Hallo Tom - Ich bin ein Abonnent von Ihnen und frage mich, wenn Sie hatte eine ldquoconversionrdquo Diagramm für die Umwandlung Trendwert in Perioden exponentielle MAs. Zum Beispiel, 10 Trend ist etwa gleich einer 19-Periode EMA, 1 Trend zu 200EMA etc. Vielen Dank im Voraus. Die Formel für das Umwandeln einer exponentiellen gleitenden Glättungskonstante (EMA) in eine Anzahl von Tagen ist: 2 mdashmdashmdash-N 1 wobei N die Anzahl von Tagen ist. Somit würde eine 19-Tage-EMA wie folgt in die Formel passen: 2 2 mdashmdashmdashmdash - mdashmdashmdash - 0,10 oder 10 19 1 20 Dies ergibt sich aus der Idee, dass die Glättungskonstante so gewählt wird, dass sie das gleiche Durchschnittsalter der Daten ergibt Wie in einem einfachen gleitenden Durchschnitt. Wenn Sie eine 20-Periode einfachen gleitenden Durchschnitt hatte, dann ist das durchschnittliche Alter jeder Dateneingabe 9,5. Man könnte meinen, dass das Durchschnittsalter 10 sein sollte, da dies die Hälfte von 20 oder 10,5 ist, da dies der Durchschnitt der Zahlen 1 bis 20 ist. Aber in der statistischen Konvention ist das Alter des jüngsten Datensatzes 0 Das Durchschnittsalter der Daten in einer Reihe von N Perioden ist: N - 1 mdashmdashmdashmdash-2 Für exponentielle Glättung, mit einer Glättungskonstante von A , Ergibt sich aus der Mathematik der Summationstheorie, dass das Durchschnittsalter der Daten: 1 - A mdashmdashmdashmdash - A Die Kombination dieser beiden Gleichungen: 1 - AN - 1 mdashmdashmdash mdashmdashmdashmdash A 2 können wir für einen Wert von A, der eine Gleichung erfüllt, lösen EMA auf eine einfache gleitende durchschnittliche Länge als: 2 A mdashmdashmdashmdash - N 1 Sie können eines der Original-Stücke jemals über dieses Konzept zu lesen, indem Sie zu McClellanMTAaward. pdf lesen. Dort haben wir Auszug aus P. N. Haurlanrsquos Flugschrift, ldquoMeasuring Trend Valuesrdquo. Haurlan war einer der ersten Personen, die in den sechziger Jahren exponentielle gleitende Durchschnittswerte verwenden, um Aktienkurse zu verfolgen, und wir bevorzugen immer noch seine ursprüngliche Terminologie eines XX-Trends, anstatt einen exponentiellen gleitenden Durchschnitt um einige Tage zu nennen. Ein großer Grund dafür ist, dass Sie mit einem einfachen gleitenden Durchschnitt (SMA) nur eine bestimmte Anzahl von Tagen zurückblicken. Alles, was älter als diese Rückblickperiode ist, fällt nicht in die Berechnung ein. Aber mit einer EMA, die alten Daten verschwindet nie wird es immer weniger wichtig für den Wert des gleitenden Durchschnitt. Um zu verstehen, warum Techniker sich um EMAs im Vergleich zu SMAs kümmern, zeigt ein kurzer Blick auf dieses Diagramm einige der Unterschiede. Bei Trendbewegungen nach oben oder unten werden eine 10-Trend - und eine 19-tägige SMA weitgehend zusammen sein. Es ist in Zeiten, in denen die Preise abgehackt sind, oder wenn die Trendrichtung ändert sich, dass wir sehen, die beiden beginnen, sich auseinander zu bewegen. In diesen Fällen wird die 10-Trend in der Regel umarmen die Preis-Aktion stärker, und damit in einer besseren Position, um eine Veränderung zu signalisieren, wenn der Preis überquert. Für viele Menschen macht diese Eigenschaft EMAs ldquobetterrdquo als SMAs, aber ldquobetterrdquo ist im Auge des Betrachters. Der Grund, warum Ingenieure verwendet EMAs seit Jahren, vor allem in der Elektronik, ist, dass sie einfacher zu berechnen sind. Um heute den neuen EMA-Wert zu bestimmen, benötigen Sie nur den EMA-Wert von gesternrsquos, die Glättungskonstante und den heutigen neuen Schlusskurs (oder ein anderes Datum). Aber um eine SMA zu berechnen, müssen Sie jeden Wert zurück in der Zeit für die gesamte Rückblickzeit kennen. Zeitreihenmethoden Zeitreihenmethoden sind statistische Techniken, die historische Daten nutzen, die über einen Zeitraum akkumuliert werden. Zeitreihen-Methoden gehen davon aus, dass das, was in der Vergangenheit aufgetreten ist, auch in Zukunft vorkommt. Wie der Name der Zeitreihe andeutet, beziehen diese Methoden die Prognose nur auf einen Faktor - Zeitpunkt. Dazu gehören der gleitende Durchschnitt, die exponentielle Glättung und die lineare Trendlinie, und sie gehören zu den beliebtesten Methoden für die kurzfristige Prognose von Service - und Produktionsunternehmen. Diese Methoden gehen davon aus, dass sich identifizierbare historische Muster oder Trends für die Nachfrage im Laufe der Zeit wiederholen werden. Moving Average Eine Zeitreihenprognose kann so einfach sein wie die Nachfrage in der aktuellen Periode, um die Nachfrage in der nächsten Periode vorherzusagen. Dies wird manchmal als naive oder intuitive Prognose bezeichnet. 