Flytting Gjennomsnitt Metode Prognose

Flytte gjennomsnitt: Hva er det og hvordan beregne det Se på videoen eller les artikkelen under: Et bevegelige gjennomsnitt er en teknikk for å få en generell ide om trender i et datasett. Det er et gjennomsnitt av et undergrupper av tall. Det bevegelige gjennomsnittet er ekstremt nyttig for å prognose langsiktige trender. Du kan beregne det for en periode. Hvis du for eksempel har salgsdata i en tjueårsperiode, kan du beregne et femårig glidende gjennomsnitt, et fireårig glidende gjennomsnitt, et treårig glidende gjennomsnitt og så videre. Aksjemarkedet analytikere vil ofte bruke et 50 eller 200 dagers glidende gjennomsnitt for å hjelpe dem å se trender på aksjemarkedet og (forhåpentligvis) prognose hvor aksjene er på vei. Et gjennomsnitt representerer 8220 middling8221 verdien av et sett med tall. Det bevegelige gjennomsnittet er nøyaktig det samme, men gjennomsnittet beregnes flere ganger for flere delsett av data. Hvis du for eksempel vil ha et toårig glidende gjennomsnitt for et datasett fra 2000, 2001, 2002 og 2003, vil du finne gjennomsnitt for delmengder 20002001, 20012002 og 20022003. Flytte gjennomsnitt er vanligvis plottet og er best visualisert. Beregne et 5-års flytende gjennomsnitt Eksempel Eksempelproblem: Beregn et femårig glidende gjennomsnitt fra følgende datasett: (4M 6M 5M 8M 9M) ​​5 6,4M Gjennomsnittlig salg for andre delmengde på fem år (2004 8211 2008). sentrert rundt 2006, er 6,6M: (6M 5M 8M 9M 5M) 5 6,6M Gjennomsnittlig salg for tredje delmengde på fem år (2005 8211 2009). sentrert rundt 2007, er 6.6M: (5M 8M 9M 5M 4M) 5 6.2M Fortsett å beregne hvert femårs gjennomsnitt, til du når slutten av settet (2009-2013). Dette gir deg en rekke poeng (gjennomsnitt) som du kan bruke til å tegne et diagram over bevegelige gjennomsnitt. Følgende Excel-tabell viser deg de bevegelige gjennomsnittene beregnet for 2003-2012 sammen med en scatterplot av dataene: Se videoen eller les trinnene nedenfor: Excel har et kraftig tillegg, Data Analysis Toolpak (hvordan du laster inn dataene Analyse Toolpak) som gir deg mange ekstra muligheter, inkludert en automatisert glidende gjennomsnittsfunksjon. Funksjonen beregner ikke bare glidende gjennomsnitt for deg, det graver også de opprinnelige dataene samtidig. sparer deg ganske mange tastetrykk. Excel 2013: Trinn 1: Klikk 8220Data8221-kategorien og klikk deretter 8220Data Analysis.8221 Trinn 2: Klikk 8220Gjennomsnitt8221 og klikk deretter 8220OK.8221 Trinn 3: Klikk på 8220Input Range8221-boksen og velg deretter dataene dine. Hvis du inkluderer kolonneoverskrifter, må du kontrollere at etikettene er i første rekkefelt. Trinn 4: Skriv inn et intervall i boksen. Et intervall er hvor mange tidligere poeng du vil bruke Excel til å beregne det bevegelige gjennomsnittet. For eksempel vil 822058221 bruke de forrige 5 datapunktene til å beregne gjennomsnittet for hvert påfølgende punkt. Jo lavere intervallet, desto nærmere er det bevegelige gjennomsnittet ditt til ditt opprinnelige datasett. Trinn 5: Klikk i boksen 8220Output Range8221 og velg et område på regnearket der du vil at resultatet skal vises. Eller klikk på 8220New-regneark8221-knappen. Trinn 6: Kontroller 8220Chart Output8221-boksen hvis du vil se et diagram over datasettet ditt (hvis du glemmer å gjøre dette, kan du alltid gå tilbake og legge til det eller velge et diagram fra 8220Insert8221-fanen.8221 Trinn 7: Trykk på 8220OK .8221 Excel vil returnere resultatene i området du angav i trinn 6. Se videoen, eller les trinnene nedenfor: Eksempelproblem: Beregn treårig glidende gjennomsnitt i Excel for følgende salgsdata: 2003 (33M), 2004 (22M), 2005 (36M), 2006 (34M), 2007 (43M), 2008 (39M), 2009 (41M), 2010 (36M), 2011 (45M), 2012 (56M), 2013 (64M). 1: Skriv inn dataene i to kolonner i Excel. Den første kolonnen skal ha året og den andre kolonnen de kvantitative dataene (i dette eksemplet problemet, salgstallene). Kontroller at det ikke er noen tomme rader i celledataene. : Beregn det første treårsmediet (2003-2005) for dataene. For dette prøveproblemet, skriv 8220 (B2B3B4) 38221 i celle D3. Beregne det første gjennomsnittet. Trinn 3: Dra firkanten nederst til høyre hjørne d eier å flytte formelen til alle cellene i kolonnen. Dette beregner gjennomsnitt for etterfølgende år (for eksempel 2004-2006, 2005-2007). Dra formelen. Trinn 4: (Valgfritt) Opprett en graf. Velg alle dataene i regnearket. Klikk på 8220Insert8221-fanen, klikk deretter 8220Scatter, 8221 og klikk