Obliczyć według sezonowych wskaźników przy użyciu stosunek do ruchomą średni metoda

Sezonowość w Prognozowaniu Sezonowość odnosi się do zmian popytu, które występują w ciągu roku w regularnym cyklu rocznym. Wynika to z różnych czynników, które mogą obejmować regularne wzorce pogody, wydarzenia religijne, tradycyjne zachowania i święta szkolne. Gdy w strukturze popytu jest zaznaczona lub ekstremalna sezonowość, skuteczność w radzeniu z nim będzie miała największy wpływ na dokładność prognozy. Drugą stroną równania jest to, że ważne jest, aby nie budować sezonowości w prognozie, jeśli tak naprawdę nie istnieje, ponieważ mogłoby to negatywnie wpłynąć na przewidywaną dokładność. Zatem w danych, w których istnienie sezonowości jest niejednoznaczne, należy podjąć jak najlepszą decyzję, czy w procesie prognozowania zastosować sezonowość czy też nie. W tym celu mogą pomóc w różnych testach statystycznych. Metody obliczeniowe dla sezonowości Najprostszym sposobem uwzględnienia sezonowości jest dokonanie prognozy na podstawie zeszłego roku. Zazwyczaj nie jest to dobry sposób na postępowanie, ponieważ sprzeda w zeszłym roku może być nieprawidłowa z szeregu możliwych przyczyn. Popularne podejścia obejmują podejście procentowe z roku lub tworzenie addytywnych czynników sezonowych lub wieloznacznych wskaźników sezonowych. W kalkulacjach multiplikatywnych wskaźników sezonowych istnieje wiele różnych metod. Proste podejścia obejmują średnie uśrednianie sezonowe i stosunek do średniej średniej ruchomej metody. Inne metody obejmują analizę Fouriera, gdzie różne fale sinusoidalne i fale sinusoidalne są łączone w celu reprezentowania sezonowego wzorca. Metoda średniej sezonowej Jest to bardzo prosta metoda. Po pierwsze, średnia sprzedaż jest obliczana dla każdego sezonu, np. miesiąc. Daje średnią dla stycznia, średnią w lutym itd. Wielkość średnia jest wtedy obliczana jako średnia średnich sezonowych. Wreszcie, wskaźniki sezonowe są tworzone przez dzielenie każdej średniej sezonowej przez średnią. Wskaźniki będą średnio 1,00. Ta łatwa metoda jest dobra, jeśli historia sprzedaży jest w miarę stabilna, tzn. Nie podlega znacznym zmianom pod względem poziomu popytu w czasie. W przypadku danych mniej stabilnych, stosunek do średniej średniej ruchomej metody, opisanej poniżej, może być lepszy. Stosunek średniej średniej ruchowej do średniej Średnioroczna metoda obliczania wskaźników sezonowych jest prostym obliczeniami, które można łatwo skonfigurować w programie Excel lub innym oprogramowaniu. Następujący przykład danych miesięcznych: Utwórz serię dla rocznej średniej ruchomej średniej (CMA), na przykład zacznij od średniej miesięcznej w 2009 r. w stosunku do czerwca 2009 r. itd. Oblicz następną serię jako stosunek sprzedaży w danym miesiącu do CMA w tym miesiącu tj. wskaźnik sprzedaży CMA. Oblicz wskaźniki sezonowe jako średnią stosunki w sezonie, np. wskaźnik sezonowy dla marszu jest średnią stosunków w marcu-marcu, marcu-10, mar-11, mar-12, marcu-13 i marcu-14. W razie potrzeby dostosuj indeksy, aby indeksy sezonowe zostały dodane do godziny 12.00. Ponieważ centrum 12-miesięcznego kalendarza nie ma czerwca lub lipca, ale w środku tych dwóch, tradycyjna metoda dla etapu 1. dotyczyła utworzenia dwóch serii dla CMA. Tak więc, w jednej serii, średnią roczną wobec czerwca, a drugą w stosunku do lipca. Następnie dwie serie CMA zostały uśrednione w celu stworzenia czegoś, co można powiedzieć, że jest naprawdę skoncentrowany. W praktyce niewiele różni się ona od większości komercyjnych danych. Jedynym minusem tej metody jest to, że potrzebuje nieco bardziej historycznych danych niż metoda średniej sezonowej. Konieczne jest co najmniej trzy lata. Czyszczenie danych i dane o zmienności danych Czyszczenie danych wpływa na obliczanie sezonowości w tym sensie, że należy wykluczyć nieprawidłowe dane