Métodos de previsão média móvel simples

Previsão por Técnicas de Suavização Este site é uma parte dos objetos de aprendizado de E-Labs JavaScript para a tomada de decisões. Outro JavaScript nesta série é categorizado em diferentes áreas de aplicações na seção MENU nesta página. Uma série temporal é uma sequência de observações que são ordenadas a tempo. Inerente à coleta de dados obtidos ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. As técnicas amplamente utilizadas são o alisamento. Essas técnicas, quando aplicadas corretamente, revelam mais claramente as tendências subjacentes. Digite as séries temporais em ordem de linha em sequência, a partir do canto superior esquerdo e o (s) parâmetro (s), e clique no botão Calcular para obter uma previsão em um período de antecedência. As caixas em branco não estão incluídas nos cálculos, mas os zeros são. Ao inserir seus dados para mover de célula para célula na matriz de dados, use a tecla Tab, sem seta ou digite as chaves. Características das séries temporais, que podem ser reveladas examinando seu gráfico. Com os valores previstos e o comportamento dos resíduos, modelagem de previsão de condições. Médias móveis: as médias médias classificam-se entre as técnicas mais populares para o pré-processamento de séries temporais. Eles são usados ​​para filtrar o ruído branco aleatório dos dados, para tornar as séries temporais mais suaves ou mesmo para enfatizar certos componentes informativos contidos nas séries temporais. Suavização exponencial: Este é um esquema muito popular para produzir uma série de tempo suavizada. Considerando que, nas Médias móveis, as observações passadas são ponderadas de forma igual, Suavização exponencial atribui pesos exponencialmente decrescentes à medida que a observação envelhece. Em outras palavras, as observações recentes recebem relativamente mais peso na previsão do que as observações mais antigas. O Suavizado Exponencial Duplo é melhor nas tendências de manuseio. O Triple Exponential Suavização é melhor no manuseio de tendências da parábola. Uma média móvel ponderada exponencialmente com uma constante de suavização a. Corresponde aproximadamente a uma média móvel simples de comprimento (isto é, período) n, onde a e n estão relacionados por: a 2 (n1) OR n (2 - a) a. Assim, por exemplo, uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,1 corresponderia aproximadamente a uma média móvel de 19 dias. E uma média móvel simples de 40 dias corresponderia aproximadamente a uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,04878. Holst Linear Exponential Suavização: Suponha que as séries temporais não sejam sazonais, mas que mostram a tendência de exibição. O método Holts estima tanto o nível atual como a atual tendência. Observe que a média móvel simples é um caso especial do alisamento exponencial, definindo o período da média móvel para a parte inteira de (2-Alpha) Alpha. Para a maioria dos dados de negócios, um parâmetro Alpha menor que 0.40 geralmente é efetivo. No entanto, pode-se realizar uma pesquisa em grade do espaço dos parâmetros, com 0,1 a 0,9, com incrementos de 0,1. Então, o melhor alfa tem o menor erro absoluto médio (erro MA). Como comparar vários métodos de suavização: embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais ampla é o uso de comparação visual de várias previsões para avaliar sua precisão e escolher entre os vários métodos de previsão. Nesta abordagem, é necessário traçar (usando, por exemplo, Excel), no mesmo gráfico, os valores originais de uma variável de séries temporais e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as previsões passadas por Smoothing Techniques JavaScript para obter os valores de previsão passados ​​com base em técnicas de suavização que usam apenas um único parâmetro. Os métodos Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ideais ótimos, ou mesmo próximos, por testes e erros para os parâmetros. O alisamento exponencial único enfatiza a perspectiva de curto alcance, ele define o nível para a última observação e baseia-se na condição de que não há nenhuma tendência. A regressão linear, que se adapta a uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa o longo alcance, que está condicionado à tendência básica. Holder linear exponencial suavização capta informações sobre a tendência recente. Os parâmetros no modelo Holts são níveis-parâmetro que devem ser diminuídos quando a quantidade de variação de dados é grande e as tendências-parâmetro devem ser aumentadas se a direção