deretter 8220Skatter med glatte linjer og markører.8221 En graf over det bevegelige gjennomsnittet ditt vil vises på regnearket. Sjekk ut vår YouTube-kanal for mer statistikk Hjelp og tips Flytte gjennomsnitt: Hva det er og Hvordan beregne det var sist endret: 8. januar 2016 av Andale 22 tanker om ldquo Flytende gjennomsnitt: Hva det er og Hvordan beregne det rdquo Dette er perfekt og enkelt å assimilere. Takk for arbeidet Dette er veldig klart og informativt. Spørsmål: Hvordan beregner man et 4-års glidende gjennomsnitt Hvilket år vil det 4-årige glidende gjennomsnittssentret på Det sitte på slutten av det andre året (dvs. 31. desember). Kan jeg bruke gjennomsnittlig inntekt til å prognose fremtidig inntjening. Noen vet om sentrert mener, vennligst vennligst fortell meg om noen vet det. Her er det gitt at vi må vurdere 5 år for å få det som er i sentrum. Så hva om resten årene hvis vi ønsker å bli gjennomsnittet av 20118230, har vi ikke flere verdier etter 2012, da hvordan skulle vi beregne det? Som du don8217t har mer info, det ville være umulig å regne ut 5 år MA for 2011. Du kan få et toårig glidende gjennomsnitt skjønt. Hei, takk for videoen. En ting er imidlertid uklart. Hvordan lage en prognose for de kommende månedene Videoen viser prognose for månedene for hvilke data som allerede er tilgjengelige. Hei, Rå, I8217m jobber med å utvide artikkelen for å inkludere prognoser. Prosessen er litt mer komplisert enn å bruke tidligere data skjønt. Ta en titt på denne Duke University-artikkelen, som forklarer det i dybden. Hilsen, takk for en klar forklaring. Hei Kan ikke finne linken til den foreslåtte Duke University-artikkelen. Forespørsel om å legge inn linken againFORECASTING Forecasting kan bredt betraktes som en metode eller en teknikk for å estimere mange fremtidige aspekter ved en bedrift eller annen operasjon. Det er mange teknikker som kan brukes til å oppnå målet om prognoser. For eksempel kan et detaljhandelsfirma som har vært i virksomhet i 25 år, prognostisere salgsvolumet i det kommende året basert på erfaringen i løpet av 25-årsperioden, da en prognosemetode baserer fremtidsprognosen på tidligere data. Mens begrepet x0022forecastingx0022 ser ut til å være ganske teknisk, er planlegging for fremtiden et kritisk aspekt ved å administrere enhver organisasjon, virksomhet, ideell eller annen. Faktisk er den langsiktige suksessen til enhver organisasjon nært knyttet til hvor godt ledelsen av organisasjonen er i stand til å forutse sin fremtid og utvikle hensiktsmessige strategier for å håndtere sannsynlige fremtidsscenarier. Intuisjon, god vurdering og en bevissthet om hvor godt økonomien gjør, kan gi lederen til et bedriftsfirma en grov ide (eller x0022feelingx0022) av det som sannsynligvis vil skje i fremtiden. Ikke desto mindre er det ikke lett å omdanne en følelse om fremtiden til et presist og nyttig nummer, for eksempel neste årssalgsvolum eller råvarekostnaden per utgangsenhet. Prognosemetoder kan bidra til å estimere mange slike fremtidige aspekter ved en forretningsdrift. Anta at en prognosekspert har blitt bedt om å gi estimater av salget for et bestemt produkt for de neste fire kvartaler. Man kan enkelt se at en rekke andre beslutninger vil bli påvirket av prognosene eller estimatene av salgsmengder som foreskriveren har gitt. Klart vil produksjonsplaner, råvareinnkjøpsplaner, retningslinjer for varebeholdninger og salgskvoter bli påvirket av slike prognoser. Som et resultat kan dårlige prognoser eller estimater føre til dårlig planlegging og dermed føre til økte kostnader for virksomheten. Hvordan skal man gå om å utarbeide kvartalsvise prognosen for salgsvolumet Man vil sikkert se gjennom de faktiske salgsdataene for det aktuelle produktet i tidligere perioder. Anta at prospektoren har tilgang til faktiske salgsdata for hvert kvartal i løpet av 25 år som firmaet har vært i virksomhet. Ved hjelp av disse historiske dataene kan forecasteren identifisere det generelle salgsnivået. Han eller hun kan også avgjøre om det er et mønster eller en trend, for eksempel en økning eller reduksjon i salget over tid. En videre gjennomgang av dataene kan avsløre noen form for sesongmessig mønster, for eksempel toppsalg som skjer før en ferie. Således ved å se på historiske data over tid, kan forecasteren ofte utvikle en god forståelse av det foregående salgsmønsteret. Å forstå et slikt mønster kan ofte føre til bedre prognoser for fremtidig salg av produktet. I tillegg, hvis forecasteren er i stand