Glidande medelvärde metod prognostisering

Flyttande medelvärde: Vad det är och hur man beräknar det Se videon eller läs artikeln nedan: Ett rörligt medelvärde är en teknik för att få en övergripande bild av trenderna i en dataset. Det är ett medelvärde av en delmängd av tal. Det rörliga genomsnittet är extremt användbart för att förutse långsiktiga trender. Du kan beräkna det under en viss tid. Om du till exempel har försäljningsdata i en tjugoårsperiod kan du beräkna ett femårigt glidande medelvärde, ett fyrårigt glidande medelvärde, ett treårigt glidande medelvärde och så vidare. Aktiemarknadsanalytiker kommer ofta att använda ett 50 eller 200 dagars glidande medelvärde för att hjälpa dem att se trender på aktiemarknaden och (förhoppningsvis) prognostisera var aktierna är på väg. Ett medelvärde representerar värdet 8220middling8221 av en uppsättning tal. Det rörliga genomsnittet är exakt detsamma, men genomsnittet beräknas flera gånger för flera delsatser av data. Om du till exempel vill ha ett tvåårigt glidande medelvärde för en dataset från 2000, 2001, 2002 och 2003, skulle du hitta medelvärden för deluppsatserna 20002001, 20012002 och 20022003. Flyttvärdena brukar avbildas och visas bäst. Beräkning av ett 5-årigt rörligt genomsnitt Exempel Exempelprov: Beräkna ett femårigt glidande medelvärde från följande dataset: (4M 6M 5M 8M 9M) ​​5 6,4M Genomsnittlig försäljning för den andra delmängden om fem år (2004 8211 2008). centrerad runt 2006, är 6,6M: (6M 5M 8M 9M 5M) 5 6,6M Den genomsnittliga försäljningen för den tredje delmängden på fem år (2005 8211 2009). centrerad runt 2007, är 6,6M: (5M 8M 9M 5M 4M) 5 6,2M Fortsätt att beräkna varje femårsmedel tills du når slutet av uppsättningen (2009-2013). Detta ger dig en serie poäng (medelvärden) som du kan använda för att plotta ett diagram över glidande medelvärden. I följande Excel-tabell visas de glidande medelvärdena beräknade för 2003-2012 tillsammans med en scatterplot av data: Titta på videon eller läs stegen nedan: Excel har en kraftfull tillägg, Data Analysis Toolpak (hur man laddar data Analysis Toolpak) som ger dig många extra alternativ, inklusive en automatiserad glidande medelfunktion. Funktionen beräknar inte bara det glidande medlet för dig, det grafar också de ursprungliga dataen samtidigt. vilket sparar dig en hel del tangenttryckningar. Excel 2013: Steg Steg 1: Klicka på fliken 8220Data8221 och klicka sedan på 8220Data Analysis.8221 Steg 2: Klicka på 8220Göra genomsnittet8221 och klicka sedan på 8220OK.8221 Steg 3: Klicka på rutan 8220Input Range8221 och välj sedan dina data. Om du inkluderar kolumnrubriker, se till att du markerar etiketterna i första radrutan. Steg 4: Skriv ett intervall i lådan. Ett intervall är hur många tidigare poäng du vill att Excel ska använda för att beräkna det rörliga genomsnittet. Till exempel skulle 822058221 använda de tidigare 5 datapunkterna för att beräkna medelvärdet för varje efterföljande punkt. Ju lägre intervall desto närmare är ditt glidande medelvärde till din ursprungliga dataset. Steg 5: Klicka i rutan 8220Output Range8221 och välj ett område på arbetsbladet där du vill att resultatet ska visas. Eller, klicka på knappen 8220New worksheet8221. Steg 6: Markera rutan 8220Chart Output8221 om du vill se ett diagram över din dataset (om du glömmer att göra det kan du alltid gå tillbaka och lägga till det eller välja ett diagram från fliken 8220Insert8221.8221 Steg 7: Tryck på 8220OK .8221 Excel kommer att returnera resultaten i det område du angav i steg 6. Titta på videon eller läs stegen nedan: Provproblem: Beräkna treårigt glidande medelvärde i Excel för följande försäljningsdata: 2003 (33M), 2004 (22M), 2005 (36M), 2006 (34M), 2007 (43M), 2008 (39M), 2009 (41M), 2010 (36M), 2011 (45M), 2012 (56M), 2013 (64M). 1: Skriv in data i två kolumner i Excel. Den första kolumnen ska ha år och andra kolumnen kvantitativa data (i det här exemplet problemet, försäljnings siffrorna). Se till att det inte finns några tomma rader i din celldata. : Beräkna det första treårsgenomsnittet (2003-2005) för data. För det här provproblemet, skriv 8220 (B2B3B4) 38221 i cell D3. Beräkna det första genomsnittet. Steg 3: Dra kvadraten längst ner till höger d Egen att flytta formeln till alla celler i kolumnen. Detta beräknar medelvärden för efterföljande år (t ex 2004-2006, 2005-2007). Dra formeln. Steg 4: (Valfritt) Skapa en graf. Välj alla data i arbetsbladet. Klicka på fliken 8220Insert8221 och klicka sedan på 8220Scatter, 8221 och klicka sedan på 8220Scatter med släta linjer