da tendência recente for suportada pelos fatores causais. Previsão de curto prazo: observe que cada JavaScript nesta página fornece uma previsão de um passo a frente. Para obter uma previsão de duas etapas. Simplesmente adicione o valor previsto para o final de seus dados da série temporal e clique no mesmo botão Calcular. Você pode repetir este processo por algumas vezes, a fim de obter as previsões necessárias a curto prazo. A abordagem mais simples seria levar a média de janeiro a março e usar isso para estimar as vendas de abril de 1982: (129 134 122) 3 128.333 Portanto, Com base nas vendas de janeiro a março, você prevê que as vendas em abril serão de 128.333. Uma vez que as vendas reais de April8217s chegam, você calcularia a previsão para maio, desta vez usando fevereiro até abril. Você deve ser consistente com o número de períodos que você usa para a previsão média móvel. O número de períodos que você usa em suas previsões de média móvel é arbitrário, você pode usar apenas dois períodos, ou cinco ou seis períodos, o que você deseja gerar suas previsões. A abordagem acima é uma média móvel simples. Às vezes, os meses mais recentes8217 as vendas podem ser influenciadores mais fortes das vendas no final do mês8217s, então você quer dar aos mais próximos meses mais peso no seu modelo de previsão. Esta é uma média móvel ponderada. E, assim como a quantidade de períodos, os pesos atribuídos são puramente arbitrários. Let8217s dizem que você queria dar vendas de March8217s 50 pesos, peso de February8217s 30 e January8217s 20. Então sua previsão para abril será 127,000 (122,50) (13,30) (129,20) 127. Limitações dos métodos médios em movimento As médias móveis são consideradas como uma técnica de previsão de 8220smoothing8221. Como você está tomando uma média ao longo do tempo, você está suavizando (ou suavizando) os efeitos de ocorrências irregulares dentro dos dados. Como resultado, os efeitos da sazonalidade, ciclos econômicos e outros eventos aleatórios podem aumentar drasticamente o erro de previsão. Dê uma olhada em um valor total de dados do ano de 8217 e compare uma média móvel de 3 períodos e uma média móvel de 5 períodos. Observe que, nesta instância, não criei previsões, mas sim centrou as médias móveis. A primeira média móvel de 3 meses é para fevereiro e a média de janeiro, fevereiro e março. Eu também fiz similar para a média de 5 meses. Agora dê uma olhada no seguinte quadro: O que você vê Não é a série de média móvel de três meses muito mais suave do que as séries reais de vendas E quanto a média móvel de cinco meses It8217s ainda mais suave. Portanto, quanto mais períodos você usa em sua média móvel, mais suave será sua série temporal. Assim, para a previsão, uma média móvel simples pode não ser o método mais preciso. Os métodos de mudança de média revelam-se bastante valiosos quando você tenta extrair os componentes sazonais, irregulares e cíclicos de uma série temporal para métodos de previsão mais avançados, como regressão e ARIMA, e o uso de médias móveis na decomposição de uma série de tempo será abordado mais tarde Na série. Determinando a precisão de um modelo médio móvel Geralmente, você deseja um método de previsão que tenha o menor erro entre os resultados reais e previstos. Uma das medidas mais comuns de precisão de previsão é o desvio absoluto médio (MAD). Nesta abordagem, para cada período da série temporal para o qual você gerou uma previsão, você toma o valor absoluto da diferença entre esse período8217s atual e os valores previstos (o desvio). Então você mede esses desvios absolutos e você obtém uma medida de MAD. MAD pode ser útil para decidir sobre o número de períodos que você mede, e a quantidade de peso que você coloca em cada período. Geralmente, você escolhe aquele que resulta em menor MAD. Aqui é um exemplo de como MAD é calculado: MAD é simplesmente a média de 8, 1 e 3. Médias móveis: Recapitulação Ao usar as médias móveis para a previsão, lembre-se: as médias móveis podem ser simples ou ponderadas O número de períodos que você usa para o seu Média e qualquer peso atribuído a cada um é estritamente arbitrário As médias móveis suavizam os padrões irregulares em dados de séries temporais, quanto maior o número de períodos usados ​​para cada ponto de dados, maior o efeito de suavização. Por causa do alisamento, a previsão das vendas no mês seguinte, As vendas mais recentes de alguns meses8217 podem resultar em grandes desvios devido a padrões sazonais, cíclicos e irregulares nos dados e as