til å identifisere faktorene som påvirker salget, kan historiske data om disse faktorene (eller variablene) også brukes til å generere prognoser for fremtidige salgsmengder. Alle prognosemetoder kan deles inn i to brede kategorier: kvalitative og kvantitative. Mange prognoseteknikker bruker tidligere eller historiske data i form av tidsserier. En tidsserie er ganske enkelt et sett med observasjoner målt på suksessive punkter i tid eller over påfølgende tidsperioder. Prognoser gir i hovedsak fremtidige verdier av tidsseriene på en bestemt variabel som salgsvolum. Fordeling av prognosemetoder i kvalitative og kvantitative kategorier er basert på tilgjengeligheten av historiske tidsseriedata. Kvalitative prognostiseringsteknikker bruker generelt dommen av eksperter på det aktuelle feltet for å generere prognoser. En viktig fordel ved disse prosedyrene er at de kan brukes i situasjoner hvor historiske data ikke er enkelt tilgjengelige. Videre, selv når historiske data er tilgjengelige, kan betydelige endringer i miljøforhold som påvirker relevante tidsserier, gjøre bruken av tidligere data irrelevante og tvilsomme i å prognostisere fremtidige verdier av tidsserien. Tenk for eksempel at historiske data om bensin salg er tilgjengelige. Hvis regjeringen da implementerte et bensin ranseringsprogram, endrer måten bensin blir solgt, må man stille spørsmålstegn ved gyldigheten av en bensinsalgsprognose basert på tidligere data. Kvalitative prognosemetoder gir en måte å generere prognoser i slike tilfeller. Tre viktige kvalitative prognosemetoder er: Delphi-teknikken, scenariet skriftlig og emnet tilnærming. DELPHI TECHNOLOGY. I Delphi-teknikken blir det forsøkt å utvikle prognoser gjennom x0022group konsensus. x0022 Vanligvis blir et panel av eksperter bedt om å svare på en rekke spørreskjemaer. Eksperter, fysisk skilt fra og ukjent til hverandre, blir bedt om å svare på et første spørreskjema (et sett med spørsmål). Deretter utarbeides et andre spørreskjema med informasjon og meninger fra hele gruppen. Hver ekspert blir bedt om å revurdere og revidere hans eller hennes første svar på spørsmålene. Denne prosessen fortsetter til en viss konsensus blant eksperter er nådd. Det skal bemerkes at målet med Delphi-teknikken ikke er å produsere et enkelt svar på slutten. I stedet forsøker det å produsere en relativt smal spredning av opinionx2014sområdet hvor meninger fra flertallet av eksperter ligger. SCENARIO SKRIFT. Under denne tilnærmingen starter forecasteren med forskjellige sett av antagelser. For hvert sett av antagelser er et sannsynlig scenario av forretningsresultatet kartlagt. Dermed vil forecasteren kunne generere mange forskjellige fremtidige scenarier (som svarer til de ulike settene av antagelser). Beslutningsmannen eller forretningsmannen presenteres med de ulike scenariene, og må bestemme hvilket scenario som mest sannsynlig vil seire. Emneoppgave. Den subjektive tilnærmingen tillater at enkeltpersoner som deltar i prognosebeslutningen, kommer frem til en prognose basert på deres subjektive følelser og ideer. Denne tilnærmingen er basert på forutsetningen om at et menneskelig sinn kan komme til en beslutning basert på faktorer som ofte er svært vanskelig å kvantifisere. x0022Brainstorming sessionsx0022 brukes ofte som en måte å utvikle nye ideer på eller for å løse komplekse problemer. I løst organiserte økter, føler deltakerne seg fri fra pressetrykket, og enda viktigere kan uttrykke sine synspunkter og ideer uten frykt for kritikk. Mange bedrifter i USA har begynt å bruke den subjektive tilnærmingen i økende grad. Kvantitative prognosemetoder Kvantitative prognosemetoder brukes når historiske data om variabler av interesse er tilgjengeligex2014 disse metodene er basert på en analyse av historiske data angående tidsseriene til den spesifikke variabelen av interesse og muligens andre relaterte tidsserier. Det er to hovedkategorier av kvantitative prognosemetoder. Den første typen bruker den siste trenden for en bestemt variabel for å basere fremtidig prognose for variabelen. Da denne kategorien av prognosemetoder bare bruker tidsserier på tidligere data av variabelen som forventes, blir disse teknikkene kalt tidsserie-metoder. Den andre kategorien av kvantitative prognose teknikker bruker også historiske data. Men når vi forutsier fremtidige verdier av en variabel, undersøker forecaster årsak-og-effekt-relasjonene til variabelen med andre relevante variabler som nivået av forbrukertillid, endringer i