och markörer.8221 Ett diagram över ditt glidande medel visas på arbetsbladet. Kolla in vår YouTube-kanal för mer statistiks hjälp och tips. Flyttande medelvärde: Vad det är och hur man beräknar det var senast ändrat: 8 januari 2016 av Andale 22 tankar om ldquo Flyttande medelvärde: Vad det är och hur man beräknar det rdquo Detta är perfekt och enkelt att assimilera. Tack för arbetet Detta är mycket tydligt och informativt. Fråga: Hur räknar man med ett 4-årigt glidande medelvärde Vilket år skulle det 4-åriga glidande medelcentrumet på It centreras i slutet av det andra året (dvs. 31 december). Kan jag använda dig av medelinkomst för att prognostisera framtida intäkter som någon vet om centrerad medel, snälla berätta om någon vet. Här anges det att vi måste överväga 5 år för att få det medelvärde som ligger i centrum. Då då om resten år om vi vill få medelvärdet av 20118230 så har vi inga ytterligare värden efter 2012, hur skulle vi då beräkna det? Som du don8217t har mer info, det skulle vara omöjligt att beräkna 5 år MA för 2011. Du kan få ett tvåårigt glidande medel men. Hej Tack för videon. En sak är emellertid oklart. Hur man gör en prognos för de kommande månaderna Videon visar prognosen för månaderna för vilka data redan är tillgängliga. Hej, Rå, I8217m arbetar med att utöka artikeln för att inkludera prognoser. Processen är lite mer komplicerad än att använda tidigare data. Ta en titt på denna Duke University artikel, som förklarar det i djupet. Hälsningar, Stephanie tack för en tydlig förklaring. Hej Det gick inte att hitta länken till den föreslagna Duke University-artikeln. Begäran om att skicka länken igenFORECASTING Prognos kan i stort sett betraktas som en metod eller en teknik för att bedöma många framtida aspekter av ett företag eller en annan operation. Det finns många tekniker som kan användas för att uppnå målet om prognoser. Ett detaljhandelsföretag som har varit verksamt i 25 år kan exempelvis förutse försäljningsvolymen under det kommande året baserat på erfarenheterna under 25-årsperioden2014, eftersom en prognostiseringsteknik bygger framtidsprognosen på tidigare data. Medan termen x0022forecastingx0022 kan tyckas vara ganska teknisk är planering för framtiden en kritisk aspekt för att hantera någon organisation, företag, ideell eller annat. Faktum är att varje organisations långsiktiga framgång är nära knuten till hur väl organisationens ledning kan förutse framtiden och utveckla lämpliga strategier för att hantera sannolika framtida scenarier. Intuition, god bedömning och en medvetenhet om hur väl ekonomin gör kan ge chefen för ett företagsföretag en grov idé (eller x0022feelingx0022) om vad som sannolikt kommer att hända i framtiden. Det är emellertid inte lätt att konvertera en känsla om framtiden till ett exakt och användbart nummer, till exempel nästa årsx0027s försäljningsvolym eller råmaterialkostnaden per utmatningsenhet. Prognosmetoder kan hjälpa till att uppskatta många sådana framtida aspekter av en affärsverksamhet. Antag att en prognosexpert har blivit ombedd att tillhandahålla uppskattningar av försäljningsvolymen för en viss produkt för de närmaste fyra kvartalen. Man kan lätt se att ett antal andra beslut kommer att påverkas av prognoserna eller uppskattningarna av försäljningsvolymer som förskottaren tillhandahåller. Det är uppenbart att produktionsplaner, inköpsplaner för råvaror, policyer avseende varulager och försäljningskvoter kommer att påverkas av sådana prognoser. Som ett resultat kan dåliga prognoser eller uppskattningar leda till dålig planering och därigenom leda till ökade kostnader för verksamheten. Hur ska man gå på att förbereda kvartalsvisa försäljningsprognoser Man vill verkligen se över de faktiska försäljningsdata för den aktuella produkten under tidigare perioder. Antag att prognosen har tillgång till faktiska försäljningsdata för varje kvartal under 25 års tid företaget har varit i affärer. Genom att använda dessa historiska data kan prospekteraren identifiera den allmänna försäljningsnivån. Han eller hon kan också avgöra om det finns ett mönster eller en trend, till exempel en ökning eller minskning av försäljningsvolymen över tiden. En ytterligare översyn av uppgifterna kan avslöja någon typ av säsongsmönster, till exempel toppförsäljning före en semester. Således genom att granska historiska data över tid, kan prospekteren ofta utveckla en god förståelse av det föregående försäljningsmönstret. Att förstå ett sådant mönster kan ofta leda till bättre prognoser för framtida försäljning av produkten. Om