4 Wenn die Nachfrage zum Beispiel 100 Einheiten in dieser Woche beträgt, beträgt die Prognose für die nächste Wochen-Nachfrage 100 Einheiten, wenn die Nachfrage zu 90 Einheiten stattdessen ausfällt, dann sind die folgenden Wochen die Nachfrage 90 Einheiten und so weiter. Diese Art der Prognosemethode berücksichtigt nicht das historische Nachfrageverhalten, sondern nur die Nachfrage in der aktuellen Periode. Es reagiert direkt auf die normalen, zufälligen Bewegungen in der Nachfrage. Die einfache gleitende Durchschnittsmethode verwendet in der jüngsten Vergangenheit mehrere Bedarfswerte, um eine Prognose zu entwickeln. Dies neigt dazu, die zufälligen Zunahmen und Abnahmen einer Prognose, die nur eine Periode verwendet, zu dämpfen oder zu glätten. Die einfache gleitende Durchschnitt ist nützlich für die Prognose der Nachfrage, die stabil ist und zeigt keine ausgeprägte Nachfrage Verhalten, wie ein Trend-oder saisonale Muster. Bewegungsdurchschnitte werden für bestimmte Zeiträume berechnet, wie z. B. drei Monate oder fünf Monate, je nachdem, wie viel der Prognostiker wünscht, die Bedarfsdaten zu glätten. Je länger der gleitende Durchschnitt, desto glatter wird es sein. Die Formel für die Berechnung der einfachen gleitenden Durchschnitt ist Computing ein einfaches Moving Average Die Instant Paper Clip Office Supply Company verkauft und liefert Bürobedarf an Unternehmen, Schulen und Agenturen innerhalb eines 50-Meile Radius seines Lagers. Das Büro-Supply-Geschäft ist wettbewerbsfähig, und die Fähigkeit, Aufträge zeitnah zu liefern, ist ein Faktor, neue Kunden zu gewinnen und alte zu halten. (Büros in der Regel nicht, wenn sie auf niedrige Lieferungen laufen, aber wenn sie völlig ausgehen, so dass sie ihre Aufträge sofort benötigen.) Der Manager des Unternehmens will sicher sein, genug Fahrer und Fahrzeuge zur Verfügung stehen, um Aufträge umgehend zu liefern und Sie haben ausreichende Bestände auf Lager. Daher möchte der Manager die Anzahl der Aufträge prognostizieren, die während des nächsten Monats auftreten (d. h. die Nachfrage nach Lieferungen vorauszusagen). Aus den Aufzeichnungen der Zustellungsaufträge hat das Management die folgenden Daten für die letzten 10 Monate akkumuliert, aus denen er 3- und 5-Monats-Bewegungsdurchschnitte berechnen möchte. Nehmen wir an, daß es Ende Oktober ist. Die Prognose, die sich aus dem 3- oder 5-monatigen gleitenden Durchschnitt ergibt, liegt typischerweise für den nächsten Monat in der Sequenz, die in diesem Fall November ist. Der gleitende Durchschnitt wird aus der Nachfrage nach Aufträgen für die vorangegangenen 3 Monate in der Sequenz gemäß folgender Formel berechnet: Der gleitende 5-Monatsdurchschnitt wird aus den vorherigen 5 Monaten der Bedarfsdaten wie folgt berechnet: Der 3- und der 5-Monats-Zeitraum Gleitende Durchschnittsprognosen für alle Monate der Nachfragedaten sind in der folgenden Tabelle dargestellt. Eigentlich würde nur die Prognose für November, die auf der letzten monatlichen Nachfrage basiert, vom Manager verwendet werden. Allerdings erlauben es die früheren Prognosen für die Vormonate, die Prognose mit der tatsächlichen Nachfrage zu vergleichen, um zu sehen, wie genau die Prognosemethode ist - das heißt, wie gut es funktioniert. Drei - und Fünfmonatsdurchschnitte Beide gleitenden Durchschnittsprognosen in der obigen Tabelle neigen dazu, die Variabilität, die in den tatsächlichen Daten auftritt, zu glätten. Dieser Glättungseffekt ist in der folgenden Abbildung zu sehen, in der die 3-Monats - und die 5-Monats-Durchschnittswerte einem Diagramm der ursprünglichen Daten überlagert wurden: Der gleitende 5-Monatsdurchschnitt in der vorherigen Abbildung glättet Schwankungen in einem größeren Ausmaß als Der dreimonatige Gleitende Durchschnitt. Der 3-Monats-Durchschnitt spiegelt jedoch die jüngsten Daten, die dem Büromaterial-Manager zur Verfügung stehen, stärker wider. Im Allgemeinen sind die Prognosen, die den längerfristigen gleitenden Durchschnitt verwenden, langsamer, um auf die jüngsten Veränderungen in der Nachfrage zu reagieren als diejenigen, die unter Verwendung kürzerer Periodenbewegungsdurchschnitte durchgeführt wurden. Die zusätzlichen Datenperioden dämpfen die Geschwindigkeit, mit der die Prognose antwortet. Die Festlegung der geeigneten Anzahl von Perioden, die in einer gleitenden Durchschnittsprognose verwendet werden müssen, erfordert oft ein gewisses Maß an Versuchs - und Fehlerversuchen. Der Nachteil der gleitenden Durchschnittsmethode ist, dass sie nicht auf Variationen reagiert, die aus einem Grund auftreten, wie z. B. Zyklen und saisonale Effekte. Faktoren, die