme hinter Mittelwertbildung und Glättung von Modellen ist, dass die Zeitreihe lokal stationär mit einem langsam variierenden Mittel ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann das als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-without-drift-Modell betrachtet werden. Die gleiche Strategie kann verwendet werden, um einen lokalen Trend abzuschätzen und zu extrapolieren. Ein gleitender Durchschnitt wird oft als quotsmoothedquot Version der ursprünglichen Serie, weil kurzfristige Mittelung hat die Wirkung der Glättung der Beulen in der ursprünglichen Serie. Durch die Anpassung des Grades der Glättung (die Breite des gleitenden Durchschnitts), können wir hoffen, eine Art von optimalem Gleichgewicht zwischen der Leistung der mittleren und zufälligen Wandermodelle zu schlagen. Die einfachste Art von Mittelungsmodell ist die. Einfache (gleichgewichtete) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Durchschnitt der letzten m Beobachtungen: (Hier und anderswo verwende ich das Symbol 8220Y-hat8221 zu stehen Für eine Prognose der Zeitreihe Y, die zum frühestmöglichen früheren Datum durch ein gegebenes Modell gemacht wurde.) Dieser Durchschnitt ist in der Periode t (m1) 2 zentriert, was impliziert, dass die Schätzung des lokalen Mittels dazu neigen wird, hinter dem wahren zu liegen Wert des lokalen Mittels um etwa (m1) 2 Perioden. So sagen wir, dass das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt (m1) 2 relativ zu dem Zeitraum ist, für den die Prognose berechnet wird: Dies ist die Zeitspanne, mit der die Prognosen dazu neigen, hinter den Wendepunkten in den Daten zu liegen . Zum Beispiel, wenn Sie durchschnittlich die letzten 5 Werte sind, werden die Prognosen etwa 3 Perioden spät in Reaktion auf Wendepunkte. Beachten Sie, dass, wenn m1, das einfache gleitende Durchschnitt (SMA) - Modell entspricht dem zufälligen Walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar mit der Länge der Schätzperiode), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um die besten Quoten für die Daten zu erhalten, d. h. die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel für eine Reihe, die zufällige Schwankungen um ein langsam variierendes Mittel zeigt. Zuerst können wir versuchen, es mit einem zufälligen Spaziergang Modell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff: Das zufällige Spaziergang Modell reagiert sehr schnell auf Änderungen in der Serie, aber in diesem Fall nimmt es viel von der Quotierung in der Daten (die zufälligen Schwankungen) sowie das quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen ausprobieren, erhalten wir einen glatteren Prognosen: Der 5-fach einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Spaziergangmodell. Das Durchschnittsalter der Daten in dieser Prognose beträgt 3 ((51) 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zurückzukehren. (Zum Beispiel scheint ein Abschwung in der Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich nicht um einige Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie im zufälligen Spaziergang Modell. So geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während die Prognosen aus dem zufälligen Wandermodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Durchschnitt der letzten Werte. Die von Statgraphics für die Langzeitprognosen des einfachen gleitenden Durchschnittes berechneten Vertrauensgrenzen werden nicht weiter erhöht, wenn der Prognosehorizont zunimmt. Das ist offensichtlich nicht richtig Leider gibt es keine zugrundeliegende statistische Theorie, die uns sagt, wie sich die Konfidenzintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Vertrauensgrenzen für die längerfristigen Prognosen zu berechnen. Zum Beispiel könnten Sie eine Kalkulationstabelle einrichten, in der das SMA-Modell zur Vorhersage von 2 Schritten voraus, 3 Schritten voraus, etc. im historischen Datenmuster verwendet werden würde. Sie können dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addition und Subtraktion von Vielfachen der entsprechenden Standardabweichung