Flytting Gjennomsnitt Metode Av Tidsserier

Tidsseriemetoder Tidsseriemetoder er statistiske teknikker som benytter historiske data akkumulert over en tidsperiode. Tidsseriemetoder antar at det som har skjedd tidligere, vil fortsette å skje i fremtiden. Som navnet serier antyder, relaterer disse metodene prognosen til bare en faktor - tid. De inkluderer glidende gjennomsnitt, eksponensiell utjevning og lineær trendlinje, og de er blant de mest populære metodene for kortvarig prognose blant service - og produksjonsbedrifter. Disse metodene forutsetter at identifiserbare historiske mønstre eller trender for etterspørsel over tid vil gjenta seg. Flytende gjennomsnitt En prognos for tidsserier kan være så enkel som bruk av etterspørsel i den nåværende perioden for å forutse etterspørselen i neste periode. Dette kalles noen ganger en naiv eller intuitiv prognose. 4 For eksempel, hvis etterspørselen er 100 enheter denne uken, er prognosen for neste ukes etterspørsel 100 enheter dersom etterspørselen viser seg å være 90 enheter i stedet, så er etterspørselen etter følgende uker 90 enheter, og så videre. Denne typen prognosemetode tar ikke hensyn til historisk etterspørselsadferd som den bare bygger på etterspørsel i den nåværende perioden. Det reagerer direkte på de normale, tilfeldige bevegelsene i etterspørselen. Den enkle glidende gjennomsnittsmetoden bruker flere etterspørselsverdier i løpet av den siste tiden til å utvikle en prognose. Dette har en tendens til å dempe eller glatte ut, tilfeldige økninger og reduksjoner av en prognose som bare bruker en periode. Det enkle glidende gjennomsnittet er nyttig for å forutse etterspørselen som er stabil og viser ikke noen uttalt etterspørselsadferd, for eksempel en trend eller sesongmessig mønster. Flytende gjennomsnitt beregnes for bestemte perioder, for eksempel tre måneder eller fem måneder, avhengig av hvor mye forecasteren ønsker å glatte etterspørseldataene. Jo lengre glidende gjennomsnittsperiode, jo jevnere blir det. Formelen for beregning av det enkle glidende gjennomsnittet er å beregne et enkelt bevegelige gjennomsnitt. Instant Paper Clip Office Supply Company selger og leverer kontorrekvisita til bedrifter, skoler og byråer innen en radius på 50 kilometer fra lageret. Kontorforsyningsvirksomheten er konkurransedyktig, og evnen til å levere bestillinger raskt er en faktor for å få nye kunder og holde gamle. (Kontorene bestiller vanligvis ikke når de går lite på forsyninger, men når de går helt tom. Som et resultat trenger de straks sine bestillinger.) Sjefen for selskapet ønsker å være sikre nok drivere og kjøretøyer er tilgjengelige for å levere bestillinger omgående og De har tilstrekkelig lagerbeholdning på lager. Derfor ønsker lederen å kunne regne ut antall ordrer som vil skje i løpet av den neste måneden (dvs. for å prognose etterspørselen etter leveranser). Fra registreringer av leveringsordrer har ledelsen akkumulert følgende data de siste 10 månedene, hvorfra den vil beregne 3- og 5-måneders glidende gjennomsnitt. La oss anta at det er slutten av oktober. Prognosen som følge av enten 3- eller 5-måneders glidende gjennomsnitt er typisk for neste måned i sekvensen, som i dette tilfellet er november. Det bevegelige gjennomsnittet beregnes fra etterspørselen etter ordre for de foregående 3 månedene i sekvensen i henhold til følgende formel: 5-måneders glidende gjennomsnitt beregnes fra de foregående 5 månedene av etterspørseldata som følger: 3- og 5-måneders Flytte gjennomsnittlige prognoser for alle månedene av etterspørseldata er vist i følgende tabell. Faktisk vil bare prognosen for november basert på den siste månedlige etterspørselen bli brukt av lederen. De tidligere prognosene for tidligere måneder tillater oss imidlertid å sammenligne prognosen med den faktiske etterspørselen for å se hvor nøyaktig prognosemetoden er - det vil si hvor bra det gjør. Tre - og fem-måneders gjennomsnitt Både glidende gjennomsnittlige prognoser i tabellen ovenfor har en tendens til å utjevne variabiliteten i de faktiske dataene. Denne utjevningseffekten kan observeres i følgende