Änderungen verursachen, werden in der Regel ignoriert. Es handelt sich grundsätzlich um eine mechanische Methode, die historische Daten konsistent widerspiegelt. Die gleitende Durchschnittsmethode hat jedoch den Vorteil, einfach zu bedienen, schnell und relativ kostengünstig zu sein. In der Regel kann diese Methode eine gute Prognose für die kurze Laufzeit, aber es sollte nicht zu weit in die Zukunft geschoben werden. Gewichteter gleitender Durchschnitt Die gleitende Durchschnittsmethode kann so angepasst werden, dass sie stärkere Fluktuationen in den Daten widerspiegelt. Bei der gewichteten gleitenden Durchschnittsmethode werden die Gewichte den letzten Daten entsprechend der folgenden Formel zugewiesen: Die Bedarfsdaten für PM Computer Services (gezeigt in der Tabelle für Beispiel 10.3) scheinen einem zunehmenden linearen Trend zu folgen. Das Unternehmen möchte eine lineare Trendlinie berechnen, um zu sehen, ob es genauer als die in den Beispielen 10.3 und 10.4 entwickelten exponentiellen Glättungs - und angepassten exponentiellen Glättungsvorhersagen ist. Die für die Berechnung der kleinsten Quadrate benötigten Werte sind wie folgt: Unter Verwendung dieser Werte werden die Parameter für die lineare Trendlinie wie folgt berechnet: Daher wird die lineare Trendliniengleichung berechnet, um eine Prognose für die Periode 13 zu berechnen, wobei x & sub3; Trendlinie: Die folgende Grafik zeigt die lineare Trendlinie im Vergleich zu den Istdaten. Die Trendlinie scheint die tatsächlichen Daten genau zu reflektieren - also gut zu passen - und wäre somit ein gutes Prognosemodell für dieses Problem. Ein Nachteil der linearen Trendlinie besteht jedoch darin, dass sie sich nicht an eine Trendänderung anpasst, da die exponentiellen Glättungsprognosemethoden voraussetzen, dass alle zukünftigen Prognosen einer Geraden folgen werden. Dies beschränkt die Verwendung dieser Methode auf einen kürzeren Zeitrahmen, in dem Sie relativ sicher sein können, dass sich der Trend nicht ändert. Saisonale Anpassungen Ein saisonales Muster ist eine repetitive Zunahme und Abnahme der Nachfrage. Viele Nachfrageartikel zeigen saisonales Verhalten. Bekleidungsverkäufe folgen jährlichen Jahreszeitmustern, mit der Nachfrage nach warmer Kleidung, die im Fall und im Winter und im Frühjahr und Sommer abnimmt, während die Nachfrage nach kühlerer Kleidung zunimmt. Die Nachfrage nach vielen Einzelteilen einschließlich Spielwaren, Sportausrüstung, Kleidung, elektronische Geräte, Schinken, Truthähne, Wein und Frucht, während der Ferienzeit erhöhen. Grußkarte Nachfrage steigt in Verbindung mit besonderen Tagen wie Valentinstag und Muttertag. Saisonale Muster können auch auf einer monatlichen, wöchentlichen oder sogar täglichen Basis auftreten. Einige Restaurants haben höhere Nachfrage am Abend als am Mittag oder am Wochenende im Gegensatz zu Wochentagen. Verkehr - also Verkäufe - an den Einkaufszentren nimmt Freitag und Samstag auf. Es gibt mehrere Methoden, um saisonale Muster in einer Zeitreihenprognose zu reflektieren. Wir beschreiben eine der einfacheren Methoden mit einem saisonalen Faktor. Ein saisonaler Faktor ist ein numerischer Wert, der mit der normalen Prognose multipliziert wird, um eine saisonbereinigte Prognose zu erhalten. Eine Methode zur Entwicklung einer Nachfrage nach saisonalen Faktoren besteht darin, die Nachfrage pro Saison nach der folgenden Formel aufzuteilen: Die daraus resultierenden saisonalen Faktoren zwischen 0 und 1,0 sind tatsächlich der Anteil der Gesamtjahresnachfrage jede Saison. Diese saisonalen Faktoren werden mit der jährlichen prognostizierten Nachfrage multipliziert, um prognostizierte Prognosen für jede Saison zu erzielen. Berechnung einer Prognose mit saisonalen Anpassungen Wishbone Farms wächst Truthähne zu einem Fleisch-Verarbeitung Unternehmen das ganze Jahr verkaufen. Allerdings ist seine Hauptsaison offensichtlich im vierten Quartal des Jahres, von Oktober bis Dezember. Wishbone Farms hat in den folgenden drei Jahren die Nachfrage nach Truthühnern erlebt: Weil wir drei Jahre Nachfragedaten haben, können wir die saisonalen Faktoren berechnen, indem wir die gesamte vierteljährliche Nachfrage für die drei Jahre durch die Gesamtnachfrage in allen drei Jahren dividieren : Als nächstes wollen wir die prognostizierte Nachfrage für das nächste Jahr, 2000, mit jedem der saisonalen Faktoren multiplizieren, um die prognostizierte Nachfrage für jedes Quartal zu erhalten. Um dies zu erreichen, benötigen wir eine Nachfrageprognose für 2000. Da in diesem Fall die Nachfragedaten in der Tabelle einen allgemein ansteigenden Trend aufweisen, berechnen wir eine lineare Trendlinie für die drei Jahre der Daten in der Tabelle, um eine grobe zu erhalten Prognose Schätzung: So ist die Prognose für das Jahr 2000 58,17 oder 58,170 Puten. Anhand dieser jährlichen Bedarfsprognose werden die saisonbereinigten Prognosen SF i für das Jahr 2000 verglichen, wenn diese vierteljährlichen Prognosen mit den tatsächlichen Bedarfswerten in der Tabelle verglichen werden. Sie scheinen relativ gute Prognoseschätzungen zu sein, die sowohl die saisonalen Schwankungen der Daten widerspiegeln als auch Der allgemeine Aufwärtstrend. 