ความแตกต่าง ระหว่าง การเคลื่อนไหว ค่าเฉลี่ย และ ชี้แจง เรียบ โมเดล

ความแตกต่าง ระหว่าง การเคลื่อนไหว ค่าเฉลี่ย และ ชี้แจง เรียบ โมเดล

Forex- Kungsgatan - สตอกโฮล์ม - c¶öppettider
Forexpros - EURGBP
Forex- ร้อย บัญชี


ที่ดีที่สุด ตัวเลือก การซื้อขาย ฟอรั่ม ข้อดี ของ การซื้อขายออนไลน์ ระบบ Binary ตัวเลือก โบรกเกอร์ - CFTC HDFC -forex- อัตราการ มีชีวิตอยู่ Forex- PK- เปิด อัตรา - หุ้น โทร ตัวเลือก การจ่ายเงินปันผล

อธิบายให้เรียบ สำเนาลิขสิทธิ์ เนื้อหาใน InventoryOps ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้ เมื่อคนแรกพบคำว่า Smoothing Exponential พวกเขาอาจคิดว่าเสียงเหมือนนรกของมากเรียบ สิ่งที่เรียบคือ จากนั้นพวกเขาก็เริ่มวาดภาพการคำนวณทางคณิตศาสตร์ที่มีความซับซ้อนซึ่งอาจต้องใช้การศึกษาระดับปริญญาในด้านคณิตศาสตร์เพื่อให้เข้าใจและหวังว่าจะมีฟังก์ชัน Excel ในตัวหากพวกเขาจำเป็นต้องทำ ความเป็นจริงของการทำให้เรียบเป็นทวีคูณน้อยกว่าที่น่าทึ่งและบาดแผลน้อยมาก ความจริงคือการทำให้เรียบเรียบเป็นเรื่องง่ายที่คำนวณได้ง่าย มันก็มีชื่อที่ซับซ้อนเพราะสิ่งที่เกิดขึ้นในทางเทคนิคอันเป็นผลมาจากการคำนวณง่ายๆนี้เป็นเพียงเล็กน้อยที่ซับซ้อน เพื่อให้เข้าใจถึงการทำให้เรียบขึ้นเรื่อย ๆ จะช่วยให้เริ่มต้นด้วยแนวคิดทั่วไปในการทำให้เรียบและวิธีการทั่วไปอื่น ๆ ที่ใช้เพื่อให้ได้ความเรียบเนียน Smoothing คืออะไรการเรียบเป็นขั้นตอนทางสถิติที่พบบ่อยมาก ในความเป็นจริงเรามักพบข้อมูลที่ราบรื่นในรูปแบบต่างๆในชีวิตประจำวันของเรา เมื่อใดก็ตามที่คุณใช้ค่าเฉลี่ยในการอธิบายสิ่งใดคุณใช้หมายเลขที่ราบรื่น ถ้าคุณคิดถึงเหตุผลที่คุณใช้ค่าเฉลี่ยในการอธิบายบางสิ่งบางอย่างคุณจะเข้าใจแนวคิดเรื่องการทำให้ราบเรียบได้อย่างรวดเร็ว ตัวอย่างเช่นเราเพิ่งมีประสบการณ์ฤดูหนาวที่อบอุ่นที่สุดในเร็กคอร์ด เราจะเริ่มต้นด้วยชุดข้อมูลอุณหภูมิที่สูงและต่ำเป็นประจำทุกวันสำหรับช่วงที่เราเรียกว่าฤดูหนาวสำหรับแต่ละปีในประวัติศาสตร์ที่บันทึกไว้ แต่นั่นทำให้เรามีตัวเลขที่กระโดดไปรอบ ๆ นิดหน่อย (ไม่เหมือนทุกวันในฤดูหนาวนี้ก็อุ่นขึ้นกว่าวันที่เหมือนกันจากทุกปีที่ผ่านมา) เราจำเป็นต้องมีหมายเลขที่ลบข้อมูลทั้งหมดนี้ออกจากข้อมูลเพื่อให้เราเปรียบเทียบได้ง่ายขึ้นในช่วงฤดูหนาว การถอดการกระโดดไปรอบ ๆ ในข้อมูลเรียกว่าการทำให้เรียบและในกรณีนี้เราสามารถใช้ค่าเฉลี่ยที่เรียบง่ายเพื่อให้การเรียบลื่น ในการคาดการณ์ความต้องการเราใช้การปรับให้เรียบเพื่อลบความผันแปรแบบสุ่ม (เสียง) ออกจากความต้องการในอดีตของเรา วิธีนี้ช่วยให้เราสามารถระบุรูปแบบความต้องการได้ดีขึ้น (ตามหลักแนวโน้มและฤดูกาล) และระดับความต้องการที่สามารถใช้ในการประมาณการความต้องการในอนาคตได้ เสียงดังกล่าวเป็นแนวคิดเดียวกับการกระโดดรายวันของข้อมูลอุณหภูมิ ไม่น่าแปลกใจที่คนส่วนใหญ่จะเอาเสียงรบกวนออกจากประวัติความต้องการคือการใช้ค่าเฉลี่ยอย่างง่ายโดยเฉพาะค่าเฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่จะใช้ระยะเวลาที่กำหนดไว้ล่วงหน้าเพื่อคำนวณค่าเฉลี่ยและช่วงเวลาเหล่านี้จะเลื่อนตามเวลาที่ผ่านไป ตัวอย่างเช่นถ้า Im ใช้ค่าเฉลี่ยเคลื่อนที่ 4 เดือนและวันนี้คือวันที่ 1 พฤษภาคม Im ใช้ค่าเฉลี่ยความต้องการที่เกิดขึ้นในเดือนมกราคมกุมภาพันธ์มีนาคมและเมษายน ในวันที่ 1 มิถุนายนฉันจะใช้ความต้องการตั้งแต่เดือนกุมภาพันธ์มีนาคมเมษายนและพฤษภาคม ค่าเฉลี่ยถ่วงน้ำหนัก เมื่อใช้ค่าเฉลี่ยเราใช้ความสำคัญ (น้ำหนัก) เดียวกันกับแต่ละค่าในชุดข้อมูล ในค่าเฉลี่ยเคลื่อนที่ 4 เดือนแต่ละเดือนมีค่าเฉลี่ยเคลื่อนที่ 25 ค่า เมื่อใช้ประวัติความต้องการเพื่อคาดการณ์ความต้องการในอนาคต (และแนวโน้มในอนาคตโดยเฉพาะอย่างยิ่ง) เหตุผลที่จะสรุปได้ว่าคุณต้องการให้ประวัติล่าสุดมีผลกระทบมากขึ้นกับการคาดการณ์ของคุณ เราสามารถปรับการคำนวณค่าเฉลี่ยเคลื่อนที่ของเราเพื่อใช้น้ำหนักที่ต่างกันในแต่ละช่วงเวลาเพื่อให้ได้ผลลัพธ์ที่ต้องการ เราแสดงน้ำหนักเหล่านี้เป็นเปอร์เซ็นต์และน้ำหนักทั้งหมดของทุกช่วงเวลาต้องเพิ่มขึ้น 100 ดังนั้นหากเราตัดสินใจว่าเราต้องการใช้ 35 เป็นน้ำหนักในช่วงเวลาใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก 4 เดือนของเราเราสามารถ ลบ 35 ออกจาก 100 เพื่อหาว่าเราเหลืออีก 65 คนในช่วงเวลาอื่น ๆ ตัวอย่างเช่นเราอาจจะมีน้ำหนัก 15, 20, 30 และ 