figur hvor 3-måneders og 5-måneders gjennomsnitt er lagt på en graf av de opprinnelige dataene: Det 5-måneders glidende gjennomsnittet i foregående figur utjevner svingninger i større grad enn 3 måneders glidende gjennomsnitt. Imidlertid gjenspeiler 3-måneders gjennomsnittet de nyeste dataene som er tilgjengelige for kontorforvalteren. Generelt er prognoser som bruker lengre periode glidende gjennomsnitt, langsommere å reagere på de siste endringene i etterspørselen enn de som ble gjort ved hjelp av glidende gjennomsnitt for kortere periode. De ekstra dataperiodene demper hastigheten som prognosen svarer på. Etablering av riktig antall perioder som skal brukes i en bevegelig gjennomsnittlig prognose krever ofte litt prøve-og-feil-eksperimentering. Ulempen med den bevegelige gjennomsnittlige metoden er at den ikke reagerer på variasjoner som oppstår av en grunn, for eksempel sykluser og sesongmessige effekter. Faktorer som forårsaker endringer blir generelt ignorert. Det er i utgangspunktet en mekanisk metode som gjenspeiler historiske data på en konsistent måte. Den glidende gjennomsnittlige metoden har imidlertid fordelen av å være enkel å bruke, rask og relativt billig. Generelt kan denne metoden gi en god prognose på kort sikt, men det bør ikke presses for langt inn i fremtiden. Veidende Flytende Gjennomsnitt Den bevegelige gjennomsnittlige metoden kan justeres for å bedre reflektere svingninger i dataene. I den vektede glidende gjennomsnittlige metoden blir vektene tilordnet de nyeste dataene i henhold til følgende formel: Etterspørseldataene for PM Computer Services (vist i tabellen for eksempel 10.3) ser ut til å følge en økende lineær trend. Selskapet ønsker å beregne en lineær trendlinje for å se om den er mer nøyaktig enn eksponensiell utjevning og justert eksponensiell utjevningsprognos utviklet i eksempler 10.3 og 10.4. Verdiene som kreves for de minste kvadratberegninger er som følger: Ved bruk av disse verdiene beregnes parametrene for den lineære trendlinjen som følger: Derfor er den lineære trendlinjekvasjonen å beregne en prognose for periode 13, la x 13 i lineær trendlinje: Følgende graf viser den lineære trendlinjen sammenlignet med de faktiske dataene. Treningslinjen ser ut til å gjenspeile nøyaktig de faktiske dataene, det vil si å være en god form og dermed være en god prognosemodell for dette problemet. En ulempe med den lineære trendlinjen er imidlertid at den ikke vil tilpasse seg en endring i trenden, da de eksponentielle utjevningsprognosene vil det vil si det antas at alle fremtidige prognoser vil følge en rett linje. Dette begrenser bruken av denne metoden til en kortere tidsramme der du kan være relativt sikker på at trenden ikke vil endre seg. Seasonal Adjustments Et sesongmessig mønster er en repeterende økning og nedgang i etterspørselen. Mange etterspørselsprodukter viser sesongmessig oppførsel. Klærsalg følger årlige sesongmønstre, hvor etterspørselen etter varme klær øker om høsten og vinteren og faller om våren og sommeren ettersom etterspørselen etter kjøligere klær øker. Etterspørselen etter mange detaljhandler, inkludert leker, sportsutstyr, klær, elektroniske apparater, skinke, kalkuner, vin og frukt, øker i løpet av høytiden. Krav til hilsekort øker i forbindelse med spesielle dager som Valentinsdag og Morsdag. Sesongmønstre kan også forekomme på en månedlig, ukentlig eller daglig basis. Noen restauranter har høyere etterspørsel om kvelden enn til lunsj eller i helgene i motsetning til hverdager. Trafikk - dermed salg - i kjøpesentre plukker opp fredag ​​og lørdag. Det finnes flere metoder for å reflektere sesongmessige mønstre i en tidsserie-prognose. Vi vil beskrive en av de enklere metodene ved å bruke en sesongfaktor. En sesongfaktor er en tallverdi som multipliseres med den normale prognosen for å få en sesongjustert prognose. En metode for å utvikle en etterspørsel etter sesongmessige faktorer er å dele etterspørselen etter hver sesongperiode etter total årlig etterspørsel, i henhold til følgende formel: De resulterende sesongfaktorene mellom 0 og 1,0 er faktisk den del av den