10-12. Wie ist die gleitende Durchschnittsmethode ähnlich der exponentiellen Glättung 10-13. Welche Auswirkung auf das exponentielle Glättungsmodell wird die Glättungskonstante erhöhen, haben 10-14. Wie sich die eingestellte exponentielle Glättung von der exponentiellen Glättung 10-15 unterscheidet. Was die Wahl der Glättungskonstante für den Trend in einem angepassten exponentiellen Glättungsmodell 10-16 bestimmt. In den Kapitelbeispielen für Zeitreihenmethoden wurde die Ausgangsprognose immer als die tatsächliche Nachfrage in der ersten Periode angenommen. Schlagen Sie weitere Möglichkeiten vor, dass die Startprognose tatsächlich ermittelt werden kann. 10-17. Wie unterscheidet sich das lineare Trendlinien-Prognosemodell von einem linearen Regressionsmodell für die Prognose 10-18. Von den in diesem Kapitel vorgestellten Zeitreihenmodellen, einschließlich dem gleitenden Mittelwert und dem gewichteten gleitenden Durchschnitt, der exponentiellen Glättung und der angepassten exponentiellen Glättung und der linearen Trendlinie, welche halten Sie für den besten Warum 10-19. Welche Vorteile hat eine angepasste exponentielle Glättung über eine lineare Trendlinie für die prognostizierte Nachfrage, die einen Trend aufweist 4 K. B. Kahn und J. T. Mentzer, Prognose in Consumer and Industrial Markets, The Journal of Business Forecasting 14, No. 2 (Sommer 1995): 21-28.Moving durchschnittliche und exponentielle Glättungsmodelle Als ein erster Schritt, über jenseits von Mittelwerten, zufälligen Wandermodellen und linearen Trendmodellen hinaus, können nicht-saisonale Muster und Trends mit einem gleitenden Durchschnitt oder Glättungsmodell extrapoliert werden . Die grundlegende Annahme hinter Mittelwertbildung und Glättungsmodellen ist, dass die Zeitreihe lokal stationär mit einem sich langsam verändernden Mittelwert ist. Daher nehmen wir einen bewegten (lokalen) Durchschnitt, um den aktuellen Wert des Mittelwerts abzuschätzen und dann als die Prognose für die nahe Zukunft zu verwenden. Dies kann als Kompromiss zwischen dem mittleren Modell und dem random-walk-ohne-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 bezeichnet, da die kurzzeitige Mittelung die Wirkung hat, die Stöße in der ursprünglichen Reihe zu glätten. Durch Anpassen des Glättungsgrades (die Breite des gleitenden Durchschnitts) können wir hoffen, eine Art von optimaler Balance zwischen der Leistung des Mittelwerts und der zufälligen Wandermodelle zu erreichen. Die einfachste Art der Mittelung Modell ist die. Einfache (gleichgewichtige) Moving Average: Die Prognose für den Wert von Y zum Zeitpunkt t1, der zum Zeitpunkt t gemacht wird, entspricht dem einfachen Mittelwert der letzten m Beobachtungen: (Hier und anderswo werde ich das Symbol 8220Y-hat8221 stehen lassen Für eine Prognose der Zeitreihe Y, die am frühestmöglichen früheren Zeitpunkt durch ein gegebenes Modell durchgeführt wird.) Dieser Mittelwert wird auf den Zeitraum t (m1) 2 zentriert, was impliziert, daß die Schätzung des lokalen Mittels dazu neigt, hinter dem wahr zu liegen Wert des lokalen Mittels um etwa (m1) 2 Perioden. Somit ist das Durchschnittsalter der Daten im einfachen gleitenden Durchschnitt (m1) 2 relativ zu der Periode, für die die Prognose berechnet wird, angegeben: dies ist die Zeitspanne, in der die Prognosen dazu tendieren, hinter den Wendepunkten der Daten zu liegen . Wenn Sie z. B. die letzten 5 Werte mitteln, werden die Prognosen etwa 3 Perioden spät sein, wenn sie auf Wendepunkte reagieren. Beachten Sie, dass, wenn m1, die einfache gleitende Durchschnitt (SMA) - Modell ist gleichbedeutend mit der random walk-Modell (ohne Wachstum). Wenn m sehr groß ist (vergleichbar der Länge des Schätzzeitraums), entspricht das SMA-Modell dem mittleren Modell. Wie bei jedem Parameter eines Prognosemodells ist es üblich, den Wert von k anzupassen, um den besten Quotienten der Daten zu erhalten, d. H. Die kleinsten Prognosefehler im Durchschnitt. Hier ist ein Beispiel einer Reihe, die zufällige Fluktuationen um ein sich langsam veränderndes Mittel