La méthode la plus simple serait de prendre la moyenne de janvier à mars et de l'utiliser pour estimer les ventes d'avril 8217: 129 134 122 3 128 333 Par conséquent, selon les ventes de janvier à mars, vous prédirez que les ventes en avril seront de 128 333. Une fois que les ventes réelles d'avril sont arrivées, vous calculez ensuite la prévision pour mai, cette fois en février à avril. Vous devez être cohérent avec le nombre de périodes que vous utilisez pour la prévision moyenne mobile. Le nombre de périodes que vous utilisez dans vos prévisions de moyenne mobile est arbitraire, vous pouvez utiliser seulement deux périodes, ou cinq ou six périodes de votre volonté pour générer vos prévisions. L'approche ci-dessus est une moyenne mobile simple. Parfois, les ventes plus récentes8217 peuvent être plus influentes des ventes du mois à venir, donc vous voulez donner à ces mois plus près plus de poids dans votre modèle de prévision. Il s'agit d'une moyenne mobile pondérée. Et tout comme le nombre de périodes, les poids que vous assignez sont purement arbitraires. Let8217s dire que vous vouliez donner March8217s ventes 50 poids, Février8217s 30 poids et Janvier8217s 20. Ensuite, votre prévision pour avril sera 127.000 (122.50) (134.30) (129.20) 127. Limites des méthodes de moyenne mobile Les moyennes mobiles sont considérées comme une technique de prévision 8220smoothing8221. Parce que vous êtes en train de prendre une moyenne au fil du temps, vous adouciez (ou lissage) les effets des occurrences irrégulières dans les données. Par conséquent, les effets de la saisonnalité, des cycles économiques et d'autres événements aléatoires peuvent considérablement augmenter les erreurs de prévision. Jetez un coup d'œil à une année complète de 8217s de données, et comparer une moyenne mobile de 3 périodes et une moyenne mobile de 5 périodes: Notez que dans cette instance que je n'ai pas créer des prévisions, mais plutôt centré les moyennes mobiles. La première moyenne mobile sur trois mois est pour février, et elle est la moyenne de janvier, février et mars. J'ai aussi fait semblable pour la moyenne sur 5 mois. Maintenant, jetez un oeil sur le graphique suivant: Qu'est-ce que vous voyez n'est pas la moyenne de trois mois de la série moyenne beaucoup plus lisse que la série de ventes réelles Et comment environ la moyenne mobile de cinq mois It8217s encore plus lisse. Par conséquent, plus vous utilisez de périodes dans votre moyenne mobile, le plus lisse votre série chronologique. Par conséquent, pour les prévisions, une moyenne mobile simple peut ne pas être la méthode la plus précise. Les méthodes moyennes mobiles se révèlent très précieuses lorsque l'on essaie d'extraire les composantes saisonnières, irrégulières et cycliques d'une série chronologique pour des méthodes de prévision plus avancées, comme la régression et l'ARIMA, et l'utilisation de moyennes mobiles pour décomposer une série chronologique sera traitée plus tard dans la serie. Détermination de l'exactitude d'un modèle de moyenne mobile En général, vous voulez une méthode de prévision qui a le moins d'erreur entre les résultats réels et prédits. L'une des mesures les plus courantes de l'exactitude des prévisions est l'écart absolu moyen (MAD). Dans cette approche, pour chaque période de la série chronologique pour laquelle vous avez généré une prévision, vous prenez la valeur absolue de la différence entre les valeurs réelles et prévisionnelles de cette période (la déviation). Ensuite, vous faites la moyenne de ces écarts absolus et vous obtenez une mesure de MAD. MAD peut être utile pour décider du nombre de périodes que vous faites en moyenne, ou de la quantité de poids que vous placez sur chaque période. Généralement, vous choisissez celui qui donne le MAD le plus bas. Voici un exemple de la façon dont MAD est calculé: MAD est simplement la moyenne de 8, 1 et 3. Moyennes mobiles: Recap En utilisant les moyennes mobiles pour la prévision, n'oubliez pas: Les moyennes mobiles peuvent être simples ou pondérées Le nombre de périodes que vous utilisez pour votre Moyenne et tous les poids que vous assignez à chacun sont strictement arbitraires Moyennes mobiles lissent les motifs irréguliers dans les séries chronologiques données plus le nombre de périodes utilisées pour chaque point de données, plus l'effet de lissage En raison de lissage, la prévision des ventes du mois prochain 8217s basé sur le La plupart des ventes récentes de mois de mai peuvent entraîner de grands écarts en raison de la saisonnalité, cyclique, et les modèles irréguliers dans les données et les capacités de lissage d'une méthode de moyenne mobile peut être utile pour décomposer une série chronologique pour les méthodes de prévision plus avancées. Semaine suivante: Exponential Smoothing Dans la semaine prochaine 8217s Prévision vendredi. Nous allons discuter des méthodes de lissage exponentielle, et vous verrez qu'ils peuvent être bien supérieurs à la moyenne mobile des méthodes de prévision. 