Moving Average Forecasting Pendahuluan. Seperti yang Anda duga, kita melihat beberapa pendekatan paling primitif terhadap peramalan. Tapi mudah-mudahan ini setidaknya merupakan pengantar yang berharga untuk beberapa masalah komputasi yang terkait dengan penerapan prakiraan di spreadsheet. Dalam vena ini kita akan melanjutkan dengan memulai dari awal dan mulai bekerja dengan Moving Average prakiraan. Moving Average Forecasts. Semua orang terbiasa dengan perkiraan rata-rata bergerak terlepas dari apakah mereka yakin itu. Semua mahasiswa melakukannya setiap saat. Pikirkan nilai tes Anda di kursus di mana Anda akan menjalani empat tes selama semester ini. Mari kita asumsikan Anda mendapatkan 85 pada tes pertama Anda. Apa yang akan Anda perkirakan untuk skor tes kedua Anda Menurut Anda apa yang akan diprediksikan oleh guru untuk mendapatkan skor tes berikutnya? Menurut Anda, apa perkiraan teman Anda untuk memprediksi skor tes berikutnya? Menurut Anda, apa yang diprediksi orang tua Anda untuk skor tes berikutnya? Semua blabbing yang mungkin Anda lakukan terhadap teman dan orang tua Anda, mereka dan gurumu sangat mengharapkan Anda untuk mendapatkan sesuatu dari area yang Anda dapatkan. Nah, sekarang mari kita asumsikan bahwa meskipun promosi diri Anda ke teman Anda, Anda terlalu memperkirakan perkiraan Anda dan membayangkan bahwa Anda dapat belajar lebih sedikit untuk tes kedua dan Anda mendapatkan nilai 73. Sekarang, apa yang menarik dan tidak peduli? Mengantisipasi Anda akan mendapatkan pada tes ketiga Ada dua pendekatan yang sangat mungkin bagi mereka untuk mengembangkan perkiraan terlepas dari apakah mereka akan berbagi dengan Anda. Mereka mungkin berkata pada diri mereka sendiri, quotThis guy selalu meniup asap tentang kecerdasannya. Dia akan mendapatkan yang lain lagi jika dia beruntung. Mungkin orang tua akan berusaha lebih mendukung dan berkata, quotWell, sejauh ini Anda sudah mendapatkan nilai 85 dan angka 73, jadi mungkin Anda harus memikirkan tentang (85 73) 2 79. Saya tidak tahu, mungkin jika Anda kurang berpesta Dan werent mengibaskan musang seluruh tempat dan jika Anda mulai melakukan lebih banyak belajar Anda bisa mendapatkan skor yang lebih tinggi. quot Kedua perkiraan ini sebenarnya bergerak perkiraan rata-rata. Yang pertama hanya menggunakan skor terbaru untuk meramalkan kinerja masa depan Anda. Ini disebut perkiraan rata-rata bergerak menggunakan satu periode data. Yang kedua juga merupakan perkiraan rata-rata bergerak namun menggunakan dua periode data. Mari kita asumsikan bahwa semua orang yang menghina pikiran besar ini membuat Anda kesal dan Anda memutuskan untuk melakukannya dengan baik pada tes ketiga karena alasan Anda sendiri dan untuk memberi nilai lebih tinggi di depan kuotasi Anda. Anda mengikuti tes dan nilai Anda sebenarnya adalah 89 Setiap orang, termasuk Anda sendiri, terkesan. Jadi sekarang Anda memiliki ujian akhir semester yang akan datang dan seperti biasa Anda merasa perlu mendorong setiap orang untuk membuat prediksi tentang bagaimana Anda melakukannya pada tes terakhir. Nah, semoga anda melihat polanya. Nah, semoga anda bisa melihat polanya. Yang Anda percaya adalah Whistle paling akurat Sementara Kami Bekerja. Sekarang kita kembali ke perusahaan pembersih baru kita yang dimulai oleh saudara tirimu yang terasing bernama Whistle While We Work. Anda memiliki beberapa data penjualan terakhir yang ditunjukkan oleh bagian berikut dari spreadsheet. Kami pertama kali mempresentasikan data untuk perkiraan rata-rata