Keskitetty Liikkuvan Keskiarvon Menetelmä

Kun lasketaan juokseva liukuva keskiarvo, keskimääräinen keskimääräinen keskimääräinen ajanjakso on järkevä Edellisessä esimerkissä laskimme kolmen ensimmäistä ajanjaksoa keskimäärin ja asetimme sen jakson 3 viereen. Olisimme voineet sijoittaa keskiarvon keskelle ajanjakso on kolme jaksoa, toisin sanoen jakson 2 vieressä. Tämä toimii hyvin parittomilla aikajaksoilla, mutta ei niin hyvää parillisille ajoille. Joten mihin sijoittaisimme ensimmäisen liikkuvan keskiarvon, kun M 4 teknisesti Moving Average laski t 2,5, 3,5. Tämän ongelman välttämiseksi tasoitamme MA: t M: n avulla. Siten tasoitetaan tasoitetut arvot Jos meillä on keskimäärin parillinen määrä termejä, meidän on tasoitettava tasoitetut arvot Seuraavassa taulukossa esitetään tuloksia käyttäen M: llä 4. Yksinkertaisin lähestymistapa olisi ottakaa keskimäärin tammi-maaliskuussa ja käytä sitä arvioidaksesi huhtikuun 8217 myynnin: (129 134 122) 3 128.333 Näin ollen tammi-maaliskuun myynnin perusteella ennustat huhtikuun myynnin olevan 128 333 kappaletta. Kun huhtikuun 8217 todellinen myynti tulee, voit laskea ennuste toukokuulle, tällä kertaa helmikuusta huhtikuuhun. Sinun on oltava yhdenmukainen keskimääräisen ennustamisen liikkumiseen käytettyjen kausien määrän kanssa. Liikkuvaa keskimääräistä ennustetta käyttävien kausien määrä on mielivaltainen, joten voit käyttää vain kahta jaksoa tai viisi tai kuusi jaksoa, mitä haluat tuottaa ennusteesi. Yllä oleva lähestymistapa on yksinkertainen liukuva keskiarvo. Joskus viime kuukausina8217 myynti voi olla voimakkaampia tulevana kuukausina8217: n myynnissä, joten haluat antaa lähimmille kuukausille enemmän painoa arvioidussa mallissasi. Tämä on painotettu liukuva keskiarvo. Ja samoin kuin ajanjaksojen määrä, määrätyt painot ovat puhtaasti mielivaltaisia. Let8217s sanovat, että halusit antaa maaliskuussa myynti 50 paino, helmikuu8217s 30 paino ja tammikuu 8217s 20. Sitten ennuste huhtikuussa on 127000 (122,50) (134,30) (129,20) 127. Keskimääräisten siirrettävien menetelmien rajoitukset Keskimääräisten muuttujien katsotaan olevan 8220smoothing8221-ennustetekniikkaa. Koska olet keskimäärin ajan mittaan, pehmennät (tai tasoitat) epäsäännöllisten tapahtumien vaikutuksia tietoihin. Tämän seurauksena kausivaihteluiden, liiketoimintajaksojen ja muiden satunnaisten tapahtumien vaikutukset voivat merkittävästi lisätä ennakoivaa virheta. Tutustu koko vuoden 8217 datan arvoihin ja vertaile 3-portaista liikkuvaa keskiarvoa ja 5-vuotista liikkuvaa keskimäärää: Huomaa, että tässä tapauksessa en ole esittänyt ennusteita vaan keskittynyt liukuvat keskiarvot. Ensimmäinen kolmen kuukauden liukuva keskiarvo on helmikuussa ja se on tammikuun, helmikuun ja maaliskuun keskiarvo. Tein samanlaisen myös 5 kuukauden keskiarvona. Katsokaa nyt seuraavaa kaavaa: Mitä näet Ei ole kolmen kuukauden liukuva keskiarvo sarja paljon sileämpi kuin todellinen myynti-sarja Ja miten viiden kuukauden liukuva keskiarvo It8217s vielä tasaisempi. Niinpä sitä, kuinka kauemmin käytät liikkuvaa keskimäärääsi, sitä sujuvammat aikasarjat. Näin ollen ennusteiden mukaan yksinkertainen liukuva keskiarvo ei ehkä ole tarkin menetelmä. Keskimääräisten menetelmien siirtyminen osoittautuu varsin arvokkaaksi, kun aikakauden kausittaiset, epäsäännölliset ja