zu zeigen scheint. Erstens können wir versuchen, es mit einem zufälligen Fußmodell, das entspricht einem einfachen gleitenden Durchschnitt von 1 Begriff entspricht: Das zufällige gehen Modell reagiert sehr schnell auf Änderungen in der Serie, aber dabei nimmt sie einen Großteil der quotnoisequot in der Daten (die zufälligen Fluktuationen) sowie das Quotsignalquot (das lokale Mittel). Wenn wir stattdessen einen einfachen gleitenden Durchschnitt von 5 Begriffen anwenden, erhalten wir einen glatteren Satz von Prognosen: Der 5-Term-einfache gleitende Durchschnitt liefert in diesem Fall deutlich kleinere Fehler als das zufällige Wegmodell. Das Durchschnittsalter der Daten in dieser Prognose beträgt 3 ((51) 2), so dass es dazu neigt, hinter den Wendepunkten um etwa drei Perioden zu liegen. (Zum Beispiel scheint ein Abschwung in Periode 21 aufgetreten zu sein, aber die Prognosen drehen sich erst nach mehreren Perioden später.) Beachten Sie, dass die Langzeitprognosen des SMA-Modells eine horizontale Gerade sind, genau wie beim zufälligen Weg Modell. Somit geht das SMA-Modell davon aus, dass es keinen Trend in den Daten gibt. Während jedoch die Prognosen aus dem Zufallswegmodell einfach dem letzten beobachteten Wert entsprechen, sind die Prognosen des SMA-Modells gleich einem gewichteten Mittelwert der neueren Werte. Die von Statgraphics berechneten Konfidenzgrenzen für die Langzeitprognosen des einfachen gleitenden Durchschnitts werden nicht breiter, wenn der Prognosehorizont zunimmt. Dies ist offensichtlich nicht richtig Leider gibt es keine zugrunde liegende statistische Theorie, die uns sagt, wie sich die Vertrauensintervalle für dieses Modell erweitern sollten. Allerdings ist es nicht zu schwer, empirische Schätzungen der Konfidenzgrenzen für die längerfristigen Prognosen zu berechnen. Beispielsweise können Sie eine Tabellenkalkulation einrichten, in der das SMA-Modell für die Vorhersage von 2 Schritten im Voraus, 3 Schritten voraus usw. innerhalb der historischen Datenprobe verwendet wird. Sie könnten dann die Stichproben-Standardabweichungen der Fehler bei jedem Prognosehorizont berechnen und dann Konfidenzintervalle für längerfristige Prognosen durch Addieren und Subtrahieren von Vielfachen der geeigneten Standardabweichung konstruieren. Wenn wir einen 9-Term einfach gleitenden Durchschnitt versuchen, erhalten wir sogar noch bessere Prognosen und mehr von einem nacheilenden Effekt: Das Durchschnittsalter beträgt jetzt 5 Perioden ((91) 2). Wenn wir einen 19-term gleitenden Durchschnitt nehmen, steigt das Durchschnittsalter auf 10 an: Beachten Sie, dass die Prognosen tatsächlich hinter den Wendepunkten um etwa 10 Perioden zurückbleiben. Welches Maß an Glättung ist am besten für diese Serie Hier ist eine Tabelle, die ihre Fehlerstatistiken vergleicht, darunter auch einen 3-Term-Durchschnitt: Modell C, der 5-Term-Gleitender Durchschnitt, ergibt den niedrigsten Wert von RMSE mit einer 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. (Rückkehr nach oben.) Browns Einfache Exponentialglättung (exponentiell gewichteter gleitender Durchschnitt) Das oben beschriebene einfache gleitende Durchschnittsmodell hat die unerwünschte Eigenschaft, daß es die letzten k-Beobachtungen gleich und vollständig ignoriert. Intuitiv sollten vergangene Daten in einer allmählicheren Weise diskontiert werden - zum Beispiel sollte die jüngste Beobachtung ein wenig mehr Gewicht als die zweitletzte erhalten, und die 2. jüngsten sollten ein wenig mehr Gewicht als die 3. jüngsten erhalten, und bald. Das einfache exponentielle Glättungsmodell (SES) erfüllt dies. 945 bezeichnen 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 Serie, wie er aus Daten bis zu der Zeit geschätzt wird, darstellt. Der Wert von L zur Zeit t wird rekursiv von seinem eigenen vorherigen Wert wie folgt berechnet: Somit ist der aktuelle geglättete Wert eine Interpolation zwischen dem vorher geglätteten Wert und der aktuellen Beobachtung, wobei 945 die Nähe des interpolierten Wertes auf die neueste steuert Überwachung. Die Prognose für die nächste Periode ist einfach der aktuelle geglättete Wert: Äquivalent können wir die nächste Prognose direkt in Form früherer Prognosen und früherer 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 durch Anpassung der bisherigen Prognose in Richtung des bisherigen Fehlers um einen Bruchteil 945 erhalten Zeit t. In der dritten Version ist die Prognose ein exponentiell gewichteter (dh diskontierter) gleitender Durchschnitt mit Abzinsungsfaktor 1-945: Die Interpolationsversion der Prognoseformel ist am einfachsten zu verwenden, wenn Sie das Modell