totale årlige etterspørselen som tildeles hver sesong. Disse sesongmessige faktorene multipliseres med den årlige forventede etterspørselen for å gi justerte prognoser for hver sesong. Beregner en prognose med sesongjusteringer. Wishbone Farms vokser kalkuner for å selge til et kjøttproduserende selskap gjennom hele året. Men høysesongen er åpenbart i løpet av fjerde kvartal av året, fra oktober til desember. Wishbone Farms har opplevd etterspørselen etter kalkuner de siste tre årene vist i følgende tabell: Fordi vi har tre års etterspørseldata, kan vi beregne sesongfaktorene ved å dele totalt kvartalsbehov for de tre årene etter total etterspørsel i alle tre år : Deretter vil vi multiplisere den forventede etterspørselen etter neste år, 2000, ved hver sesongfaktor for å få forventet etterspørsel etter hvert kvartal. For å oppnå dette trenger vi en etterspørselsprognose for 2000. I dette tilfellet, siden etterspørseldataene i tabellen ser ut til å vise en generelt økende trend, beregner vi en lineær trendlinje for de tre årene med data i tabellen for å bli tøffe prognose estimat: Prognosen for 2000 er således 58,17, eller 58,170 kalkuner. Ved å bruke denne årlige prognosen for etterspørsel er de sesongjusterte prognosene, SF i, for 2000 Sammenligning av disse kvartalsprognosene med de faktiske etterspørselsverdiene i tabellen, synes de å være relativt gode prognoser som reflekterer både sesongvariasjoner i dataene og den generelle oppadgående trenden. 10-12. Hvordan er den bevegelige gjennomsnittlige metoden lik eksponensiell utjevning 10-13. Hvilken effekt på eksponensiell utjevningsmodell vil øke utjevningskonstanten har 10-14. Hvordan skiller den justerte eksponensielle utjevningen seg fra eksponensiell utjevning 10-15. Hva bestemmer valget av utjevningskonstanten for trend i en justert eksponensiell utjevningsmodell 10-16. I kapitteleksemplene for tidsseriemetoder ble startprognosen alltid antatt å være den samme som den faktiske etterspørselen i første periode. Foreslå andre måter at startprognosen kan utledes ved faktisk bruk. 10-17. Hvordan er lineær trendlinjeprognosemodell forskjellig fra en lineær regresjonsmodell for prognoser 10-18. Av tidsseriemodellene som presenteres i dette kapittelet, inkludert det bevegelige gjennomsnittlige og vektede glidende gjennomsnittet, eksponensiell utjevning og justert eksponensiell utjevning, og lineær trendlinje, hvilken anser du best Hvorfor 10-19. Hvilke fordeler har justert eksponensiell utjevning over en lineær trendlinje for forventet etterspørsel som viser en trend 4 K. B. Kahn og J. T. Mentzer, Forecasting in Consumer and Industrial Markets, Journal of Business Forecasting 14, nr. 2 (Sommer 1995): 21-28.Metode for bevegelige gjennomsnittsverdier Kommentarer er av Anta at det er tider som er betegnet og tilsvarende verdier av variabel er. Først av alt må vi bestemme perioden for de bevegelige gjennomsnittene. For korte tidsserier bruker vi periode på 3 eller 4 verdier. For lang tidsserier kan perioden være 7, 10 eller mer. For kvartalsvise tidsserier beregner vi alltid gjennomsnitt som tar 4 fjerdedeler av gangen. I månedlige tidsserier beregnes 12 måneders glidende gjennomsnitt. Anta at gitte tidsserier er i år, og vi har bestemt oss for å beregne 3 års glidende gjennomsnitt. De bevegelige gjennomsnittene som er angitt av, beregnes som nedenfor: Utjevning av data fjerner tilfeldig variasjon og viser trender og sykliske komponenter. Inherent i samlingen av data tatt over tid er en form for tilfeldig variasjon. Det finnes metoder for å redusere avbryte effekten på grunn av tilfeldig variasjon. En ofte brukt teknikk i industrien er utjevning. Denne teknikken, når den brukes riktig, viser tydeligere den underliggende trenden, sesongmessige og sykliske komponenter. Det er to forskjellige grupper av utjevningsmetoder. Midlere metoder Eksponensielle utjevningsmetoder Gjennomsnitt er den enkleste måten å glatte data på. Vi vil først undersøke noen gjennomsnittsmetoder, for eksempel det enkle gjennomsnittet av alle tidligere data. En leder av et lager ønsker å vite hvor mye en typisk