När du beräknar ett löpande rörligt medelvärde, är det genomsnittligt att placera genomsnittet i mellantidstiden. I föregående exempel beräknade vi genomsnittet av de första 3 tidsperioderna och placerade det bredvid period 3. Vi kunde ha placerat medelvärdet mitt i tidsintervall av tre perioder, det vill säga bredvid period 2. Detta fungerar bra med udda tidsperioder, men inte så bra för jämn tid. Så var skulle vi placera det första glidande medlet när M 4 Tekniskt sett skulle det rörliga genomsnittet falla vid t 2.5, 3.5. För att undvika detta problem släpper vi MAs med M 2. Således släpper vi ut de släta värdena Om vi i genomsnitt ett jämnt antal villkor måste vi släta de jämnda värdena Följande tabell visar resultaten med M 4.Moving Average Forecasting Introduction. Som du kan gissa vi tittar på några av de mest primitiva metoderna för prognoser. Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här vägen fortsätter vi med att börja i början och börja arbeta med Moving Average prognoser. Flyttande medelprognoser. Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är. Alla studenter gör dem hela tiden. Tänk på dina testresultat i en kurs där du kommer att ha fyra tester under semestern. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat Vad tycker du att din lärare skulle förutsäga för nästa testresultat Vad tycker du att dina vänner kan förutsäga för nästa testresultat Vad tror du att dina föräldrar kan förutsäga för nästa testresultat Oavsett om Allt du kan göra med dina vänner och föräldrar, de och din lärare är mycket troliga att vänta dig på att få något i det 85-tal som du just fått. Nåväl, nu kan vi anta att trots din egen marknadsföring till dina vänner överskattar du dig själv och räknar att du kan studera mindre för det andra testet och så får du en 73. Nu är vad alla berörda och oroade kommer att Förutse att du kommer att få ditt tredje test Det finns två mycket troliga metoder för att de ska kunna utveckla en uppskattning oavsett om de kommer att dela den med dig. De kan säga till sig själva: "Den här killen sprider alltid rök om hans smarts. Hes kommer att få ytterligare 73 om han är lycklig. Kanske kommer föräldrarna att försöka vara mer stödjande och säga, quote, hittills har du fått en 85 och en 73, så kanske du ska räkna med att få en (85 73) 2 79. Jag vet inte, kanske om du gjorde mindre fest och werent vaggar väsan överallt och om du började göra mycket mer studerar kan du få en högre poäng. quot Båda dessa uppskattningar flyttade faktiskt genomsnittliga prognoser. Den första använder endast din senaste poäng för att förutse din framtida prestanda. Detta kallas en glidande genomsnittlig prognos med en period av data. Den andra är också en rörlig genomsnittlig prognos men använder två dataperioder. Låt oss anta att alla dessa människor bråkar på ditt stora sinne, har gissat dig och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga ett högre poäng framför din quotalliesquot. Du tar testet och din poäng är faktiskt en 89 Alla, inklusive dig själv, är imponerade. Så nu har du det sista testet av terminen som kommer upp och som vanligt känner du behovet av att ge alla till att göra sina förutsägelser om hur du ska göra på det sista testet. Jo, förhoppningsvis ser du mönstret. Nu kan du förhoppningsvis se mönstret. Vilken tror du är den mest exakta whistle medan vi jobbar. Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster som heter Whistle While We Work. Du har några tidigare försäljningsdata som representeras av följande avsnitt från ett kalkylblad. Vi presenterar först data för en treårs glidande medelprognos. Posten för cell C6 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Lägg märke till hur genomsnittet rör sig över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än exponentiell utjämningsmodell. Ive inkluderade quotpast predictionsquot eftersom vi kommer att använda dem på nästa webbsida för att mäta förutsägelse validitet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Posten för cell C5 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C6 till och med C11. Lägg märke till hur nu endast de två senaste bitarna av historiska data används för varje förutsägelse. Återigen har jag inkluderat quotpast predictionsquot för illustrativa ändamål och för senare användning vid prognosvalidering. Några andra saker som är viktiga att märka. För en m-period som rör genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-period rörande genomsnittlig prognos, när du gör quotpast predictionsquot, notera att den första förutsägelsen sker i period m 1. Båda dessa problem kommer att vara väldigt signifikanta när vi utvecklar vår