förutspåraren också kan identifiera faktorer som påverkar försäljningen kan historiska data om dessa faktorer (eller variabler) också användas för att generera prognoser för framtida försäljningsvolymer. Alla prognosmetoder kan delas upp i två stora kategorier: kvalitativ och kvantitativ. Många prognostekniker använder tidigare eller historiska data i form av tidsserier. En tidsserie är helt enkelt en uppsättning observationer som mäts på successiva punkter i tid eller under successiva tidsperioder. Prognoser ger i huvudsak framtida värden för tidsserierna på en specifik variabel som försäljningsvolym. Uppdelning av prognostiseringsmetoder i kvalitativa och kvantitativa kategorier baseras på tillgången på historiska tidsseriedata. Kvalitativa prognostekniker använder generellt bedömningen av experter på lämpligt område för att generera prognoser. En viktig fördel med dessa förfaranden är att de kan tillämpas i situationer där historiska data helt enkelt inte är tillgängliga. Även när det finns historiska data kan betydande förändringar i miljöförhållanden som påverkar relevanta tidsserier göra användningen av tidigare data irrelevanta och tveksamma vid prognoser om framtida värden för tidsserierna. Tänk på att historiska data om bensinsalget finns tillgängliga. Om regeringen sedan genomförde ett bensinrationsprogram, förändras det sätt som bensin säljs, man skulle ifrågasätta giltigheten av en bensinförsäljningsprognos baserat på tidigare data. Kvalitativa prognosmetoder erbjuder ett sätt att skapa prognoser i sådana fall. Tre viktiga kvalitativa prognosmetoder är: Delphi-tekniken, scenariot och ämnesinriktningen. DELPHI TECHNOLOGY. I Delphi-tekniken försöker man utveckla prognoser genom x0022group-konsensus. x0022 Vanligtvis uppmanas en panel av experter att svara på en rad enkäter. Experterna, fysiskt åtskilda från och okända till varandra, uppmanas att svara på ett första frågeformulär (en uppsättning frågor). Sedan utarbetas ett andra frågeformulär som innehåller information och åsikter från hela gruppen. Varje expert uppmanas att ompröva och ompröva sitt första svar på frågorna. Denna process fortsätter tills en viss konsensus bland experter nås. Det bör noteras att målet med Delphi-tekniken inte är att skapa ett enda svar i slutet. Istället försöker man skapa en relativt smal spridning av opinionsxpektionen i vilken de flesta experters åsikter ligger. SCENARIO SKRIVNING. Enligt detta tillvägagångssätt börjar prognoser med olika uppsättningar antaganden. För varje uppsättning antaganden kartläggs ett sannolikt scenario av affärsresultatet. Föredragaren skulle således kunna generera många olika framtida scenarier (motsvarande de olika uppsättningarna av antaganden). Beslutsfattaren eller affärsmannen presenteras med de olika scenarierna och måste bestämma vilket scenario som mest sannolikt kommer att råda ut. SUBJECTIVE BENÄMNING. Det subjektiva tillvägagångssättet tillåter individer som deltar i prognosbeslutet att komma fram till en prognos utifrån deras subjektiva känslor och idéer. Detta tillvägagångssätt bygger på förutsättningen att ett mänskligt sinne kan komma fram till ett beslut baserat på faktorer som ofta är mycket svåra att kvantifiera. x0022Brainstorming sessionsx0022 används ofta som ett sätt att utveckla nya idéer eller för att lösa komplexa problem. I löst organiserade sessioner känner deltagarna sig från övertryck och, viktigare, kan uttrycka sina åsikter och idéer utan rädsla för kritik. Många företag i USA har börjat använda sig av det subjektiva tillvägagångssättet. KVANTITATIVA PROBLEMMETODER Kvantitativa prognosmetoder används när historiska data om variabler av intresse finns tillgängliga2020 Dessa metoder bygger på en analys av historiska data avseende tidsserierna för den specifika variabeln av intresse och eventuellt andra relaterade tidsserier. Det finns två huvudkategorier av kvantitativa prognosmetoder. Den första typen använder den senaste trenden för en viss variabel för att basera den framtida prognosen för variabeln. Eftersom denna kategori av prognosmetoder helt enkelt använder tidsserier på tidigare data för variabeln som prognostiseras, kallas dessa tekniker tidsseriemetoder. Den andra kategorin av kvantitativa prognostekniker använder också historiska data. Men vid prognoser om framtida värden för en variabel undersöker prognoser orsaker och effektrelationer hos variabeln med andra relevanta variabler som konsumenternas förtroende, förändringar i consumerx0027 disponibla inkomster, den räntesats som konsumenterna kan