การย้าย ค่าเฉลี่ย ตัวอย่าง การพยากรณ์

OR-Notes เป็นชุดของบันทึกเบื้องต้นในหัวข้อที่อยู่ภายใต้หัวข้อกว้างของเขตข้อมูลของการวิจัยการดำเนินงาน (OR) พวกเขาถูกใช้โดยฉันในเบื้องต้นหรือหลักสูตรที่ฉันให้ที่อิมพีเรียลคอลเลจ ตอนนี้พวกเขาพร้อมใช้งานสำหรับนักเรียนและครูที่สนใจในหรือภายใต้เงื่อนไขต่อไปนี้ คุณสามารถดูหัวข้อทั้งหมดที่มีอยู่ใน OR-Notes ได้ที่นี่ ตัวอย่างการคาดการณ์ตัวอย่างการคาดการณ์ตัวอย่าง 1996 UG ความต้องการผลิตภัณฑ์ในแต่ละ 5 เดือนล่าสุดแสดงไว้ด้านล่าง ใช้ค่าเฉลี่ยเคลื่อนที่สองเดือนเพื่อสร้างการคาดการณ์สำหรับความต้องการในเดือน 6 ​​ใช้การปรับให้เรียบแบบเสวนากับค่าคงที่ที่ราบเรียบเป็น 0.9 เพื่อสร้างการคาดการณ์สำหรับความต้องการสำหรับความต้องการในเดือนที่ 6 ซึ่งจากทั้งสองการคาดการณ์ที่คุณชอบและทำไมการย้ายสองเดือน ค่าเฉลี่ยสำหรับเดือนที่สองถึงห้าจะได้รับโดย: การคาดการณ์สำหรับเดือนที่หกเป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือน 5 m 5 2350 การใช้การเพิ่มความล้าสมัยโดยมีค่าคงที่ที่ราบเรียบที่ 0.9 เราได้รับ: การคาดการณ์สำหรับเดือนที่หกเป็นเพียงค่าเฉลี่ยสำหรับเดือน 5 M 5 2386 เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณค่าเฉลี่ยเบี่ยงเบนความเบี่ยงเบน (MSD) ถ้าเราทำเช่นนี้เราจะพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่ของ MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16.67 และสำหรับค่าเฉลี่ยที่ได้รับความราบเรียบแบบเรียงลำดับด้วยค่าคงที่ที่ราบเรียบเท่ากับ 0.9 MSD (13 - 17) sup2 (16.60 - 19) sup2 (18.76 - 23) sup2 (22.58 - 24) sup24 10.44 โดยรวมแล้วเราจะเห็นว่าการทำให้เรียบเป็นทวีคูณดูเหมือนจะให้การคาดการณ์ล่วงหน้าหนึ่งเดือนที่ดีที่สุดเนื่องจากมี MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 2386 ที่ได้รับการผลิตโดยการทำให้เรียบแบบทวีคูณ การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปี 2537 ตารางด้านล่างแสดงถึงความต้องการใช้เครื่องโกนหนวดใหม่ในร้านในช่วง 7 เดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สองถึงเจ็ด อะไรคือการคาดการณ์ของคุณสำหรับความต้องการในเดือนที่แปดใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.1 เพื่อคาดการณ์สำหรับความต้องการในเดือนที่แปด การคาดการณ์ใดในสองเดือนที่แปดที่คุณชอบและเหตุใดผู้ดูแลร้านจึงเชื่อว่าลูกค้าจะเปลี่ยนมาใช้ผลิตภัณฑ์หลังการขายใหม่จากแบรนด์อื่น ๆ อภิปรายเกี่ยวกับวิธีการสร้างแบบจำลองพฤติกรรมการสลับนี้และระบุข้อมูลที่คุณต้องการเพื่อยืนยันว่าการสลับนี้เกิดขึ้นหรือไม่ ค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สองถึงเจ็ดจะได้รับโดย: การคาดการณ์สำหรับเดือนที่แปดเป็นเพียงค่าเฉลี่ยเคลื่อนที่สำหรับเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือนที่ 7 m 7 46 ใช้การคำนวณหากำไรให้เรียบโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.1 รับ: เป็นก่อนที่การคาดการณ์สำหรับเดือนแปดเป็นเพียงค่าเฉลี่ยสำหรับเดือน 7 7 7 31.11 (ที่เราไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับความราบรื่นแบบจำลองที่มีค่าคงที่ที่ราบเรียบเท่ากับ 0.1 โดยรวมแล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สองเดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สองเดือน เพื่อตรวจสอบการเปลี่ยนเราจะต้องใช้รูปแบบกระบวนการ Markov ที่แบรนด์รัฐและเราจะต้องมีข้อมูลสถานะเบื้องต้นและความน่าจะเป็นของลูกค้าเปลี่ยน (จากการสำรวจ) เราจำเป็นต้องใช้แบบจำลองข้อมูลย้อนหลังเพื่อดูว่าเรามีความเหมาะสมระหว่างแบบจำลองและพฤติกรรมทางประวัติศาสตร์หรือไม่ การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปี 2535 ตารางด้านล่างแสดงความต้องการใช้มีดโกนเฉพาะในร้านค้าสำหรับแต่ละช่วง 9 เดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สามเดือนสำหรับเดือนที่สามถึงเก้า สิ่งที่คาดหวังของคุณสำหรับความต้องการในเดือนสิบใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.3 เพื่อคาดการณ์สำหรับความต้องการในเดือนสิบ การคาดการณ์ใดในเดือนที่สิบสองที่คุณชอบและเหตุผลที่ค่าเฉลี่ยเคลื่อนที่ 3 เดือนสำหรับเดือนที่ 3 ถึง 9 จะได้จาก: การคาดการณ์สำหรับเดือน 10 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือน 9 เมตร 9 20.33 ดังนั้นการคาดการณ์สำหรับเดือนที่ 