pergerakan tiga periode. Entri untuk sel C6 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain C7 sampai C11. Perhatikan bagaimana rata-rata pergerakan data historis terbaru namun menggunakan tiga periode paling terakhir yang tersedia untuk setiap prediksi. Anda juga harus memperhatikan bahwa kita benar-benar tidak perlu membuat ramalan untuk periode sebelumnya untuk mengembangkan prediksi terbaru kita. Ini jelas berbeda dengan model smoothing eksponensial. Ive menyertakan prediksi quotpast karena kami akan menggunakannya di halaman web berikutnya untuk mengukur validitas prediksi. Sekarang saya ingin menyajikan hasil yang analog untuk ramalan rata-rata pergerakan dua periode. Entri untuk sel C5 harus Sekarang Anda dapat menyalin formula sel ini ke sel lain melalui C6 C6. Perhatikan bagaimana sekarang hanya dua buah data historis terakhir yang digunakan untuk setiap prediksi. Sekali lagi saya telah menyertakan prediksi quotpast untuk tujuan ilustrasi dan untuk nanti digunakan dalam validasi perkiraan. Beberapa hal lain yang perlu diperhatikan. Untuk perkiraan rata-rata pergerakan m-m, hanya m data terakhir yang digunakan untuk membuat prediksi. Tidak ada hal lain yang diperlukan. Untuk perkiraan rata-rata pergerakan m-period, saat membuat prediksi quotpast predictququot, perhatikan bahwa prediksi pertama terjadi pada periode m 1. Kedua masalah ini akan sangat signifikan saat kita mengembangkan kode kita. Mengembangkan Fungsi Bergerak Rata-rata. Sekarang kita perlu mengembangkan kode ramalan rata-rata bergerak yang bisa digunakan lebih fleksibel. Kode berikut. Perhatikan bahwa masukan adalah untuk jumlah periode yang ingin Anda gunakan dalam perkiraan dan rangkaian nilai historis. Anda bisa menyimpannya dalam buku kerja apa pun yang Anda inginkan. Fungsi MovingAverage (Historis, NumberOfPeriods) Sebagai Single Declaring dan variabel inisialisasi Dim Item Sebagai Variant Dim Counter Sebagai Akumulasi Dim Integer Sebagai Single Dim HistoricalSize As Integer Inisialisasi variabel Counter 1 Akumulasi 0 Menentukan ukuran array historis HistoricalSize Historical. Count Untuk Counter 1 To NumberOfPeriods Mengumpulkan jumlah yang sesuai dari nilai yang teramati terakhir yang terakhir Akumulasi Akumulasi Historis (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Kode akan dijelaskan di kelas. Anda ingin memposisikan fungsi pada spreadsheet sehingga hasil perhitungan muncul di tempat yang seharusnya seperti berikut ini. Pengenalan ke ARIMA: model nonseasonal persamaan peramalan ARIMA (p, d, q): Model ARIMA, secara teori paling banyak Kelas umum model untuk meramalkan deret waktu yang dapat dibuat menjadi 8220stationary8221 dengan membedakan (jika perlu), mungkin bersamaan dengan transformasi nonlinier seperti pembalakan atau pengurasan (jika perlu). Variabel acak yang merupakan deret waktu bersifat stasioner jika sifat statistiknya konstan sepanjang waktu. Seri stasioner tidak memiliki tren, variasinya berkisar rata-rata memiliki amplitudo konstan, dan bergoyang secara konsisten. Yaitu pola waktu acak jangka pendeknya selalu terlihat sama dalam arti statistik. Kondisi terakhir ini berarti autokorelasinya (korelasi dengan penyimpangannya sendiri dari mean) tetap konstan dari waktu ke waktu, atau ekuivalen, bahwa spektrum kekuatannya tetap konstan seiring berjalannya waktu. Variabel acak dari bentuk ini dapat dilihat (seperti biasa) sebagai kombinasi antara sinyal dan noise, dan sinyal (jika ada) dapat menjadi pola pengembalian cepat atau lambat, atau