1) Pouvez-vous utiliser l'approche centrée MA pour prévoir ou tout simplement pour enlever la saisonnalité 2) Quand Vous utilisez la t simple (t-1t-2t-k) k MA pour prévoir une période à venir, est-il possible de prévoir plus d'une période à venir Je suppose que votre prévision serait l'un des points d'alimentation dans la prochaine. Merci. J'adore l'info et vos explications Je suis content que vous ayez aimé le blog I8217m sûr que plusieurs analystes ont utilisé l'approche centrée MA pour la prévision, mais personnellement je ne le ferais pas, puisque cette approche entraîne une perte d'observations aux deux extrémités. En fait, cela relie votre deuxième question. Généralement, un MA simple est utilisé pour prévoir une seule période à venir, mais de nombreux analystes 8211 et moi aussi parfois 8211 utiliseront ma prévision d'une période à venir comme l'une des entrées à la deuxième période à venir. Il est important de se rappeler que plus vous prévoyez de prévoir dans l'avenir, plus votre risque d'erreur de prévision est élevé. C'est la raison pour laquelle je ne recommande pas un MA centré pour la prévision 8211 la perte d'observations à la fin signifie avoir à compter sur les prévisions pour les observations perdues, ainsi que la période à venir, de sorte qu'il ya plus de chance d'erreur de prévision. Les lecteurs: vous êtes invités à peser dessus. Avez-vous des idées ou des suggestions sur ce Brian, merci pour votre commentaire et vos compliments sur le blog Nice initiative et une belle explication. It8217s vraiment utile. Je prévois des circuits imprimés personnalisés pour un client qui ne donne aucune prévision. J'ai utilisé la moyenne mobile, mais il n'est pas très précis que l'industrie peut monter et descendre. Nous voyons vers le milieu de l'été à la fin de l'année que l'expédition pcb8217s est en place. Ensuite, nous voyons au début de l'année ralentit. Comment puis-je être plus précis avec mes données Katrina, d'après ce que vous m'avez dit, il semble que vos ventes de circuits imprimés ont une composante saisonnière. Je ne saisir la saisonnalité dans certains des autres postes vendredi Prévisions. Une autre approche que vous pouvez utiliser, ce qui est assez facile, est l'algorithme Holt-Winters, qui tient compte de la saisonnalité. Vous pouvez trouver une bonne explication ici. Assurez-vous de déterminer si vos modèles saisonniers sont multiplicatifs ou additifs, car l'algorithme est légèrement différent pour chacun. Si vous tracer vos données mensuelles de quelques années et voir que les variations saisonnières à la même époque des années semblent être constante d'année en année, alors la saisonnalité est additive si les variations saisonnières au fil du temps semblent augmenter, alors la saisonnalité est Multiplicative. La plupart des séries chronologiques saisonnières seront multiplicatives. En cas de doute, supposer multiplicatif. Bonne chance Bonjour, Entre ces méthodes:. Prévision de la nef. Mise à jour de la moyenne. Moyenne mobile de longueur k. Moyenne mobile pondérée de longueur k OU Lissage exponentiel Lequel de ces modèles de mise à jour me recommandez-vous d'utiliser pour prévoir les données? À mon avis, je pense à la moyenne mobile. Mais je ne sais pas comment le rendre clair et structuré Cela dépend vraiment de la quantité et la qualité des données que vous avez et votre horizon de prévision (à long terme, à moyen terme ou à court terme). Comme vous pouvez le deviner, nous examinons certaines des approches les plus primitives en matière de prévision. Mais nous espérons que ce sont au moins une introduction utile à certains des problèmes informatiques liés à la mise en œuvre des prévisions dans les tableurs. Dans cette veine, nous allons continuer en commençant par le début et commencer à travailler avec les prévisions Moyenne mobile. Prévisions moyennes mobiles. Tout le monde est familier avec les prévisions de moyenne mobile, peu importe s'ils croient qu'ils sont. Tous les étudiants les font tout le temps. Pensez à vos résultats d'examen dans un cours où vous allez avoir quatre tests au cours du semestre. Supposons que vous avez obtenu un 85 sur votre premier test. Que penseriez-vous que votre professeur pourrait prédire pour votre score de test suivant Que pensez-vous que vos amis