sykliset komponentit yritetään purkaa edistyksellisimpiä ennusteita, kuten regressiota ja ARIMAa varten, ja liikkuvien keskiarvojen käyttäminen aikasarjojen hajotessa käsitellään myöhemmin sarjassa. Siirrettävän keskimääräisen mallin tarkkuuden määrittäminen Yleensä haluat ennustamismenetelmän, jolla on pienin virhe todellisten ja ennustettujen tulosten välillä. Yksi yleisimmistä arvioitu tarkkuus on keskimääräinen absoluuttinen poikkeama (MAD). Tässä lähestymistavassa kunkin aikajakson jaksolle, jolle olet luonut ennuste, otat absoluuttisen arvon kyseisen ajanjakson8217 todellisten ja ennustettujen arvojen välillä (poikkeama). Sitten keskität nämä absoluuttiset poikkeamat ja saat MAD: n mittauksen. MAD voi olla hyödyllistä päättää keskimääräisten jaksoiden lukumäärän tai painojesi määrästä jokaisella jaksolla. Yleensä valitset sen, joka johtaa matalin MAD-arvoon. Here8217s on esimerkki siitä, kuinka MAD lasketaan: MAD on yksinkertaisesti keskimäärin 8, 1 ja 3. Liikkuvat keskiarvot: Recap Kun käytät ennusteiden liukuvia keskiarvoja, muista: Keskimääräisten siirtojen voi olla yksinkertainen tai painotettu. keskiarvo ja kullekin painot, jotka olet määrittänyt kumpaankin, ovat ehdottomasti mielivaltaisia. Siirtyvät keskiarvot tasaavat epäsäännöllisiä kuvioita aikasarjatiedoissa. Mitä suurempi on kunkin datapisteen ajanjakso, sitä suurempi tasoitusvaikutus. viimeksi viime kuukausina8217: n myynti voi aiheuttaa suuria poikkeamia tietojen kausivaihteluista, suhdanteista ja epäsäännöllisistä kuvioista ja liukuvan keskiarvomenetelmän tasoituskyky voi olla hyödyllinen aikasarjojen hajoamisessa kehittyneemmistä ennusteista. Seuraava viikko: eksponentiaalinen tasoittaminen ensi viikolla8217s ennuste perjantaina. keskustelemme eksponenttien tasoittamismenetelmistä, ja näet, että ne voivat olla paljon ylivoimaisia ​​liikkuvaa keskimääräistä ennustusmenetelmää. Vieläkään Don8217t tiedä miksi ennusteemme perjantai-ilmoitukset näkyvät torstaina Tunnisteet: tinyurl26cm6ma Tykkää: Post navigation Jätä vastaus Peruuta vastaus Minulla oli 2 kysymystä: 1) Voitteko käyttää keskitettyä MA lähestymistapaa ennustaa tai vain kausiluonteisuuden poistamiseksi 2) Kun käytät yksinkertaista t (t-1t-2t-k) k MA: ta ennakoimaan yhtä jaksoa, onko mahdollista ennustaa yli 1 jakso eteenpäin Oletan, että ennusteesi olisi yksi pisteistä syötettäessä seuraavaan. Kiitos. Rakasta infoa ja selityksiäsi I8217m iloinen, että pidät blogista I8217m varma, että useat analyytikot ovat käyttäneet keskitettyä MA-lähestymistapaa ennakointiin, mutta henkilökohtaisesti en, koska tämä lähestymistapa johtaa havaintojen menetykseen molemmissa päissä. Tämä todellakin sitoo sitten toiseen kysymykseesi. Yleensä yksinkertaista MA: ää käytetään ennakoimaan vain yhtä ajanjaksoa, mutta monet analyytikot 8211 ja minäkin joskus 8211 käyttävät yhtäjaksoista ennustettani yhdeksi tulevan toisen jakson panoksista. It8217s on tärkeää muistaa, että entistä tulevaisuuteen yrität ennakoida, sitä suurempi riski ennustevirheestä. Tästä syystä en suosittele keskitettyä MA: ta ennustamiselle 8211 havaintojen menetyksen lopussa tarkoittaa, että täytyy luottaa ennusteisiin kadonneista havainnoista sekä aika-ajoista, joten on todennäköisempää ennustevirhe. Lukijat: sinua pyydetään punnitsemaan tätä. Onko sinulla ajatuksia