Método de previsão com média móvel

Moving Average Forecasting Introdução. Como você pode imaginar, estamos olhando para algumas das abordagens mais primitivas para a previsão. Mas espero que estas sejam pelo menos uma introdução que vale a pena para algumas das questões de computação relacionadas com a implementação de previsões em planilhas. Neste sentido, vamos continuar a partir do início e começar a trabalhar com previsões de média móvel. Previsões médias móveis. Todo mundo está familiarizado com as previsões de média móvel, independentemente de eles acreditam que são. Todos os estudantes universitários fazê-los o tempo todo. Pense nos seus resultados de teste em um curso onde você vai ter quatro testes durante o semestre. Vamos supor que você tem um 85 em seu primeiro teste. O que você poderia prever para sua pontuação do segundo teste O que você acha que seu professor iria prever para a sua próxima pontuação de teste O que você acha que seus amigos podem prever para a sua próxima pontuação de teste O que você acha que seus pais podem prever para a sua próxima pontuação de teste Todo o blabbing você pôde fazer a seus amigos e pais, eles e seu professor são muito prováveis ​​esperar que você comece algo na área dos 85 que você começou apenas. Bem, agora vamos supor que, apesar de sua auto-promoção para seus amigos, você superestimar-se e figura que você pode estudar menos para o segundo teste e assim você começa um 73. Agora o que são todos os interessados ​​e despreocupado vai Antecipar você vai chegar em seu terceiro teste Existem duas abordagens muito provável para eles desenvolver uma estimativa, independentemente de se eles vão compartilhar com você. Eles podem dizer a si mesmos: "Esse cara está sempre soprando fumaça sobre sua inteligência. Hes que vai obter outro 73 se hes afortunado. Talvez os pais tentem ser mais solidários e dizer: "Bem, até agora você conseguiu um 85 e um 73, então talvez você deva imaginar sobre como obter um (85 73) 2 79. Eu não sei, talvez se você fez menos festas E werent abanando a doninhas em todo o lugar e se você começou a fazer muito mais estudando você poderia obter uma pontuação mais alta. Ambos estas estimativas são, na verdade, a média móvel previsões. O primeiro é usar apenas sua pontuação mais recente para prever o seu desempenho futuro. Isso é chamado de média móvel usando um período de dados. O segundo é também uma previsão média móvel, mas usando dois períodos de dados. Vamos supor que todas essas pessoas rebentando em sua grande mente têm tipo de puto você fora e você decidir fazer bem no terceiro teste para suas próprias razões e colocar uma pontuação mais alta na frente de seus quotalliesquot. Você toma o teste e sua pontuação é realmente um 89 Todos, incluindo você mesmo, está impressionado. Então agora você tem o teste final do semestre chegando e, como de costume, você sente a necessidade de incitar todos a fazer suas previsões sobre como você vai fazer no último teste. Bem, espero que você veja o padrão. Agora, espero que você possa ver o padrão. Qual você acha que é o apito mais preciso enquanto trabalhamos. Agora vamos voltar para a nossa nova empresa de limpeza iniciada por sua meia irmã distante chamado Whistle While We Work. Você tem alguns dados de vendas anteriores representados pela seção a seguir de uma planilha. Primeiro, apresentamos os dados para uma previsão média móvel de três períodos. A entrada para a célula C6 deve ser Agora você pode copiar esta fórmula de célula para baixo para as outras células C7 a C11. Observe como a média se move sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão. Você também deve notar que nós realmente não precisamos fazer as previsões para os períodos passados, a fim de desenvolver a nossa previsão mais recente. Isso é definitivamente diferente do modelo de suavização exponencial. Ive incluído o quotpast previsões, porque vamos usá-los na próxima página da web para medir a validade de previsão. Agora eu quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser Agora você pode copiar esta fórmula de célula para baixo para as outras células C6 a C11. Observe como agora apenas as duas mais recentes peças de dados históricos são usados ​​para cada previsão. Mais uma vez eu incluí as previsões quotpast para fins ilustrativos e para uso posterior na validação de previsão. Algumas outras coisas que são de