osilasi sinusoidal, atau alternasi cepat pada tanda , Dan itu juga bisa memiliki komponen musiman. Model ARIMA dapat dilihat sebagai model 8220filter8221 yang mencoba memisahkan sinyal dari noise, dan sinyal tersebut kemudian diekstrapolasikan ke masa depan untuk mendapatkan perkiraan. Persamaan peramalan ARIMA untuk rangkaian waktu stasioner adalah persamaan linier (yaitu regresi-tipe) dimana prediktor terdiri dari kelambatan variabel dependen dan atau lag dari kesalahan perkiraan. Yaitu: Prediksi nilai Y adalah konstanta dan atau jumlah tertimbang dari satu atau lebih nilai Y dan satu angka tertimbang dari satu atau lebih nilai kesalahan terkini. Jika prediktor hanya terdiri dari nilai Y yang tertinggal, itu adalah model autoregresif murni (8220 self-regressed8221), yang hanyalah kasus khusus dari model regresi dan yang dapat dilengkapi dengan perangkat lunak regresi standar. Sebagai contoh, model autoregresif orde pertama (8220AR (1) 8221) untuk Y adalah model regresi sederhana dimana variabel independennya hanya Y yang tertinggal satu periode (LAG (Y, 1) dalam Statgrafik atau YLAG1 dalam RegresIt). Jika beberapa prediktor tertinggal dari kesalahan, model ARIMA TIDAK merupakan model regresi linier, karena tidak ada cara untuk menentukan error8221 8220last periodier178 sebagai variabel independen: kesalahan harus dihitung berdasarkan periode-ke-periode Saat model dipasang pada data. Dari sudut pandang teknis, masalah dengan menggunakan kesalahan tertinggal sebagai prediktor adalah bahwa prediksi model8217 bukanlah fungsi linear dari koefisien. Meskipun mereka adalah fungsi linier dari data masa lalu. Jadi, koefisien pada model ARIMA yang mencakup kesalahan tertinggal harus diestimasi dengan metode optimasi nonlinier (8220 climb-climbing8221) daripada hanya dengan memecahkan sistem persamaan. Akronim ARIMA adalah singkatan Auto-Regressive Integrated Moving Average. Lags dari rangkaian stasioner dalam persamaan peramalan disebut istilah quotautoregressivequot, kelambatan kesalahan perkiraan disebut istilah kuotasi rata-rata quotmoving average, dan deret waktu yang perlu dibedakan untuk dijadikan stasioner disebut versi seri integimental dari seri stasioner. Model random-walk dan random-trend, model autoregresif, dan model pemulusan eksponensial adalah kasus khusus model ARIMA. Model ARIMA nonseasonal diklasifikasikan sebagai model quotARIMA (p, d, q) quot, di mana: p adalah jumlah istilah autoregresif, d adalah jumlah perbedaan nonseasonal yang diperlukan untuk stasioneritas, dan q adalah jumlah kesalahan perkiraan yang tertinggal dalam Persamaan prediksi Persamaan peramalan dibangun sebagai berikut. Pertama, izinkan y menunjukkan perbedaan D dari Y. yang berarti: Perhatikan bahwa perbedaan kedua Y (kasus d2) bukanlah selisih 2 periode yang lalu. Sebaliknya, ini adalah perbedaan pertama-perbedaan-dari-pertama. Yang merupakan analog diskrit turunan kedua, yaitu akselerasi lokal dari seri daripada tren lokalnya. Dalam hal y. Persamaan peramalan umum adalah: Disini parameter rata-rata bergerak (9528217s) didefinisikan sehingga tanda-tanda mereka negatif dalam persamaan, mengikuti konvensi yang diperkenalkan oleh Box dan Jenkins. Beberapa penulis dan perangkat lunak (termasuk bahasa pemrograman R) mendefinisikannya sehingga mereka memiliki tanda plus. Bila nomor aktual dicolokkan ke dalam persamaan, tidak ada ambiguitas, tapi penting untuk mengetahui konvensi mana yang digunakan perangkat lunak Anda saat Anda membaca hasilnya. Seringkali parameter