finansiera sina utgifter på genom upplåning och ekonomin som representeras av sådana variabler som arbetslösheten. Således använder denna kategori av prognostekniker tidigare tidsserier på många relevanta variabler för att producera prognosen för räntevaran. Prognostekniker som omfattas av denna kategori kallas orsaksmetoder, eftersom grunden för sådan prognos är orsakssambandet mellan den förväntade variabla och andra tidsserier som valts för att bidra till att generera prognoserna. TIDS-SERIEN METODER FÖR PROJEKTNING. Innan vi diskuterar tidsseriemetoder är det till hjälp att förstå beteendet av tidsserier i allmänna termer. Tidsserierna består av fyra separata komponenter: trendkomponent, cyklisk komponent, säsongskomponent och oregelbunden komponent. Dessa fyra komponenter betraktas som specifika värden för tidsserierna när de kombineras. I en tidsserie tas mätningar på successiva punkter eller över successiva perioder. Mätningarna kan tas varje timme, dag, vecka, månad eller år, eller vid något annat regelbundet (eller oregelbundet) intervall. Medan de flesta tidsseriedata generellt visar några slumpmässiga fluktuationer kan tidsserierna fortfarande visa gradvisa skift till relativt högre eller lägre värden under en längre tid. Den gradvisa byten av tidsserierna refereras ofta av professionella prognoser som trenden i tidsserierna. En trend uppstår på grund av en eller flera långsiktiga faktorer, såsom förändringar i befolkningsstorlek, förändringar i befolkningens demografiska egenskaper och förändringar i smak och preferenser hos konsumenterna. Till exempel tillverkare av bilar i USA kan se att det finns stora variationer i bilförsäljning från en månad till nästa. Men vid granskning av automatisk försäljning under de senaste 15 till 20 åren kan bilproducenterna upptäcka en gradvis ökning av den årliga försäljningsvolymen. I detta fall ökar trenden för automatisk försäljning över tiden. I ett annat exempel kan trenden minska med tiden. Professionella prognoser beskriver ofta en ökande trend med en uppåtgående sluttlinje och en minskande trend med en nedåtgående sluttande rak linje. Att använda en rak linje för att representera en trend är dock en enkel förenklingx2014 i många situationer, olinjära trender kan mer exakt representera den sanna trenden i tidsserierna. Även om en tidsserie ofta kan visa en trend över en lång period, kan det också visa växlande sekvenser av punkter som ligger ovanför trendlinjen. Varje återkommande sekvens av punkter ovanför och under trendlinjen som överstiger ett år anses anses utgöras av den cykliska komponenten i tidsseriex2014, vilket är att dessa observationer i tidsserierna avviker från trenden på grund av konjunktursvängningar (fluktuationer som upprepas med intervaller av mer än ett år). Tidsserierna för den aggregerade produktionen i ekonomin (kallad den reala bruttonationalprodukten) är ett bra exempel på en tidsserie som visar cykliskt beteende. Trots att trenden för bruttonationalprodukten (BNP) är uppåtgående, visar produktionen tillväxt ett konjunkturbeteende kring trendlinjen. Detta konjunkturbeteende av BNP har dubblats konjunkturcykler av ekonomer. Den säsongsbetonade komponenten liknar den konjunkturella komponenten genom att de båda hänvisar till vissa regelbundna fluktuationer i en tidsserie. Det finns dock en viktig skillnad. Medan cykliska komponenter i en tidsserie identifieras genom att analysera fleråriga rörelser i historiska data, tar de säsongsbundna komponenterna det vanliga variationsmönstret i tidsserierna inom enårsperioder. Många ekonomiska variabler visar årstidsmönster. Till exempel upplever tillverkare av simbassänger låg försäljning under hösten och vintermånaderna, men de bevittnar topp försäljning av simbassänger under vår och sommarmånader. Tillverkare av snöborttagningsutrustning upplever däremot det motsatta årliga försäljningsmönstret. Komponenten i tidsserierna som fångar variabiliteten i data på grund av säsongsvariationer kallas säsongskomponenten. Den oregelbundna komponenten i tidsserien representerar resterande kvar i en observation av tidsserierna när effekterna på grund av trend, cykliska och säsongskomponenter extraheras. Trend, cyklisk och säsongskomponenter anses vara beräknade för systematiska variationer i tidsserierna. x0027h e oregelbunden komponent står därmed för slumpmässig variation i tidsserierna. De slumpmässiga variationerna i tidsserierna är i sin tur orsakade av korta, oförutsedda och icke-återkommande faktorer som påverkar tidsserierna. Den oregelbundna komponenten