10 คือ 20. ใช้การคำนวณหาค่าเฉลี่ยแบบเสวนาโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.3 ที่เราได้รับ: ก่อนที่การคาดการณ์สำหรับเดือน 10 จะเป็นค่าเฉลี่ยสำหรับเดือนที่ 9 M 9 18.57 19 (ตามที่เรา ไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยมีค่าคงที่ที่ราบเรียบของ 0.3 โดยรวมแล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่ 3 เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 20 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สามเดือน การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปีพ. ศ. 2534 ตารางด้านล่างแสดงถึงความต้องการเครื่องแฟกซ์เฉพาะในห้างสรรพสินค้าในแต่ละสิบสองเดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สี่เดือนสำหรับเดือนที่ 4 ถึง 12 ปีการคาดการณ์ของคุณสำหรับความต้องการในเดือนที่ 13 ใช้การปรับให้เรียบแบบเสวนาโดยมีค่าคงที่ที่ราบเรียบ 0.2 เพื่อพยากรณ์ความต้องการในเดือนที่ 13 ซึ่งจะมีการคาดการณ์สองเดือน 13 คุณชอบและทำไมปัจจัยอื่น ๆ ที่ไม่ได้พิจารณาในการคำนวณข้างต้นอาจมีผลต่อความต้องการเครื่องแฟกซ์ในเดือนที่ 13 ค่าเฉลี่ยเคลื่อนที่ 4 เดือนสำหรับเดือนที่ 4 ถึง 12 จะได้จาก: m 4 (23 19 15 12) 4 17.25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24.75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30.5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35.75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46.25 การคาดการณ์ในเดือนที่ 13 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ เดือน 12 ม. 12 46.25 ดังนั้นตามที่คาดการณ์ไว้สำหรับเดือนที่ 13 คือ 46 ใช้ค่าความละเอียดที่เป็นลําชี้โดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.2 เราได้รับ: ก่อนหน้าการคาดการณ์สำหรับเดือนที่ 13 เป็นเพียงค่าเฉลี่ยสำหรับเดือนที่ 12 M 12 38.618 39 (ตามที่เรา ไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยมีค่าคงที่ที่ราบเรียบจาก 0.2 โดยรวมเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สี่เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สี่เดือน ความต้องการตามฤดูกาลการเปลี่ยนแปลงราคาโฆษณาทั้งแบรนด์นี้และยี่ห้ออื่น ๆ สถานการณ์ทางเศรษฐกิจทั่วไปเทคโนโลยีใหม่การพยากรณ์เช่นการทดสอบ UG ในปี 1989 ตารางด้านล่างแสดงความต้องการใช้เตาไมโครเวฟในห้างสรรพสินค้าเฉพาะในแต่ละสิบสองเดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่ 6 เดือนสำหรับแต่ละเดือน สิ่งที่จะคาดการณ์สำหรับความต้องการในเดือน 13 ใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.7 เพื่อคาดการณ์ความต้องการในเดือน 13 ซึ่งจากสองคาดการณ์สำหรับเดือน 13 ที่คุณชอบและทำไมตอนนี้เราไม่สามารถคำนวณหก เดือนจนกว่าเราจะมีข้อสังเกตอย่างน้อย 6 ข้อกล่าวคือเราสามารถคำนวณค่าเฉลี่ยดังกล่าวได้ตั้งแต่เดือนที่ 6 เป็นต้นไปเท่านั้น ดังนั้นเราจึงมี: m 6 (34 32 30 29 31 27) 6 30.50 m 7 (36 34 32 30 29 31) 6 32.00 m 8 (35 36 34 32 30 29) 6 32.67 m 9 (37 35 36 34 32 30) 6 34.00 m 10 (39 37 35 36 34 32) 6 35.50 m 11 (40 39 37 35 36 34) 6 36.83 m 12 (42 40 39 37 35 36) 6 38.17 ประมาณการสําหรับเดือนที่ 13 เปนคาเฉลี่ยเคลื่อนที่สําหรับ เดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ของเดือน 12 ม. 12 38.17 ดังนั้นเราจึงคาดการณ์ว่าค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยจะเป็นค่าเฉลี่ยของซีรีส์เวลาถ้าค่าเฉลี่ยอยู่ที่ประมาณเท่ากัน คงที่หรือค่อยๆเปลี่ยนไป ในกรณีของค่าเฉลี่ยคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าเฉลี่ยต้นแบบ ระยะสังเกตอีกต่อไปจะเป็นค่าเฉลี่ยของผลกระทบของความแปรปรวน วัตถุประสงค์ของการให้ m ที่มีขนาดเล็กคือการให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิง เพื่อแสดงให้เห็นว่าเราเสนอชุดข้อมูลที่รวมการเปลี่ยนแปลงค่าเฉลี่ยที่แท้จริงของชุดข้อมูลเวลา ภาพแสดงชุดข้อมูลเวลาที่ใช้สำหรับการแสดงภาพพร้อมกับความต้องการเฉลี่ยที่สร้างขึ้น ค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละช่วงเวลาจนกว่าจะถึงค่า 20 ในเวลา 30 จากนั้นจะกลายเป็นค่าคงที่อีกครั้ง ข้อมูลจะถูกจำลองด้วยการเพิ่มค่าเฉลี่ยเสียงสุ่มจากการแจกแจงแบบปกติที่มีค่าเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐาน 3. ผลการจำลองจะปัดเป็นจำนวนเต็มใกล้ที่สุด ตารางแสดงการสังเกตแบบจำลองที่ใช้สำหรับตัวอย่าง เมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตามข้อมูลที่ผ่านมาเป็นที่รู้จักเท่านั้น การประมาณค่าพารามิเตอร์ของโมเดลสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงพร้อมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่าง ตัวเลขนี้แสดงค่าประมาณเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่การคาดการณ์ การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลา หนึ่งข้อสรุปจะเห็นได้ชัดทันทีจากรูป สำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่จะล่าช้ากว่าเส้นตรงโดยมีความล่าช้าเพิ่มขึ้นจาก m ความล่าช้าคือระยะห่างระหว่างรูปแบบกับการประมาณในมิติเวลา เนื่องจากความล่าช้าค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ต่ำกว่าข้อสังเกตเป็นค่าเฉลี่ยจะเพิ่มขึ้น ความลำเอียงของตัวประมาณคือความแตกต่างในเวลาที่กำหนดในค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คำนวณโดยค่าเฉลี่ยเคลื่อนที่ ความอคติเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นลบ สำหรับค่าเฉลี่ยที่ลดลงอคติเป็นบวก ความล่าช้าในเวลาและอคติที่นำมาใช้ในการประมาณค่านี้เป็นหน้าที่ของ m ค่าที่มากขึ้นของ m ยิ่งใหญ่ขนาดของความล่าช้าและอคติ สำหรับซีรีส์ที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้ม a. ค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่าง เส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างไม่ได้เพิ่มขึ้นอย่างต่อเนื่องแทนที่จะเริ่มเป็นค่าคงที่เปลี่ยนเป็นแนวโน้มและจะกลายเป็นค่าคงที่อีกครั้ง นอกจากนี้เส้นโค้งตัวอย่างยังได้รับผลกระทบจากเสียงดัง การคาดการณ์ค่าเฉลี่ยของช่วงเวลาในอนาคตจะแสดงโดยการขยับเส้นโค้งไปทางขวา ความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วน สมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงของระยะเวลาคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดล อีกครั้งสูตรเหล่านี้เป็นชุดเวลาที่มีแนวโน้มเชิงเส้นคงที่ เราไม่ควรแปลกใจที่ผลลัพธ์นี้ ตัวประมาณค่าเฉลี่ยเคลื่อนที่อยู่บนพื้นฐานสมมติฐานค่าเฉลี่ยคงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงตามค่าเฉลี่ยในช่วงระยะเวลาการศึกษา เนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐานของรูปแบบใดก็ตามเราควรเตรียมพร้อมสำหรับผลลัพธ์ดังกล่าว นอกจากนี้เรายังสามารถสรุปจากรูปที่ความแปรปรวนของเสียงรบกวนมีผลมากที่สุดสำหรับขนาดเล็ก ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจากเสียงรบกวนและลด m เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงได้มากขึ้น ในความหมาย ข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงกับค่าคาดการณ์ ถ้าชุดข้อมูลเวลาเป็นค่าคงที่มูลค่าที่คาดไว้ของข้อผิดพลาดจะเป็นศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็นหน้าที่ของและคำที่สองซึ่งเป็นความแปรปรวนของเสียง คำที่หนึ่งคือค่าความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกตการณ์ m สมมติว่าข้อมูลมาจากประชากรที่มีค่าเฉลี่ยคงที่ ระยะนี้จะลดลงโดยทำให้ m มีขนาดใหญ่ที่สุด m ที่มีขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงชุดข้อมูลอ้างอิง เพื่อให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงได้เราต้องการให้ m มีขนาดเล็กที่สุด (1) แต่จะเพิ่มความแปรปรวนของข้อผิดพลาด การคาดการณ์ในทางปฏิบัติต้องมีค่ากลาง การคาดการณ์ด้วย Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B 10 ข้อสังเกตแรกมีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไป -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 คอลัมน์ MA (10) (C) แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ ค่าเฉลี่ยเคลื่อนที่ m อยู่ในเซลล์ C3 คอลัมน์ Fore (1) (D) จะแสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคต ช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นจำนวนที่มากขึ้นตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลง คอลัมน์ Err (1) (E) แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ไว้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11.1 ข้อผิดพลาดคือ -5.1 ส่วนเบี่ยงเบนมาตรฐานและค่าเบี่ยงเบนมาตรฐานเฉลี่ย (MAD) คำนวณในเซลล์ E6 และ E7 ตามลำดับการคำนวณแบบจำลองการถ่วงล้อเฉลี่ยและการอธิบายเป็นขั้นตอนแรกในการเคลื่อนย้ายเกินกว่าโมเดลเฉลี่ยโมเดลการเดินแบบสุ่มและแบบจำลองเชิงเส้นแนวโน้มและรูปแบบที่ไม่เป็นทางการ การอนุมานโดยใช้แบบจำลองที่เคลื่อนที่โดยเฉลี่ยหรือเรียบ สมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นที่มีค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ ดังนั้นเราจึงใช้ค่าเฉลี่ยเคลื่อนที่ (ท้องถิ่น) เพื่อประมาณค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ ซึ่งถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการเลื่อนลอย กลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่า quotsmoothedquot version ของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิม โดยการปรับระดับการทำให้เรียบ (ความกว้างของค่าเฉลี่ยเคลื่อนที่) เราสามารถคาดหวังให้เกิดความสมดุลระหว่างประสิทธิภาพของโมเดลแบบเฉลี่ยและแบบสุ่ม รูปแบบเฉลี่ยที่ง่ายที่สุดคือ ค่าเฉลี่ยของค่าเฉลี่ยของ Y ที่เวลา t1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่แท้จริงของการสังเกตการณ์ m ล่าสุด: (ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ 8220Y-hat8221 เพื่อยืน สำหรับการคาดการณ์ของชุดข้อมูล Y เวลาที่เร็วที่สุดเท่าที่เป็นไปได้ก่อนวันที่โดยรูปแบบที่กำหนด) ค่าเฉลี่ยนี้เป็นศูนย์กลางในช่วง t - (m1) 2 ซึ่งหมายความว่าค่าประมาณของท้องถิ่นจะมีแนวโน้มลดลงหลังค่าจริง ค่าเฉลี่ยของท้องถิ่นโดยประมาณ (m1) 2 ช่วงเวลา ดังนั้นเราจึงกล่าวว่าอายุโดยเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ (m1) 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ: นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูล . ตัวอย่างเช่นถ้าคุณคิดค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเห โปรดทราบว่าถ้า m1 โมเดลเฉลี่ยเคลื่อนที่โดยเฉลี่ย (SMA) เทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า m มีขนาดใหญ่มาก (เทียบกับความยาวของระยะเวลาประมาณ) รูปแบบ SMA จะเท่ากับรูปแบบเฉลี่ย เช่นเดียวกับพารามิเตอร์ใด ๆ ของรูปแบบการคาดการณ์การปรับค่าของ k จะเป็นเรื่องปกติที่จะได้รับข้อมูลที่ดีที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ย นี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ อันดับแรกให้ลองพอดีกับรูปแบบการเดินแบบสุ่มซึ่งเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอม: รูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จะทำให้ได้คำที่ไม่เหมาะสมใน ข้อมูล (ความผันผวนแบบสุ่ม) รวมทั้ง quotsignalquot (ค่าเฉลี่ยในท้องถิ่น) ถ้าเราลองใช้ค่าเฉลี่ยเคลื่อนที่ 5 ข้อโดยทั่วไปเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่า: ค่าเฉลี่ยเคลื่อนที่ 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้ อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 3 ((51) 2) ดังนั้นจึงมีแนวโน้มที่จะล่าช้ากว่าจุดหักเหภายในสามช่วงเวลา (ตัวอย่างเช่นการชะลอตัวน่าจะเกิดขึ้นในช่วง 21 แต่การคาดการณ์ไม่ได้ผกผันไปหลายช่วงเวลาภายหลัง) สังเกตว่าการคาดการณ์ระยะยาวจากแบบจำลอง SMA เป็นแนวเส้นตรงเช่นเดียวกับการเดินแบบสุ่ม แบบ ดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูล อย่างไรก็ตามในขณะที่การคาดการณ์จากรูปแบบการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตได้ล่าสุดการคาดการณ์จากรูปแบบ SMA จะเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุด วงเงินความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากระยะขอบพยากรณ์อากาศเพิ่มขึ้น เห็นได้ชัดว่าไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีทฤษฎีทางสถิติพื้นฐานที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไร อย่างไรก็ตามไม่ยากที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ระยะยาวของเส้นขอบฟ้า ตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตที่จะใช้โมเดล SMA เพื่อคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าวเป็นต้นภายในตัวอย่างข้อมูลที่ผ่านมา จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในขอบฟ้าพยากรณ์แต่ละครั้งและสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสม ถ้าเราลองค่าเฉลี่ยเคลื่อนที่ 9 