tai ehdotuksia tästä Brianista, kiitos kommenteista ja onnittelumme blogista Nice-aloitteesta ja hienosta selityksestä. It8217 on todella hyödyllinen. Ennakoiduille asiakkaille, jotka eivät anna ennusteita, suunnitellaan painettuja piirilevyjä. Olen käyttänyt liikkuvaa keskiarvoa, mutta se ei ole kovin tarkka, sillä teollisuus voi nousta ylös ja alas. Me näemme keskellä kesää vuoden loppuun, että lähetys pcb8217s on ylös. Sitten näemme alkuvuodesta hidastuvan. Kuinka voin tarkentaa tietoni Katrina, siitä, mitä kerroit minulle, näyttää siltä, ​​että piirilevyjen myynti on kausittainen. Käsittelen kausivaihtelua joissakin muissa ennusteperunaehdokkaissa. Toinen lähestymistapa, jota voit käyttää, on melko helppoa, on Holt-Winters-algoritmi, jossa otetaan huomioon kausiluonteisuus. Löydät sen hyvän selityksen täältä. Muista selvittää, ovatko kausikuvasi kertolasku vai lisäaine, koska algoritmi on hieman erilainen kustakin. Jos piirustat kuukausittaiset tiedot muutamasta vuodesta ja huomaat, että vuodenaikojen kausivaihtelut näyttävät jatkuvan vuosittain jatkuvasti, kausivaihtelu on lisäainetta, jos kausivaihtelut näyttävät lisääntyvän ajan myötä, kausivaihtelu on kerrannaisvaikutuksia. Useimmat kausittaiset aikasarjat ovat moninkertaisia. Jos olet epävarma, oletetaan lisääntyvän. Onnea Hi there, Näiden menetelmien välillä:. Nave Forecasting. Päivitetään keskiarvo. Keskimääräinen pituus k. Joko painotettu keskimääräinen pituus keskimäärin k TAI Eksponentti-tasoitus Mikä näistä päivitysmalleista suosittelette minua ennustamaan tietoja Mielestäni ajattelen Moving Averagea. Mutta en tiedä, miten se on selkeä ja jäsennelty Itse asiassa riippuu tietojen määrästä ja laadusta sekä ennustejohtavuudesta (pitkän aikavälin, keskipitkän tai lyhyen aikavälin) Menetelmä keskiarvojen siirtämisestä Huomautukset ovat pois Oletetaan että on kellonaikoja, jotka on merkitty ja vastaavat muuttujat ovat. Ensinnäkin meidän on päätettävä liikkuvien keskiarvojen aika. Lyhyille aikasarjoille käytetään 3 tai 4 arvoa. Pitkäaikasarjojen osalta ajanjakso voi olla 7, 10 tai enemmän. Neljännesvuosittaisille aikasarjille lasketaan aina keskiarvot, jotka keräävät 4 neljäsosaa kerrallaan. Kuukausittaisessa aikasarjassa lasketaan 12 kuukauden liukuva keskiarvo. Oletetaan, että annettu aikasarja on vuosina ja olemme päättäneet laskea kolmen vuoden liukuvan keskiarvon. Liukuvat keskiarvot, jotka on merkitty laskemalla alla, lasketaan seuraavasti: Slideshare käyttää evästeitä parantamaan toimintoja ja suorituskykyä sekä antamaan sinulle asianmukaista mainontaa. Jos jatkat sivuston selaamista, hyväksyt evästeiden käytön tällä verkkosivustolla. Katso käyttöehdot ja tietosuojakäytäntö. Slideshare käyttää evästeitä parantamaan toimintoja ja suorituskykyä sekä antamaan sinulle asianmukaista mainontaa. Jos jatkat sivuston selaamista, hyväksyt evästeiden käytön tällä verkkosivustolla. Katso yksityiskohtia koskevat käyttöehdot ja käyttöehdot. Tutustu kaikkiin suosikkiin liittyviin aiheisiin SlideShare-sovelluksessa Hanki SlideShare-sovellus Tallenna myöhempään asti offline-tilaan Jatka edelleen mobiilisivustolle Lähetä kirjautuminen Kirjaudu kaksoisnapauttamalla kaksoista napauttamalla Voit pienentää siirrettyä keskimääräistä menetelmää Jaa tämä SlideShare LinkedIn Corporationin kopio 2017