leverandør leverer i 1000 dollar-enheter. Heshe tar et utvalg av 12 leverandører, tilfeldig, og oppnår følgende resultater: Beregnet gjennomsnitt eller gjennomsnitt av dataene 10. Lederen bestemmer seg for å bruke dette som estimat for utgifter til en typisk leverandør. Er dette et bra eller dårlig estimat Mean squared feil er en måte å dømme hvor bra en modell er. Vi skal beregne den gjennomsnittlige kvadratfeilen. Feil sant beløp brukt minus estimert beløp. Feilen squared er feilen ovenfor, firkantet. SSE er summen av kvadratfeilene. MSE er gjennomsnittet av de kvadratiske feilene. MSE-resultater for eksempel Resultatene er: Feil og kvadratfeil Estimatet 10 Spørsmålet oppstår: kan vi bruke gjennomsnittet til å prognostisere inntekt hvis vi mistenker en trend. En titt på grafen nedenfor viser tydelig at vi ikke bør gjøre dette. Gjennomsnittlig veier alle tidligere observasjoner likt Sammendrag oppgir vi at Det enkle gjennomsnittet eller gjennomsnittet av alle tidligere observasjoner er bare et nyttig estimat for prognoser når det ikke er noen trender. Hvis det er trender, bruk ulike estimater som tar hensyn til trenden. Gjennomsnittet veier alle tidligere observasjoner likt. For eksempel er gjennomsnittet av verdiene 3, 4, 5 4. Vi vet selvsagt at et gjennomsnitt beregnes ved å legge til alle verdiene og dividere summen med antall verdier. En annen måte å beregne gjennomsnittet på er å legge til hver verdi dividert med antall verdier, eller 33 43 53 1 1.3333 1.6667 4. Multiplikatoren 13 kalles vekten. Generelt: bar frac sum venstre (frac høyre) x1 venstre (frac høyre) x2,. ,, venstre (frac høyre) xn. (Venstre) er vektene, og selvfølgelig summen de til 1,6,2 Flytte gjennomsnitt ma 40 elecsales, rekkefølge 5 41 I den andre kolonnen i denne tabellen vises et glidende gjennomsnitt av rekkefølge 5, og gir en anslag på trend-syklusen. Den første verdien i denne kolonnen er gjennomsnittet av de fem første observasjonene (1989-1993). Den andre verdien i 5-MA kolonnen er gjennomsnittet av verdiene 1990-1994 og så videre. Hver verdi i 5-MA kolonnen er gjennomsnittet av observasjonene i femårsperioden sentrert på tilsvarende år. Det er ingen verdier for de to første årene eller de siste to årene fordi vi ikke har to observasjoner på hver side. I formelen ovenfor inneholder kolonne 5-MA verdiene for hatten med k2. For å se hva trendsyklusestimatet ser ut, plotter vi det sammen med de opprinnelige dataene i figur 6.7. plot 40 elecsales, main quotResidential electricity salesquot, ylab quotGWhquot. xlab quotYearquot 41 linjer 40 ma 40 elecsales, 5 41. col quotredquot 41 Legg merke til hvordan trenden (i rødt) er jevnere enn de opprinnelige dataene og fanger hovedrørelsen til tidsseriene uten alle de små svingningene. Den bevegelige gjennomsnittlige metoden tillater ikke estimater av T hvor t er nær seriens ender, derfor strekker den røde linjen ikke til kantene på grafen på hver side. Senere vil vi bruke mer sofistikerte metoder for trendsyklusestimering som gjør det mulig å anslå estimater nær endepunktene. Ordren av det bevegelige gjennomsnittet bestemmer glattheten i trend-syklusestimatet. Generelt betyr en større ordre en jevnere kurve. Følgende graf viser effekten av å endre rekkefølgen på det bevegelige gjennomsnittet for el-salgsdata for bolig. Enkle bevegelige gjennomsnitt som disse er vanligvis av merkelig rekkefølge (f. eks. 3, 5, 7 osv.) Dette er slik at de er symmetriske: I et bevegelige gjennomsnitt av rekkefølge m2k1 er det k tidligere observasjoner, k senere observasjoner og midtobservasjonen som er i gjennomsnitt. Men hvis m var jevn, ville det ikke lenger være symmetrisk. Flytte gjennomsnitt av glidende gjennomsnitt Det er mulig å bruke et glidende gjennomsnitt til et glidende gjennomsnitt. En grunn til å gjøre dette er å lage en jevn rekkefølge som beveger gjennomsnittlig symmetrisk. For eksempel kan vi ta et glidende gjennomsnitt på rekkefølge 4, og deretter bruke et annet glidende gjennomsnitt av rekkefølge 2 til resultatene. I tabell 6.2 er dette gjort for de første årene av australske kvartalsvise ølproduksjonsdata. beer2 