z obliczeń sezonowych. Oczywiście naturalna sezonowość nie powinna być błędnie interpretowana jako nienormalna sprzedaż, a więc chodzi o to, że czyszczenie danych i sezonowe obliczenia są ściśle ze sobą powiązane. Co najmniej dwa lata danych historycznych należy udostępnić do obliczania sezonowości. Biorąc pod uwagę, że może być konieczne wykluczanie pewnych danych, jeśli są one nieprawidłowe, zwykle wskazane jest włączenie co najmniej trzech lub czterech lat informacji. Problem z wieloma prognozami biznesowymi jest taki, że często stosunkowo krótki okres spójnej historii. To często sprawia, że ​​analiza sezonowa jest czymś w rodzaju sztuki, a nie ścisłą nauką. Można zastosować różne metody w celu zmniejszenia wpływu danych lotnych na obliczanie sezonowości prognozowania, a tym samym poprawę dokładności prognozy. Należą do nich: wskaźniki sezonowe grupowe (obliczanie indeksów na poziomie zagregowanym) uproszczenie sezonowe (np. Miesięczne wskaźniki danych tygodniowych) skurcz sezonowy (zwany również sezonowym tłumieniem) sezonowe wygładzanie (np. Przy średnim okresie 3 lub 5 okresów) Sezonowość w Tygodniowej i Codziennej Prognozowaniu Problemy wynikające z niewielkiej ilości historii i zmiennych danych stają się większe w miarę przeliczania sezonowej sezonowości na obliczanie tygodniowej sezonowości. Mniejsze prawdopodobieństwo, że coroczne wydarzenia odbędą się w tym samym okresie kalendarzowym, co może wymagać oczyszczenia tych przypadków z historii sprzedaży i dodania przyszłych przypadków do prognozy jako zaplanowanych wydarzeń. Jest czasami dodatkowy cykl tygodnia w ciągu miesiąca. Z sezonową sezonowością wiele zmiennych zmienności jest często postrzegane w indeksach wynikających z sezonowego wyliczenia w takim stopniu, że surowe indeksy nie mogą być zaufane. W związku z tym istnieje większa potrzeba modyfikowania wskaźników przy użyciu sezonowych wskaźników grupowych, sezonowego uproszczenia lub sezonowego wyrównywania. Jeśli potrzebna jest codzienna prognoza, najlepiej najpierw obliczyć sezonowość przy użyciu danych tygodniowych, a następnie podejść do pozostałej części zadania przy użyciu profili dni tygodnia, aby podzielić się na kilka tygodni. łatwe do przeprowadzenia sezonowej korekty i dopasowania wykładniczych wykładzin za pomocą Excela. Poniższe wykresy i wykresy są pobierane z arkusza kalkulacyjnego, który został przedstawiony w celu zilustrowania multiplikatywnej korekty sezonowej i wyrównywania wykładniczości liniowej na następujących kwartalnych danych o sprzedaży firmy Outboard Marine: Aby uzyskać kopię pliku arkusza kalkulacyjnego, kliknij tutaj. Wersja liniowego wyrównywania wykładniczego, który będzie używany tutaj do celów demonstracyjnych to wersja Brown8217s, tylko dlatego, że może być zaimplementowana w pojedynczej kolumnie o wzorach i tylko jedna stała wygładzania jest optymalizowana. Zazwyczaj lepiej jest używać wersji Holt8217s, która ma oddzielne stałe wygładzania dla poziomu i tendencji. Proces prognozowania nastąpił następująco: (i) po pierwsze dane są korygowane sezonowo (ii), a następnie wygenerowane są prognozy dla danych skorygowanych sezonowo przez liniowe wyrównanie wykładnicze i (iii) wreszcie prognozy skorygowane sezonowo są uzasadnione w celu uzyskania prognoz dla pierwotnej serii . Proces dostosowania sezonowego odbywa się w kolumnach od D do G. Pierwszym krokiem w korekcie sezonowej jest wyliczenie średniej ruchomej średniej (przeprowadzonej tutaj w kolumnie D). Można to zrobić biorąc średnio dwa średnie roczne, które są przesunięte o jeden okres względem siebie. (Połączenie dwóch średnic offsetowych zamiast jednej średniej jest potrzebne do celów centrowania, gdy liczba sezony jest równa.) Następnym krokiem jest obliczenie stosunku do średniej ruchomej --i. e. oryginalne dane podzielone przez średnią ruchoma w każdym