in einer Tabellenkalkulation implementieren Einzelne Zelle und enthält Zellverweise, die auf die vorhergehende Prognose, die vorherige Beobachtung und die Zelle mit dem Wert von 945 zeigen. Beachten Sie, dass, wenn 945 1, das SES-Modell zu einem zufälligen Weg-Modell (ohne Wachstum) äquivalent ist. Wenn 945 0 ist, entspricht das SES-Modell dem mittleren Modell, wobei angenommen wird, dass der erste geglättete Wert gleich dem Mittelwert gesetzt ist. (Zurück zum Seitenanfang.) Das Durchschnittsalter der Daten in der Simple-Exponential-Glättungsprognose beträgt 1 945, bezogen auf den Zeitraum, für den die Prognose berechnet wird. (Dies sollte nicht offensichtlich sein, kann aber leicht durch die Auswertung einer unendlichen Reihe gezeigt werden.) Die einfache gleitende Durchschnittsprognose neigt daher zu Verzögerungen hinter den Wendepunkten um etwa 1 945 Perioden. Wenn beispielsweise 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. Eine Verzögerung) ist die einfache exponentielle Glättungsprognose (SES) der simplen gleitenden Durchschnittsprognose (SMA) etwas überlegen, weil sie relativ viel mehr Gewicht auf die jüngste Beobachtung - i. e stellt. Es ist etwas mehr quresponsivequot zu Änderungen, die sich in der jüngsten Vergangenheit. Zum Beispiel haben ein SMA - Modell mit 9 Terminen und ein SES - Modell mit 945 0,2 beide ein durchschnittliches Alter von 5 Jahren für die Daten in ihren Prognosen, aber das SES - Modell legt mehr Gewicht auf die letzten 3 Werte als das SMA - Modell und am Gleiches gilt für die Werte von mehr als 9 Perioden, wie in dieser Tabelle gezeigt: 822forget8221. Ein weiterer wichtiger Vorteil des SES-Modells gegenüber dem SMA-Modell ist, dass das SES-Modell einen Glättungsparameter verwendet, der kontinuierlich variabel ist und somit 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 Serie ergibt sich wie folgt: Das durchschnittliche Alter der Daten in dieser Prognose beträgt 10.2961 3,4 Perioden, was ähnlich wie bei einem 6-term einfachen gleitenden Durchschnitt ist. Die Langzeitprognosen aus dem SES-Modell sind eine horizontale Gerade. Wie im SMA-Modell und dem Random-Walk-Modell ohne Wachstum. Es ist jedoch anzumerken, dass die von Statgraphics berechneten Konfidenzintervalle nun in einer vernünftigen Weise abweichen und dass sie wesentlich schmaler sind als die Konfidenzintervalle für das Zufallswegmodell. Das SES-Modell geht davon aus, dass die Serie etwas vorhersehbarer ist als das Zufallswandermodell. Ein SES-Modell ist eigentlich ein Spezialfall eines ARIMA-Modells. So dass die statistische Theorie der ARIMA-Modelle eine solide Grundlage für die Berechnung der Konfidenzintervalle für das SES-Modell bildet. Insbesondere ist ein SES-Modell ein ARIMA-Modell mit einer nicht sonderbaren Differenz, einem MA (1) - Term und kein konstanter Term. Ansonsten als quotARIMA (0,1,1) - Modell ohne Konstantquot bekannt. Der MA (1) - Koeffizient im ARIMA-Modell entspricht der Größe 1 - 945 im SES-Modell. Wenn Sie zum Beispiel ein ARIMA-Modell (0,1,1) ohne Konstante an die hier analysierte Serie anpassen, ergibt sich der geschätzte MA (1) - Koeffizient auf 0,7029, was fast genau ein Minus von 0,2961 ist. Es ist möglich, die Annahme eines von Null verschiedenen konstanten linearen Trends zu einem SES-Modell hinzuzufügen. Dazu wird ein ARIMA-Modell mit einer nicht sonderbaren Differenz und einem MA (1) - Term mit konstantem, d. H. Einem ARIMA-Modell (0,1,1) mit konstantem Wert angegeben. Die langfristigen Prognosen haben dann einen Trend, der dem durchschnittlichen Trend über den gesamten Schätzungszeitraum entspricht. Sie können dies nicht in Verbindung mit saisonalen Anpassungen tun, da die saisonalen Anpassungsoptionen deaktiviert sind, wenn der Modelltyp auf ARIMA gesetzt ist. Sie können jedoch einen konstanten langfristigen exponentiellen Trend zu einem einfachen exponentiellen Glättungsmodell (mit oder ohne saisonale Anpassung) hinzufügen, indem Sie die Inflationsanpassungsoption im Prognoseverfahren verwenden. Die prozentuale Zinssatzquote (prozentuale Wachstumsrate) pro Periode kann als der Steigungskoeffizient in einem linearen Trendmodell geschätzt werden, das an die Daten in Verbindung mit einer natürlichen Logarithmuswandlung angepasst ist, oder es kann auf anderen unabhängigen Informationen bezüglich der langfristigen Wachstumsperspektiven beruhen . (Rückkehr nach oben.) Browns Linear (dh doppelt) Exponentielle Glättung Die SMA-Modelle und SES-Modelle gehen davon aus, dass es in den Daten keine Tendenzen gibt (die in der Regel in Ordnung sind oder zumindest nicht zu schlecht für 1- Wenn die