i tidsserien kan av naturen inte förutsägas i förväg. TIDS SERIES FORECASTING ANVÄNDNING AV RÖDMETODER. Utjämningsmetoder är lämpliga när en tidsserie inte visar några signifikanta effekter av trend-, cykliska eller säsongsbeståndsdelar (kallas ofta en stabil tidsgrupp). I ett sådant fall är målet att jämna ut den oregelbundna delen av tidsserien genom att använda en medelprocess. När tidsserien slätts, används den för att generera prognoser. Metoden för glidande medelvärden är förmodligen den mest använda utjämningstekniken. För att släta tidsserierna använder denna metod genomsnittet av ett antal angränsande datapunkter eller perioder. Denna medelprocess använder överlappande observationer för att generera medelvärden. Antag att en prognosör vill generera tre-års glidande medelvärden. Föredragaren skulle ta de första tre observationerna av tidsserierna och beräkna medelvärdet. Därefter skulle prospekten släppa den första observationen och beräkna medelvärdet av de tre följande observationerna. Denna process fortsätter tills treårsgenomsnitt beräknas utifrån de data som är tillgängliga från hela tidsserien. Termen x0022movingx0022 hänvisar till hur medelvärdena beräknasx2014föredragaren flyttar upp eller ner i tidsserien för att välja observationer för att beräkna ett genomsnitt av ett fast antal observationer. I tre-periodsexemplet skulle metoden för glidande medelvärden använda medelvärdet av de senaste tre observationerna av data i tidsserierna som prognosen för nästa period. Detta prognostiserade värde för nästa period, i samband med de två senaste observationerna i de historiska tidsserierna, skulle ge ett medelvärde som kan användas som prognos för den andra perioden i framtiden. Beräkningen av ett treårigt glidande medelvärde kan illustreras enligt följande. Antag att en prognosör vill förutse försäljningsvolymen för amerikanska fordon i USA för nästa år. Försäljningen av amerikanskgjorda bilar i USA under de tre senaste åren var: 1,3 miljoner, 900 000 och 1,1 miljoner (den senaste observationen rapporteras först). Det treåriga glidande medlet är i detta fall 1,1 miljoner bilar (det vill säga: (1,3 0,90 1,1) 3 1,1). Baserat på tre-års glidande medelvärden kan prognosen förutsäga att 1,1 miljoner amerikanskgjorda bilar sannolikt kommer att säljas i USA nästa år. Vid beräkning av glidmedel för att generera prognoser kan prognosen experimentera med glidande medelvärden för olika längder. Prognosen väljer längden som ger högsta noggrannhet för prognoserna som genereras. x0022 Det är viktigt att prognoser inte genereras för långt från de faktiska framtida resultaten. För att undersöka huruvida prognoserna genereras är prognosen generellt ett mått på prognostiseringsfelet (det vill säga skillnaden mellan det prognostiserade värdet för en period och det därmed sammanhängande faktiska värdet av den rörliga variabeln). Antag att försäljningsvolymen för amerikanskgjorda bilar i USA beräknas vara 1,1 miljoner bilar för ett visst år, men bara 1 miljon bilar säljs faktiskt det året. Prognosfelet i detta fall är lika med 100 000 bilar. Med andra ord överskattade prognosmakaren försäljningsvolymen för året med 100 000. Naturligtvis är prognosfel ibland positiva och vid andra tillfällen negativa. Att ta ett enkelt medelvärde av prognosfel över tiden kommer inte att fånga upp den verkliga storleken av prognosfel. Stora positiva fel kan helt enkelt avbryta stora negativa fel, vilket ger ett vilseledande intryck om noggrannheten i prognoser som genereras. Som ett resultat använder prognosmakare vanligtvis fel i medelkvadraten för att mäta prognosfelet. Felet med genomsnittliga kvadrater, eller MSE, är medelvärdet av summan av kvadrerade prognosfel. Denna åtgärd eliminerar risken för att negativa och positiva fel avbryts genom att kvadraterna av prognosfel tas bort. Vid val av längden på de rörliga medelvärdena kan en prognoser använda MSE-mätningen för att bestämma antalet värden som ska inkluderas vid beräkning av de rörliga medelvärdena. Projektorn experimenterar med olika längder för att generera rörliga medelvärden och beräknar sedan prognosfel (och de associerade medelkvadratfel) för varje längd som används vid beräkning av glidande medelvärden. Därefter kan prognosen välja längden som minimerar det genomsnittliga kvadrerade felet av prognoser som genereras. Viktat glidande medelvärden är en variant av glidande medelvärden. I metoden för glidande medel erhåller varje observation av data samma vikt. I den viktade glidande medelvärdesmetoden tilldelas olika vikter till