lt - window 40 ausbeer, start 1992 41 ma4 lt 40 øl2, ordre 4. senter FALSK 41 ma2x4 lt 40 øl2, orden 4. senter SANN 41 Notatet 2times4-MA i den siste kolonnen betyr en 4-MA etterfulgt av en 2-MA. Verdiene i siste kolonne er oppnådd ved å ta et glidende gjennomsnitt av rekkefølge 2 av verdiene i forrige kolonne. For eksempel er de to første verdiene i 4-MA-kolonnen 451,2 (443410420532) 4 og 448,8 (410420532433) 4. Den første verdien i kolonnen 2times4-MA er gjennomsnittet av disse to: 450,0 (451.2448.8) 2. Når en 2-MA følger et glidende gjennomsnitt av like rekkefølge (som 4), kalles det et sentrert glidende gjennomsnitt på rekkefølge 4. Dette skyldes at resultatene nå er symmetriske. For å se at dette er tilfelle, kan vi skrive 2times4-MA på følgende måte: start hodes amp frac Bigfrac (y y y y) frac (y y y y) Stor forsterker frac14y frac14y frac14y frac18y. ende Det er nå et veid gjennomsnitt av observasjoner, men det er symmetrisk. Andre kombinasjoner av bevegelige gjennomsnitt er også mulige. For eksempel brukes en 3times3-MA ofte, og består av et glidende gjennomsnitt av rekkefølge 3 etterfulgt av et annet glidende gjennomsnitt av rekkefølge 3. Generelt bør en jevn rekkefølge MA følges av en jevn rekkefølge MA for å gjøre den symmetrisk. På samme måte bør en merkelig ordre MA følges av en merkelig ordre MA. Beregner trendsyklusen med sesongdata Det vanligste bruket av sentrert glidende gjennomsnitt er å estimere trendsyklusen fra sesongdata. Vurder 2times4-MA: hatten frac y frac14y frac14y frac14y frac18y. Når det gjelder kvartalsdata, blir hvert kvartal av året gitt like vekt som de første og siste vilkårene gjelder for samme kvartal i påfølgende år. Følgelig vil sesongvariasjonen bli gjennomsnittet ut, og de resulterende verdiene av hat t vil ha liten eller ingen sesongvariasjon igjen. En lignende effekt ville bli oppnådd ved bruk av en 2 x 8-MA eller en 2 x 12-MA. Generelt er en 2-timers m-MA ekvivalent med et vektet glidende gjennomsnitt av rekkefølge m1 med alle observasjoner som tar vekt 1m unntatt de første og siste vilkårene som tar vekter 1 (2m). Så hvis sesongperioden er jevn og av rekkefølge m, bruk en 2-timers m-MA for å estimere trendsyklusen. Hvis sesongperioden er merkelig og av ordre m, bruk en m-MA for å estimere trendsyklusen. Spesielt kan en 2times 12-MA brukes til å estimere trendsyklusen av månedlige data, og en 7-MA kan brukes til å estimere utviklingssyklusen av daglige data. Andre valg for rekkefølgen av MA vil vanligvis resultere i at trend-syklus estimater blir forurenset av sesongmessigheten i dataene. Eksempel 6.2 Produksjon av elektrisk utstyr Figur 6.9 viser en 2times12-MA anvendt på ordreindeksen for elektrisk utstyr. Legg merke til at den glatte linjen viser ingen sesongmessighet, det er nesten det samme som trend-syklusen vist i figur 6.2, som ble estimert ved hjelp av en mye mer sofistikert metode enn flytende gjennomsnitt. Ethvert annet valg for rekkefølge av glidende gjennomsnitt (unntatt 24, 36, etc.) ville ha resultert i en jevn linje som viser noen sesongmessige svingninger. plott 40 elecequip, ylab quotNew ordre indexquot. Col quotgrayquot, hovedkurselektrisk produksjonsproduksjon (euroområde) kvitt 41 linjer 40 ma 40 elecequip, rekkefølge 12 41. kol quotequot 41 Veidede glidende gjennomsnitt Sammendrag av bevegelige gjennomsnitt resulterer i veide glidende gjennomsnitt. For eksempel er 2x4-MA diskutert ovenfor ekvivalent med en vektet 5-MA med vekter gitt av frac, frac, frac, frac, frac. Generelt kan en vektet m-MA skrives som hat t sum k aj y, hvor k (m-1) 2 og vekter er gitt med a, prikker, ak. Det er viktig at vektene alle summerer til en og at de er symmetriske slik at aj a. Den enkle m-MA er et spesielt tilfelle der alle vekter er lik 1m. En stor fordel ved vektede glidende gjennomsnitt er at de gir et jevnere estimat av trend-syklusen. I stedet for observasjoner som går inn og ut av beregningen i full vekt, økes vektene langsomt og senker sakte ned, noe som resulterer i en jevnere kurve. Noen spesifikke sett med vekter er mye brukt. Noen av disse er gitt i tabell 6.3.