aufbauen. Wenn wir einen 9-fach einfachen gleitenden Durchschnitt versuchen, bekommen wir noch glattere Prognosen und mehr von einem nacheilenden Effekt: Das Durchschnittsalter beträgt nun 5 Perioden ((91) 2). Wenn wir einen 19-fachen gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10: Beachten Sie, dass die Prognosen in der Tat hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welche Menge an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistik vergleicht, auch einen 3-Term-Durchschnitt: Modell C, der 5-fache gleitende Durchschnitt, ergibt den niedrigsten Wert von RMSE um einen kleinen Marge über die 3 - term und 9-term Mittelwerte, und ihre anderen Statistiken sind fast identisch. So können wir bei Modellen mit sehr ähnlichen Fehlerstatistiken wählen, ob wir ein wenig mehr Reaktionsfähigkeit oder ein wenig mehr Glätte in den Prognosen bevorzugen würden. (Zurück zum Anfang der Seite) Browns Einfache Exponential-Glättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, dass es die letzten k-Beobachtungen gleichermaßen behandelt und alle vorherigen Beobachtungen völlig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise abgezinst werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die 2. jüngste, und die 2. jüngsten sollte ein wenig mehr Gewicht als die 3. jüngsten bekommen, und bald. Das einfache exponentielle Glättungsmodell (SES) erreicht dies. Sei 945 eine quotsmoothing constantquot (eine Zahl zwischen 0 und 1). Eine Möglichkeit, das Modell zu schreiben, besteht darin, eine Reihe L zu definieren, die den gegenwärtigen Pegel (d. h. den lokalen Mittelwert) der Reihe repräsentiert, wie er von den Daten bis zur Gegenwart geschätzt wird. Der Wert von L zum Zeitpunkt t wird rekursiv aus seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorherigen geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf den letzten Wert steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuell geglättete Wert: Gleichermaßen können wir die nächste Prognose direkt in Bezug auf vorherige Prognosen und frühere Beobachtungen in einer der folgenden gleichwertigen Versionen ausdrücken. In der ersten Version ist die Prognose eine Interpolation zwischen vorheriger Prognose und vorheriger Beobachtung: In der zweiten Version wird die nächste Prognose erhalten, indem man die vorherige Prognose in Richtung des vorherigen Fehlers um einen Bruchteil 945 anpasst Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Rabattfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu bedienen, wenn man das Modell auf einer Tabellenkalkulation implementiert: Es passt in eine Einzelzelle und enthält Zellreferenzen, die auf die vorherige Prognose, die vorherige Beobachtung und die Zelle hinweisen, in der der Wert von 945 gespeichert ist. Beachten Sie, dass bei 945 1 das SES-Modell einem zufälligen Walk-Modell entspricht (ohne Wachstum). Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, vorausgesetzt, dass der erste geglättete Wert gleich dem Mittelwert ist. (Zurück zum Anfang der Seite) Das Durchschnittsalter der Daten in der einfach-exponentiellen Glättungsprognose beträgt 1 945 gegenüber dem Zeitraum, für den die Prognose berechnet wird. (Das soll nicht offensichtlich sein, aber es kann leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher dazu, hinter den Wendepunkten um etwa 1 945 Perioden zurückzukehren. Zum Beispiel, wenn 945 0,5 die Verzögerung 2 Perioden beträgt, wenn 945 0,2 die Verzögerung 5 Perioden beträgt, wenn 945 0,1 die Verzögerung 10 Perioden und so weiter ist. Für ein gegebenes Durchschnittsalter (d. H. Verzögerung) ist die Prognose der einfachen exponentiellen Glättung (SES) der einfachen gleitenden Durchschnitts - (SMA) - Prognose etwas überlegen, da sie die jüngste Beobachtung - Es ist etwas mehr auffallend auf Veränderungen, die in der jüngsten Vergangenheit auftreten. Zum Beispiel hat ein SMA-Modell mit 9 Begriffen und einem SES-Modell mit 945 0,2 beide ein Durchschnittsalter von 5 für die Daten in ihren Prognosen, aber das SES-Modell setzt mehr Gewicht auf