Moyenne mobile Prévision Introduction. Comme vous pouvez le deviner, nous examinons certaines des approches les plus primitives en matière de prévision. Mais nous espérons que ce sont au moins une introduction utile à certains des problèmes informatiques liés à la mise en œuvre des prévisions dans les tableurs. Dans cette veine, nous allons continuer en commençant par le début et commencer à travailler avec les prévisions Moyenne mobile. Prévisions moyennes mobiles. Tout le monde est familier avec les prévisions de moyenne mobile, peu importe s'ils croient qu'ils sont. Tous les étudiants les font tout le temps. Pensez à vos résultats d'examen dans un cours où vous allez avoir quatre tests au cours du semestre. Supposons que vous avez obtenu un 85 sur votre premier test. Que penseriez-vous que votre professeur pourrait prédire pour votre score de test suivant Que pensez-vous que vos amis pourraient prédire pour votre score de test suivant Que pensez-vous que vos parents pourraient prédire pour votre score de test suivant Indépendamment de Tous les blabbing que vous pourriez faire à vos amis et parents, ils et votre professeur sont très susceptibles de vous attendre à obtenir quelque chose dans le domaine des 85 que vous venez de recevoir. Eh bien, maintenant, supposons qu'en dépit de votre auto-promotion à vos amis, vous surestimer vous-même et la figure que vous pouvez étudier moins pour le deuxième test et ainsi vous obtenez un 73. Maintenant, qu'est-ce que tous les intéressés et indifférents va Anticiper que vous obtiendrez sur votre troisième test Il ya deux approches très probables pour eux de développer une estimation indépendamment du fait qu'ils le partageront avec vous. Ils peuvent se dire, ce type est toujours souffler de la fumée sur son smarts. Hes va obtenir un autre 73 si hes chance. Peut-être que les parents vont essayer d'être plus solidaires et dire: «Bien, jusqu'à présent, vous avez obtenu un 85 et un 73, donc vous devriez peut-être figure sur obtenir un (85 73) 2 79. Je ne sais pas, peut-être si vous avez moins de fête Et werent wagging la belette partout et si vous avez commencé à faire beaucoup plus d'étude, vous pourriez obtenir un score plus élevé. quot Ces deux estimations sont en fait des prévisions moyennes mobiles. Le premier est d'utiliser uniquement votre score le plus récent pour prévoir vos performances futures. C'est ce que l'on appelle une moyenne mobile en utilisant une période de données. La seconde est également une prévision moyenne mobile, mais en utilisant deux périodes de données. Supposons que toutes ces personnes se brisant sur votre grand esprit ont sorte de pissé vous off et vous décidez de bien faire sur le troisième test pour vos propres raisons et de mettre un score plus élevé en face de vos quotalliesquot. Vous prenez le test et votre score est en fait un 89 Tout le monde, y compris vous-même, est impressionné. Donc, maintenant, vous avez le test final du semestre à venir et comme d'habitude, vous vous sentez le besoin d'inciter tout le monde à faire leurs prédictions sur la façon dont vous allez faire sur le dernier test. Eh bien, j'espère que vous voyez le modèle. Maintenant, j'espère que vous pouvez voir le modèle. Qui pensez-vous est le sifflet le plus précis alors que nous travaillons. Maintenant, nous revenons à notre nouvelle entreprise de nettoyage a commencé par votre demi-soeur sœur appelé Whistle While We Work. Vous avez des données de ventes passées représentées par la section suivante dans une feuille de calcul. Nous présentons d'abord les données pour une moyenne mobile de trois périodes prévisionnelles. L'entrée pour la cellule C6 doit être maintenant Vous pouvez copier cette formule de cellule vers le bas pour les autres cellules C7 à C11. Remarquez comment la moyenne se déplace sur les données historiques les plus récentes, mais utilise exactement les trois périodes les plus récentes disponibles pour chaque prédiction. Vous devriez également remarquer que nous n'avons pas vraiment besoin de faire les prédictions pour les périodes passées afin de développer notre prédiction la plus récente. Ceci est certainement différent du modèle de lissage exponentiel. Ive inclus les prévisions quotpastquot parce que nous les utiliserons dans la prochaine page Web pour mesurer la validité de prédiction. Maintenant, je veux présenter les résultats analogues pour une prévision de moyenne mobile à deux périodes. L'entrée pour la cellule C5 doit être Maintenant, vous pouvez copier cette formule de cellule vers le bas pour les autres cellules C6 à C11. Remarquez que maintenant, seules les deux plus récentes données historiques sont utilisées pour chaque prédiction. Ici encore, j'ai inclus les prévisions quotpast à des fins d'illustration et pour une utilisation ultérieure dans la validation des prévisions. Quelques autres choses qui sont d'importance à remarquer. Pour une prévision moyenne mobile de la période m, seules les m valeurs de données les plus récentes sont utilisées pour faire la prédiction. Rien d'autre n'est nécessaire. Pour une prévision moyenne mobile de la période m, lorsque vous faites des prédictions quotpast, notez que la première prédiction se produit dans la période m 1. Ces deux questions seront très importantes lorsque nous développerons notre code. Développement de la fonction Moyenne mobile. Maintenant, nous devons développer le code de la moyenne mobile qui peut être utilisé avec plus de souplesse. Le code suit. Notez que les entrées sont pour le nombre de périodes que vous souhaitez utiliser dans la prévision et le tableau des valeurs historiques. Vous pouvez le stocker dans