dilambangkan dengan AR (1), AR (2), 8230, dan MA (1), MA (2), 8230 dll. Untuk mengidentifikasi model ARIMA yang sesuai untuk Y. Anda memulai dengan menentukan urutan differencing (D) perlu membuat stasioner seri dan menghilangkan fitur musiman musiman, mungkin bersamaan dengan transformasi yang menstabilkan varians seperti penebangan atau pengapuran. Jika Anda berhenti pada titik ini dan meramalkan bahwa rangkaian yang berbeda adalah konstan, Anda hanya memiliki model acak berjalan atau acak acak. Namun, rangkaian stationarized masih memiliki kesalahan autokorelasi, menunjukkan bahwa beberapa jumlah istilah AR (p 8805 1) dan beberapa istilah MA (q 8805 1) juga diperlukan dalam persamaan peramalan. Proses penentuan nilai p, d, dan q yang terbaik untuk rangkaian waktu tertentu akan dibahas di bagian catatan selanjutnya (yang tautannya berada di bagian atas halaman ini), namun pratinjau beberapa jenis Model ARIMA nonseasonal yang biasa dijumpai diberikan di bawah ini. ARIMA (1,0,0) model autoregresif orde pertama: jika seri stasioner dan autokorelasi, mungkin dapat diprediksi sebagai kelipatan dari nilai sebelumnya, ditambah konstanta. Persamaan peramalan dalam kasus ini adalah 8230 yang Y regresi pada dirinya sendiri tertinggal oleh satu periode. Ini adalah model konstanta 8220ARIMA (1,0,0) constant8221. Jika mean Y adalah nol, maka istilah konstan tidak akan disertakan. Jika koefisien kemiringan 981 1 positif dan kurang dari 1 besarnya (harus kurang dari 1 dalam besaran jika Y adalah stasioner), model tersebut menggambarkan perilaku rata-rata pada nilai periodisasi berikutnya yang diperkirakan akan menjadi 981 1 kali sebagai Jauh dari mean sebagai nilai periode ini. Jika 981 1 negatif, ia memprediksi perilaku rata-rata dengan alternasi tanda, yaitu juga memprediksi bahwa Y akan berada di bawah rata-rata periode berikutnya jika berada di atas rata-rata periode ini. Dalam model autoregresif orde kedua (ARIMA (2,0,0)), akan ada istilah Y t-2 di sebelah kanan juga, dan seterusnya. Bergantung pada tanda dan besaran koefisien, model ARIMA (2,0,0) bisa menggambarkan sistem yang pembalikan rata-rata terjadi dengan mode sinusoidal oscillating, seperti gerak massa pada pegas yang mengalami guncangan acak. . ARIMA (0,1,0) berjalan acak: Jika seri Y tidak stasioner, model yang paling sederhana untuk model ini adalah model jalan acak, yang dapat dianggap sebagai kasus pembatas model AR (1) dimana autoregresif Koefisien sama dengan 1, yaitu deret dengan reversi mean yang jauh lebih lambat. Persamaan prediksi untuk model ini dapat ditulis sebagai: di mana istilah konstan adalah perubahan periode-ke-periode rata-rata (yaitu drift jangka panjang) di Y. Model ini dapat dipasang sebagai model regresi yang tidak mencegat dimana Perbedaan pertama Y adalah variabel dependen. Karena hanya mencakup perbedaan nonseasonal dan istilah konstan, model ini diklasifikasikan sebagai model quotARIMA (0,1,0) dengan konstan. Model random-walk-without - drift akan menjadi ARIMA (0,1, 0) model tanpa ARIMA konstan (1,1,0) model autoregresif orde satu yang terdesentralisasi: Jika kesalahan model jalan acak diobot dengan autokorelasi, mungkin masalahnya dapat diperbaiki dengan menambahkan satu lag variabel dependen ke persamaan prediksi - - yaitu Dengan mengundurkan diri dari perbedaan pertama Y pada dirinya sendiri yang tertinggal satu periode. Ini akan menghasilkan persamaan prediksi berikut: yang dapat diatur ulang menjadi Ini adalah model autoregresif orde pertama dengan satu urutan