die letzten 3 Werte als das SMA-Modell und am Gleichzeitig ist es genau 8220forget8221 über Werte mehr als 9 Perioden alt, wie in dieser Tabelle gezeigt: Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der stufenlos variabel ist, so dass er leicht optimiert werden kann Indem ein Quotsolverquot-Algorithmus verwendet wird, um den mittleren quadratischen Fehler zu minimieren. Der optimale Wert von 945 im SES-Modell für diese Baureihe ergibt sich auf 0,2961, wie hier gezeigt: Das Durchschnittsalter der Daten in dieser Prognose beträgt 10.2961 3.4 Perioden, was ähnlich ist wie bei einem 6-fach einfach gleitenden Durchschnitt. Die langfristigen Prognosen des SES-Modells sind eine horizontale Gerade. Wie im SMA-Modell und dem zufälligen Walk-Modell ohne Wachstum. Allerdings ist zu beachten, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftig aussehenden Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das zufällige Spaziergangmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbar ist als das zufällige Spaziergangmodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So bietet die statistische Theorie der ARIMA-Modelle eine fundierte Grundlage für die Berechnung von Konfidenzintervallen für das SES-Modell. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht-seasonalen Differenz, einem MA (1) Term und keinem konstanten Term. Ansonsten bekannt als ein quotARIMA (0,1,1) Modell ohne constantquot. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Menge 1-945 im SES-Modell. Zum Beispiel, wenn man ein ARIMA (0,1,1) Modell ohne Konstante an die hier analysierte Serie passt, ergibt sich der geschätzte MA (1) Koeffizient 0,7029, was fast genau ein minus 0.2961 ist. Es ist möglich, die Annahme eines nicht-null konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Um dies zu tun, geben Sie einfach ein ARIMA-Modell mit einer nicht-seasonalen Differenz und einem MA (1) Begriff mit einer Konstante, d. h. ein ARIMA (0,1,1) Modell mit konstant. Die langfristigen Prognosen werden dann einen Trend haben, der dem durchschnittlichen Trend entspricht, der über den gesamten Schätzungszeitraum beobachtet wird. Sie können dies nicht in Verbindung mit saisonaler Anpassung tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA eingestellt ist. Allerdings können Sie einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Vorhersageverfahren verwenden. Die jeweilige Quotenquote (prozentuale Wachstumsrate) pro Periode kann als Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmus-Transformation angepasst ist, oder sie kann auf anderen, unabhängigen Informationen über langfristige Wachstumsaussichten basieren . (Zurück zum Seitenanfang) Browns Linear (dh Double) Exponentielle Glättung Die SMA Modelle und SES Modelle gehen davon aus, dass es in den Daten keinen Trend gibt (was in der Regel ok oder zumindest nicht so schlecht ist für 1- Schritt-voraus Prognosen, wenn die Daten relativ laut sind), und sie können modifiziert werden, um einen konstanten linearen Trend wie oben gezeigt zu integrieren. Was ist mit kurzfristigen Trends Wenn eine Serie eine unterschiedliche Wachstumsrate oder ein zyklisches Muster zeigt, das sich deutlich gegen den Lärm auszeichnet, und wenn es notwendig ist, mehr als einen Zeitraum voraus zu prognostizieren, dann könnte auch eine Einschätzung eines lokalen Trends erfolgen Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl von Ebene als auch von Trend berechnet. Das einfachste zeitveränderliche Trendmodell ist das lineare, exponentielle Glättungsmodell von Browns, das zwei verschiedene geglättete Serien verwendet, die zu unterschiedlichen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine ausgefeiltere Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des linearen exponentiellen Glättungsmodells von Brown8217s, wie das des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von verschiedenen, aber äquivalenten Formen ausgedrückt werden. Die quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung auf die Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern Sie sich, dass unter einfachem Exponentielle Glättung, das wäre die Prognose für Y in der Periode t1.) Dann sei Squot die doppelt geglättete Reihe, die durch Anwendung einer einfachen exponentiellen Glättung (mit demselben 945) auf die Reihe S erhalten wird: Schließlich ist die Prognose für Y tk. Für irgendwelche kgt1 ist gegeben durch: Dies ergibt e 1 0 (d. h. Cheat ein Bit, und lassen Sie die erste Prognose gleich der tatsächlichen ersten Beobachtung) und e 2 Y 2 8211 Y 1. Nach denen Prognosen mit der obigen Gleichung erzeugt werden. Dies ergibt die gleichen angepassten Werte wie die Formel auf Basis von S und S, wenn diese mit S 1 S 1 Y 1 gestartet wurden. Diese Version des Modells wird auf der nächsten Seite verwendet, die eine Kombination aus exponentieller Glättung mit saisonaler Anpassung darstellt. Holt8217s Lineare Exponential-Glättung Brown8217s LES-Modell berechnet lokale Schätzungen von Level und Trend durch Glättung der aktuellen Daten, aber die Tatsache, dass es dies mit einem einzigen Glättungsparameter macht, legt eine Einschränkung auf die Datenmuster, die es passen kann: das Niveau und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem, indem es zwei Glättungskonstanten einschließt, eine für die Ebene und eine für den Trend. Zu jeder Zeit t, wie in Brown8217s Modell, gibt es eine Schätzung L t der lokalen Ebene und eine Schätzung T t der lokalen Trend. Hier werden sie rekursiv aus dem Wert von Y, der zum Zeitpunkt t beobachtet wurde, und den vorherigen Schätzungen des Niveaus und des Tendenzes durch zwei Gleichungen berechnet, die eine exponentielle Glättung für sie separat anwenden. Wenn der geschätzte Pegel und der Trend zum Zeitpunkt t-1 L t82091 und T t-1 sind. Dann ist die Prognose für Y tshy, die zum Zeitpunkt t-1 gemacht worden wäre, gleich L t-1 T t-1. Wenn der Istwert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv durch Interpolation zwischen Y tshy und dessen Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1 945 berechnet. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine laute Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv durch Interpolation zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 berechnet. Mit Gewichten von 946 und 1-946: Die Interpretation der Trend-Glättungs-Konstante 946 ist analog zu der Niveau-Glättungs-Konstante 945. Modelle mit kleinen Werten von 946 gehen davon aus, dass sich der Trend nur sehr langsam über die Zeit ändert, während Modelle mit Größer 946 nehmen an, dass es sich schneller ändert. Ein Modell mit einer großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, denn Fehler in der Trendschätzung werden bei der Prognose von mehr als einer Periode sehr wichtig. (Zurück zum Seitenanfang) Die Glättungskonstanten 945 und 946 können in der üblichen Weise durch Minimierung des mittleren quadratischen Fehlers der 1-Schritt-voraus-Prognosen geschätzt werden. Wenn dies in Statgraphics geschieht, ergeben sich die Schätzungen auf 945 0.3048 und 946 0,008. Der sehr kleine Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung des Trends von einer Periode zur nächsten einnimmt, so dass dieses Modell grundsätzlich versucht, einen langfristigen Trend abzuschätzen. In Analogie zum Begriff des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Serie verwendet wird, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet wird, proportional zu 1 946, wenn auch nicht genau gleich . In diesem Fall stellt sich heraus, dass es sich um 10.006 125 handelt. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 wirklich 3 Dezimalstellen ist, aber sie ist von der gleichen allgemeinen Größenordnung wie die Stichprobengröße von 100 Dieses Modell ist durchschnittlich über eine ganze Menge Geschichte bei der Schätzung der Trend. Die prognostizierte Handlung unten zeigt, dass das LES-Modell einen geringfügig größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Auch der Schätzwert von 945 ist fast identisch mit dem, der durch die Anpassung des SES-Modells mit oder ohne Trend erhalten wird. Das ist also fast das gleiche Modell. Nun, sehen diese aus wie vernünftige Prognosen für ein Modell, das soll ein lokaler Trend schätzen Wenn Sie diese Handlung, es sieht so aus, als ob der lokale Trend hat sich nach unten am Ende der Serie Was ist passiert Die Parameter dieses Modells Wurden durch die Minimierung der quadratischen Fehler von 1-Schritt-voraus Prognosen, nicht längerfristige Prognosen geschätzt, in welchem ​​Fall der Trend doesn8217t machen einen großen Unterschied. Wenn alles, was Sie suchen, sind 1-Schritt-vor-Fehler, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell mehr im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trend-Glättung konstant manuell anpassen, so dass es eine kürzere Grundlinie für Trendschätzung verwendet. Zum Beispiel, wenn wir uns dafür entscheiden, 946 0,1 zu setzen, dann ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, 10 Perioden, was bedeutet, dass wir den Trend über die letzten 20 Perioden oder so vermitteln. Hier8217s, was die Prognose Handlung aussieht, wenn wir 946 0,1 gesetzt, während halten 945 0,3. Das sieht für diese Serie intuitiv vernünftig aus, obwohl es wahrscheinlich gefährlich ist, diesen Trend in Zukunft mehr als 10 Perioden zu extrapolieren. Was ist mit den Fehlerstatistiken Hier ist ein Modellvergleich für die beiden oben gezeigten Modelle sowie drei SES-Modelle. Der optimale Wert von 945 für das SES-Modell beträgt etwa 0,3, aber es werden ähnliche Ergebnisse (mit etwas mehr oder weniger Ansprechverhalten) mit 0,5 und 0,2 erhalten. (A) Holts linear exp. Glättung mit alpha 0.3048 und beta 0.008 (B) Holts linear exp. Glättung mit alpha 0,3 und beta 0,1 (C) Einfache exponentielle Glättung mit alpha 0,5 (D) Einfache exponentielle Glättung mit alpha 0,3 (E) Einfache exponentielle Glättung mit alpha 0.2 Ihre Stats sind nahezu identisch, so dass wir wirklich die Wahl treffen können Von 1-Schritt-voraus Prognosefehler innerhalb der Datenprobe Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir stark davon überzeugt sind, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zu stützen, so können wir einen Fall für das LES-Modell mit 945 0,3 und 946 0,1 machen. Wenn wir agnostisch darüber sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein und würde auch mehr Mittelwert der Prognosen für die nächsten 5 oder 10 Perioden geben. (Rückkehr nach oben) Welche Art von Trend-Extrapolation ist am besten: horizontal oder linear Empirische Evidenz deutet darauf hin, dass, wenn die Daten bereits für die Inflation angepasst wurden (falls erforderlich), dann kann es unklug sein, kurzfristig linear zu extrapolieren Trends sehr weit in die Zukunft. Trends, die heute deutlich werden, können in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, erhöhter Konkurrenz und zyklischer Abschwünge oder Aufschwünge in einer Branche nachlassen. Aus diesem Grund führt eine einfache, exponentielle Glättung oftmals zu einem besseren Out-of-Sample, als es sonst zu erwarten wäre, trotz der quadratischen horizontalen Trend-Extrapolation. Gedämpfte Trendmodifikationen des linearen exponentiellen Glättungsmodells werden auch in der Praxis häufig verwendet, um eine Note des Konservatismus in seine Trendprojektionen einzuführen. Das LES-Modell mit gedämpftem Trend kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA (1,1,2) - Modells, implementiert werden. Es ist möglich, Konfidenzintervalle um Langzeitprognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem sie sie als Sonderfälle von ARIMA-Modellen betrachten. (Vorsicht: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt von (i) dem RMS-Fehler des Modells ab, (ii) der Art der Glättung (einfach oder linear) (iii) der Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der voraussichtlichen Perioden, die Sie prognostizieren. Im Allgemeinen werden die Intervalle schneller ausgebreitet als 945 im SES-Modell größer und sie breiten sich viel schneller aus, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im ARIMA-Modellteil der Notizen weiter erörtert. (Zurück zum Seitenanfang.)