importância notar. Para uma previsão média móvel de m-período, apenas os m valores de dados mais recentes são usados ​​para fazer a previsão. Nada mais é necessário. Para uma previsão média móvel do período m, ao fazer previsões quotpast, observe que a primeira predição ocorre no período m 1. Ambas as questões serão muito significativas quando desenvolvemos nosso código. Desenvolvendo a função de média móvel. Agora precisamos desenvolver o código para a previsão da média móvel que pode ser usado de forma mais flexível. O código segue. Observe que as entradas são para o número de períodos que você deseja usar na previsão ea matriz de valores históricos. Você pode armazená-lo em qualquer pasta de trabalho que você deseja. Função MovingAverage (Histórico, NumberOfPeriods) Como Único Declarar e inicializar variáveis ​​Dim Item Como Variante Dim Counter Como Inteiro Dim Acumulação como Único Dim HistoricalSize As Inteiro Inicializando variáveis ​​Counter 1 Acumulação 0 Determinando o tamanho da Historical array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Acumulando o número apropriado dos valores mais recentes anteriormente observados Acumulação Acumulação Histórico (HistoricalSize - NumberOfPeriods Counter) MovingAverage Acumulação NumberOfPeriods O código será explicado na classe. Você deseja posicionar a função na planilha de modo que o resultado da computação seja exibido onde ele deve gostar do seguinte. Forçando por técnicas de suavização Este site é uma parte dos objetos de aprendizagem JavaScript E-laboratórios para tomada de decisão. Outros JavaScript nesta série são classificados em diferentes áreas de aplicações na seção MENU nesta página. Uma série de tempo é uma seqüência de observações que são ordenadas no tempo. Inerente na coleta de dados levados ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. As técnicas amplamente utilizadas são suavização. Estas técnicas, quando devidamente aplicadas, revelam mais claramente as tendências subjacentes. Insira a série de tempo em ordem de linha em seqüência, começando pelo canto superior esquerdo e o (s) parâmetro (s) e, em seguida, clique no botão Calcular para obter uma previsão de um período antecipado. As caixas em branco não são incluídas nos cálculos, mas os zeros são. Ao inserir seus dados para mover de célula para célula na matriz de dados use a tecla Tab não seta ou digite chaves. Características de séries temporais, que podem ser reveladas ao examinar seu gráfico. Com os valores previstos, eo comportamento residual, modelagem de previsão de condições. Médias móveis: As médias móveis classificam-se entre as técnicas mais populares para o pré-processamento de séries temporais. Eles são usados ​​para filtrar o ruído branco aleatório dos dados, para tornar a série de tempo mais suave ou mesmo para enfatizar certos componentes informativos contidos na série de tempo. Suavização Exponencial: Este é um esquema muito popular para produzir uma Série de Tempo suavizada. Enquanto nas Médias Móveis as observações passadas são ponderadas igualmente, a Suavização Exponencial atribui pesos exponencialmente decrescentes à medida que a observação avança. Em outras palavras, as observações recentes recebem relativamente mais peso na previsão do que as observações mais antigas. O Double Exponential Smoothing é melhor para lidar com as tendências. Triple Exponential Smoothing é melhor no manuseio de tendências de parabola. Uma média móvel exponencialmente ponderada com uma constante de suavização a. Corresponde aproximadamente a uma média móvel simples de comprimento (isto é, período) n, onde a e n estão relacionados por: a 2 (n1) OR n (2 - a) a. Assim, por exemplo, uma média móvel exponencialmente ponderada com uma constante de suavização igual a 0,1 corresponderia aproximadamente a uma média móvel de 19 dias. E uma média móvel simples de 40 dias corresponderia aproximadamente a uma média móvel exponencialmente ponderada com uma constante de alisamento igual a 0,04878. Suavização Linear Exponencial de Holts: Suponha que a série de tempo não é sazonal, mas exibe tendência. Holts método estima tanto o nível atual ea tendência atual. Observe que a média móvel simples é caso especial da suavização exponencial, definindo o período da média móvel para a parte inteira de (2-Alpha) Alpha. Para a maioria dos dados de negócios, um parâmetro Alpha menor que 0,40 é