pourraient prédire pour votre score de test suivant Que pensez-vous que vos parents pourraient prédire pour votre score de test suivant Indépendamment de Tous les blabbing que vous pourriez faire à vos amis et parents, ils et votre professeur sont très susceptibles de vous attendre à obtenir quelque chose dans le domaine des 85 que vous venez de recevoir. Eh bien, maintenant, supposons qu'en dépit de votre auto-promotion à vos amis, vous surestimer vous-même et la figure que vous pouvez étudier moins pour le deuxième test et ainsi vous obtenez un 73. Maintenant, qu'est-ce que tous les intéressés et indifférents va Anticiper que vous obtiendrez sur votre troisième test Il ya deux approches très probables pour eux de développer une estimation indépendamment du fait qu'ils le partageront avec vous. Ils peuvent se dire, ce type est toujours souffler de la fumée sur son smarts. Hes va obtenir un autre 73 si hes chance. Peut-être que les parents vont essayer d'être plus solidaires et dire: «Bien, jusqu'à présent, vous avez obtenu un 85 et un 73, donc vous devriez peut-être figure sur obtenir un (85 73) 2 79. Je ne sais pas, peut-être si vous avez moins de fête Et werent wagging la belette partout et si vous avez commencé à faire beaucoup plus d'étude, vous pourriez obtenir un score plus élevé. quot Ces deux estimations sont en fait des prévisions moyennes mobiles. Le premier est d'utiliser uniquement votre score le plus récent pour prévoir vos performances futures. C'est ce que l'on appelle une moyenne mobile en utilisant une période de données. La seconde est également une prévision moyenne mobile, mais en utilisant deux périodes de données. Supposons que toutes ces personnes se brisant sur votre grand esprit ont sorte de pissé vous off et vous décidez de bien faire sur le troisième test pour vos propres raisons et de mettre un score plus élevé en face de vos quotalliesquot. Vous prenez le test et votre score est en fait un 89 Tout le monde, y compris vous-même, est impressionné. Donc, maintenant, vous avez le test final du semestre à venir et, comme d'habitude, vous vous sentez le besoin d'inciter tout le monde à faire leurs prédictions sur la façon dont vous allez faire sur le dernier test. Eh bien, j'espère que vous voyez le modèle. Maintenant, j'espère que vous pouvez voir le modèle. Qui pensez-vous est le sifflet le plus précis alors que nous travaillons. Maintenant, nous revenons à notre nouvelle entreprise de nettoyage a commencé par votre demi-soeur sœur appelé Whistle While We Work. Vous avez des données de ventes passées représentées par la section suivante dans une feuille de calcul. Nous présentons d'abord les données pour une moyenne mobile de trois périodes prévisionnelles. L'entrée pour la cellule C6 doit être maintenant Vous pouvez copier cette formule de cellule vers le bas pour les autres cellules C7 à C11. Remarquez comment la moyenne se déplace sur les données historiques les plus récentes, mais utilise exactement les trois périodes les plus récentes disponibles pour chaque prédiction. Vous devriez également remarquer que nous n'avons pas vraiment besoin de faire les prédictions pour les périodes passées afin de développer notre prédiction la plus récente. Ceci est certainement différent du modèle de lissage exponentiel. Ive inclus les prévisions quotpastquot parce que nous les utiliserons dans la prochaine page Web pour mesurer la validité de prédiction. Maintenant, je veux présenter les résultats analogues pour une prévision de moyenne mobile à deux périodes. L'entrée pour la cellule C5 doit être Maintenant, vous pouvez copier cette formule de cellule vers le bas pour les autres cellules C6 à C11. Remarquez que maintenant, seules les deux plus récentes données historiques sont utilisées pour chaque prédiction. Ici encore, j'ai inclus les prévisions quotpast à des fins d'illustration et pour une utilisation ultérieure dans la validation des prévisions. Quelques autres choses qui sont d'importance à remarquer. Pour une prévision moyenne mobile de la période m, seules les m valeurs de données les plus récentes sont utilisées pour faire la prédiction. Rien d'autre n'est nécessaire. Pour une prévision moyenne mobile de la période m, lorsque vous faites des prédictions quotpast, notez que la première prédiction se produit dans la période m 1. Ces deux questions seront très importantes lorsque nous développerons notre code. Développement de la fonction Moyenne mobile. Maintenant, nous devons développer le code de la moyenne mobile qui peut être utilisé avec plus de souplesse. Le code suit. Notez que les entrées sont pour le nombre de périodes que vous