35 ตามลำดับเป็นเวลา 4 เดือน (15 20 30 35 100) การทำให้เรียบเรียบขึ้น ถ้าเรากลับไปใช้แนวความคิดในการใช้น้ำหนักกับงวดล่าสุด (เช่น 35 ในตัวอย่างก่อนหน้า) และการกระจายน้ำหนักที่เหลือ (คำนวณโดยการหักน้ำหนักช่วงล่าสุดของ 35 จาก 100 เป็น 65) เรามี หน่วยการสร้างพื้นฐานสำหรับการคำนวณการเรียบของเราชี้แจง อินพุทควบคุมของการคำนวณการคำนวณความเร่งด่วนเป็นที่รู้จักกันว่าเป็นปัจจัยการทำให้ราบรื่น (smoothing factor) หรือเรียกอีกอย่างว่า smoothing constant) มันเป็นหลักหมายถึงการถ่วงน้ำหนักที่ใช้กับงวดล่าสุดความต้องการ ดังนั้นที่เราใช้ 35 เป็นน้ำหนักสำหรับงวดล่าสุดในการคำนวณถัวเฉลี่ยถ่วงน้ำหนักเราสามารถเลือกที่จะใช้ 35 เป็นปัจจัยการทำให้ราบเรียบในการคำนวณการคำนวณความเร่งด่วนเพื่อให้ได้ผลเช่นเดียวกัน ความแตกต่างกับการคำนวณการให้ความเรียบแบบเลขยกกำลังคือการที่เราต้องพิจารณาน้ำหนักที่จะนำไปใช้กับแต่ละช่วงเวลาก่อนหน้านี้ทำให้เราต้องใช้ปัจจัยที่ราบเรียบเพื่อทำสิ่งนี้ให้โดยอัตโนมัติ ดังนั้นนี่เป็นส่วนที่อธิบาย ถ้าเราใช้ 35 เป็นปัจจัยการทำให้ราบเรียบการถ่วงน้ำหนักของความต้องการช่วงเวลาล่าสุดจะเป็น 35 การนับถ่วงน้ำหนักของงวดถัดไปที่ต้องการ (ระยะก่อนหน้าล่าสุด) จะเท่ากับ 65 จาก 35 (65 มาจากหัก 35 จาก 100) นี้เท่ากับ 22.7 ถ่วงน้ำหนักในช่วงเวลานั้นถ้าคุณทำคณิตศาสตร์ ความต้องการระยะเวลาต่อไปครั้งต่อไปคือ 65 จาก 65 ใน 35 ซึ่งเท่ากับ 14.79 ช่วงก่อนหน้านั้นจะมีน้ำหนัก 65 ถึง 65 จาก 65 ใน 35 ซึ่งเท่ากับ 9.61 และอื่น ๆ และสิ่งนี้จะย้อนกลับไปในทุกช่วงเวลาก่อนหน้าของคุณตลอดระยะเวลาย้อนกลับไปจนถึงจุดเริ่มต้นของเวลา (หรือจุดที่คุณเริ่มต้นใช้การเพิ่มความล คุณอาจคิดว่าเรื่องนี้ดูเหมือนจะเป็นเรื่องคณิตศาสตร์มาก แต่ความงามของการคำนวณการคำนวณหาผลคูณแบบเอกซ์โพเนนเชียลคือแทนที่จะต้องคำนวณใหม่ในแต่ละช่วงเวลาก่อนหน้านี้ทุกครั้งที่คุณได้รับช่วงเวลาใหม่ ๆ คุณก็ใช้ผลลัพธ์ของการคำนวณการคำนวณความเร่งด่วนจากช่วงก่อนหน้าเพื่อแสดงช่วงก่อนหน้าทั้งหมด คุณสับสนยังจะทำให้รู้สึกมากขึ้นเมื่อเราดูที่การคำนวณที่เกิดขึ้นจริงโดยปกติเราจะอ้างถึงผลลัพธ์ของการคำนวณการเรียบเป็น exponential คาดการณ์ระยะเวลาถัดไป ในความเป็นจริงการคาดการณ์ที่ดีที่สุดต้องการการทำงานเพียงเล็กน้อย แต่สำหรับวัตถุประสงค์ของการคำนวณเฉพาะนี้เราจะอ้างถึงเป็นประมาณการ การคำนวณการคำนวณหาผลคูณเป็นดังนี้: ความต้องการของงวดล่าสุดที่คูณกับปัจจัยการปรับให้เรียบ PLUS ระยะเวลาล่าสุดที่คาดการณ์ไว้คูณด้วย (หนึ่งลบด้วยปัจจัยการทำให้ราบเรียบ) D ช่วงล่าสุดต้องการ S ปัจจัยการทำให้ราบรื่นแสดงในรูปแบบทศนิยม (ดังนั้น 35 จะแสดงเป็น 0.35) F คาดการณ์ช่วงเวลาล่าสุด (ผลลัพธ์ของการคำนวณการปรับให้เรียบจากงวดก่อนหน้า) OR (สมมติว่าค่าการปรับให้เรียบเท่ากับ 0.35) (D 0.35) (F 0.65) มันไม่ง่ายนักหรอก ที่คุณเห็นทั้งหมดที่เราต้องใช้สำหรับการป้อนข้อมูลที่นี่คือความต้องการช่วงเวลาล่าสุดและการคาดการณ์ช่วงเวลาล่าสุด เราใช้ปัจจัยการทำให้ราบเรียบ (ถ่วงน้ำหนัก) เป็นระยะเวลาล่าสุดเช่นเดียวกับที่เราคำนวณในการคำนวณถัวเฉลี่ยถ่วงน้ำหนัก จากนั้นเราจะใช้การถ่วงน้ำหนักที่เหลือ (1 ลบด้วยตัวปรับความเรียบ) ไปเป็นระยะเวลาการคาดการณ์ล่าสุด เนื่องจากการคาดการณ์ช่วงเวลาล่าสุดได้รับการสร้างขึ้นจากความต้องการของช่วงเวลาก่อนหน้าและการคาดการณ์ในช่วงก่อนหน้าซึ่งขึ้นอยู่กับความต้องการในช่วงก่อนหน้านั้นและการคาดการณ์ในช่วงก่อนหน้านั้นซึ่งขึ้นอยู่กับความต้องการของช่วงเวลาก่อน และการคาดการณ์ในช่วงก่อนหน้านั้นซึ่งขึ้นอยู่กับระยะเวลาก่อนหน้านั้น ดีคุณสามารถดูความต้องการทั้งหมดของช่วงเวลาก่อนหน้านี้ได้อย่างไรในการคำนวณโดยไม่ต้องย้อนกลับและคำนวณอะไรใหม่ และ thats สิ่งที่ขับรถความนิยมเริ่มต้นของการเรียบชี้แจง ไม่ใช่เพราะมันเป็นงานที่ดีกว่าการถ่วงน้ำหนักมากกว่าค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักเนื่องจากการคำนวณในโปรแกรมคอมพิวเตอร์นั้นง่ายกว่า และเนื่องจากคุณไม่จำเป็นต้องคิดถึงการถ่วงเวลาก่อนหน้านี้หรือจำนวนงวดก่อนหน้าที่จะใช้ตามที่คุณต้องการในค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก และเพราะมันฟังดูเย็นกว่าค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก ในความเป็นจริงอาจเป็นที่ถกเถียงกันอยู่ว่าค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักให้ความยืดหยุ่นมากขึ้นเนื่องจากคุณสามารถควบคุมน้ำหนักของช่วงเวลาก่อนหน้าได้มากขึ้น ความเป็นจริงคือสิ่งเหล่านี้สามารถให้ผลลัพธ์ที่น่าพอใจได้ดังนั้นทำไมไม่ไปกับการออกเสียงที่ง่ายและเย็นกว่า Exponential Smoothing in Excel ให้ดูวิธีนี้จริงจะดูในกระดาษคำนวณที่มีข้อมูลจริง สำเนาลิขสิทธิ์ เนื้อหาใน InventoryOps ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้ ในรูปที่ 1A เรามีสเปรดชีต Excel ที่มีความต้องการใช้งานเป็นเวลา 11 สัปดาห์และมีการคาดการณ์แบบเรียบเรียงตามที่คำนวณได้จากความต้องการดังกล่าว Ive ใช้ค่า smoothing factor 25 (0.25 ในเซลล์ C1) เซลล์ที่ใช้งานปัจจุบันเป็นเซลล์ M4 ซึ่งมีการคาดการณ์สำหรับสัปดาห์ที่ 12 คุณสามารถดูได้ในแถบสูตรสูตรคือ (L3C1) (L4 (1-C1)) ดังนั้นปัจจัยการผลิตเพียงอย่างเดียวในการคำนวณนี้คือความต้องการของช่วงเวลาก่อนหน้า (เซลล์ L3) การพยากรณ์ช่วงก่อนหน้า (เซลล์ L4) และปัจจัยการทำให้ราบรื่น (เซลล์ C1 แสดงเป็นข้อมูลอ้างอิงของเซลล์สัมบูรณ์ C1) เมื่อเราเริ่มต้นการคำนวณการทำให้เรียบโดยใช้เลขแจงเราจำเป็นต้องเสียบค่าสำหรับการคาดการณ์ที่ 1 ด้วยตนเอง ดังนั้นใน Cell B4 แทนที่จะเป็นสูตรเราจึงพิมพ์ความต้องการจากช่วงเวลาเดียวกันกับที่คาดไว้ ในเซลล์ C4 เรามีการคำนวณการปันส่วนเป็นครั้งที่ 1 (B3C1) (B4 (1-C1)) จากนั้นเราสามารถคัดลอกเซลล์ C4 และวางในเซลล์ D4 ผ่าน M4 เพื่อกรอกข้อมูลในส่วนที่เหลือของเซลล์คาดการณ์ของเรา ขณะนี้คุณสามารถดับเบิลคลิกที่เซลล์คาดการณ์ใด ๆ เพื่อดูข้อมูลได้จากช่วงคาดการณ์ของเซลล์ก่อนหน้าและเซลล์ความต้องการช่วงก่อนหน้า ดังนั้นการคำนวณการคำนวณตามความเร่งด่วนที่ตามมาแต่ละครั้งจึงสืบทอดผลลัพธ์ของการคำนวณการคำนวณหาผลคูณด้วยเอกซ์โพเนนเชียลก่อนหน้านี้ นั่นคือความต้องการของแต่ละงวดก่อนหน้านี้เป็นอย่างไรในการคำนวณระยะเวลาล่าสุดแม้ว่าการคำนวณดังกล่าวไม่ได้อ้างอิงถึงช่วงเวลาก่อนหน้านี้โดยตรงก็ตาม ถ้าคุณต้องการได้รับแฟนซีคุณสามารถใช้ฟังก์ชัน Excels trace precedents เมื่อต้องการทำเช่นนี้ให้คลิกที่เซลล์ M4 จากนั้นบนแถบเครื่องมือริบบิ้น (Excel 2007 หรือ 2010) คลิกแท็บสูตรแล้วคลิกสืบค้นย้อนกลับ มันจะวาดเส้นเชื่อมต่อไปยังระดับที่ 1 ของ precedents แต่ถ้าคุณคลิกที่ Trace Precedents ก็จะวาดเส้นเชื่อมต่อไปยังช่วงก่อนหน้าทั้งหมดเพื่อแสดงความสัมพันธ์ที่สืบทอด ตอนนี้เรามาดูกันว่าการทำให้เรียบแบบทวีคูณเป็นอย่างไรบ้างสำหรับเรา รูปที่ 1B แสดงแผนภูมิเส้นของความต้องการและการคาดการณ์ของเรา กรณีที่คุณเห็นว่าการคาดการณ์ที่ราบเรียบตามลำดับส่วนมากจะช่วยขจัดความหยาบคาย (กระโดดไปรอบ ๆ ) จากความต้องการรายสัปดาห์ แต่ยังคงสามารถปฏิบัติตามสิ่งที่ดูเหมือนจะเป็นความต้องการที่เพิ่มสูงขึ้น นอกจากนี้คุณจะสังเกตเห็นว่าเส้นคาดการณ์ที่ราบเรียบมีแนวโน้มที่จะต่ำกว่าเส้นความต้องการ นี้เป็นที่รู้จักกันเป็นล้าสมัยแนวโน้มและเป็นผลข้างเคียงของกระบวนการราบเรียบ เมื่อใดก็ตามที่คุณใช้การทำให้ราบเรียบเมื่อมีแนวโน้มเกิดขึ้นการคาดการณ์ของคุณจะล่าช้ากว่าแนวโน้ม นี่เป็นจริงสำหรับเทคนิคการทำให้ราบเรียบใด ๆ ในความเป็นจริงหากเราดำเนินการต่อสเปรดชีตนี้ต่อไปและเริ่มป้อนตัวเลขความต้องการที่ต่ำลง (ทำให้มีแนวโน้มลดลง) คุณจะเห็นการลดลงของความต้องการและเส้นแนวโน้มจะเลื่อนไปเหนือก่อนที่จะเริ่มตามแนวโน้มลดลง Thats ทำไมฉันได้กล่าวถึงก่อนหน้านี้ออกจากการคำนวณการคำนวณเรียบที่เราเรียกว่าการคาดการณ์ยังคงต้องทำงานเพิ่มเติมบางอย่าง มีมากขึ้นในการคาดการณ์มากกว่าเพียงแค่เรียบออกกระแทกในความต้องการ เราจำเป็นต้องปรับเปลี่ยนเพิ่มเติมสำหรับสิ่งต่างๆเช่นความล้าตามฤดูกาลฤดูกาลเหตุการณ์ที่เป็นที่รู้จักซึ่งอาจมีผลต่อความต้องการ ฯลฯ แต่สิ่งที่อยู่นอกเหนือขอบเขตของบทความนี้ คุณอาจจะใช้เป็นคำเช่นการเพิ่มความเรียบแบบเลขสองเท่าและการปรับให้เรียบแบบสามขั้นแทน คำเหล่านี้เป็นบิตที่ทำให้เข้าใจผิดเนื่องจากคุณไม่ได้ปรับความต้องการอีกหลายครั้ง (คุณสามารถทำได้ถ้าต้องการ แต่ไม่ใช่ประเด็นที่นี่) คำเหล่านี้แสดงถึงการใช้การเพิ่มความลื่นในเชิงตัวเลขในองค์ประกอบเพิ่มเติมของการคาดการณ์ ดังนั้นด้วยการเรียบแบบเรียบง่ายคุณจึงปรับความต้องการพื้นฐานได้ แต่ด้วยการปรับให้เรียบแบบทวีคูณเป็นสองเท่าคุณจะปรับความต้องการพื้นฐานพร้อมกับแนวโน้มและด้วยการเรียบเรียบแบบสามขั้นตอนคุณจะทำให้ความต้องการพื้นฐานลดลงพร้อมกับแนวโน้มบวกกับฤดูกาล คำถามอื่น ๆ ที่ถามบ่อยเกี่ยวกับการทำให้เรียบเป็นทวีคูณคือสิ่งที่ฉันจะได้รับปัจจัยการทำให้ราบเรียบของฉันไม่มีคำตอบที่น่าอัศจรรย์ที่นี่คุณต้องทดสอบปัจจัยการทำให้ราบเรียบต่างๆพร้อมกับข้อมูลความต้องการของคุณเพื่อดูว่าอะไรทำให้คุณได้รับผลลัพธ์ที่ดีที่สุด มีการคำนวณที่สามารถตั้งค่า (และเปลี่ยน) ตัวปรับความเรียบได้โดยอัตโนมัติ ฤดูใบไม้ร่วงเหล่านี้อยู่ภายใต้การปรับให้เรียบแบบปรับได้ แต่คุณต้องระมัดระวังกับพวกเขา ไม่มีคำตอบที่สมบูรณ์แบบและคุณไม่ควรสุ่มสี่สุ่มห้าใช้การคำนวณใด ๆ โดยไม่มีการทดสอบอย่างละเอียดและพัฒนาความเข้าใจอย่างถ่องแท้ในสิ่งที่คำนวณได้ นอกจากนี้คุณควรใช้สถานการณ์สมมติแบบใดหากดูว่าการคำนวณเหล่านี้ตอบสนองต่อการเปลี่ยนแปลงความต้องการที่อาจไม่มีอยู่ในข้อมูลความต้องการที่คุณกำลังใช้ในการทดสอบ ตัวอย่างข้อมูลที่ฉันใช้ก่อนหน้านี้เป็นตัวอย่างที่ดีมากสำหรับสถานการณ์ที่คุณต้องทดสอบสถานการณ์อื่น ๆ ตัวอย่างข้อมูลดังกล่าวแสดงถึงแนวโน้มที่มีแนวโน้มสูงขึ้นอย่างมาก บริษัท ขนาดใหญ่หลายแห่งที่มีซอฟต์แวร์คาดการณ์ราคาแพงมีปัญหาใหญ่ในอดีตที่ไม่ไกลเกินไปเมื่อการตั้งค่าซอฟต์แวร์ของตนที่ปรับแต่งเพื่อให้เศรษฐกิจเติบโตไม่ตอบสนองได้ดีเมื่อเศรษฐกิจเริ่มหดตัวหรือหดตัว สิ่งเช่นนี้เกิดขึ้นเมื่อคุณไม่เข้าใจว่าการคำนวณ (ซอฟต์แวร์) ของคุณกำลังทำอยู่จริง ถ้าพวกเขาเข้าใจระบบการคาดการณ์ของพวกเขาพวกเขาจะได้รู้ว่าพวกเขาต้องการที่จะก้าวกระโดดและเปลี่ยนอะไรบางอย่างเมื่อมีการเปลี่ยนแปลงอย่างฉับพลันในธุรกิจของพวกเขา ดังนั้นคุณจึงมีพื้นฐานของการเรียบอธิบายอธิบาย ต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับการใช้การทำให้เรียบโดยใช้การชี้แจงในการคาดการณ์ที่เกิดขึ้นจริงโปรดดูคำอธิบายเกี่ยวกับการจัดการสินค้าคงคลังในหนังสือของฉัน สำเนาลิขสิทธิ์ เนื้อหาใน InventoryOps ได้รับการคุ้มครองลิขสิทธิ์และไม่สามารถเผยแพร่ได้ Dave Piasecki เป็นเจ้าของผู้ดำเนินงาน Inventory Operations Consulting LLC บริษัท ที่ปรึกษาที่ให้บริการเกี่ยวกับการจัดการสินค้าคงคลังการจัดการวัสดุและการดำเนินงานคลังสินค้า เขามีประสบการณ์มากกว่า 25 ปีในการบริหารจัดการการดำเนินงานและสามารถเข้าถึงได้จากเว็บไซต์ของเขา (inventoryops) ซึ่งเขามีข้อมูลที่เกี่ยวข้องเพิ่มเติม BusinessSteps ของฉันในการเลือกรูปแบบการคาดการณ์รูปแบบการคาดการณ์ของคุณควรมีคุณลักษณะที่จับภาพคุณสมบัติเชิงคุณภาพที่สำคัญทั้งหมดของข้อมูล: รูปแบบของการเปลี่ยนแปลงในระดับและแนวโน้มผลกระทบของอัตราเงินเฟ้อและฤดูกาลความสัมพันธ์ระหว่างตัวแปรเป็นต้นนอกจากนี้สมมติฐานที่อ้างอิง รุ่นที่คุณเลือกควรเห็นด้วยกับสัญชาตญาณของคุณว่าซีรีส์มีแนวโน้มที่จะทำตัวอย่างไรในอนาคต เมื่อปรับรุ่นคาดการณ์คุณมีทางเลือกต่อไปนี้: ตัวเลือกเหล่านี้จะอธิบายไว้ด้านล่างสั้น ๆ ดูแผนภูมิการพยากรณ์การพยากรณ์อากาศสำหรับมุมมองภาพของกระบวนการระบุรูปแบบและดูกลับไปที่แผงข้อมูลจำเพาะของ Statgraphics เพื่อดูว่ามีการเลือกคุณสมบัติของโมเดลในซอฟต์แวร์อย่างไร การลดภาวะถดถอยหากตัวเลขแสดงการเติบโตของอัตราเงินเฟ้อภาวะเงินฝืดจะช่วยให้เกิดการเติบโตและลดความคลาดเคลื่อนในส่วนที่เหลือ คุณสามารถ (i) ยุบข้อมูลที่ผ่านมาและเพิ่มการคาดการณ์ในระยะยาวด้วยอัตราการสันนิษฐานคงที่หรือ (ii) ยุบข้อมูลที่ผ่านมาโดยใช้ดัชนีราคาเช่นดัชนีราคาผู้บริโภคและปรับประมาณการการคาดการณ์ระยะยาวโดยใช้ การคาดการณ์ของดัชนีราคา ตัวเลือก (i) เป็นวิธีที่ง่ายที่สุด ใน Excel คุณสามารถสร้างคอลัมน์ของสูตรเพื่อแบ่งค่าเดิมโดยใช้ปัจจัยที่เหมาะสม ตัวอย่างเช่นถ้าข้อมูลเป็นรายเดือนและคุณต้องการยุบในอัตรา 5 ต่อ 12 เดือนคุณจะหารด้วยปัจจัย (1.05) (k12) โดยที่ k คือดัชนีแถว (หมายเลขสังเกตการณ์) RegressIt และ Statgraphics มีเครื่องมือในตัวที่จะทำเช่นนี้ให้คุณโดยอัตโนมัติ หากคุณไปเส้นทางนี้โดยปกติจะเป็นอัตราที่ดีที่สุดในการกำหนดอัตราเงินเฟ้อที่สมมุติให้เท่ากับอัตราการคาดการณ์ที่ดีที่สุดของอัตราปัจจุบันโดยเฉพาะอย่างยิ่งหากคุณคาดการณ์ล่วงหน้ามากกว่าหนึ่งรอบ ถ้าคุณเลือกตัวเลือก (ii) ก่อนอื่นคุณต้องบันทึกการคาดการณ์ที่ลดลงและขีดจำกัดความเชื่อมั่นในสเปรดชีตข้อมูลของคุณจากนั้นสร้างและบันทึกการคาดการณ์สำหรับดัชนีราคาและคูณคอลัมน์ที่เหมาะสมเข้าด้วยกัน (กลับไปด้านบนของหน้า.) การแปลงลอการิทึมหากชุดแสดงการเติบโตของสารประกอบและหรือรูปแบบตามฤดูกาลแบบคูณการแปลงลอการิทึมอาจเป็นประโยชน์หรือทำให้เกิดภาวะเงินฝืด การบันทึกข้อมูลจะไม่ทำให้รูปแบบการเติบโตของเงินเฟ้อลดลง แต่จะตรงออกเพื่อให้สามารถใช้โมเดลเชิงเส้น (เช่นการเดินแบบสุ่มหรือรูปแบบ ARIMA ที่มีการเติบโตคงที่หรือแบบจำลองการให้ความเรียบแบบเชิงเส้น) นอกจากนี้การเข้าสู่ระบบจะแปลงรูปแบบตามฤดูกาลแบบทวีคูณเป็นรูปแบบ additive ดังนั้นหากคุณทำการปรับเปลี่ยนตามฤดูกาลหลังบันทึกคุณควรใช้ประเภท additive การบันทึกข้อตกลงกับอัตราเงินเฟ้อในลักษณะโดยนัยหากคุณต้องการจำลองอัตราเงินเฟ้ออย่างชัดเจนเช่น ถ้าคุณต้องการให้อัตราเงินเฟ้อเป็นพารามิเตอร์ที่มองเห็นได้ของแบบจำลองหรือถ้าคุณต้องการดูพล็อตข้อมูลที่หลุดออก - คุณควรยุบตัวแทนที่จะบันทึก การใช้งานที่สำคัญอีกอย่างหนึ่งสำหรับการแปลง log คือความสัมพันธ์เชิงเส้นระหว่างตัวแปรในโหมดการถดถอย l ยกตัวอย่างเช่นถ้าตัวแปรอิสระเป็นตัวคูณมากกว่าฟังก์ชัน additive ของตัวแปรอิสระหรือถ้าความสัมพันธ์ระหว่างตัวแปรอิสระและตัวแปรอิสระเป็นเชิงเส้นในแง่ของการเปลี่ยนแปลงเปอร์เซ็นต์แทนที่จะเป็นการเปลี่ยนแปลงสัมบูรณ์จากนั้นใช้การแปลง log เป็นตัวแปรอย่างน้อยหนึ่งตัวแปร อาจจะเหมาะสมเช่นเดียวกับในตัวอย่างการขายเบียร์ (ซีรีส์) การปรับฤดูกาลหากชุดมีรูปแบบฤดูกาลที่แข็งแกร่งซึ่งคาดว่าจะคงที่ตลอดปีการปรับฤดูกาลอาจเป็นวิธีที่เหมาะสมในการประมาณและคาดการณ์รูปแบบ ข้อดีของการปรับฤดูกาลคือการจัดรูปแบบตามฤดูกาลอย่างชัดเจนเพื่อให้คุณมีตัวเลือกในการศึกษาดัชนีตามฤดูกาลและข้อมูลที่ปรับฤดูกาล ข้อเสียคือต้องมีการประมาณค่าพารามิเตอร์เพิ่มเติมจำนวนมาก (โดยเฉพาะข้อมูลรายเดือน) และไม่มีเหตุผลสำหรับการคำนวณระยะเวลาความเชื่อมั่นที่ถูกต้อง การตรวจสอบตัวอย่างนอกกลุ่มตัวอย่างมีความสำคัญอย่างยิ่งในการลดความเสี่ยงในการปรับข้อมูลที่ผ่านมาโดยการปรับฤดูกาล หากข้อมูลมีฤดูกาลมาก แต่คุณไม่ได้เลือกการปรับฤดูกาลตามฤดูกาลทางเลือกคือ (i) ใช้รูปแบบ ARIMA ตามฤดูกาล ซึ่งโดยนัยจะคาดการณ์รูปแบบตามฤดูกาลโดยใช้ความล่าช้าตามฤดูกาลและความแตกต่างหรือ (ii) ใช้แบบจำลองการทำให้เป็นฤดูฝนแบบฤดูฝนของ Winters ซึ่งประมาณการดัชนีฤดูกาลที่เปลี่ยนแปลงไปตามฤดูกาล ถ้ามีชุดเวลาอื่น ๆ ที่คุณเชื่อว่ามีอำนาจอธิบายในส่วนที่คุณสนใจ (เช่นตัวบ่งชี้ทางเศรษฐกิจหรือตัวแปรทางนโยบายชั้นนำเช่นราคาการโฆษณาการส่งเสริมการขายเป็นต้น) คุณ อาจต้องการพิจารณาการถดถอยเป็นแบบจำลองของคุณ คุณต้องการพิจารณาการถดถอยหรือไม่คุณยังต้องพิจารณาถึงความเป็นไปได้ที่จะกล่าวถึงข้างต้นเพื่อเปลี่ยนตัวแปรของคุณ (ภาวะเงินฝืดการเข้าสู่ระบบการปรับฤดูกาลและบางทีอาจจะแตกต่างไป) เพื่อใช้ประโยชน์จากมิติเวลาและสร้างความสัมพันธ์เชิงเส้น แม้ว่าคุณจะไม่ได้เลือกการถดถอยในตอนนี้คุณอาจต้องการเพิ่ม regressors ในภายหลังเป็นแบบจำลองแบบเวลา (เช่นแบบจำลอง ARIMA) ถ้าส่วนที่เหลือมีความสัมพันธ์ระหว่างตัวแปรกับตัวแปรอื่น ๆ (กลับไปด้านบนสุดของหน้า) การปรับให้เรียบลงโดยเฉลี่ยหรือการเดินแบบสุ่มหากคุณเลือกที่จะปรับข้อมูลตามฤดูกาล - หรือถ้าข้อมูลไม่ได้เป็นตามฤดูกาลให้เริ่มต้นด้วย - คุณอาจต้องการใช้รูปแบบเฉลี่ยหรือการปรับให้เรียบ พอดีกับรูปแบบ nonseasonal ซึ่งยังคงอยู่ในข้อมูล ณ จุดนี้ แบบเรียบง่ายหรือแบบเรียบง่ายเพียงแค่คำนวณค่าเฉลี่ยของข้อมูล ณ สิ้นชุดโดยสมมติว่านี่เป็นค่าที่ดีที่สุดในการประเมินค่าเฉลี่ยปัจจุบันที่ข้อมูลมีความผันผวน (แบบจำลองเหล่านี้สมมุติว่าค่าเฉลี่ยของซีรี่ส์มีการเปลี่ยนแปลงอย่างช้าๆและแบบสุ่มโดยไม่มีแนวโน้มแบบถาวร) การเรียบง่ายชี้แจงเป็นที่ต้องการโดยทั่วไปสำหรับค่าเฉลี่ยเคลื่อนที่แบบง่ายๆเนื่องจากค่าเฉลี่ยถ่วงน้ำหนักแบบทวีคูณเป็นงานที่มีเหตุผลมากยิ่งขึ้นในการลดข้อมูลที่เก่ากว่า (alpha) เป็นไปอย่างต่อเนื่องและสามารถปรับให้เหมาะสมได้ง่ายและเนื่องจากมีพื้นฐานทางทฤษฎีสำหรับการคำนวณช่วงความเชื่อมั่น หากการทำให้ราบเรียบหรือค่าเฉลี่ยไม่เป็นประโยชน์ ถ้าตัวทำนายที่ดีที่สุดของค่าถัดไปของชุดข้อมูลเวลาเป็นเพียงค่าก่อนหน้าของมัน - แล้วรูปแบบการเดินแบบสุ่มจะถูกระบุ ในกรณีนี้ตัวอย่างเช่นถ้าจำนวนคำที่เหมาะสมที่สุดในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะเป็น 1 