forbrukerens disponible inntekter, renten som forbrukerne kan finansiere sine utgifter på gjennom låneopptak, og økonomienes tilstand representert av slike variabler som arbeidsledigheten. Således bruker denne kategorien av prognostiseringsteknikker tidligere tidsserier på mange relevante variabler for å produsere prognosen for interessevarianten. Forekomsteknikker som faller under denne kategorien kalles årsaksmetoder, som grunnlag for slik prognose er årsakssammenheng mellom variabelen prognostisert og andre tidsserier valgt for å bidra til å generere prognosene. TIDSREGNSMETODER FOR PROSPEKTERING. Før du diskuterer tidsseriemetoder, er det nyttig å forstå oppføringene av tidsserier generelt. Tidsserier består av fire separate komponenter: trendkomponent, syklisk komponent, sesongkomponent og uregelmessig komponent. Disse fire komponentene ses som å gi spesifikke verdier for tidsseriene når de kombineres. I en tidsserie, blir målinger tatt på suksessive punkter eller over påfølgende perioder. Målingene kan tas hver time, dag, uke, måned eller år, eller ved noe annet vanlig (eller uregelmessig) intervall. Mens de fleste tidsseriedata generelt viser noen tilfeldige svingninger, kan tidsseriene fortsatt vise gradvise skift til relativt høyere eller lavere verdier over en lengre periode. Den gradvise forandringen av tidsseriene henvises ofte til av profesjonelle forutsetninger som trenden i tidsseriene. En trend oppstår på grunn av en eller flere langsiktige faktorer, for eksempel endringer i befolkningsstørrelse, endringer i befolkningens demografiske egenskaper og forandringer i smak og forbrukernes preferanser. For eksempel kan produsenter av biler i USA se at det er store variasjoner i bilsalg fra en måned til den neste. Men ved å gjennomgå automatisk salg i løpet av de siste 15 til 20 årene, kan bilprodusentene oppdage en gradvis økning i årlig salgsvolum. I dette tilfellet øker trenden for automatisk salg over tid. I et annet eksempel kan trenden reduseres over tid. Profesjonelle prognosere beskriver ofte en økende trend med en stigende skrå linje og en nedadgående trend med en nedadgående skrå linje. Ved å bruke en rett linje for å representere en trend, er det bare en forenkling i mange situasjoner, kan ikke-lineære trender mer nøyaktig representere den virkelige trenden i tidsseriene. Selv om en tidsserie ofte kan vise en trend over en lang periode, kan det også vise alternerende sekvenser av punkter som ligger over og under trendlinjen. En hvilken som helst tilbakevendende sekvens av punkter over og under trenderlinjen som varer mer enn et år regnes for å utgjøre den sykliske komponenten av tidsserien x2014.det er at disse observasjonene i tidsseriene avviker fra trenden på grunn av konjunktursvingninger (fluktuasjoner som gjentas med intervaller på mer enn ett år). Tidsserien til aggregatutgangen i økonomien (kalt det reelle bruttonasjonalproduktet) gir et godt eksempel på en tidsserie som viser syklisk oppførsel. Mens trendlinjen for bruttonasjonalproduktet (BNP) er stigende, viser produksjonsveksten en konjunktiv oppførsel rundt trendlinjen. Denne konjunkturoppførelsen av BNP har blitt kalt konjunkturer av økonomer. Den sesongbaserte komponenten ligner den konjunkturelle komponenten ved at de begge refererer til noen regelmessige svingninger i en tidsserie. Det er imidlertid en viktig forskjell. Mens sykliske komponenter i en tidsserie identifiseres ved å analysere flerårige bevegelser i historiske data, oppdager sesongbestandige komponenter det vanlige variasjonsmønsteret i tidsseriene innen ettårig perioder. Mange økonomiske variabler viser sesongmessige mønstre. Eksempelvis produsenter av svømmebassenger opplever lavt salg i høst - og vinterhalvåret, men de oppdager toppsalg av svømmebassenger i løpet av vår - og sommermånedene. Produsenter av snøfjerningsutstyr, derimot, opplever det motsatte årlige salgsmønsteret. Komponenten i tidsseriene som fanger variabiliteten i dataene på grunn av sesongvariasjoner kalles sesongkomponenten. Den uregelmessige komponenten av tidsserien representerer resterende igjen i en observasjon av tidsseriene når virkningene på grunn av trend, syklisk og sesongkomponenter er ekstrahert. Trend, konjunktur og sesongkomponenter regnes for å ta hensyn til systematiske variasjoner i tidsseriene. x0027h e uregelmessig komponent står dermed for tilfeldig variabilitet i tidsseriene. De tilfeldige variasjonene i tidsseriene er igjen forårsaket av kortsiktige, uventede og