okresie - wykonywane tutaj w kolumnie E. (Jest to również nazywany sekwencją cyklicznie-cykliczną wzorca, o ile trend i skutki cyklu koniunkturalnego mogą być uznane za wszystkie utrzymuje się po uśrednieniu w ciągu całego roku wartości danych. Oczywiście zmiany w skali miesięcznej, które nie wynikają z sezonowości, mogą być określone przez wiele innych czynników, ale średnia w ciągu 12 miesięcy przewyższa ich w znacznej mierze.) szacowany sezonowy indeks dla każdego sezonu obliczany jest poprzez uśrednianie wszystkich wskaźników dla danego sezonu, które wykonywane jest w komórkach G3-G6 przy użyciu formuły AVERAGEIF. Średnie wskaźniki są następnie przeskalywane tak, że sumują dokładnie 100 razy liczbę okresów w danym sezonie lub 400 w tym przypadku, które wykonywane są w komórkach H3-H6. Poniżej w kolumnie F, formuły VLOOKUP służą do wstawienia odpowiedniej wartości indeksu sezonowego w każdym wierszu tabeli danych, zgodnie z kwartałem, który reprezentuje. Wyśrodkowana średnia ruchoma i dostosowane sezonowo dane wyglądają tak: Należy pamiętać, że średnia ruchoma zazwyczaj wygląda jak gładsza wersja sezonowo dostosowanych serii i krótsze w obu końcach. Inny arkusz roboczy w tym samym pliku Excel pokazuje zastosowanie liniowego modelu wygładzania wykładniczego do danych skorygowanych sezonowo, zaczynając od kolumny G. Wartość powyżej stołu wygładzania (alpha) jest wpisywana powyżej kolumny prognozy (tutaj w komórce H9) i dla wygody przypisana jest nazwa zakresuAlpha. quot (Nazwa została przypisana przy użyciu polecenia quotInsertNameCreatequot.) Model LES jest inicjowany przez ustawienie pierwszych dwóch prognoz równych pierwszej rzeczywistej wartości sezonowych skorygowanych serii. Zastosowana tutaj formuła dla prognozy LES to rekursywna forma modelu pojedynczego równania modelu Brown8217: Ta formuła jest wprowadzana do komórki odpowiadającej trzeciej (tu komórce H15) i skopiowana stamtąd. Zauważ, że prognoza LES dla bieżącego okresu odnosi się do dwóch poprzednich obserwacji i dwóch poprzednich błędów prognozy, a także do wartości alfa. Tak więc formuła prognozowania w wierszu 15 odnosi się tylko do danych, które były dostępne w rzędzie 14 i starszych. (Oczywiście gdybyśmy chcieli używać prostych zamiast linearnego wyrównywania wykładników, moglibyśmy zastąpić formułę SES zamiast tego, zamiast tego moglibyśmy użyć modelu LES firmy Holt8217 zamiast Brown8217s, co wymagałoby jeszcze dwóch kolumn o formułach obliczania poziomu i tendencji które są używane w prognozie). Błędy są obliczane w następnej kolumnie (tutaj, kolumnie J), ​​odejmując prognozy od rzeczywistych wartości. Podstawowy kwadratowy błąd jest obliczany jako pierwiastek kwadratowy wariancji błędów plus kwadrat średniej. (Wynika to z identyczności matematycznej: wariantu MSE (błędy) (średnia (błędy)) 2.) Przy obliczaniu średniej i odchylenia błędów w tej formule pierwsze dwa okresy są wykluczone, ponieważ model nie zaczyna prognozować aż do trzeci okres (wiersz 15 w arkuszu kalkulacyjnym). Optymalną wartość alfa można znaleźć albo ręcznie zmieniając alfa, aż zostanie znaleziony minimalny RMSE, albo możesz użyć kwotowego kwerendy, aby wykonać dokładną minimalizację. Wartość alfa, którą znalazł Solver jest tutaj pokazany (alpha0.471). Zwykle dobrym pomysłem jest wykreślenie błędów modelu (w transformowanych jednostkach), a także obliczenie i sporządzenie ich autokorelacji z opóźnieniami do jednego sezonu. Oto szereg szeregów czasowych błędów (skorygowanych sezonowo): autokorelacje błędów obliczane są za pomocą funkcji CORREL () w celu obliczenia korelacji błędów z opóźnieniem przez jeden lub więcej okresów - szczegóły są przedstawione w modelu arkusza kalkulacyjnego . Oto spisek autokorelacji błędów w pierwszych pięciu opóźnieniach: Autokorelacje z opóźnieniami od 1 do 3 są bardzo zbliżone do zera, ale skok o opóźnieniu 4 (którego wartość wynosi 0,35) jest nieco kłopotliwy - sugeruje, że sezonowy proces dostosowania nie zakończył się w pełni. Jest to jednak tylko marginalnie istotne. 