Daten relativ verrauscht 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 das Rauschen auszeichnet, und wenn es notwendig ist, mehr als eine Periode vorher zu prognostizieren, könnte die Schätzung eines lokalen Trends auch sein Ein Problem. Das einfache exponentielle Glättungsmodell kann verallgemeinert werden, um ein lineares exponentielles Glättungsmodell (LES) zu erhalten, das lokale Schätzungen sowohl des Niveaus als auch des Trends berechnet. Das einfachste zeitvariable Trendmodell ist Browns lineares exponentielles Glättungsmodell, das zwei verschiedene geglättete Serien verwendet, die zu verschiedenen Zeitpunkten zentriert sind. Die Prognoseformel basiert auf einer Extrapolation einer Linie durch die beiden Zentren. (Eine weiterentwickelte Version dieses Modells, Holt8217s, wird unten diskutiert.) Die algebraische Form des Brown8217s linearen exponentiellen Glättungsmodells, wie die des einfachen exponentiellen Glättungsmodells, kann in einer Anzahl von unterschiedlichen, aber äquivalenten Formen ausgedrückt werden. Die quadratische quadratische Form dieses Modells wird gewöhnlich wie folgt ausgedrückt: Sei S die einfach geglättete Reihe, die durch Anwendung einfacher exponentieller Glättung auf Reihe Y erhalten wird. Das heißt, der Wert von S in der Periode t ist gegeben durch: (Erinnern wir uns, Exponentielle Glättung, so würde dies die Prognose für Y in der Periode t1 sein.) Dann sei Squot die doppelt geglättete Folge, die man erhält, indem man eine einfache exponentielle Glättung (unter Verwendung desselben 945) auf die Reihe S anwendet: Schließlich die Prognose für Ytk. Für jedes kgt1 ist gegeben durch: Dies ergibt e & sub1; & sub0; (d. h. Cheat ein Bit und die erste Prognose der tatsächlichen ersten Beobachtung gleich) und e & sub2; Y & sub2; 8211 Y & sub1; Nach denen die Prognosen unter Verwendung der obigen Gleichung erzeugt werden. Dies ergibt die gleichen Anpassungswerte wie die Formel auf der 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 von exponentieller Glättung mit saisonaler Anpassung veranschaulicht. Holt8217s Lineares Exponentialglättung Brown8217s LES-Modell berechnet lokale Schätzungen von Pegel und Trend durch Glätten der letzten Daten, aber die Tatsache, dass dies mit einem einzigen Glättungsparameter erfolgt, legt eine Einschränkung für die Datenmuster fest, die es anpassen kann: den Pegel und den Trend Dürfen nicht zu unabhängigen Preisen variieren. Holt8217s LES-Modell adressiert dieses Problem durch zwei Glättungskonstanten, eine für die Ebene und eine für den Trend. Zu jedem Zeitpunkt 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 zum Zeitpunkt t beobachteten Wert von Y und den vorherigen Schätzungen von Pegel und Trend durch zwei Gleichungen berechnet, die exponentielle Glättung 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 tatsächliche Wert beobachtet wird, wird die aktualisierte Schätzung des Pegels rekursiv berechnet, indem zwischen Y tshy und seiner Prognose L t-1 T t-1 unter Verwendung von Gewichten von 945 und 1- 945 interpoliert wird. Die Änderung des geschätzten Pegels, Nämlich L t 8209 L t82091. Kann als eine verrauschte Messung des Trends zum Zeitpunkt t interpretiert werden. Die aktualisierte Schätzung des Trends wird dann rekursiv berechnet, indem zwischen L t 8209 L t82091 und der vorherigen Schätzung des Trends T t-1 interpoliert wird. Unter Verwendung der Gewichte von 946 und 1-946: Die Interpretation der Trendglättungskonstanten 946 ist analog zu der Pegelglättungskonstante 945. Modelle mit kleinen Werten von 946 nehmen an, dass sich der Trend mit der Zeit nur sehr langsam ändert, während Modelle mit Größere 946 nehmen an, dass sie sich schneller ändert. Ein Modell mit einem großen 946 glaubt, dass die ferne Zukunft sehr unsicher ist, da Fehler in der Trendschätzung bei der Prognose von mehr als einer Periode ganz wichtig werden. (Rückkehr nach oben) Die Glättungskonstanten 945 und 946 können auf übliche Weise geschätzt werden, indem der mittlere quadratische Fehler der 1-Schritt-Voraus-Prognosen minimiert wird. Wenn dies in Statgraphics getan wird, erweisen sich die Schätzungen als 945 0.3048 und 946 0,008. Der sehr geringe Wert von 946 bedeutet, dass das Modell eine sehr geringe Veränderung im Trend von einer Periode zur nächsten annimmt, so dass dieses Modell im Grunde versucht, einen langfristigen Trend abzuschätzen. Analog zur Vorstellung des Durchschnittsalters der Daten, die bei der Schätzung der lokalen Ebene der Reihe verwendet werden, ist das Durchschnittsalter der Daten, die bei der Schätzung des lokalen Trends verwendet werden, proportional