ikke-gjenværende faktorer som påvirker tidsseriene. Den uregelmessige komponenten av tidsserien, av naturen, kan ikke forutsies på forhånd. TIDS SERIES FORECASTING BRUKE SMOOTHING METHODS. Utjevningsmetoder er hensiktsmessige når en tidsserie ikke viser noen signifikante effekter av trend-, sykliske eller sesongbestandige komponenter (ofte kalt en stabil tidsserie). I et slikt tilfelle er målet å jevne ut den uregelmessige delen av tidsserien ved å bruke en gjennomsnittsprosess. Når tidsserien er utjevnet, brukes den til å generere prognoser. Den bevegelige gjennomsnittsmetoden er trolig den mest brukte utjevningsteknikken. For å glatte tidsseriene, bruker denne metoden gjennomsnittet av et antall tilgrensende datapunkter eller perioder. Denne gjennomsnittsprosessen bruker overlappende observasjoner for å generere gjennomsnitt. Anta at en forecaster ønsker å generere tre-års glidende gjennomsnitt. Forecaster ville ta de tre første observasjonene av tidsseriene og beregne gjennomsnittet. Deretter vil forecasteren slippe den første observasjonen og beregne gjennomsnittet av de neste tre observasjonene. Denne prosessen vil fortsette til tre-års gjennomsnitt beregnes ut fra dataene som er tilgjengelige fra hele tidsserien. Uttrykket x0022movingx0022 refererer til måten gjennomsnittene beregnes for2014forforskeren beveger seg opp eller ned i tidsserien for å velge observasjoner for å beregne et gjennomsnitt av et fast antall observasjoner. I tre-periode-eksemplet vil gjennomsnittlig gjennomsnittlig gjennomsnittlig de siste tre observasjonene av data i tidsseriene være som prognosen for neste periode. Denne prognosenverdien for neste periode, sammenholdt med de to siste observasjonene i den historiske tidsserien, ville gi et gjennomsnitt som kan brukes som prognose for den andre perioden i fremtiden. Beregningen av et tre-års glidende gjennomsnitt kan illustreres som følger. Anta at en forecaster ønsker å prognose salgsvolumet for amerikanskgjorte biler i USA for det neste året. Salg av amerikanskgjorte biler i USA i løpet av de foregående tre årene var: 1,3 millioner, 900,000 og 1,1 millioner (den siste observasjonen rapporteres først). Tre-års glidende gjennomsnitt i dette tilfellet er 1,1 millioner biler (det vil si: (1,3 0,90 1,1) 3 1,1). Basert på tre-års glidende gjennomsnitt, kan prognosen forutse at 1,1 millioner amerikanskgjorte biler mest sannsynlig blir solgt i USA neste år. Ved beregning av bevegelige gjennomsnitt for å generere prognoser, kan forecasteren eksperimentere med forskjellig lengde glidende gjennomsnitt. Forecaster vil velge lengden som gir høyest nøyaktighet for prognosene som genereres. x0022 Det er viktig at prognosene ikke genereres for langt fra de faktiske fremtidige resultatene. For å undersøke nøyaktigheten av prognosene som er generert, utarbeider prognosemenn generelt et mål for prognosefeilen (det vil si forskjellen mellom den prognostiserte verdien for en periode og den tilhørende faktiske verdien av variabelen av interesse). Anta at salgsvolumet for amerikanskgjorte biler i USA er beregnet til å være 1,1 millioner biler i et gitt år, men bare jeg millioner biler selges faktisk det året. Prognosen feilen i dette tilfellet er lik 100.000 biler. Med andre ord overvurderte forecasteren salgsvolumet for året med 100.000. Selvfølgelig vil prognosefeil noen ganger være positiv og andre ganger være negativ. Således tar et enkelt gjennomsnitt av prognosefeil over tid ikke fange den virkelige størrelsen av prognosefeil. Store positive feil kan ganske enkelt avbryte store negative feil, noe som gir et misvisende inntrykk av nøyaktigheten av prognosene som genereres. Som et resultat bruker prognosemennene vanligvis feilen i gjennomsnittlige kvadrater for å måle prognosen feil. Den gjennomsnittlige kvadratfeilen, eller MSE, er gjennomsnittet av summen av kvadrert prognosefeil. Dette tiltaket, ved å ta firkantene av prognosefeil, eliminerer sjansen for at negative og positive feil avbrytes. Ved å velge lengden på de bevegelige gjennomsnittene, kan en forecaster bruke MSE-målet til å bestemme antall verdier som skal inkluderes i beregning av de bevegelige gjennomsnitt. Forecasteren eksperimenterer med forskjellige lengder for å generere bevegelige gjennomsnitt og beregner deretter prognosefeil (og tilhørende middelkvadratfeil) for hver lengde som brukes til å beregne glidende gjennomsnitt. Deretter kan forecasteren velge lengden som minimerer den gjennomsnittlige kvadratfeilen av prognosene