95 pasm istotności w celu sprawdzenia, czy autokorelacje różnią się znacząco od zera, to w przybliżeniu plusa lub minus 2SQRT (n-k), gdzie n jest wielkością próbki, a k jest opóźnieniem. Tutaj n wynosi 38 i k zmienia się od 1 do 5, a więc pierwiastek-korzeń-n-minus-k wynosi około 6 dla wszystkich, a zatem granice testowania statystycznego znaczenia odchyleń od zera są przybliżone plus - lub-minus 26 lub 0.33. Jeśli zmienisz wartość alfa ręcznie w tym modelu programu Excel, możesz zaobserwować wpływ na szeregy czasowe i wykresy autokorelacji błędów, a także na błąd średniej kwadratowej, który zostanie zilustrowany poniżej. W dolnej części arkusza kalkulacyjnego formuła prognozowana jest wciągana w przyszłość, zastępując prognozy rzeczywistymi wartościami w momencie, kiedy faktycznie skończą się dane - tzn. gdzie zaczyna się cytat. (Innymi słowy, w każdej komórce, w której przyszła wartość danych, wystąpi odwołanie do komórki, co wskazuje na przewidywaną prognozę dla tego okresu). Wszystkie inne formuły są po prostu skopiowane z góry: Zauważ, że błędy prognoz przyszłość jest obliczana jako zero. Nie oznacza to, że rzeczywiste błędy będą zerowe, ale raczej odzwierciedla jedynie fakt, że w celu przewidywania zakładamy, że przyszłe dane będą równe prognozom średnim. Wynikające z tego prognozy LES dla danych skorygowanych sezonowo wyglądają następująco: przy tej szczególnej wartości alfa, która jest optymalna dla przewidywań z jednogodzinnym wyprzedzeniem, przewidywany trend nieznacznie wzrasta, odzwierciedlając tendencję lokalną obserwowaną w ciągu ostatnich 2 lat albo tak. Dla innych wartości alfa, można uzyskać bardzo inny trend. Zwykle dobrym pomysłem jest sprawdzenie, co się dzieje w przypadku długoterminowej prognozy trendu, gdy alfa jest zróżnicowana, ponieważ wartość, która najlepiej sprawdza się w krótkoterminowej prognozie, niekoniecznie musi być najlepszą wartością przewidującą dalszą przyszłość. Na przykład wynik jest uzyskany, jeśli wartość alfa jest ustawiana ręcznie na 0,25: przewidywana długookresowa tendencja jest teraz ujemna, a nie pozytywna. Przy mniejszej wartości alfa, model przywiązuje większą wagę do starszych danych w jego prognozowanie obecnego poziomu i tendencji, a długoterminowe prognozy odzwierciedlają tendencję spadkową obserwowaną w ciągu ostatnich 5 lat, a nie ostatnia tendencja wzrostowa. Ten wykres wyraźnie ilustruje również, jak model z małą wartością alfa jest wolniejszy, aby odpowiadać na punkty quotering w danych, a zatem często przez wiele lat z rzędu popełnia błąd tego samego znaku. Błędy prognozowane na jeden krok naprzód są średnio większe niż te uzyskane wcześniej (RMSE 34,4, a nie 27,4) i silnie pozytywnie autocorrelated. Autokorelacja lag-1 wynosząca 0,56 znacznie przekracza wartość 0,33 obliczoną powyżej dla istotnego statystycznie odchyłu od zera. Alternatywą dla zmniejszenia wartości alfa w celu wprowadzenia bardziej konserwatywności do długoterminowych prognoz, do modelu jest czasami dodawany współczynnik tłumienia w wycięciu, aby przewidywana tendencja spłaszczała się po kilku okresach. Ostatnim krokiem w budowaniu modelu prognozowania jest uzasadnienie wnioskowania o prognozach LES przez pomnożenie ich przez odpowiednie wskaźniki sezonowe. Tak więc prognozy reasekurowane w kolumnie I są po prostu iloczynem wskaźników sezonowych w kolumnie F i sezonowo dostosowanych prognoz LES w kolumnie H. Stosunkowo łatwe jest obliczenie przedziałów ufności dla prognoz jednoetapowych przewidzianych w tym modelu: pierwszy obliczyć błąd RMSE (średnio kwadratowy, który jest tylko pierwiastkiem kwadratowym MSE), a następnie obliczyć przedział ufności dla sezonowo