observationerna på data som används för att beräkna de glidande medelvärdena. Antag återigen att en prognosör vill generera tre-års glidande medelvärden. Under den vägda glidande medelvärdesmetoden skulle de tre datapunkterna få olika vikter innan medelvärdet beräknas. Generellt mottar den senaste observationen den maximala vikten, varvid den vikt som tilldelas minskar för äldre data-värden. Beräkningen av ett tre-viktsviktt rörligt medelvärde kan illustreras enligt följande. Antag än en gång att en prognosör vill prognostisera försäljningsvolymen för amerikanskgjorda bilar i USA för nästa år. Försäljningen av amerikanska bilar till USA under de tre senaste åren var: 1,3 miljoner, 900 000 och 1,1 miljoner (den senaste observationen rapporteras först). En uppskattning av det vägda tre-glidande genomsnittet i detta exempel kan vara lika med 1.133 miljoner bilar (det vill säga 1 (36) x (1,3) (26) x (0,90) (16) x (1,1) 3 1,133). Baserat på de treårsviktade rörliga genomsnittsvärdena kan prognosen förutsäga att 1 133 miljoner amerikanska bilar sannolikt kommer att säljas i USA nästa år. Noggrannheten för vägda glidmedelprognoser bestäms på ett sätt som liknar det för enkla glidande medelvärden. Exponentiell utjämning är något svårare matematiskt. I huvudsak använder emellertid exponentiell utjämning också det vägda genomsnittliga konceptet x2014 i form av det vägda genomsnittet av alla tidigare observationer, som finns i relevanta tidsserierx2014 för att generera prognoser för nästa period. Termen x0022exponential smoothingx0022 härrör från det faktum att denna metod använder ett viktningsschema för de historiska värdena för data som är exponentiella i naturen. I vanliga termer fördelar ett exponentiellt viktningsschema den maximala vikten till den senaste observationen och vikterna minskar systematiskt eftersom äldre och äldre observationer ingår. Noggrannheten för prognoser med användning av exponentiell utjämning bestäms på ett sätt som liknar det för den glidande medelvärdesmetoden. TIDS SERIES FORECASTING ANVÄNDNING AV TREND PROJECTION. Denna metod använder den underliggande långsiktiga trenden i en tidsradie av data för att förutse dess framtida värden. Antag att en prognoser har data om försäljning av amerikanska tillverkade bilar i USA under de senaste 25 åren. Tidsseriedata på amerikanska autoförsäljningar kan kartläggas och granskas visuellt. Mest sannolikt skulle den automatiska säljtidsserien visa en gradvis tillväxt i försäljningsvolymen, trots förändringarna x0022upx0022 och x0022downx0022 från år till år. Trenden kan vara linjär (approximerad av en rak linje) eller olinjär (approximerad av en kurva eller en olinjär linje). Ofta antar prognosen en linjär trendx2014, om en linjär trend antas när faktiskt en icke-linjär trend är närvarande, kan denna förvrängning leda till grovt felaktiga prognoser. Antag att tidsserierna på amerikanskgjord auto-försäljning är faktiskt linjära och kan därför representeras av en rak linje. Matematiska tekniker används för att hitta den raka linjen som mest exakt representerar tidsserierna för automatisk försäljning. Denna linje avser försäljning till olika punkter över tiden. Om vi ​​antar vidare att den senaste trenden kommer att fortsätta i framtiden kan framtida värden för tidsserierna (prognoser) härledas från rak linje baserat på tidigare data. Man bör komma ihåg att prognoserna baserade på denna metod också ska bedömas utifrån en åtgärd av prognosfel. Man kan fortsätta att anta att prognosen använder det genomsnittliga kvadratfelet som diskuterats tidigare. TIDSERIE FÖRSKRIFTER ANVÄNDNING AV TREND OCH SEASONAL COMPONENTS. Denna metod är en variant av trendprojektionsmetoden, med användning av säsongkomponenten i en tidsserie utöver trendkomponenten. Denna metod tar bort säsongseffekten eller säsongskomponenten från tidsserierna. Detta steg kallas ofta som säsongstidning av tidsserierna. När en tidsserie har blivit säsongserad kommer den bara att ha en trendkomponent. Trendprojektionsmetoden kan då användas för att identifiera en rak linje trend som representerar tidsseriedata väl. Sedan genereras prognoser för framtida perioder med hjälp av denna trendlinje. Det slutgiltiga steget enligt denna metod är att återinföra säsongkomponenten i tidsserierna (med det så kallade säsongsindexet) för att justera prognoserna utifrån enbart trenden. På så sätt består prognoserna av både trend och säsongskomponenter. Man kommer normalt att förvänta sig att dessa prognoser är mer exakta än de som baseras rent på trendprojektionen. FÖRSÖKNINGSMETOD