som genereres. Veidede glidende gjennomsnitt er en variant av bevegelige gjennomsnitt. I den bevegelige gjennomsnittsmetoden får hver observasjon av data samme vekt. I den vektede glidende gjennomsnittsmetoden blir forskjellige vekter tilordnet observasjonene på data som brukes til å beregne de bevegelige gjennomsnittene. Anta igjen at en forecaster ønsker å generere tre-års glidende gjennomsnitt. Under den veide gjennomsnittlige metoden vil de tre datapunktene motta forskjellige vekter før gjennomsnittet beregnes. Generelt mottar den siste observasjonen maksimalvekten, med vekten tilordnet redusert for eldre dataverdier. Beregningen av et treårsvektet glidende gjennomsnitt kan illustreres som følger. Anta at en forspiller igjen vil forutse salgsvolumet for amerikanskgjorte biler i USA for det neste året. Salg av amerikanskgjorte biler til USA i løpet av de foregående tre årene var: 1,3 millioner, 900,000 og 1,1 millioner (den siste observasjonen rapporteres først). Et estimat av det vektede tre-års glidende gjennomsnittet i dette eksemplet kan være lik 1.133 millioner biler (det vil si 1 (36) x (1,3) (26) x (0,90) (16) x (1,1) 3 1,133). Basert på de tre-årige vektede glidende gjennomsnittene, kan prognosen forutsi at 1.133 millioner amerikanskgjorte biler mest sannsynlig blir solgt i USA i det neste året. Nøyaktigheten av vektede gjennomsnittlige prognoser er bestemt på samme måte som for enkle glidende gjennomsnitt. Eksponensiell utjevning er noe vanskeligere matematisk. I hovedsak bruker eksponensiell utjevning imidlertid også vektet gjennomsnittskonsept2014 i form av det veide gjennomsnittet av alle tidligere observasjoner, som det finnes i de relevante tidsseriene for å generere prognoser for neste periode. Uttrykket x0022exponential smoothingx0022 kommer fra det faktum at denne metoden benytter en vektingsplan for de historiske verdiene av data som er eksponentiell i naturen. I vanlige termer tilordnes en eksponentiell vektingsplan maksimalvekten til den siste observasjonen, og vektene synker systematisk, ettersom eldre og eldre observasjoner er inkludert. Nøyaktigheten til prognosene ved bruk av eksponensiell utjevning bestemmes på en måte som ligner den for den bevegelige gjennomsnittsmetoden. TIDS SERIES FORECASTING BRUKE TREND PROJECTION. Denne metoden bruker den underliggende langsiktige trenden i en tidsserie med data for å prognostisere fremtidige verdier. Anta at en forecaster har data om salg av amerikanskgjorte biler i USA de siste 25 årene. Tidsseriedataene på amerikansk bilsalg kan plottes og undersøkes visuelt. Sannsynligvis vil den automatiske salgstidsserien vise en gradvis vekst i salget, til tross for x0022upx0022 og x0022downx0022 bevegelsene fra år til år. Trenden kan være lineær (tilnærmet med en rett linje) eller ikke-lineær (tilnærmet av en kurve eller en ikke-lineær linje). Ofte antar prognoserne en lineær trend, selvfølgelig, hvis en lineær trend antas når faktisk en ikke-lineær trend er tilstede, kan denne feilrepresentasjonen føre til grovt unøyaktige prognoser. Anta at tidsseriene på amerikansk-laget auto-salg er faktisk lineære og dermed kan det representeres av en rett linje. Matematiske teknikker brukes til å finne den rette linjen som mest nøyaktig representerer tidsseriene på automatisk salg. Denne linjen relaterer salg til ulike poeng over tid. Hvis vi antar videre at den siste trenden vil fortsette i fremtiden, kan fremtidige verdier av tidsseriene (prognoser) utledes fra den rette linjen basert på tidligere data. Man bør huske at prognosene basert på denne metoden også skal vurderes på grunnlag av et mål på prognosefeil. Man kan fortsette å anta at forecaster bruker den gjennomsnittlige kvadratfeil som diskuteres tidligere. TIDS SERIES FORECASTING BRUKE TREND OG SEASONAL COMPONENTS. Denne metoden er en variant av trendprojeksjonsmetoden, og benytter seg av sesongkomponenten i en tidsserie i tillegg til trendkomponenten. Denne metoden fjerner sesongvirkningen eller sesongkomponenten fra tidsseriene. Dette trinnet blir ofte referert til som de-sesongbaserte tidsseriene. Når en tidsserie har blitt de-sesongbasert, vil den bare ha en trendkomponent. Trendprojeksjonsmetoden kan da brukes til å identifisere en rettlinjestrøm som representerer tidsseriedataene godt. Deretter genereres prognoser for fremtidige perioder med denne trendlinjen. Det endelige trinnet under denne metoden er å innlemme sesongkomponenten i tidsseriene (bruk det såkalte sesongindeksen) for å