perbedaan nonseasonal dan istilah konstan - yaitu. Model ARIMA (1,1,0). ARIMA (0,1,1) tanpa perataan eksponensial sederhana: Strategi lain untuk memperbaiki kesalahan autokorelasi dalam model jalan acak disarankan oleh model pemulusan eksponensial sederhana. Ingatlah bahwa untuk beberapa seri waktu nonstasioner (misalnya yang menunjukkan fluktuasi yang bising di sekitar rata-rata yang bervariasi secara perlahan), model jalan acak tidak berjalan sebaik rata-rata pergerakan nilai masa lalu. Dengan kata lain, daripada mengambil pengamatan terbaru sebagai perkiraan pengamatan berikutnya, lebih baik menggunakan rata-rata beberapa pengamatan terakhir untuk menyaring kebisingan dan memperkirakan secara lebih akurat mean lokal. Model pemulusan eksponensial sederhana menggunakan rata-rata pergerakan rata-rata tertimbang eksponensial untuk mencapai efek ini. Persamaan prediksi untuk model smoothing eksponensial sederhana dapat ditulis dalam sejumlah bentuk ekuivalen matematis. Salah satunya adalah bentuk koreksi yang disebut 8220error correction8221, dimana ramalan sebelumnya disesuaikan dengan kesalahan yang dibuatnya: Karena e t-1 Y t-1 - 374 t-1 menurut definisinya, ini dapat ditulis ulang sebagai : Yang merupakan persamaan peramalan ARIMA (0,1,1) - tanpa perkiraan konstan dengan 952 1 1 - 945. Ini berarti bahwa Anda dapat menyesuaikan smoothing eksponensial sederhana dengan menentukannya sebagai model ARIMA (0,1,1) tanpa Konstan, dan perkiraan koefisien MA (1) sesuai dengan 1-minus-alpha dalam formula SES. Ingatlah bahwa dalam model SES, rata-rata usia data dalam prakiraan 1 periode adalah 1 945. yang berarti bahwa mereka cenderung tertinggal dari tren atau titik balik sekitar 1 945 periode. Dengan demikian, rata-rata usia data dalam prakiraan 1-periode-depan model ARIMA (0,1,1) - tanpa konstan adalah 1 (1 - 952 1). Jadi, misalnya, jika 952 1 0,8, usia rata-rata adalah 5. Karena 952 1 mendekati 1, model ARIMA (0,1,1) - tanpa model konstan menjadi rata-rata bergerak jangka-panjang, dan sebagai 952 1 Pendekatan 0 menjadi model random-walk-without-drift. Apa cara terbaik untuk memperbaiki autokorelasi: menambahkan istilah AR atau menambahkan istilah MA Dalam dua model sebelumnya yang dibahas di atas, masalah kesalahan autokorelasi dalam model jalan acak diperbaiki dengan dua cara yang berbeda: dengan menambahkan nilai lag dari seri yang berbeda Ke persamaan atau menambahkan nilai tertinggal dari kesalahan perkiraan. Pendekatan mana yang terbaik Aturan praktis untuk situasi ini, yang akan dibahas lebih rinci nanti, adalah bahwa autokorelasi positif biasanya paling baik ditangani dengan menambahkan istilah AR ke model dan autokorelasi negatif biasanya paling baik ditangani dengan menambahkan MA istilah. Dalam deret waktu bisnis dan ekonomi, autokorelasi negatif sering muncul sebagai artefak differencing. (Secara umum, differencing mengurangi autokorelasi positif dan bahkan dapat menyebabkan perubahan dari autokorelasi positif ke negatif.) Jadi, model ARIMA (0,1,1), di mana perbedaannya disertai dengan istilah MA, lebih sering digunakan daripada Model ARIMA (1,1,0). ARIMA (0,1,1) dengan perataan eksponensial sederhana konstan dengan pertumbuhan: Dengan menerapkan model SES sebagai model ARIMA, Anda benar-benar mendapatkan fleksibilitas. Pertama, perkiraan koefisien MA (1) dibiarkan negatif. Ini sesuai dengan faktor pemulusan yang lebih besar dari 1 dalam model SES, yang biasanya tidak diizinkan oleh prosedur pemasangan model SES. Kedua, Anda memiliki pilihan