FÖR PROJEKTNING. Som tidigare nämnts används orsakssamband mellan orsakssambandet mellan variabeln, vars framtida värden prognostiseras och andra relaterade variabler eller faktorer. Den allmänt kända orsaksmetoden kallas regressionsanalys, en statistisk metod som används för att utveckla en matematisk modell som visar hur en uppsättning variabler är relaterade. Detta matematiska förhållande kan användas för att generera prognoser. I terminologin som används i regressionsanalyskontexten, kallas variabeln som förutspås, den beroende eller svarsvariabeln. Variabeln eller variablerna som hjälper till att prognosera värdena för den beroende variabeln kallas de oberoende eller prediktorvariablerna. Regressionsanalys som använder en beroende variabel och en oberoende variabel och approximerar förhållandet mellan dessa två variabler med en rak linje kallas en enkel linjär regression. Regressionsanalys som använder två eller flera oberoende variabler för att prognosa värdena för den beroende variabeln kallas en multipel regressionsanalys. Nedan introduceras prognostekniken med hjälp av regressionsanalys för det enkla linjära regressionsfallet. Antag att en prognoser har data om försäljning av amerikanska tillverkade bilar i USA under de senaste 25 åren. Föredragaren har också identifierat att försäljningen av bilar är relaterad till individualx0027 real disponibel inkomst (i stort sett är inkomst efter inkomstskatt betalad, justerad för inflationen). Föredragaren har också tillgång till tidsserierna (för de senaste 25 åren) på den reala disponibla inkomsten. Tidsseriedata om amerikanska auto-försäljningar kan ritas mot tidsseriedata på realt disponibel inkomst, så det kan undersökas visuellt. Mest sannolikt skulle de automatiska försäljnings tidsserierna visa en gradvis tillväxt i försäljningsvolymen, eftersom den reala disponibla inkomsten ökar, trots en tillfällig brist på consistencyx2014. Det kan ibland vara att bilförsäljningen faller till och med när den reala disponibla inkomsten stiger. Förhållandet mellan de två variablerna (automatisk försäljning som den beroende variabeln och den reala disponibla inkomsten som den oberoende variabeln) kan vara linjär (approximerad av en rak linje) eller olinjär (approximerad av en kurva eller en olinjär linje). Antag att förhållandet mellan tidsserierna på försäljning av amerikanska fordon och konsumtionernas reala disponibla inkomster faktiskt är linjära och kan därmed representeras av en rak linje. En ganska noggrann matematisk teknik används för att hitta den raka linjen som mest exakt representerar förhållandet mellan tidsserierna om automatisk försäljning och disponibel inkomst. Intuitionen bakom den matematiska tekniken som används vid ankomsten till lämplig rak linje är som följer. Föreställ dig att förhållandet mellan de två tidsserierna har ritats på papper. Plottet kommer att bestå av en scatter (eller moln) av poäng. Varje punkt i diagrammet representerar ett par observationer om automatisk försäljning och disponibel inkomst (det vill säga automatisk försäljning motsvarande den givna nivån av den reala disponibla inkomsten i vilket år som helst). Spridningen av punkter (liknande tidsseriemetoden som diskuterats ovan) kan ha en uppåtgående eller en nedåtgående drift. Det vill säga att förhållandet mellan automatisk försäljning och real disponibla inkomster kan approximeras med en uppåtriktad eller nedåtgående sluttlinje. I all sannolikhet kommer regressionsanalysen i det nuvarande exemplet att ge en uppåtgående sluttning av rak linjex2014as disponibel inkomst ökar, vilket gör volymen av bilförsäljningen. Ankomst till den mest exakta raklinjen är nyckeln. Förmodligen kan man rita många raka linjer genom punktspridningen i plottet. Inte alla av dem kommer dock lika att representera förhållandet, eftersom vissa kommer att vara närmare de flesta punkter, och andra kommer att vara långt borta från de flesta punkterna i spridningen. Regressionsanalys använder sig sedan av en matematisk teknik. Olika raka linjer dras genom data. Avvikelser av de faktiska värdena för datapunkterna i diagrammet från motsvarande värden som indikeras av den raka linjen som valts i vilket fall som helst, undersöks. Summan av kvadraterna för dessa avvikelser fångar kärnan i hur nära en rak linje är till datapunkterna. Linjen med den minsta summan av kvadratiska avvikelser (kallad regressionslinjen x0022least squaresx0022) anses vara den bästa passformen. Efter att ha identifierat regressionslinjen och förutsatt att förhållandet