justere prognosene basert på trenden alene. På denne måten består prognosene som består av både trend og sesongkomponenter. Man vil normalt forvente at disse prognosene skal være mer nøyaktige enn de som er basert på trendprojeksjonen. FORSIKTIGHETSMETODE. Som nevnt tidligere bruker årsaksmetoder årsak-og-effekt-forholdet mellom variabelen hvis fremtidige verdier er prognostisert og andre relaterte variabler eller faktorer. Den allment kjente årsaksmetoden kalles regresjonsanalyse, en statistisk teknikk som brukes til å utvikle en matematisk modell som viser hvordan et sett med variabler er relatert. Dette matematiske forholdet kan brukes til å generere prognoser. I terminologien som brukes i regresjonsanalysekontekst, kalles variabelen som prognostiseres, avhengig eller responsvariabel. Variabelen eller variablene som bidrar til å prognostisere verdiene av den avhengige variabelen, kalles de uavhengige eller prediktorvariablene. Regresjonsanalyse som benytter en avhengig variabel og en uavhengig variabel og tilnærmer forholdet mellom disse to variablene med en rett linje kalles en enkel lineær regresjon. Regresjonsanalyse som bruker to eller flere uavhengige variabler til å prognose verdier av den avhengige variabelen kalles en multiple regresjonsanalyse. Nedenfor presenteres prognoseteknikken som benytter regresjonsanalyse for den enkle lineære regresjonssaken. Anta at en forecaster har data om salg av amerikanskgjorte biler i USA de siste 25 årene. Forecaster har også identifisert at salg av biler er relatert til individualsx0027 real disponibel inntekt (omtrent sett er inntekt etter skatt betalt, justert for inflasjonsraten). Forecaster har også tilgjengelig tidsserien (for de siste 25 årene) på den reelle disponible inntekten. Tidsseriedataene for amerikanske bilsalg kan tegnes mot tidsseriedataene på real disponibel inntekt, slik at den kan undersøkes visuelt. Mest sannsynlig vil den automatiske salgstidsserien vise en gradvis vekst i salgsvolumet ettersom reall disponibel inntekt øker til tross for sporadisk mangel på consistencyx2014. Det kan til tider være mulig at bilsalg faller selv når real disponibel inntekt stiger. Forholdet mellom de to variablene (automatisk salg som avhengig variabel og real disponibel inntekt som uavhengig variabel) kan være lineær (tilnærmet med en rett linje) eller ikke-lineær (tilnærmet av en kurve eller en ikke-lineær linje). Anta at forholdet mellom tidsseriene på salg av amerikanskgjorte biler og konsumets reelle disponible inntekt faktisk er lineær og dermed kan representeres av en rett linje. En ganske streng matematisk teknikk brukes til å finne den rette linjen som mest nøyaktig representerer forholdet mellom tidsseriene på auto salg og disponibel inntekt. Intuisjonen bak den matematiske teknikken som brukes ved å ankomme til riktig rettlinje, er som følger. Tenk deg at forholdet mellom de to tidsseriene har blitt plottet på papir. Plottet vil bestå av en scatter (eller sky) av poeng. Hvert punkt i plottet representerer et par observasjoner om automatisk salg og disponibel inntekt (det vil si automatisk salg som svarer til gitt nivå av den reelle disponible inntekt i et hvilket som helst år). Spredningen av poeng (i likhet med tidsseriemetoden beskrevet ovenfor) kan ha en oppadgående eller en nedadgående drift. Det vil si at forholdet mellom auto salg og real disponibel inntekt kan tilnærmet ved en oppover eller nedover skrånende rett linje. I all sannsynlighet vil regresjonsanalysen i det nåværende eksemplet gi en oppadgående skråning av straight linex2014as disponibel inntektsøkning, slik at volumet av bilsalg. Å komme til den mest nøyaktige rette linjen er nøkkelen. Formentlig kan man tegne mange rette linjer gjennom spredningen av poeng i plottet. Ikke alle av dem, men vil likevel representere forholdet som kommer til å bli nærmere de fleste poeng, og andre vil være langt unna de fleste punkter i spredningen. Regresjonsanalyse bruker deretter en matematisk teknikk. Ulike rette linjer trekkes gjennom dataene. Avvik av de faktiske verdiene til datapunktene i plottet fra de tilsvarende verdiene som er angitt av den rette linjen valgt i noen tilfelle, blir undersøkt. Summen av kvadratene til disse avvikene fanger essensen av hvor nær en rett linje er til datapunktene. Linjen med den minste summen av kvadratiske avvik (kalt regimeringslinjen x0022least squaresx0022) betraktes som linjen med den beste passformen. Etter å ha identifisert regresjonslinjen, og antar