untuk memasukkan istilah konstan dalam model ARIMA jika Anda mau, untuk memperkirakan tren nol rata-rata. Model ARIMA (0,1,1) dengan konstanta memiliki persamaan prediksi: Prakiraan satu periode dari model ini secara kualitatif serupa dengan model SES, kecuali bahwa lintasan perkiraan jangka panjang biasanya adalah Garis miring (kemiringannya sama dengan mu) bukan garis horizontal. ARIMA (0,2,1) atau (0,2,2) tanpa pemulusan eksponensial linier konstan: Model pemulusan eksponensial linier adalah model ARIMA yang menggunakan dua perbedaan nonseason dalam hubungannya dengan persyaratan MA. Perbedaan kedua dari seri Y bukan hanya perbedaan antara Y dan dirinya tertinggal dua periode, namun ini adalah perbedaan pertama dari perbedaan pertama - i. Perubahan perubahan Y pada periode t. Jadi, perbedaan kedua Y pada periode t sama dengan (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Perbedaan kedua dari fungsi diskrit sama dengan turunan kedua dari fungsi kontinyu: ia mengukur kuotasi kuadrat atau quotcurvaturequot dalam fungsi pada suatu titik waktu tertentu. Model ARIMA (0,2,2) tanpa konstan memprediksi bahwa perbedaan kedua dari rangkaian sama dengan fungsi linier dari dua kesalahan perkiraan terakhir: yang dapat disusun ulang sebagai: di mana 952 1 dan 952 2 adalah MA (1) dan MA (2) koefisien. Ini adalah model pemulusan eksponensial linear umum. Dasarnya sama dengan model Holt8217s, dan model Brown8217s adalah kasus khusus. Ini menggunakan rata-rata pergerakan tertimbang eksponensial untuk memperkirakan tingkat lokal dan tren lokal dalam rangkaian. Perkiraan jangka panjang dari model ini menyatu dengan garis lurus yang kemiringannya bergantung pada tren rata-rata yang diamati menjelang akhir rangkaian. ARIMA (1,1,2) tanpa perataan eksponensial eksponensial yang terfragmentasi. Model ini diilustrasikan pada slide yang menyertainya pada model ARIMA. Ini mengekstrapolasikan tren lokal di akhir seri namun meratakannya pada cakrawala perkiraan yang lebih panjang untuk memperkenalkan catatan konservatisme, sebuah praktik yang memiliki dukungan empiris. Lihat artikel di quotWhy the Damped Trend karyaquot oleh Gardner dan McKenzie dan artikel quotGolden Rulequot oleh Armstrong dkk. Untuk rinciannya. Umumnya disarankan untuk tetap berpegang pada model di mana setidaknya satu dari p dan q tidak lebih besar dari 1, yaitu jangan mencoba menyesuaikan model seperti ARIMA (2,1,2), karena hal ini cenderung menyebabkan overfitting. Dan isu-isu kuotom-faktorquot yang dibahas secara lebih rinci dalam catatan tentang struktur matematis model ARIMA. Implementasi Spreadsheet: Model ARIMA seperti yang dijelaskan di atas mudah diterapkan pada spreadsheet. Persamaan prediksi adalah persamaan linier yang mengacu pada nilai-nilai masa lalu dari rangkaian waktu asli dan nilai kesalahan masa lalu. Dengan demikian, Anda dapat membuat spreadsheet peramalan ARIMA dengan menyimpan data di kolom A, rumus peramalan pada kolom B, dan kesalahan (data minus prakiraan) di kolom C. Rumus peramalan pada sel biasa di kolom B hanya akan menjadi Sebuah ekspresi linier yang mengacu pada nilai-nilai pada baris-kolom sebelumnya dari kolom A dan C, dikalikan dengan koefisien AR atau MA yang sesuai yang tersimpan dalam sel di tempat lain pada spreadsheet. Metode Peramalan Statistik Analisis Regresi Berganda: Digunakan bila dua atau lebih faktor independen terlibat - banyak digunakan. Untuk peramalan jangka menengah. Digunakan untuk menilai faktor mana yang harus disertakan dan yang akan