freqüentemente efetivo. No entanto, pode-se realizar uma busca de grade do espaço de parâmetro, com 0,1 a 0,9, com incrementos de 0,1. Então o melhor alfa tem o menor erro médio absoluto (erro MA). Como comparar vários métodos de alisamento: Embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais abrangente é o uso de comparação visual de várias previsões para avaliar a sua precisão e escolher entre os vários métodos de previsão. Nesta abordagem, é necessário plotar (usando, por exemplo, Excel) no mesmo gráfico os valores originais de uma variável de série temporal e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as Previsões Passadas por Técnicas de Suavização JavaScript para obter os valores de previsão anteriores com base em técnicas de suavização que usam apenas um único parâmetro. Os métodos Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ótimos, ou até perto de ótimos, por tentativa e erros para os parâmetros. A suavização exponencial única enfatiza a perspectiva de curto alcance que define o nível para a última observação e é baseada na condição de que não há tendência. A regressão linear, que se ajusta a uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa a faixa de longo alcance, que está condicionada à tendência básica. Holts linear suavização exponencial captura informações sobre tendência recente. Os parâmetros no modelo de Holts são níveis-parâmetro que devem ser diminuídos quando a quantidade de variação de dados é grande, e as tendências-parâmetro devem ser aumentadas se a tendência de direção recente é suportada pelo causal alguns fatores. Previsão de Curto Prazo: Observe que cada JavaScript nesta página fornece uma previsão de um passo adiante. Para obter uma previsão de duas etapas. Basta adicionar o valor previsto ao final dos dados de séries temporais e, em seguida, clicar no mesmo botão Calcular. Você pode repetir este processo por algumas vezes para obter as previsões de curto prazo necessárias. A abordagem mais simples seria tomar a média de janeiro a março e usar isso para estimar as vendas de abril de 1992: 1281333 129333 Assim, Com base nas vendas de janeiro a março, você prevê que as vendas em abril serão 128.333. Uma vez que as vendas reais de April8217s vêm dentro, você calcularia então a previsão para maio, desta vez usando fevereiro com abril. Você deve ser consistente com o número de períodos que você usa para a média móvel de previsão. O número de períodos que você usa em suas previsões de média móvel é arbitrário, você pode usar apenas dois períodos, ou cinco ou seis períodos o que você deseja gerar suas previsões. A abordagem acima é uma média móvel simples. Às vezes, as vendas mais recentes podem ser influenciadores mais fortes das vendas do próximo mês, então você quer dar a esses meses mais próximos mais peso em seu modelo de previsão. Esta é uma média móvel ponderada. E assim como o número de períodos, os pesos que você atribuir são puramente arbitrária. Let8217s dizem que você quis dar as vendas de March8217s 50 peso, February8217s 30 peso, e January8217s 20. Então sua previsão para abril será 127.000 (122.50) (134.30) (129.20) 127. Limitações dos Métodos de Movimentação Média As médias móveis são consideradas uma técnica de previsão 8220smoothing8221. Porque você está tomando uma média ao longo do tempo, você está suavizando (ou alisando para fora) os efeitos de ocorrências irregulares dentro dos dados. Como resultado, os efeitos da sazonalidade, ciclos de negócios e outros eventos aleatórios podem aumentar dramaticamente o erro de previsão. Dê uma olhada em um ano completo de 8217s de dados, e comparar uma média móvel de 3 períodos e uma média móvel de 5 períodos: Observe que neste exemplo que eu não criar previsões, mas sim centrou as médias móveis. A primeira média móvel de 3 meses é para fevereiro, e é a média de janeiro, fevereiro e março. Eu também fiz semelhante para a média de 5 meses. Agora dê uma olhada no seguinte gráfico: O que você vê Não é a série média móvel de três meses muito mais suave do que a série de vendas reais E como sobre a média móvel de cinco meses It8217s ainda mais suave. Assim, quanto mais períodos você usar em sua média móvel, o mais suave sua série de tempo. Assim, para a previsão, uma média móvel simples pode não ser o método mais preciso. Métodos de média móvel se revelam bastante valiosos quando você está tentando