dostosowanej prognozy przez dodanie i odjęcie dwóch razy RMSE. (Ogólnie 95 przedział ufności dla prognozy na jeden okres jest mniej więcej równe prognozom punktowym plus lub minus dwa razy szacunkowe odchylenie standardowe prognozowanych błędów, zakładając, że dystrybucja błędów jest w przybliżeniu norma i rozmiar próbki jest wystarczająco duża, powiedzmy, 20 lub więcej. Tutaj RMSE, a nie standardowe odchylenie próbek błędów, jest najlepszym oszacowaniem standardowego odchylenia przyszłych błędów prognozowanych, ponieważ uwzględnia się zarówno różnice losowe, jak i losowe.) dla sezonowo skorygowanej prognozy są następnie ponownie uzasadnione. wraz z prognozą, pomnożąc je przez odpowiednie wskaźniki sezonowe. W tym przypadku wartość RMSE wynosi 27,4, a prognoza sezonowa dla pierwszego przyszłego okresu (grudzień 93) wynosi 273,2. więc sezonowo dostosowany 95 przedział ufności wynosi od 273.2-227.4 218.4 do 273.2227.4 328.0. Mnożąc te limity według Decembers indeksu sezonowego 68,61. otrzymujemy dolne i górne granice ufności 149.8 i 225.0 wokół prognozy na grudzień-93 na 187.4. Limity zaufania dla prognoz więcej niż jednego okresu naprzód będą ogólnie wzrastać wraz ze wzrostem horyzontu prognozy, ze względu na niepewność co do poziomu i tendencji oraz czynników sezonowych, ale trudno im wyliczyć je ogólnie metodami analitycznymi. (Odpowiednim sposobem obliczania wartości granicznych ufności w prognozie LES jest zastosowanie teorii ARIMA, ale niepewność w wskaźnikach sezonowych to inna sprawa). Jeśli chcesz przewidzieć realny przedział ufności dla prognozy więcej niż jednego okresu, biorąc wszystkie źródła Jeśli chodzi o błąd, najlepszym rozwiązaniem jest użycie metod empirycznych: na przykład w celu uzyskania przedziału ufności dla prognozy dwuetapowej przedziału, możesz utworzyć inną kolumnę w arkuszu kalkulacyjnym, aby obliczyć prognozę na 2 kroki przed każdym okresem ( przez uruchomienie wstępnej prognozy jednostopniowej). Następnie oblicz RMSE 2-krokowych błędów prognozy i użyj tego jako podstawy przedziału ufności w 2 krokach przedziału czasu. Slideshare używa plików cookie do poprawienia funkcjonalności i skuteczności oraz do zapewnienia Ci odpowiedniej reklamy. Jeśli nadal przeglądasz witrynę, zgadzasz się na korzystanie z plików cookie w tej witrynie. Zobacz naszą umowę użytkownika i politykę prywatności. Slideshare używa plików cookie w celu poprawy funkcjonalności i skuteczności, a także dostarczenia Ci odpowiednich reklam. Jeśli nadal przeglądasz witrynę, zgadzasz się na korzystanie z plików cookie w tej witrynie. Szczegółowe informacje można znaleźć w Polityce prywatności i umowie użytkownika. Poznaj wszystkie swoje ulubione tematy w aplikacji SlideShare Pobierz aplikację SlideShare, aby zaoszczędzić na później nawet w trybie offline Przejdź do witryny na telefon komórkowy Załaduj konto Login Podwójnie dotknij, aby pomniejszyć Rozdział 16 Udostępnij to narzędzie SlideShare Kopia firmy LinkedIn 2017Slideshare używa plików cookie w celu poprawy funkcjonalności i wydajności, a także aby zapewnić Ci odpowiednią reklamę. Jeśli nadal przeglądasz witrynę, zgadzasz się na korzystanie z plików cookie w tej witrynie. Zobacz naszą umowę użytkownika i politykę prywatności. Slideshare używa plików cookie w celu poprawy funkcjonalności i skuteczności, a także dostarczenia Ci odpowiednich reklam. Jeśli nadal przeglądasz witrynę, zgadzasz się na korzystanie z plików cookie w tej witrynie. Szczegółowe informacje można znaleźć w Polityce prywatności i umowie użytkownika. Poznaj wszystkie ulubione tematy w aplikacji SlideShare Pobierz aplikację SlideShare, aby zaoszczędzić na później nawet w trybie offline Przejdź do witryny na telefon komórkowy Załaduj konto Login Podwójnie dotknij, aby zsunąć się z serii czasowej Udostępnij tę kopię SlideShare LinkedIn Corporation 2017