หรือถ้าค่าที่เหมาะสมที่สุดของ alpha ในการเรียบง่ายแบบเอ็กซ์โพเนนเชียลจะเป็น 0.9999 Browns การเพิ่มประสิทธิภาพเชิงเส้นแบบเส้นตรงสามารถนำมาใช้เพื่อให้พอดีกับชุดที่มีแนวโน้มเชิงเส้นที่ต่างกันไปในระยะเวลาที่ช้า แต่ควรระมัดระวังในเรื่องการคาดการณ์แนวโน้มดังกล่าวในอนาคตที่ไกลมาก (ช่วงความเชื่อมั่นที่กว้างขึ้นอย่างรวดเร็วสำหรับโมเดลนี้เป็นการยืนยันถึงความไม่แน่นอนเกี่ยวกับอนาคตอันไกล) การปรับเส้นตรงของ Holts ยังประมาณการแนวโน้มที่เปลี่ยนแปลงไปตามเวลา แต่ใช้พารามิเตอร์ที่แยกต่างหากสำหรับการปรับระดับและแนวโน้มโดยให้ข้อมูลที่เหมาะสมกับข้อมูล กว่ารุ่น Brown8217s การคำนวณหาค่าความละเอียดที่เป็นไปได้ของ Q uadratic พยายามประมาณแนวโน้มกำลังสองที่แปรปรวนตามเวลาและไม่ควรใช้จริง (ซึ่งสอดคล้องกับรูปแบบของ ARIMA ที่มีลำดับความแตกต่างกันสามคำ) การเรียบลื่นในเชิงเส้นด้วยแนวโน้มที่ชื้น (นั่นคือแนวโน้มที่แผ่ออกไปในขอบเขตอันไกลโพ้น) มักเป็นคำแนะนำในสถานการณ์ที่อนาคตไม่แน่นอน แบบจำลองการปรับรูปแบบเลขแจงต่างๆเป็นกรณีพิเศษของรูปแบบ ARIMA (อธิบายด้านล่าง) และสามารถติดตั้งซอฟต์แวร์ ARIMA ได้ โดยเฉพาะอย่างยิ่งรูปแบบการเรียบง่ายชี้แจงเป็นแบบ ARIMA (0,1,1), แบบจำลองการเรียบราบเรียบ Holt8217s เป็นแบบ ARIMA (0,2,2) และโมเดลแนวโน้มการยุบตัวคือ ARIMA (1,1,2) ) แบบจำลอง สรุปสมการที่ดีของแบบจําลองการแจกแจงแบบต่างๆได้จากหน้าเว็บนี้ในเว็บไซต์ SAS (มีการแสดงเมนู SAS สำหรับระบุรูปแบบของชุดข้อมูลเวลาด้วยเช่นกัน) พวกเขาคล้ายกับ Statgraphics) Linear, Quadratic หรือ Exponential Trend Line เป็นตัวเลือกอื่น ๆ สำหรับการคาดการณ์ชุดข้อมูลแบบมีเหตุผล แต่ไม่ค่อยมีผลดีกว่าการเดินสุ่มเรียบหรือ ARIMA โมเดลเกี่ยวกับข้อมูลทางธุรกิจ (ฤดูใบไม้ผลิฤดูร้อน) เป็นส่วนขยายของการเรียบแบบเสวนาที่พร้อมกันประมาณระดับเวลาแนวโน้มที่แตกต่างกันและปัจจัยตามฤดูกาลโดยใช้สมการ recursive (ดังนั้นหากคุณใช้โมเดลนี้คุณจะไม่ต้องปรับข้อมูลตามฤดูกาลเป็นครั้งแรก) ปัจจัยฤดูกาลของวินเทอร์อาจเป็นได้ทั้งแบบทวีคูณหรือแบบเติมเงิน: ปกติคุณควรเลือกตัวเลือกการคูณด้วยตัวเองเว้นแต่คุณจะได้บันทึกข้อมูลไว้ แม้ว่ารูปแบบของฤดูหนาวจะฉลาดและใช้งานได้ง่าย แต่ก็อาจเป็นเรื่องยากที่จะนำมาใช้ในทางปฏิบัติ: มีพารามิเตอร์การปรับให้เรียบสามแบบคืออัลฟาเบต้าและแกมมาสำหรับการปรับระดับปัจจัยแนวโน้มและฤดูกาลตามลำดับซึ่งจะต้องประมาณ พร้อมกัน การกำหนดค่าเริ่มต้นสำหรับดัชนีตามฤดูกาลสามารถทำได้โดยการใช้อัตราส่วนเฉลี่ยต่อการเคลื่อนไหวของการปรับฤดูกาลตามฤดูกาลเป็นส่วนหนึ่งหรือทั้งหมดของชุดข้อมูลและโดยการสำรองข้อมูล อัลกอริทึมการประมาณค่าที่ Statgraphics ใช้สำหรับพารามิเตอร์เหล่านี้บางครั้งไม่สามารถให้ค่าที่รวมกันและให้ค่าพยากรณ์ที่น่าอัศจรรย์และช่วงความเชื่อมั่นดังนั้นผมจึงขอแนะนำให้ระมัดระวังเมื่อใช้โมเดลนี้ ARIMA หากคุณไม่ได้เลือกการปรับตามฤดูกาล (หรือหากข้อมูลไม่เป็นตามฤดูกาล) คุณอาจต้องการใช้กรอบรูปแบบ ARIMA แบบจำลอง ARIMA เป็นโมเดลทั่วไปที่มีการเดินสุ่มแนวโน้มแบบสุ่มเรียบและแบบจำลองอัตถิภาวนิยมเป็นกรณีพิเศษ ภูมิปัญญาดั้งเดิมคือชุดที่เป็นผู้สมัครที่ดีสำหรับรูปแบบ ARIMA ถ้า (i) มันสามารถ stationarized โดยการรวมกันของการแปลงทางคณิตศาสตร์ differencing และอื่น ๆ เช่นการเข้าสู่ระบบและ (ii) คุณมีจำนวนมากของข้อมูลที่จะทำงานกับ : อย่างน้อย 4 ฤดูกาลเต็มในกรณีของข้อมูลตามฤดูกาล (ถ้าชุดไม่สามารถจัดเก็บได้อย่างเหมาะสมโดยการแยกแยะ - เช่นถ้ามีความผิดปกติหรือดูเหมือนว่าจะเปลี่ยนพฤติกรรมตามช่วงเวลาหรือถ้าคุณมีข้อมูลน้อยกว่า 4 ฤดูกาลคุณอาจจะดีกว่ากับแบบจำลอง ที่ใช้การปรับฤดูกาลและค่าเฉลี่ยหรือเรียบเรียบง่าย) โมเดล ARIMA มีการกำหนดชื่อโดย Box และ Jenkins (p, d, q) แบบ ARIMA โดยที่ d คือจำนวนของความแตกต่างที่ไม่เหมือนกัน p คือจำนวนของเงื่อนไข autoregressive (lags ของชุด differenced) และ q คือจำนวนของการเคลื่อนไหว - (ความล่าช้าในการคาดการณ์ข้อผิดพลาด) ในสมการทำนาย แบบ ARIMA ตามฤดูกาลจัดเป็น ARIMA (p, d, q) x (P, D, Q) โดยที่ D, P และ Q เป็นจำนวนความแตกต่างตามฤดูกาลเงื่อนไขเชิงอัตรกรรมตามฤดูกาล (ความล่าช้าของชุด differenced ที่ทวีคูณของช่วงเวลาตามฤดูกาล) และค่าเฉลี่ยเคลื่อนที่ตามฤดูกาล (ความล่าช้าในการคาดการณ์ข้อผิดพลาดที่ทวีคูณของฤดูกาล