extrair os componentes sazonais, irregulares e cíclicos de uma série de tempo para métodos de previsão mais avançados, como regressão e ARIMA, eo uso de médias móveis em decomposição de uma série temporal será abordado mais tarde Na série. Determinando a precisão de um modelo de média móvel Geralmente, você quer um método de previsão que tenha o menor erro entre os resultados reais e os previstos. Uma das medidas mais comuns de precisão de previsão é o Desvio Médio Absoluto (MAD). Nesta abordagem, para cada período na série de tempo para a qual você gerou uma previsão, você toma o valor absoluto da diferença entre os valores atuais e previstos do período (o desvio). Então você média esses desvios absolutos e você começa uma medida de MAD. MAD pode ser útil para decidir o número de períodos que você média, ou a quantidade de peso que você coloca em cada período. Geralmente, você escolhe o que resulta no menor MAD. Aqui está um exemplo de como MAD é calculado: MAD é simplesmente a média de 8, 1 e 3. Médias móveis: recapitulação Ao usar médias móveis para previsão, lembre-se: As médias móveis podem ser simples ou ponderadas O número de períodos que você usa para o seu Média e quaisquer pesos que atribuir a cada um são estritamente arbitrários Médias móveis alisam padrões irregulares em dados de séries temporais quanto maior o número de períodos usados ​​para cada ponto de dados, maior o efeito de suavização Devido ao alisamento, previsão das vendas do próximo mês com base no A maioria das recentes vendas de meses pode resultar em grandes desvios por causa da sazonalidade, ciclos e padrões irregulares nos dados e as capacidades de suavização de um método de média móvel pode ser útil na decomposição de uma série de tempo para métodos de previsão mais avançados. Próxima Semana: Exponential Smoothing Na próxima semana8217s Forecast Sexta-feira. Vamos discutir os métodos exponenciais de suavização, e você verá que eles podem ser muito superiores aos métodos de previsão média móvel. Ainda não sei porquê a nossa previsão Sexta-feira postagens aparecem na quinta-feira Descubra em: tinyurl26cm6ma Gostar desta mensagem: Mensagem navegação Deixe uma resposta Cancelar resposta Eu tinha 2 perguntas: 1) Você pode usar a abordagem centrada MA para prever ou apenas para remover a sazonalidade 2) Quando Você usa o t simples (t-1t-2t-k) k MA para prever um período à frente, é possível prever mais de um período à frente Eu acho que então a sua previsão seria um dos pontos de alimentação para o próximo. Obrigado. Adoro a informação e as suas explicações. Estou contente por você gostar do blog. Certamente, vários analistas usaram a abordagem de MA centralizada para a previsão, mas eu pessoalmente não faria, uma vez que essa abordagem resulta em uma perda de observações em ambos os lados. Na verdade, isso envolve a segunda pergunta. Geralmente, MA simples é usado para prever apenas um período à frente, mas muitos analistas 8211 e eu também, por vezes 8211 vai usar a minha previsão de um período à frente como uma das entradas para o segundo período à frente. It8217s importante lembrar que quanto mais no futuro você tentar prever, maior será o seu risco de erro de previsão. É por isso que eu não recomendo o MA centralizado para a previsão de perda de observações no final significa ter que depender de previsões para as observações perdidas, bem como o período (s) à frente, por isso há maior chance de erro de previsão. Leitores: você é convidado a pesar sobre isso. Você tem alguma opinião ou sugestões sobre este Brian, obrigado por seu comentário e seus elogios no blog Nice iniciativa e explicação agradável. It8217s realmente útil. Prevejo placas de circuito impresso personalizadas para um cliente que não fornece previsões. Eu usei a média móvel, no entanto, não é muito preciso como a indústria pode ir para cima e para baixo. Vemos para o meio do verão até o final do ano que o transporte pcb8217s está acima. Então nós vemos no começo do ano retarda a maneira para baixo. Como posso ser mais preciso com os meus dados Katrina, do que você me disse, parece que suas vendas de placa de circuito impresso tem um componente sazonal. Eu faço a sazonalidade do endereço em alguns dos outros bornes de sexta-feira da previsão. Outra abordagem que você pode usar, o que é bastante fácil, é o algoritmo Holt-Winters, que leva em conta a sazonalidade. Você