baserat på tidigare data fortsätter kan framtida värden för den beroende variabeln (prognoser) härledas från den raka linjen baserat på tidigare data. Om prospekten har en uppfattning om vad den reala disponibla inkomsten kan komma under det kommande året kan en prognos för framtida bilförsäljning genereras. Man bör komma ihåg att prognoser baserade på denna metod också bör bedömas utifrån en åtgärd av prognosfel. Man kan fortsätta att anta att prognosen använder det genomsnittliga kvadratfelet som diskuterats tidigare. Förutom att använda prognosfel använder regressionsanalysen ytterligare sätt att analysera effektiviteten hos den uppskattade regressionslinjen i prognoser. Anderson, David R. Dennis J. Sweeney och Thomas A. Williams. En introduktion till Management Science: Kvantitativa tillvägagångssätt för beslutsfattande. 8: e upplagan MinneapolisSt. Paul: West Publishing, 1997. x2014x2014. Statistik för Business and Economics. 7: e upplagan Cincinnati: SouthWestern College Publishing, 1999. Statistiska prognosmetoder Multipel regressionsanalys: Används när två eller flera oberoende faktorer är inblandade - används ofta för mellanliggande prognoser. Används för att bedöma vilka faktorer som ska inkluderas och vilka som ska uteslutas. Kan användas för att utveckla alternativa modeller med olika faktorer. Icke-linjär regression: Antag inte ett linjärt förhållande mellan variabler - ofta används när tiden är den oberoende variabeln. Trendanalys: Använder linjär och olinjär regression med tiden som den förklarande variabeln som används där mönstret över tiden. Nedbrytningsanalys: Används för att identifiera flera mönster som visas samtidigt i en tidsserie - tidskrävande varje gång den används - används också för att deseasonalisera en serie Flyttande medelanalys: Enkla rörliga medelvärden - förutspår framtida värden baserat på ett vägt genomsnitt av tidigare värden - lätt att uppdatera. Viktat Flyttande medelvärde: Mycket kraftfullt och ekonomiskt. De används ofta där upprepade prognoser krävs - använder metoder som summa-siffror och trendjusteringsmetoder. Adaptiv filtrering. En typ av rörligt medelvärde som inkluderar en metod att lära av tidigare fel - kan svara på förändringar i den relativa betydelsen av trend, säsong och slumpmässiga faktorer. Exponentiell utjämning: En rörlig genomsnittsform av tidsserier prognoser effektiv att använda med säsongsbetonade mönster - Lätt att justera för tidigare fel - Lätt att förbereda efterföljande prognoser - perfekt för situationer där många prognoser måste förberedas - flera olika former används på närvaro av trend eller cykliska variationer. Hodrick-Prescott Filter: Det här är en utjämningsmekanism som används för att erhålla en långsiktig trendkomponent i en tidsserie. Det är ett sätt att sönderdela en given serie i stationära och icke-stationära komponenter på ett sådant sätt att summan av kvadrater i serien från den icke-stationära komponenten är minst med ett påföljd för förändringar av derivaten av den icke-stationära komponenten. Modellering och simulering: Modell beskriver situationen genom serier av ekvationer, vilket möjliggör testning av påverkan av förändringar i olika faktorer, vilket är väsentligt mer tidskrävande att konstruera, kräver vanligtvis användarprogrammering eller inköp av paket som SIMSCRIPT. Kan vara mycket kraftfull när det gäller att utveckla och testa strategier annars osynligt. Säkerhetsmodeller ger högst sannolikt utfall. Avancerade kalkylblad kan användas för att göra quote vad ifquot-analys, ofta gjort t. ex. med datorbaserade kalkylblad. Probabilistiska Modeller Använd Monte Carlo-simuleringstekniker för att hantera osäkerhet - ger en rad möjliga resultat för varje uppsättning händelser. Prognosfel: Alla prognosmodeller har antingen en implicit eller explicit felstruktur, där fel definieras som skillnaden mellan modellprediktionen och quottruequot-värdet. Dessutom måste många data snooping metoder inom statistikområdet tillämpas på data som levereras till en prognosmodell. Diagnostisk kontroll, som definieras inom statistikområdet, krävs också för alla modeller som använder data. Använda någon metod för prognoser måste man använda en prestationsåtgärd för att bedöma metodens kvalitet. Medel Absolut Avvikelse (MAD) och Varians är de mest användbara åtgärderna. MAD lånar sig emellertid inte längre för att ytterligare använda avledningar, men att standardfelet gör det. För felanalysen är varians föredragen eftersom variationer av oberoende (okorrelerade) fel är additiv. MAD är inte additiv.