วันเราจะได้รับการคาดการณ์ที่ราบรื่นขึ้นและผลกระทบที่ปกคลุมด้วยวัตถุฉนวน: อายุเฉลี่ยอยู่ที่ 5 ช่วงเวลา ((91) 2) ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ในระยะ 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10: สังเกตว่าแท้จริงแล้วการคาดการณ์ในขณะนี้ล้าหลังจุดหักเหประมาณ 10 รอบ นี่คือตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขาซึ่งรวมถึงค่าเฉลี่ยระยะยาว 3 คำ: Model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลตอบแทนน้อยที่สุดของ RMSE โดยมีขอบเล็กกว่า 3 ค่าเฉลี่ยระยะสั้นและระยะ 9 และสถิติอื่น ๆ ของพวกเขาเกือบจะเท่ากัน ดังนั้นในแบบจำลองที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าจะต้องการการตอบสนองเล็กน้อยหรือมีความเรียบขึ้นเล็กน้อยในการคาดการณ์หรือไม่ (ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักที่ชี้แจง) แบบจำลองค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายที่กล่าวมาข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะถือว่าข้อสังเกตสุดท้ายของ k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตทั้งหมดก่อนหน้านี้ โดยนัยข้อมูลที่ผ่านมาควรจะลดราคาในรูปแบบที่ค่อยๆมากขึ้นตัวอย่างเช่นการสังเกตล่าสุดควรมีน้ำหนักมากกว่า 2 ครั้งล่าสุดและครั้งที่ 2 ล่าสุดควรมีน้ำหนักน้อยกว่า 3 ครั้งล่าสุดและ อื่น ๆ แบบเรียบง่าย (SES) ทำให้สำเร็จได้ ให้ 945 แสดงถึงค่าคงที่ quotsmoothing (ตัวเลขระหว่าง 0 ถึง 1) วิธีหนึ่งในการเขียนแบบจำลองคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบัน (นั่นคือค่าเฉลี่ยในท้องถิ่น) ของชุดข้อมูลดังกล่าวโดยประมาณจากข้อมูลจนถึงปัจจุบัน ค่าของ L ที่เวลา t คำนวณจากค่าก่อนหน้าของตัวเองเช่นนี้ดังนั้นค่าที่เรียบนวลในปัจจุบันเป็นค่า interpolation ระหว่างค่าที่ได้จากการเรียบก่อนหน้าและการสังเกตการณ์ในปัจจุบันซึ่ง 945 จะควบคุมความใกล้ชิดของค่า interpolation กับค่าล่าสุด การสังเกต การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ได้รับการปรับปรุงในปัจจุบัน: เทียบเท่าเราสามารถแสดงการคาดการณ์ต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้านี้และข้อสังเกตก่อนหน้าในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ ในรุ่นแรกการคาดการณ์คือการแก้ไขระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้: ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าด้วยจำนวนเศษ 945 ข้อผิดพลาดเกิดขึ้นที่ เวลา t ในรุ่นที่สามการคาดการณ์คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกระดับ (เช่นลด) โดยมีปัจจัยการลดราคา 1-945: สูตรการคาดการณ์เวอร์ชันแก้ไขเป็นวิธีที่ง่ายที่สุดในการใช้งานหากคุณใช้โมเดลในสเปรดชีต: เหมาะกับรูปแบบ เซลล์เดี่ยวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้การสังเกตก่อนหน้าและเซลล์ที่เก็บค่า 945 ไว้ โปรดทราบว่าถ้า 945 1 รูปแบบ SES จะเทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า 945 0 รูปแบบ SES จะเท่ากับโมเดลเฉลี่ยโดยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ย (กลับไปด้านบนสุดของหน้า) อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์การเรียบอย่างง่ายและชี้แจงคือ 1 945 เทียบกับระยะเวลาที่คาดการณ์การคำนวณ (นี้ไม่ควรจะเป็นที่เห็นได้ชัด แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์.) ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหประมาณ 1 945 รอบระยะเวลา ตัวอย่างเช่นเมื่อ 945 0.5 ความล่าช้าเป็น 2 ช่วงเวลาเมื่อ 945 0.2 ความล่าช้าเป็น 5 ช่วงเวลาที่ 945 0.1 ความล่าช้าเป็น 10 ช่วงเวลาและอื่น ๆ สำหรับอายุโดยเฉลี่ยที่ระบุ (เช่นจำนวนเงินที่ล่าช้า) การคาดการณ์การทำให้การทำให้ลื่นไหลเรียบแบบสมมุติแบบง่าย (SES) ค่อนข้างดีกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) เนื่องจากมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - คือ มีการเปลี่ยนแปลงมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา ตัวอย่างเช่นโมเดล SMA ที่มี 9 คำและแบบ SES ที่มี 945 0.2 มีอายุเฉลี่ยอยู่ที่ 5 สำหรับข้อมูลในการคาดการณ์ แต่แบบจำลอง SES จะให้น้ำหนักมากกว่า 3 ค่าที่มากกว่าแบบจำลอง SMA และที่ ในเวลาเดียวกันมันไม่ได้ 8220forget8221 เกี่ยวกับค่ามากกว่า 9 งวดเก่าดังที่แสดงในแผนภูมินี้ข้อได้เปรียบที่สำคัญอีกประการหนึ่งของโมเดล