le classeur que vous voulez. Fonction DéplacementAvant (Historique, NumberOfPeriods) En tant que Déclaration unique et initialisation de variables Dim Item Comme Variante Dim Compteur Comme Entier Dim Accumulation Comme Simple Dim HistoricalSize As Integer Initialisation des variables Counter 1 Accumulation 0 Détermination de la taille de Historique HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Accumuler le nombre approprié des valeurs les plus récentes observées antérieurement Accumulation Accumulation Historique (Historique - Taille - NombreOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Le code sera expliqué en classe. Vous voulez positionner la fonction sur la feuille de calcul afin que le résultat du calcul apparaisse où il devrait aimer le suivant. Une série chronologique est une séquence d'observations d'une variable aléatoire périodique. On peut citer par exemple la demande mensuelle d'un produit, l'effectif annuel d'un étudiant de première année dans un département de l'université et les flux journaliers dans une rivière. Les séries chronologiques sont importantes pour la recherche opérationnelle car elles sont souvent les moteurs des modèles décisionnels. Un modèle d'inventaire nécessite des estimations des demandes futures, un modèle de planification des cours et un modèle de dotation pour un département universitaire exige des estimations de l'afflux des futurs étudiants et un modèle pour fournir des avertissements à la population dans un bassin fluvial nécessite des estimations des flux des rivières pour l'avenir immédiat. L'analyse des séries chronologiques fournit des outils pour sélectionner un modèle qui décrit la série temporelle et l'utilisation du modèle pour prévoir les événements futurs. La modélisation des séries temporelles est un problème statistique car les données observées sont utilisées dans les procédures de calcul pour estimer les coefficients d'un modèle supposé. Les modèles supposent que les observations varient au hasard sur une valeur moyenne sous-jacente qui est une fonction du temps. Sur ces pages, nous limitons l'attention à l'utilisation de données de séries chronologiques historiques pour estimer un modèle dépendant du temps. Les méthodes sont appropriées pour la prévision automatique et à court terme des informations fréquemment utilisées lorsque les causes sous-jacentes de la variation temporelle ne changent pas de façon marquée dans le temps. En pratique, les prévisions issues de ces méthodes sont ensuite modifiées par des analystes humains qui incorporent des informations non disponibles à partir des données historiques. Notre objectif principal dans cette section est de présenter les équations pour les quatre méthodes de prévision utilisées dans le complément de prévision: moyenne mobile, lissage exponentiel, régression et lissage exponentiel double. Ces méthodes sont appelées méthodes de lissage. Méthodes non prises en compte comprennent la prévision qualitative, la régression multiple, et les méthodes autorégressives (ARIMA). Les personnes intéressées par une couverture plus étendue devraient visiter le site des Principes de prévision ou lire l'un des nombreux excellents livres sur le sujet. Nous avons utilisé le livre Forecasting. Par Makridakis, Wheelwright et McGee, John Wiley ampères Sons, 1983. Pour utiliser le classeur Exemples Excel, vous devez avoir le complément de prévision installé. Choisissez la commande Relink pour établir les liens vers le complément. Cette page décrit les modèles utilisés pour la prévision simple et la notation utilisée pour l'analyse. Cette méthode de prévision la plus simple est la moyenne mobile. La méthode fait simplement la moyenne des dernières m observations. Il est utile pour les séries chronologiques avec une moyenne lentement changeante. Cette méthode considère l'ensemble du passé dans ses prévisions, mais pèse l'expérience récente plus fortement que moins récente. Les calculs sont simples parce que seule l'estimation de la période précédente et les données actuelles déterminent la nouvelle estimation. La méthode est utile pour les séries chronologiques dont la moyenne est lentement variable. La méthode de la moyenne mobile ne réagit pas bien à une série chronologique qui augmente ou diminue avec le temps. Ici, nous incluons un terme de tendance linéaire dans le modèle. La méthode de régression se rapproche du modèle en construisant une équation linéaire qui fournit l'ajustement des moindres carrés aux dernières m observations. Définition du modèle de moyenne mobile pondérée Dans le modèle de moyenne mobile pondérée (stratégie de prévision 14), chaque valeur historique est pondérée avec un facteur de Pondération dans le profil de prévision univarié. Formule pour la moyenne mobile pondérée Le modèle de la moyenne mobile pondérée vous permet de pondérer les données historiques récentes plus fortement que les données plus anciennes pour déterminer la moyenne. Vous le faites si les données les plus récentes sont plus représentatives de la demande future que les données plus anciennes. Par conséquent, le système est capable de réagir plus rapidement à un changement de niveau. L'exactitude de ce modèle dépend en grande partie de votre choix de facteurs de pondération. Si le schéma des séries chronologiques change, vous devez également adapter les facteurs de pondération. Lors de la création d'un groupe de pondération, vous entrez les facteurs de pondération en pourcentage. La somme des facteurs de pondération ne doit pas nécessairement être de 100. Aucune prévision ex post n'est calculée avec cette stratégie de prévision.
No comments:
Post a Comment