at forholdet basert på tidligere data vil fortsette, kan fremtidige verdier av den avhengige variabelen (prognoser) utledes fra den rette linjen basert på tidligere data. Hvis forecasteren har en ide om hva den reelle disponible inntekt kan være i det kommende året, kan en prognose for fremtidig bilsalg bli generert. Man bør huske at prognoser basert på denne metoden også skal vurderes på grunnlag av et mål på prognosefeil. Man kan fortsette å anta at forecaster bruker den gjennomsnittlige kvadratfeil som diskuteres tidligere. I tillegg til å bruke prognosefeil, bruker regresjonsanalyse ytterligere måter å analysere effektiviteten av den estimerte regresjonslinjen i prognoser. Anderson, David R. Dennis J. Sweeney, og Thomas A. Williams. En introduksjon til ledelsesvitenskap: Kvantitative tilnærminger til beslutningstaking. 8. utg. MinneapolisSt. Paul: West Publishing, 1997. x2014x2014. Statistikk for næringsliv og økonomi. 7. utg. Cincinnati: SouthWestern College Publishing, 1999. Statistiske prognosemetoder Flere regresjonsanalyser: Brukes når to eller flere uavhengige faktorer er involvert, mye brukt for mellomliggende prognoser. Brukes til å vurdere hvilke faktorer som skal inkluderes og hvilke som skal utelukkes. Kan brukes til å utvikle alternative modeller med ulike faktorer. Ikke-lineær regresjon: Antar ikke et lineært forhold mellom variabler - ofte brukt når tiden er den uavhengige variabelen. Trendanalyse: Bruker lineær og ikke-lineær regresjon med tiden som forklarende variabel brukt hvor mønster over tid. Dekomponeringsanalyse: Brukes til å identifisere flere mønstre som vises samtidig i en tidsserie-tidkrevende hver gang den brukes. Brukes også til å deseasonalisere en serie Flytende gjennomsnittlig analyse: Enkle bevegelige gjennomsnitt - prognoser fremtidige verdier basert på et veid gjennomsnitt av tidligere verdier - Lett å oppdatere. Vektet bevegelige gjennomsnitt: Veldig kraftig og økonomisk. De brukes mye der gjentatte prognoser kreves - bruker metoder som sum-of-the-digits og trendjusteringsmetoder. Adaptiv filtrering. En type bevegelige gjennomsnitt som inkluderer en metode for læring fra tidligere feil - kan svare på endringer i den relative betydningen av trend, sesongmessige og tilfeldige faktorer. Eksponentiell utjevning: En bevegelig gjennomsnittlig form for tidsserien prognose-effektiv å bruke med sesongmessige mønstre - lett å justere for tidligere feil - Lett å klargjøre oppfølgingsprognoser - ideelt for situasjoner der mange prognoser må utarbeides - flere forskjellige former brukes avhengig av på tilstedeværelse av trend eller sykliske variasjoner. Hodrick-Prescott Filter: Dette er en utjevningsmekanisme som brukes til å oppnå en langsiktig trendkomponent i en tidsserie. Det er en måte å dekomponere en gitt serie i stasjonære og ikke-stationære komponenter på en slik måte at summen av kvadrater i serien fra den ikke-stationære komponenten er minst med en straff for endringer i derivatene til den ikke-stationære komponenten. Modellering og simulering: Modell beskriver situasjonen gjennom serier av ligninger - tillater testing av virkninger av endringer i ulike faktorer - vesentlig mer tidkrevende å konstruere - krever vanligvis brukers programmering eller kjøp av pakker som SIMSCRIPT. Kan være svært kraftig i å utvikle og teste strategier ellers ikke tydelig. Sikkerhetsmodeller gir bare mest sannsynlig utfall. Avanserte regneark kan benyttes for å gjøre quote hva ifquot-analyse, ofte gjort f. eks. med databaserte regneark. Probabilistiske modeller Bruk Monte Carlo simuleringsteknikker for å håndtere usikkerhet - gir en rekke mulige utfall for hvert sett av hendelser. Prognosefeil: Alle prognosemodeller har enten en implisitt eller eksplisitt feilstruktur, hvor feil er definert som forskjellen mellom modellforutsigelsen og quottruequot-verdien. I tillegg må mange data snooping metoder innen statistikkområdet brukes til data som leveres til en prognosemodell. Dessuten kreves diagnostisk kontroll, som definert i statistikkfeltet, for alle modeller som bruker data. Ved å bruke en hvilken som helst metode for prognose må man bruke et ytelsesmål for å vurdere metodenes kvalitet. Gjennomsnittlig Absolutt Avvik (MAD), og variasjon er de mest nyttige tiltakene. Imidlertid gir MAD seg ikke lenger til å gjøre bruk av avledninger, men at standardfeilen gjør det. For feilanalyse er variansen foretrukket siden variasjoner av uavhengige (ukomponerte) feil er additiv. MAD er ikke additiv.