SES ในรูปแบบ SMA คือรูปแบบ SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่อง โดยใช้อัลกอริธึม quotsolverquot เพื่อลดข้อผิดพลาดกำลังสองเฉลี่ย ค่าที่เหมาะสมที่สุดของ 945 ในแบบจำลอง SES สำหรับชุดข้อมูลนี้จะเท่ากับ 0.2961 ดังแสดงในที่นี้อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 10.2961 3.4 งวดซึ่งใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะสั้น การคาดการณ์ระยะยาวจากแบบจำลอง SES เป็นแนวเส้นตรง เช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโต อย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับรูปแบบการเดินแบบสุ่ม แบบจำลอง SES อนุมานว่าชุดนี้ค่อนข้างจะคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่ม แบบจำลอง SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีสถิติของแบบจำลอง ARIMA จึงเป็นพื้นฐานที่ใช้ในการคำนวณช่วงความเชื่อมั่นสำหรับแบบจำลอง SES โดยเฉพาะอย่างยิ่งแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างกันหนึ่งคำ MA (1) และไม่มีระยะคงที่ หรือที่เรียกว่าโควต้า (0,1,1) โดยไม่มีค่าคงที่ ค่าสัมประสิทธิ์ MA (1) ในรูปแบบ ARIMA สอดคล้องกับจำนวน 1-945 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณพอดีกับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA (1) โดยประมาณจะเท่ากับ 0.7029 ซึ่งใกล้เคียงกับค่า 0.2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่เป็นศูนย์ให้เป็นรูปแบบ SES ในการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งและเทอม MA (1) ที่มีค่าคงที่นั่นคือ ARIMA (0,1,1) โดยมีค่าคงที่ การคาดการณ์ในระยะยาวจะมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมด คุณไม่สามารถดำเนินการนี้ควบคู่กับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มแนวโน้มการชี้แจงในระยะยาวที่คงที่สำหรับแบบจำลองการทำให้เรียบแบบเลขแจงที่เรียบง่าย (โดยมีหรือไม่มีการปรับฤดูกาล) โดยใช้ตัวเลือกการปรับค่าเงินเฟ้อในขั้นตอนการคาดการณ์ อัตราการเติบโตของอัตราแลกเปลี่ยน (quotation) ในแต่ละช่วงเวลาสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลร่วมกับการแปลงลอการิทึมตามธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาว . (กลับไปด้านบนสุดของหน้า) Browns Linear (เช่น double) Exponential Smoothing โมเดล SMA และ SES สมมุติว่าไม่มีแนวโน้มใด ๆ ในข้อมูล (โดยปกติจะเป็นอย่างน้อยหรืออย่างน้อยก็ไม่เลวสำหรับ 1- การคาดการณ์ล่วงหน้าเมื่อข้อมูลมีเสียงดังมาก) และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นคงที่ดังที่แสดงไว้ข้างต้น สิ่งที่เกี่ยวกับแนวโน้มในระยะสั้นหากซีรี่ส์แสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นชัดเจนเมื่อเทียบกับเสียงรบกวนและหากมีความจำเป็นต้องคาดการณ์ล่วงหน้ามากกว่า 1 รอบการคาดการณ์แนวโน้มในท้องถิ่นอาจเป็นไปได้ ปัญหา แบบจำลองการทำให้เรียบเรียบง่ายสามารถสรุปเพื่อให้ได้รูปแบบการเรียบแบบเสวนาเชิงเส้น (LES) ซึ่งจะคำนวณการประมาณระดับท้องถิ่นและระดับแนวโน้ม รูปแบบแนวโน้มที่แตกต่างกันตามเวลาที่ง่ายที่สุดคือสีน้ำตาลแบบเสแสร้งแบบเสียดสีแบบเรียบซึ่งใช้ทั้งสองแบบที่เรียบเนียนแตกต่างกันไปตามจุดต่าง ๆ ในเวลา สูตรพยากรณ์ขึ้นอยู่กับการอนุมานของเส้นผ่านทั้งสองศูนย์ (รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt8217s ถูกกล่าวถึงด้านล่าง) รูปแบบพีชคณิตของ Brown8217s เชิงเส้นแบบเรียบเช่นเดียวกับรูปแบบการเรียบง่ายชี้แจงสามารถแสดงในรูปแบบที่แตกต่างกัน แต่ที่เท่าเทียมกัน รูปแบบมาตรฐานของแบบจำลองนี้มักจะแสดงดังนี้: ให้ S หมายถึงชุดแบบเดี่ยวที่เรียบง่ายได้โดยใช้การเรียบง่ายแบบเลขยกตัวอย่างให้เป็นชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย: (จำได้ว่าภายใต้หลักการง่ายๆ exponential smoothing นี่คือการคาดการณ์ของ Y ในช่วง t1) จากนั้นให้ Squot แสดงชุดที่มีการคูณทวีคูณขึ้นโดยใช้การเรียบแบบเลขแจงธรรมดา (ใช้แบบเดียวกัน 945) กับชุด S: สุดท้ายการคาดการณ์สำหรับ Y tk สำหรับ kgt1 ใด ๆ ให้โดย: ผลตอบแทนนี้ e 1 0 (เช่นโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกจริง) และ e 2 Y 2 8211 Y 1 หลังจากที่คาดการณ์จะถูกสร้างโดยใช้สมการข้างต้น ค่านี้จะให้ค่าพอดีกับสูตรตาม S และ S ถ้าค่าเริ่มต้นใช้ S 1 S 1 Y 1 