pode encontrar uma boa explicação aqui. Certifique-se de determinar se seus padrões sazonais são multiplicativos ou aditivos, porque o algoritmo é ligeiramente diferente para cada um. Se você traçar seus dados mensais de alguns anos e ver que as variações sazonais nas mesmas épocas dos anos parecem ser constante ano após ano, a sazonalidade é aditiva se as variações seasonal ao longo do tempo parecem estar aumentando, a seguir a seasonalality é Multiplicativo. A maioria das séries temporais sazonais serão multiplicativas. Em caso de dúvida, considere multiplicativo. Boa sorte Olá, Entre esses métodos:. Previsão da Nave. Atualizando a Média. Média móvel de comprimento k. Ou Média Móvel Ponderada de comprimento k OR Suavização Exponencial Qual desses modelos de atualização você me recomenda usar para prever os dados Para minha opinião, estou pensando em Moving Average. Mas eu não sei como torná-lo claro e estruturado Depende realmente da quantidade e qualidade dos dados que você tem e seu horizonte de previsão (longo prazo, médio ou curto prazo) Uma série de tempo é uma seqüência de observações De uma variável aleatória periódica. Exemplos disso são a demanda mensal por um produto, a matrícula anual de calouros em um departamento da universidade e os fluxos diários em um rio. As séries cronológicas são importantes para a pesquisa operacional, porque muitas vezes são os impulsionadores dos modelos de decisão. Um modelo de inventário requer estimativas de demandas futuras, um planejamento de curso e modelo de pessoal para um departamento universitário requer estimativas de entrada de estudantes futuros e um modelo para fornecer avisos para a população em uma bacia hidrográfica requer estimativas de fluxos de rios para o futuro imediato. A análise de séries temporais fornece ferramentas para selecionar um modelo que descreve a série de tempo e usar o modelo para prever eventos futuros. Modelar a série temporal é um problema estatístico porque os dados observados são usados ​​em procedimentos computacionais para estimar os coeficientes de um suposto modelo. Os modelos assumem que as observações variam aleatoriamente sobre um valor médio subjacente que é uma função do tempo. Nessas páginas, restringimos a atenção ao uso de dados históricos de séries temporais para estimar um modelo dependente do tempo. Os métodos são apropriados para a previsão automática e de curto prazo de informações freqüentemente usadas onde as causas subjacentes da variação do tempo não estão mudando marcadamente no tempo. Na prática, as previsões derivadas por esses métodos são posteriormente modificadas por analistas humanos que incorporam informações não disponíveis a partir dos dados históricos. Nosso objetivo principal nesta seção é apresentar as equações para os quatro métodos de previsão utilizados no suplemento Forecasting: média móvel, suavização exponencial, regressão e suavização exponencial dupla. Estes são chamados métodos de suavização. Métodos não considerados incluem a previsão qualitativa, regressão múltipla, e métodos autorregressivos (ARIMA). Aqueles interessados ​​em uma cobertura mais ampla devem visitar o site Previsões Princípios ou ler um dos vários excelentes livros sobre o tema. Usamos o livro Previsão. Por Makridakis, Wheelwright e McGee, John Wiley amp Sons, 1983. Para usar o pasta de trabalho Exemplos do Excel, você deve ter o suplemento de Previsão instalado. Escolha o comando Relink para estabelecer os links para o suplemento. Esta página descreve os modelos utilizados para previsão simples e a notação utilizada para a análise. Este método de previsão mais simples é a previsão média móvel. O método simplesmente médias das últimas m observações. É útil para séries de tempo com uma média lentamente em mudança. Este método considera todo o passado na sua previsão, mas pesa a experiência recente mais fortemente do que menos recente. Os cálculos são simples porque somente a estimativa do período anterior e os dados atuais determinam a nova estimativa. O método é útil para séries temporais com uma média em mudança lenta. O método da média móvel não responde bem a uma série temporal que aumenta ou diminui com o tempo. Aqui nós incluímos um termo de tendência linear no modelo. O método de regressão aproxima o modelo construindo uma equação linear que fornece o ajuste de mínimos quadrados às últimas m observações.