souhaitez utiliser dans la prévision et le tableau des valeurs historiques. Vous pouvez le stocker dans le classeur que vous voulez. Fonction DéplacementAvant (Historique, NumberOfPeriods) En tant que Déclaration unique et initialisation de variables Dim Item Comme Variante Dim Compteur Comme Entier Dim Accumulation Comme Simple Dim HistoricalSize As Integer Initialisation des variables Counter 1 Accumulation 0 Détermination de la taille de Historique HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Accumuler le nombre approprié des valeurs les plus récentes observées antérieurement Accumulation Accumulation Historique (Historique - Taille - NombreOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Le code sera expliqué en classe. Vous voulez positionner la fonction sur la feuille de calcul afin que le résultat du calcul apparaisse où il devrait aimer le suivant. Une série chronologique est une séquence d'observations d'une variable aléatoire périodique. On peut citer par exemple la demande mensuelle d'un produit, l'effectif annuel d'un étudiant de première année dans un département de l'université et les flux journaliers dans une rivière. Les séries chronologiques sont importantes pour la recherche opérationnelle car elles sont souvent les moteurs des modèles décisionnels. Un modèle d'inventaire nécessite des estimations des demandes futures, un modèle de planification des cours et un modèle de dotation pour un département universitaire exige des estimations de l'afflux des futurs étudiants et un modèle pour fournir des avertissements à la population dans un bassin fluvial nécessite des estimations des flux des rivières pour l'avenir immédiat. L'analyse des séries chronologiques fournit des outils pour sélectionner un modèle qui décrit la série temporelle et l'utilisation du modèle pour prévoir les événements futurs. La modélisation des séries temporelles est un problème statistique car les données observées sont utilisées dans les procédures de calcul pour estimer les coefficients d'un modèle supposé. Les modèles supposent que les observations varient au hasard sur une valeur moyenne sous-jacente qui est une fonction du temps. Sur ces pages, nous limitons l'attention à l'utilisation de données de séries chronologiques historiques pour estimer un modèle dépendant du temps. Les méthodes sont appropriées pour la prévision automatique et à court terme des informations fréquemment utilisées lorsque les causes sous-jacentes de la variation temporelle ne changent pas de façon marquée dans le temps. En pratique, les prévisions issues de ces méthodes sont ensuite modifiées par des analystes humains qui incorporent des informations non disponibles à partir des données historiques. Notre objectif principal dans cette section est de présenter les équations pour les quatre méthodes de prévision utilisées dans le complément de prévision: moyenne mobile, lissage exponentiel, régression et lissage exponentiel double. Ces méthodes sont appelées méthodes de lissage. Méthodes non prises en compte comprennent la prévision qualitative, la régression multiple, et les méthodes autorégressives (ARIMA). Les personnes intéressées par une couverture plus étendue devraient visiter le site des Principes de prévision ou lire l'un des nombreux excellents livres sur le sujet. Nous avons utilisé le livre Forecasting. Par Makridakis, Wheelwright et McGee, John Wiley ampères Sons, 1983. Pour utiliser le classeur Exemples Excel, vous devez avoir le complément de prévision installé. Choisissez la commande Relink pour établir les liens vers le complément. Cette page décrit les modèles utilisés pour la prévision simple et la notation utilisée pour l'analyse. Cette méthode de prévision la plus simple est la moyenne mobile. La méthode fait simplement la moyenne des dernières m observations. Il est utile pour les séries chronologiques avec une moyenne lentement changeante. Cette méthode considère l'ensemble du passé dans ses prévisions, mais pèse l'expérience récente plus fortement que moins récente. Les calculs sont simples parce que seule l'estimation de la période précédente et les données actuelles déterminent la nouvelle estimation. La méthode est utile pour les séries chronologiques dont la moyenne est lentement variable. La méthode de la moyenne mobile ne réagit pas bien à une série chronologique qui augmente ou diminue avec le temps. Ici, nous incluons un terme de tendance linéaire dans le modèle. La méthode de régression se rapproche du modèle en construisant une équation linéaire qui fournit l'ajustement par moindres carrés aux dernières m observations.
No comments:
Post a Comment