รุ่นของรุ่นนี้ใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบแบบเสวนากับการปรับฤดูกาลตามฤดูกาล Holt8217s Linear Exponential Smoothing Brown8217s แบบจำลอง LES คำนวณการประมาณระดับท้องถิ่นและแนวโน้มโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์เรียบเพียงอย่างเดียวจะกำหนดข้อ จำกัด ของรูปแบบข้อมูลที่สามารถพอดีกับระดับและแนวโน้มได้ ไม่ได้รับอนุญาตให้เปลี่ยนแปลงในอัตราที่เป็นอิสระ แบบจำลอง LES ของ Holt8217s กล่าวถึงปัญหานี้ด้วยการรวมค่าคงที่ที่ราบเรียบสองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ทุกเวลา t เช่นเดียวกับในรุ่น Brown8217s มีการประมาณการ L t ของระดับท้องถิ่นและประมาณการ T t ของแนวโน้มในท้องถิ่น ที่นี่พวกเขาจะได้รับการคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การอธิบายแบบเอกซ์โพเน็นเชียลให้เรียบขึ้น หากระดับและแนวโน้มโดยประมาณของเวลา t-1 คือ L t82091 และ T t-1 ตามลำดับจากนั้นคาดว่า Y tshy ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณระดับที่ปรับปรุงใหม่จะถูกคำนวณโดยการ interpolating ระหว่าง Y tshy และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของ 945 และ 1-945 การเปลี่ยนแปลงระดับโดยประมาณ, คือ L t 8209 L t82091 สามารถตีความได้ว่าเป็นสัญญาณรบกวนของแนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดยการ interpolating ระหว่าง L t 8209 L t82091 และประมาณการก่อนหน้าของแนวโน้ม T t-1 โดยใช้เครื่องชั่ง 946 และ 1-946 การตีความค่าคงที่การทรงตัวของกระแส 946 มีความคล้ายคลึงกับค่าคงที่ของการปรับให้เรียบระดับ 945 โมเดลที่มีค่าน้อย 946 อนุมานได้ว่าแนวโน้มมีการเปลี่ยนแปลงเพียงอย่างช้าๆเมื่อเวลาผ่านไป ใหญ่กว่า 946 สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็ว แบบจำลองที่มีขนาดใหญ่ 946 เชื่อว่าในอนาคตอันใกล้นี้มีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการคาดการณ์แนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วง (กลับไปด้านบนสุดของหน้า) ค่าคงที่ที่ราบเรียบ 945 และ 946 สามารถประมาณได้ตามปกติโดยลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอน เมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 945 0.3048 และ 946 0.008 ค่าที่น้อยมากของ 946 หมายความว่ารูปแบบสมมติว่ามีการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบหนึ่งดังนั้นโดยทั่วไปโมเดลนี้กำลังพยายามประมาณแนวโน้มในระยะยาว โดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณระดับท้องถิ่นของชุดข้อมูลอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 946 แม้ว่าจะไม่เท่ากันก็ตาม . ในกรณีนี้ที่กลายเป็น 10.006 125 นี่เป็นตัวเลขที่แม่นยำมากที่สุดเท่าที่ความถูกต้องของค่าประมาณ 946 isn8217t จริง ๆ 3 ตำแหน่งทศนิยม แต่มันก็เป็นเรื่องธรรมดาของขนาดตามตัวอย่างขนาด 100 ดังนั้น รุ่นนี้มีค่าเฉลี่ยมากกว่าค่อนข้างมากของประวัติศาสตร์ในการประมาณแนวโน้ม พล็อตการคาดการณ์ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นในวงกว้างขึ้นเล็กน้อยที่ส่วนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่ในแบบจำลอง SEStrend นอกจากนี้ค่าประมาณของ 945 เกือบจะเหมือนกันกับที่ได้จากการปรับรุ่น SES ที่มีหรือไม่มีแนวโน้มดังนั้นเกือบจะเป็นแบบเดียวกัน ตอนนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับโมเดลที่ควรจะประเมินแนวโน้มในระดับท้องถิ่นดูเหมือนว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของชุดข้อมูลสิ่งที่เกิดขึ้นพารามิเตอร์ของรุ่นนี้ ได้รับการประเมินโดยการลดข้อผิดพลาดสี่เหลี่ยมของการคาดการณ์ล่วงหน้า 1 ขั้นตอนไม่ใช่การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนัก หากสิ่งที่คุณกำลังมองหาคือข้อผิดพลาด 1 ขั้นตอนคุณจะไม่เห็นภาพใหญ่ของแนวโน้มในช่วง 10 หรือ 20 ครั้ง เพื่อให้โมเดลนี้สอดคล้องกับการคาดการณ์ข้อมูลลูกตาของเรามากขึ้นเราจึงสามารถปรับค่าคงที่การปรับให้เรียบตามแนวโน้มเพื่อให้ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้ม ตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 946 0.1 แล้วอายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา Here8217s พล็อตการคาดการณ์มีลักษณะอย่างไรถ้าเราตั้งค่า 946 0.1 ขณะเก็บรักษา 945 