ระยะเวลา) ขั้นตอนแรกในการติดตั้งแบบจำลอง ARIMA คือการกำหนดลำดับที่เหมาะสมของความแตกต่างที่จำเป็นในการตั้งค่าชุดและลบคุณลักษณะขั้นต้นของฤดูกาล ซึ่งเทียบเท่ากับการกำหนดรูปแบบการสุ่มหรือการสุ่มแบบสุ่มตัวอย่างแบบ quotnaivequot ให้จุดเริ่มต้นที่ดีที่สุด อย่าพยายามใช้คำสั่งซื้อทั้งหมดมากกว่า 2 คำที่แตกต่างกัน (ไม่ใช่ฤดูกาลและตามฤดูกาลรวมกัน) และอย่าใช้ความแตกต่างตามฤดูกาลมากกว่า 1 รายการ ขั้นตอนที่สองคือการกำหนดว่าจะรวมคำคงที่ไว้ในแบบจำลองหรือไม่โดยปกติแล้วคุณจะมีคำคงที่ถ้าลำดับทั้งหมดของ differencing เท่ากับ 1 หรือน้อยกว่านั้นคุณ dont ในแบบจำลองที่มีลำดับความแตกต่างอย่างหนึ่งคำที่มีค่าคงที่หมายถึงแนวโน้มโดยเฉลี่ยในการคาดการณ์ ในแบบจำลองที่มีสองคำสั่งของ differencing แนวโน้มในการคาดการณ์จะถูกกำหนดโดยแนวโน้มในท้องถิ่นที่สังเกตในตอนท้ายของชุดเวลาและระยะคงที่หมายถึงแนวโน้มในแนวโน้มเช่นความโค้งของระยะยาว - การคาดการณ์ระยะยาว โดยปกติการคาดการณ์แนวโน้มในเทรนด์เป็นสิ่งที่อันตรายดังนั้นคุณจึงควรระงับข้อตกลงในกรณีนี้ไว้ ขั้นตอนที่สามคือการเลือกตัวเลขของค่าเฉลี่ยอัตรกรรรณาและค่าเฉลี่ยเคลื่อนที่ (p, d, q, P, D, Q) ที่จำเป็นเพื่อขจัดความสัมพันธ์ใด ๆ ที่ยังหลงเหลืออยู่ในส่วนที่เหลือของแบบจำลองที่ไร้เดียงสา เพียงความแตกต่าง) ตัวเลขเหล่านี้กำหนดจำนวนล่าช้าของชุดข้อมูลที่แตกต่างกันและมีข้อผิดพลาดในการพยากรณ์ที่รวมอยู่ในสมการพยากรณ์ ถ้าไม่มีความสัมพันธ์กับส่วนที่เหลือในจุดนี้ให้ทำตามขั้นตอนต่อไปนี้ STOP คุณได้ดำเนินการเสร็จสิ้นแล้วโมเดลที่ดีที่สุดคือแบบไร้เดียงสาหากมีความเกี่ยวโยงกันอย่างมีนัยสำคัญที่ lags 1 หรือ 2 คุณควรลองตั้งค่า q1 หากข้อใดข้อหนึ่งต่อไปนี้ใช้: i) มีความแตกต่างที่ไม่ใช่ฤดูกาลในโมเดล (ii) ความสัมพันธ์กับความสัมพันธ์ที่ล่าช้าเป็นลบ andor (iii) พล็อตอิสระที่เหลืออยู่เป็นรูปลักษณ์ที่สะอาด (น้อยลงและมีความโดดเดี่ยวมากขึ้น) มากกว่าแผนภาพความสัมพันธ์อิสระบางส่วนที่เหลือ ถ้าไม่มีรูปแบบที่แตกต่างกันตามฤดูกาลในโมเดลและหรือความสัมพันธ์กันในทางกลับกันที่ล่าช้าเป็นบวกและส่วนที่เหลือของ autocorrelation ส่วนที่เหลือจะดูสะอาดกว่านั้นลองใช้ p1 (บางครั้งกฎเหล่านี้สำหรับการเลือกระหว่างข้อพิพาท p1 กับ q1 ซึ่งในกรณีนี้อาจไม่ได้สร้างความแตกต่างมากนักในกรณีนี้ลองใช้ทั้งสองแบบและเปรียบเทียบ) หากมีความสัมพันธ์กันที่ล้าหลัง 2 ซึ่งไม่ได้ถูกเอาออกโดยการตั้งค่า p1 หรือ q1 จากนั้นคุณสามารถลอง p2 หรือ q2 หรือบางครั้ง p1 และ q1 น้อยมากที่คุณอาจพบสถานการณ์ที่ p2 หรือ 3 และ q1 หรือในทางกลับกันให้ผลลัพธ์ที่ดีที่สุด ขอแนะนำอย่างยิ่งว่าคุณจะไม่ใช้ pgt1 และ qgt1 ในรุ่นเดียวกัน โดยทั่วไปเมื่อเหมาะสมกับโมเดล ARIMA คุณควรหลีกเลี่ยงความซับซ้อนของรูปแบบที่เพิ่มขึ้นเพื่อให้ได้รับการปรับปรุงเพิ่มเติมเพียงเล็กน้อยในสถิติข้อผิดพลาดหรือลักษณะของแปลง ACF และ PACF นอกจากนี้ในรูปแบบที่มีทั้ง pgt1 และ qgt1 มีความเป็นไปได้ที่จะเกิดความซ้ำซ้อนและไม่ซ้ำกันระหว่าง AR และ MA ด้านข้างของแบบจำลองดังที่ได้อธิบายไว้ในหมายเหตุเกี่ยวกับโครงสร้างทางคณิตศาสตร์ของ ARIMA model s โดยปกติจะเป็นการดีกว่าที่จะดำเนินการในแบบก้าวกระโดดไปข้างหน้าแทนที่จะเป็นแบบขั้นตอนย้อนหลังเมื่อปรับแต่งข้อกำหนดแบบจำลอง: เริ่มต้นด้วยแบบจำลองที่เรียบง่ายและเพิ่มเฉพาะเทอมมากขึ้นเท่านั้นหากมีความต้องการที่ชัดเจน กฎเดียวกันนี้ใช้กับคำศัพท์เชิงอัตชีวประคณิตตามฤดูกาล (P) และจำนวนคำศัพท์เชิงอรรถเฉลี่ยตามฤดูกาล (Q) ที่เกี่ยวกับความสัมพันธ์กันในช่วงเวลาตามฤดูกาล (เช่นความล่าช้า 12 สำหรับข้อมูลรายเดือน) ลอง Q1 ถ้ามีความแตกต่างตามฤดูกาลในโมเดลและหรือความสัมพันธ์กันตามฤดูกาลเป็นลบและหรือแปลงความสัมพันธ์ที่เหลือจะดูสะอาดในบริเวณใกล้เคียงกับความล่าช้าตามฤดูกาลหรือไม่ลองใช้ P1 (หากเป็นไปตามตรรกะสำหรับซีรีส์ที่แสดงฤดูกาลที่แข็งแกร่งคุณจะต้องใช้ความแตกต่างตามฤดูกาลมิฉะนั้นรูปแบบตามฤดูกาลจะจางลงเมื่อคาดการณ์ในระยะยาว) บางครั้งคุณอาจต้องการลอง P2 และ Q0 หรือ vice v ersa, หรือ PQ1 อย่างไรก็ตามขอแนะนำอย่างมากว่า PQ ไม่ควรมากกว่า 2. รูปแบบตามฤดูกาลไม่ค่อยมีความสม่ำเสมอที่สมบูรณ์แบบในฤดูกาลที่มีขนาดใหญ่เพียงพอที่จะทำให้สามารถระบุและประเมินค่าพารามิเตอร์ต่างๆได้อย่างน่าเชื่อถือ นอกจากนี้อัลกอริทึม backforecasting