dikecualikan. Dapat digunakan untuk mengembangkan model alternatif dengan berbagai faktor. Regresi Nonlinier: Tidak mengasumsikan hubungan linier antar variabel-sering digunakan saat waktu adalah variabel bebas. Analisis Trend: Menggunakan regresi linear dan nonlinier dengan waktu sebagai variabel penjelas - digunakan dimana pola dari waktu ke waktu. Analisis Dekomposisi: Digunakan untuk mengidentifikasi beberapa pola yang muncul bersamaan dalam time series-time consuming setiap kali digunakan-juga digunakan untuk mendalami serangkaian Moving Average Analysis: Simple Moving Averages-meramalkan nilai masa depan berdasarkan rata-rata tertimbang nilai masa lalu - Mudah untuk update Rata-rata Bergerak Tertimbang: Sangat kuat dan ekonomis. Mereka digunakan secara luas di mana ramalan berulang dibutuhkan - menggunakan metode seperti metode penjumlahan dan penyesuaian tren. Penyaringan adaptif Jenis rata-rata bergerak yang mencakup metode belajar dari kesalahan masa lalu - dapat merespons perubahan faktor kecenderungan, musiman, dan acak relatif. Exponential Smoothing: Peramalan rata-rata peramalan time series yang efisien-efisien untuk digunakan dengan pola musiman - mudah disesuaikan dengan kesalahan masa lalu - mudah untuk mempersiapkan perkiraan lanjutan - ideal untuk situasi di mana banyak prakiraan harus disiapkan - beberapa bentuk yang berbeda digunakan tergantung Dengan adanya variasi tren atau siklis. Hodrick-Prescott Filter: Ini adalah mekanisme pemulusan yang digunakan untuk mendapatkan komponen tren jangka panjang dalam deret waktu. Ini adalah cara untuk menguraikan suatu seri yang diberikan ke komponen stasioner dan nonstasioner sedemikian rupa sehingga ada jumlah kuadrat dari rangkaian dari komponen nonstandar yang minimum dengan hukuman pada perubahan pada turunan komponen nonstasioner. Pemodelan dan Simulasi: Model menggambarkan situasi melalui serangkaian persamaan - memungkinkan pengujian dampak perubahan dalam berbagai faktor - secara substansial lebih memakan waktu untuk dibangun - umumnya memerlukan pemrograman pengguna atau pembelian paket seperti SIMSCRIPT. Bisa sangat kuat dalam mengembangkan dan menguji strategi yang dinyatakan tidak jelas. Model kepastian hanya memberikan hasil yang paling mungkin terjadi - spreadsheet tingkat lanjut dapat digunakan untuk melakukan analisis kuotasi-jika dilakukan - sering dilakukan mis. Dengan spreadsheet berbasis komputer. Model Probabilistik Gunakan teknik simulasi Monte Carlo untuk mengatasi ketidakpastian - berikan berbagai kemungkinan hasil untuk setiap rangkaian acara. Kesalahan peramalan: Semua model peramalan memiliki struktur kesalahan implisit atau eksplisit, di mana kesalahan didefinisikan sebagai perbedaan antara prediksi model dan nilai kuoten kuot. Selain itu, banyak data yang mengintip metodologi dalam bidang statistik perlu diterapkan pada data yang dipasok ke model peramalan. Juga, pemeriksaan diagnostik, sebagaimana didefinisikan dalam bidang statistik, diperlukan untuk model apa pun yang menggunakan data. Dengan menggunakan metode peramalan, seseorang harus menggunakan ukuran kinerja untuk menilai kualitas metode. Mean Absolute Deviation (MAD), dan Varians adalah ukuran yang paling berguna. Namun, MAD tidak meminjamkan dirinya untuk lebih banyak menggunakan kesimpulan, tapi kesalahan standarnya tidak. Untuk varians tujuan analisis kesalahan lebih disukai karena varians dari kesalahan independen (tidak berkorelasi) adalah aditif. MAD bukan aditif.
No comments:
Post a Comment