0.3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะเป็นแนวโน้มที่จะคาดการณ์แนวโน้มดังกล่าวได้ไม่น้อยกว่า 10 งวดในอนาคต สิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือการเปรียบเทียบรูปแบบสำหรับสองรุ่นที่แสดงข้างต้นเช่นเดียวกับสามรุ่น SES ค่าที่เหมาะสมที่สุดคือ 945 สำหรับรุ่น SES มีค่าประมาณ 0.3 แต่ผลการค้นหาที่คล้ายกัน (มีการตอบสนองน้อยหรือน้อยตามลำดับ) จะได้รับค่า 0.5 และ 0.2 (A) Holts linear exp. การให้ความนุ่มนวลด้วย alpha 0.3048 และ beta 0.008 (B) Holts linear exp. การทำให้เรียบด้วยเอ็กซ์พี 0.3 และเบต้า 0.1 (C) การเพิ่มความเรียบง่ายด้วยการอธิบายด้วย alpha 0.5 (D) การทำให้เรียบอย่างง่ายด้วยเอ็กซ์โป 0.3 (E) การเรียบง่ายด้วยเลขแจงอัลฟา 0.2 สถิติของพวกเขาใกล้เคียงกันมากดังนั้นเราจึงสามารถเลือกได้บนพื้นฐาน ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูล เราต้องกลับไปพิจารณาเรื่องอื่น ๆ ถ้าเราเชื่อว่าการคาดการณ์แนวโน้มในปัจจุบันเกี่ยวกับสิ่งที่เกิดขึ้นในระยะเวลา 20 ปีที่ผ่านมาเราสามารถสร้างกรณีสำหรับโมเดล LES ด้วย 945 0.3 และ 946 0.1 ได้ ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับท้องถิ่นแบบใดแบบหนึ่งของ SES อาจอธิบายได้ง่ายกว่านี้และจะให้การคาดการณ์ระดับกลางของถนนต่อไปอีก 5 หรือ 10 ครั้ง ชนิดของแนวโน้มการอนุมานที่ดีที่สุดคือแนวนอนหรือเส้นตรงหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าหากข้อมูลได้รับการปรับแล้ว (ถ้าจำเป็น) สำหรับอัตราเงินเฟ้อแล้วก็อาจจะไม่ระมัดระวังในการคาดการณ์ระยะสั้นในเชิงเส้น แนวโน้มที่ไกลมากในอนาคต แนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตอันเนื่องมาจากสาเหตุที่แตกต่างกันเช่นความล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและการชะลอตัวของวัฏจักรหรือการปรับตัวในอุตสาหกรรม ด้วยเหตุนี้การเรียบอย่างง่ายจึงมักจะทำให้ได้ตัวอย่างที่ดีกว่าที่ควรจะเป็นอย่างอื่นแม้จะมีการอนุมานแนวโน้มในแนวนอน การปรับเปลี่ยนรูปแบบการลดลงของรูปแบบการเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นมักใช้ในการปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม โมเดล LES ที่มีแนวโน้มลดลงสามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA (1,1,2) เป็นไปได้ในการคำนวณช่วงความเชื่อมั่นรอบการคาดการณ์ในระยะยาวที่ผลิตโดยแบบจำลองการทำให้เรียบโดยพิจารณาเป็นกรณีพิเศษของรูปแบบ ARIMA ความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ (i) ข้อผิดพลาด RMS ของโมเดล (ii) ประเภทของการปรับให้เรียบ (แบบง่ายหรือแบบเส้นตรง) (iii) ค่า (s) ของคงที่ราบเรียบ (s) และ (iv) จำนวนรอบระยะเวลาที่คุณคาดการณ์ โดยทั่วไปช่วงเวลาจะกระจายออกไปได้เร็วกว่าเมื่อ 945 มีขนาดใหญ่ขึ้นในรูปแบบ SES และแพร่กระจายได้เร็วกว่ามากเมื่อใช้เส้นตรงมากกว่าการเรียบแบบเรียบ หัวข้อนี้จะกล่าวถึงต่อไปในส่วนรูปแบบ ARIMA ของบันทึกย่อ (ถอยกลับไปด้านบนสุดของหน้า) วิธีการคาดการณ์การถ่วงน้ำหนักเฉลี่ยที่ถ่วงน้ำหนัก: ข้อดีและข้อเสีย Hi, LOVE your Post สงสัยไหมว่าคุณจะสามารถอธิบายเพิ่มเติมได้หรือไม่ เราใช้ SAP ในนั้นมีตัวเลือกที่คุณสามารถเลือกได้ก่อนที่คุณจะเรียกใช้การคาดการณ์ที่เรียกว่า initialization หากคุณเลือกตัวเลือกนี้คุณจะได้รับผลการคาดการณ์หากคุณเรียกใช้การคาดการณ์อีกครั้งในช่วงเวลาเดียวกันและไม่ตรวจสอบการเริ่มต้นการทำงานผลลัพธ์จะเปลี่ยนแปลงไป ฉันไม่สามารถคิดออกว่าการเริ่มต้นที่กำลังทำอยู่ ฉันหมายถึงทางคณิตศาสตร์ ผลการคาดการณ์ที่ดีที่สุดคือการบันทึกและใช้ตัวอย่างเช่น การเปลี่ยนแปลงระหว่างสองไม่ได้อยู่ในปริมาณที่คาดการณ์ไว้ แต่ใน MAD และ Error ความปลอดภัยของสต็อกและปริมาณ ROP ไม่แน่ใจว่าคุณใช้ SAP หรือไม่ สวัสดีขอบคุณสำหรับการอธิบายเพื่อประสิทธิภาพของมันเกินไป gd ขอบคุณอีกครั้ง Jaspreet ปล่อยให้ตอบยกเลิกการตอบเกี่ยวกับ Shmula Pete Abilla เป็นผู้ก่อตั้ง Shmula และตัวละคร Kanban Cody เขาช่วย บริษัท ต่างๆเช่น Amazon, Zappos, eBay, Backcountry และอื่น ๆ เพื่อลดต้นทุนและปรับปรุงประสบการณ์ของลูกค้า เขาทำอย่างนี้โดยใช้วิธีการที่เป็นระบบในการระบุจุดที่เจ็บปวดซึ่งส่งผลกระทบต่อลูกค้าและธุรกิจและส่งเสริมการมีส่วนร่วมอย่างกว้างขวางจาก บริษัท ร่วมของ บริษัท ในการปรับปรุงกระบวนการของตนเอง เว็บไซต์นี้เป็นชุดของประสบการณ์ที่เขาต้องการแบ่งปันกับคุณ เริ่มต้นด้วยการดาวน์โหลดฟรี