zu 1 946, wenn auch nicht exakt gleich . In diesem Fall erweist sich dies als 10.006 125. Dies ist eine sehr genaue Zahl, da die Genauigkeit der Schätzung von 946 nicht wirklich 3 Dezimalstellen beträgt, sondern sie ist von der gleichen Größenordnung wie die Stichprobengröße von 100 Dieses Modell ist Mittelung über eine ziemlich große Geschichte bei der Schätzung der Trend. Das Prognose-Diagramm unten zeigt, dass das LES-Modell einen etwas größeren lokalen Trend am Ende der Serie schätzt als der im SEStrend-Modell geschätzte konstante Trend. Außerdem ist der Schätzwert von 945 fast identisch mit dem, der durch Anpassen des SES-Modells mit oder ohne Trend erhalten wird, so dass dies fast das gleiche Modell ist. Nun, sehen diese aussehen wie vernünftige Prognosen für ein Modell, das soll Schätzung einer lokalen Tendenz Wenn Sie 8220eyeball8221 dieser Handlung, sieht es so aus, als ob der lokale Trend nach unten am Ende der Serie gedreht hat Was ist passiert Die Parameter dieses Modells Wurden durch Minimierung des quadratischen Fehlers von 1-Schritt-Voraus-Prognosen, nicht längerfristigen Prognosen, abgeschätzt, wobei der Trend keinen großen Unterschied macht. Wenn alles, was Sie suchen, 1-Schritt-vor-Fehler sind, sehen Sie nicht das größere Bild der Trends über (sagen) 10 oder 20 Perioden. Um dieses Modell im Einklang mit unserer Augapfel-Extrapolation der Daten zu erhalten, können wir die Trendglättungskonstante manuell anpassen, so dass sie eine kürzere Basislinie für die Trendschätzung verwendet. Wenn wir beispielsweise 946 0,1 setzen, beträgt das durchschnittliche Alter 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 mitteln. Here8217s, was das Prognose-Plot aussieht, wenn wir 946 0,1 setzen, während 945 0,3 halten. Dies scheint intuitiv vernünftig für diese Serie, obwohl es wahrscheinlich gefährlich, diesen Trend mehr als 10 Perioden in der Zukunft 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 ähnliche Ergebnisse (mit etwas mehr oder weniger Reaktionsfähigkeit) werden mit 0,5 und 0,2 erhalten. (A) Holts linearer Exp. Glättung mit alpha 0.3048 und beta 0,008 (B) Holts linear exp. Glättung mit alpha 0,3 (E) 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 auf der Basis machen können Von 1-Schritt-Vorhersagefehlern innerhalb der Datenprobe. Wir müssen auf andere Überlegungen zurückgreifen. Wenn wir glauben, dass es sinnvoll ist, die aktuelle Trendschätzung auf das, was in den letzten 20 Perioden passiert ist, zugrunde zu legen, können wir für das LES-Modell mit 945 0,3 und 946 0,1 einen Fall machen. Wenn wir agnostisch sein wollen, ob es einen lokalen Trend gibt, dann könnte eines der SES-Modelle leichter zu erklären sein, und würde auch für die nächsten 5 oder 10 Perioden mehr Mittelprognosen geben. (Rückkehr nach oben.) Welche Art von Trend-Extrapolation am besten ist: horizontal oder linear Empirische Evidenz deutet darauf hin, dass es, wenn die Daten bereits für die Inflation angepasst wurden (wenn nötig), unprätent ist, kurzfristige lineare Werte zu extrapolieren Trends sehr weit in die Zukunft. Die heutigen Trends können sich in Zukunft aufgrund unterschiedlicher Ursachen wie Produktveralterung, verstärkte Konkurrenz und konjunkturelle Abschwünge oder Aufschwünge in einer Branche abschwächen. Aus diesem Grund führt eine einfache exponentielle Glättung oft zu einer besseren Out-of-Probe, als ansonsten erwartet werden könnte, trotz ihrer quotnaivequot horizontalen Trend-Extrapolation. Damped Trendmodifikationen des linearen exponentiellen Glättungsmodells werden in der Praxis häufig auch eingesetzt, um in seinen Trendprojektionen eine Note des Konservatismus einzuführen. Das Dämpfungs-Trend-LES-Modell kann als Spezialfall eines ARIMA-Modells, insbesondere eines ARIMA-Modells (1,1,2), implementiert werden. Es ist möglich, Konfidenzintervalle um langfristige Prognosen zu berechnen, die durch exponentielle Glättungsmodelle erzeugt werden, indem man sie als Spezialfälle von ARIMA-Modellen betrachtet. (Achtung: Nicht alle Software berechnet die Konfidenzintervalle für diese Modelle korrekt.) Die Breite der Konfidenzintervalle hängt ab von (i) dem RMS-Fehler des Modells, (ii) der Art der Glättung (einfach oder linear) (iii) dem Wert (S) der Glättungskonstante (n) und (iv) die Anzahl der Perioden vor der Prognose. Im Allgemeinen breiten sich die Intervalle schneller aus, da 945 im SES-Modell größer wird und sich viel schneller ausbreiten, wenn lineare statt einfache Glättung verwendet wird. Dieses Thema wird im Abschnitt "ARIMA-Modelle" weiter erläutert. (Zurück zum Seitenanfang.)
No comments:
Post a Comment