kod. Utveckla den rörliga genomsnittsfunktionen. Nu behöver vi utveckla koden för den glidande medelprognosen som kan användas mer flexibelt. Koden följer. Observera att inmatningarna är för antalet perioder du vill använda i prognosen och en rad historiska värden. Du kan lagra den i vilken arbetsbok du vill ha. Funktion MovingAverage (Historical, NumberOfPeriods) Som enkel deklarering och initialisering av variabler Dim-objekt som variant Dim-räknare som integer Dim-ackumulering som enstaka Dim HistoricalSize som heltal Initialiserande variabler Counter 1 ackumulering 0 Bestämning av storleken på Historisk matris HistoricalSize Historical. Count för Counter 1 till NumberOfPeriods Ackumulera lämpligt antal senast tidigare observerade värden ackumulering ackumulering historisk (HistoricalSize - NumberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Koden förklaras i klassen. Du vill positionera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska tycka om följande. FÖRSKRIVNING Säsongfaktor - andelen av genomsnittlig kvartalsbehov som inträffar i varje kvartal. Årsprognos för år 4 beräknas vara 400 enheter. Genomsnittlig prognos per kvartal är 4004 100 enheter. Kvartalsprognos avg. prognos säsongsfaktor. ÅRSAGSBESKRIVNINGSMETODER Kausalprognosmetoder baseras på en känd eller uppfattad relation mellan den faktor som ska prognostiseras och andra externa eller interna faktorer 1. regression: matematisk ekvation relaterar en beroende variabel till en eller flera oberoende variabler som tros påverka den beroende variabeln 2. Ekonometriska modeller: System av ömsesidiga regressionsekvationer som beskriver en viss sektor av ekonomisk aktivitet 3. Inmatningsutgångsmodeller: beskriver flödena från en sektor av ekonomin till en annan och förutsätter sålunda de ingångar som krävs för att producera utgångar i en annan sektor 4. simuleringsmodeller MÄTNINGSPROGRAMFel Det finns två aspekter av prognostiseringsfel att oroa sig för. - Bias och noggrannhet Bias - En prognos är partisk om den stör mer i en riktning än i den andra. Metoden tenderar att vara underprognoser eller överprognoser. Noggrannhet - Prognosens noggrannhet avser avståndet för prognoserna från den faktiska efterfrågan ignorerar riktningen för det felet. Exempel: I sex perioder har prognoser och faktisk efterfrågan spåras. Följande tabell ger den faktiska efterfrågan D t och prognostiseringsbehovet F t i sex perioder: Kumulativ summa av prognosfel (CFE) -20 genomsnittlig avvikelse (MAD) 170 6 28,33 genomsnittlig kvadrat fel (MSE) 5150 6 858.33 standardavvikelse för prognosfel 5150 6 29,30 genomsnittligt absolutproblem (MAPE) 83,4 6 13,9 Vilken information ger varje prognos tenderar att överskatta efterfrågan genomsnittligt fel per prognos var 28,33 enheter eller 13,9 av Den faktiska efterfrågeprovningsfördelningen av prognosfel har en standardavvikelse på 29,3 enheter. KRITERIER FÖR VAL AV EN PROJEKTMETOD Syfte: 1. Maximera noggrannhet och 2. Minimera Bias Potential Rules för att välja en prognosmetod för tidsserier. Välj den metod som ger minsta bias, mätt med kumulativt prognosfel (CFE) eller ger den minsta genomsnittliga absoluta avvikelsen (MAD) eller ger den minsta spårningssignalen eller stöder ledningens övertygelser om det underliggande mönstret efterfrågan eller andra. Det verkar uppenbart att viss mått på både noggrannhet och förspänning ska användas tillsammans. Hur Hur mycket om antalet perioder som ska provas om efterfrågan är iboende stabil, låga värden på och och högre värden av N föreslags om efterfrågan är iboende instabil, höga värden på och och lägre värden av N föreslås FOCUS FORECASTING quotfocus prognoskvot avser Ett prognos för prognoser som utvecklar prognoser med olika tekniker, väljer sedan prognosen som producerades av kvoterna för dessa tekniker, där kvoten bestäms av viss mått av prognosfel. FOKUSSPROJEKT: EXEMPEL För årets första halvår har efterfrågan på en detaljhandel varit 15, 14, 15, 17, 19 och 18 enheter. En återförsäljare använder ett fokusprognossystem baserat på två prognostekniker: ett tvåårigt glidande medelvärde och en trendjusterad exponentiell utjämningsmodell med 0,1 och 0,1. Med den exponentiella modellen var prognosen för januari 15 och trendgenomsnittet i slutet av december var 1. Återförsäljaren använder den genomsnittliga absoluta avvikelsen (MAD) under de senaste tre månaderna som kriterium för att välja vilken modell som ska användas för att prognostisera för nästa månad. en. Vad kommer prognosen för juli och vilken modell kommer att användas b. Skulle du svara på del a. vara annorlunda om efterfrågan på maj hade varit 14 i stället för 19
No comments:
Post a Comment