ที่ใช้ในการประมาณค่าพารามิเตอร์มีแนวโน้มที่จะก่อให้เกิดผลลัพธ์ที่ไม่น่าเชื่อถือ (หรือบ้า) เมื่อจำนวนของฤดูกาลของข้อมูลไม่มากเกินกว่า PDQ ฉันอยากจะแนะนำไม่น้อยกว่า PDQ2 ฤดูกาลเต็มและอื่น ๆ จะดีกว่า อีกครั้งเมื่อเหมาะสมกับโมเดล ARIMA คุณควรระมัดระวังในการหลีกเลี่ยงข้อมูลที่ผิดพลาดแม้ว่าข้อเท็จจริงจะทำให้คุณสนุกได้ กรณีพิเศษที่สำคัญ: ดังที่ระบุไว้ข้างต้นแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่จะเหมือนกับรูปแบบการเรียบแบบเลขแจงที่เรียบง่ายและสมมติว่ามีระดับลอย (เช่นไม่มีการพลิกกลับค่าเฉลี่ย) แต่มีแนวโน้มในระยะยาวเป็นศูนย์ แบบจำลอง ARIMA (0,1,1) โดยมีค่าคงที่เป็นรูปแบบการเรียบแบบเลขแจงที่เรียบง่ายซึ่งมีรูปแบบเส้นนอกรูปแบบที่ไม่ใช่ศูนย์ แบบ ARIMA (0,2,1) หรือ (0,2,2) โดยไม่มีค่าคงที่คือรูปแบบการทำให้เรียบแบบเสวนาเชิงเส้นซึ่งจะช่วยให้มีแนวโน้มที่แปรผันตามเวลา แบบจำลอง ARIMA (1,1,2) โดยไม่มีค่าคงที่คือแบบจำลองการให้ความเรียบแบบเชิงเส้นซึ่งมีแนวโน้มลดลงนั่นคือแนวโน้มที่จะแผ่ออกไปในการคาดการณ์ในระยะยาว รุ่น ARIMA ตามฤดูกาลที่พบมากที่สุดคือ ARIMA (0,1,1) x (0,1,1) โดยไม่มีค่าคงที่และ ARIMA (1,0,1) x (0,1,1) ด้วยค่าคงที่ อดีตของโมเดลเหล่านี้โดยทั่วไปจะใช้การทำให้เรียบแบบทวีคูณไปทั้งองค์ประกอบตามฤดูกาลและตามฤดูกาลของรูปแบบในข้อมูลในขณะที่อนุญาตให้มีแนวโน้มที่แปรผันตามเวลาและรูปแบบหลังมีลักษณะคล้ายกัน แต่สมมติว่ามีแนวโน้มเป็นเส้นตรงคงที่และดังนั้นจึงยาวขึ้นอีก คาดการณ์ล่วงหน้า คุณควรรวมโมเดลทั้งสองรุ่นไว้ในกลุ่มผู้ต้องสงสัยของคุณเมื่อต้องการข้อมูลที่สอดคล้องกับรูปแบบตามฤดูกาล หนึ่งในนั้น (อาจมีการเปลี่ยนแปลงเล็กน้อยเช่น p เพิ่มหรือ q โดย 1 andor การตั้งค่า P1 และ Q1) ค่อนข้างบ่อยที่ดีที่สุด (กลับไปด้านบนของหน้า) ข้อมูลที่ราบรื่นจะลบรูปแบบที่สุ่มออกและแสดงแนวโน้มและองค์ประกอบแบบวนรอบที่มีอยู่ในการรวบรวมข้อมูลที่เกิดขึ้นเมื่อเวลาผ่านไปคือรูปแบบการสุ่มบางรูปแบบ มีวิธีการลดการยกเลิกผลกระทบเนื่องจากรูปแบบสุ่ม เทคนิคที่มักใช้ในอุตสาหกรรมคือการทำให้เรียบ เทคนิคนี้เมื่อนำมาประยุกต์ใช้อย่างถูกต้องจะแสดงให้เห็นถึงแนวโน้มขององค์ประกอบตามฤดูกาลและวัฏจักรที่ชัดเจนยิ่งขึ้น มีสองวิธีที่เรียบง่ายในการทำให้เรียบวิธีการคำนวณค่าเฉลี่ยวิธีการหาค่าความสม่าเสมอการใช้ค่าเฉลี่ยเป็นวิธีที่ง่ายที่สุดในการทำให้ข้อมูลราบรื่นก่อนอื่นเราจะตรวจสอบวิธีการเฉลี่ยบางอย่างเช่นค่าเฉลี่ยทั่วไปของข้อมูลที่ผ่านมาทั้งหมด ผู้จัดการคลังสินค้าต้องการทราบว่าผู้จัดจำหน่ายทั่วไปให้บริการเท่าไรใน 1,000 ดอลลาร์ Heshe ใช้ตัวอย่างของซัพพลายเออร์จำนวน 12 รายโดยสุ่มได้ผลลัพธ์ดังนี้: ค่าเฉลี่ยหรือค่าเฉลี่ยของข้อมูล 10. ผู้จัดการตัดสินใจที่จะใช้ข้อมูลนี้เป็นค่าประมาณสำหรับค่าใช้จ่ายของผู้จัดจำหน่ายทั่วไป นี่คือการประมาณการที่ดีหรือไม่ดีข้อผิดพลาดหมายถึงกำลังสองเป็นวิธีที่จะตัดสินว่ารูปแบบที่ดีอย่างไรเราจะคำนวณความคลาดเคลื่อนกำลังสองเฉลี่ย จำนวนเงินที่ใช้จ่ายจริงลบด้วยจำนวนเงินโดยประมาณ ข้อผิดพลาด squared คือข้อผิดพลาดข้างต้นยกกำลังสอง SSE คือผลรวมของข้อผิดพลาดสี่เหลี่ยม MSE เป็นค่าเฉลี่ยของข้อผิดพลาดสี่เหลี่ยม ผลลัพธ์ที่ได้คือ MSE ข้อผิดพลาดและข้อผิดพลาดในแบบสี่เหลี่ยมประมาณ 10 คำถามที่เกิดขึ้น: เราสามารถใช้ค่าเฉลี่ยในการคาดการณ์รายได้ได้ถ้าเราสงสัยว่าเทรนด์ A ดูกราฟด้านล่างแสดงให้เห็นอย่างชัดเจนว่าเราไม่ควรทำเช่นนี้ ค่าเฉลี่ยของการสังเกตทั้งหมดในอดีตโดยสรุปเราระบุว่าค่าเฉลี่ยหรือค่าเฉลี่ยเฉลี่ยของการสังเกตทั้งหมดในอดีตเป็นเพียงประมาณการที่เป็นประโยชน์สำหรับการคาดการณ์เมื่อไม่มีแนวโน้ม หากมีแนวโน้มให้ใช้ค่าประมาณต่างๆที่คำนึงถึงแนวโน้ม ค่าเฉลี่ยถ่วงน้ำหนักการสังเกตการณ์ในอดีตอย่างเท่าเทียมกัน ตัวอย่างเช่นค่าเฉลี่ยของค่า 3, 4, 5 คือ 4. เรารู้แน่นอนว่าค่าเฉลี่ยคำนวณโดยการเพิ่มค่าทั้งหมดและหารผลรวมตามจำนวนค่า อีกวิธีหนึ่งในการคำนวณค่าเฉลี่ยคือการเพิ่มแต่ละค่าหารด้วยจำนวนค่าหรือ 33 43 53 1 1.3333 1.6667 4. ตัวคูณ 13 เรียกว่าน้ำหนัก โดยทั่วไป: bar frac sum left (frac right) x1 left (frac right) x2,. ,, left (frac right) xn. (ซ้าย (frac ขวา)) เป็นน้ำหนักและแน่นอนว่าผลรวมเป็น 1
52 สัปดาห์ สูง ซื้อขาย ระบบ
ฟรี ทุกวัน เดือย จุด - อัตราแลกเปลี่ยน