capacidades de suavização de um método de média móvel podem ser úteis na decomposição de uma série de tempo para métodos de previsão mais avançados. Próxima Semana: Suavização Exponencial Na próxima semana8217s Previsão Sexta. Vamos discutir métodos de suavização exponencial, e você verá que eles podem ser muito superiores aos métodos de previsão média móvel. Ainda não sei por que nossas publicações de Previsão de sexta-feira aparecem na quinta-feira Saiba em: tinyurl26cm6ma Como esta: Postar navegação Deixe uma resposta Cancelar resposta Eu tive duas perguntas: 1) Você pode usar a abordagem de MA centrada para prever ou apenas para remover a sazonalidade 2) Quando Você usa o t simples (t-1t-2t-k) k MA para prever um período à frente, é possível prever mais de 1 período de antecedência, acho que sua previsão seria um dos pontos que se alimentaria no próximo. Obrigado. Ame as informações e as suas explicações. Fico feliz por gostar do blog I8217m, porque vários analistas usaram a abordagem centralizada de MA para a previsão, mas eu pessoalmente não faria isso, uma vez que essa abordagem resulta em perda de observações em ambos os lados. Isso, na verdade, liga a sua segunda pergunta. Geralmente, o MA simples é usado para prever apenas um período à frente, mas muitos analistas 8211 e eu, às vezes, 8211 usarei a previsão de um período antes como uma das entradas para o segundo período à frente. It8217s importante lembrar que quanto mais longe o futuro você tentar prever, maior será seu risco de erro de previsão. É por isso que eu não recomendo MA centrado para previsão 8211 a perda de observações no final significa ter que confiar nas previsões para as observações perdidas, bem como o (s) período (s) à frente, então há maiores chances de erro de previsão. Leitores: you8217re convidado a analisar isso. Você tem algum pensamento ou sugestão sobre este Brian, obrigado pelo seu comentário e seus cumprimentos no blog, iniciativa agradável e ótimas explicações. It8217s é realmente útil. Eu prevei placas de circuito impresso personalizadas para um cliente que não fornece previsões. Eu usei a média móvel, no entanto, não é muito preciso, pois a indústria pode subir e descer. Nós vemos em direção ao meio do verão até o final do ano que o envio de pcb8217s está em alta. Então, vemos que, no início do ano, diminui a velocidade. Como posso ser mais preciso com os meus dados Katrina, do que você me disse, parece que as vendas da placa de circuito impresso possuem um componente sazonal. Eu falo na sazonalidade em algumas das outras publicações da sexta-feira de previsão. Outra abordagem que você pode usar, o que é bastante fácil, é o algoritmo Holt-Winters, que leva em consideração a sazonalidade. Você pode encontrar uma boa explicação aqui. Certifique-se de determinar se seus padrões sazonais são multiplicativos ou aditivos, pois o algoritmo é um pouco diferente para cada um. Se você traçar seus dados mensais de alguns anos e ver que as variações sazonais no mesmo período de anos parecem ser constantes ano a ano, então a sazonalidade é aditiva se as variações sazonais ao longo do tempo parecem estar aumentando, então a sazonalidade é Multiplicativo. A maioria das séries temporais sazonais serão multiplicativas. Em caso de dúvida, assumir a multiplicação. Boa sorte Oi, entre esses métodos:. Nave Forecasting. Atualizando a média. Mude a média de comprimento k. A média móvel ponderada do comprimento k OU Suavização exponencial Qual desses modelos de atualização você me recomendou usando para prever os dados. Por minha opinião, estou pensando em Moeda em Movimento. Mas eu não sei como deixar claro e estruturado. Realmente depende da quantidade e qualidade dos dados que você possui e do seu horizonte de previsão (longo prazo, médio ou curto prazo) 2.3 Alguns métodos simples de previsão beer2 lt - Janela 40 ausbeer, início de 1992. final de 2006 - .1 41 cerveja1 lt - meanf 40 cerveja2, h 11 41 cerveja2 ltnaive 40 cerveja2, h 11 41 cerveja3 lt-snaive 40 cerveja2, h 11 41 trama 40 beerfit1, trama. Conf FALSE, principal quotForecasts para a produção trimestral de cerveja 41 linhas 40 beerfit2mean, col 2 41 linhas 40 beerfit3mean, col 3 41 lenda 40 quottoprightquot, lty 1. col c 40 4. 2. 3 41, lenda c 40 quociente método. Método de quitação. No esquema 2.14, os métodos não sazonais foram aplicados a uma série de 250 dias do Índice Dow Jones. Dj2 lt - janela 40 dj, fim 250 41 trama 40 dj2, principal quotDow Jones Index (final diário 15 Jul 94) quot, ylab quotquot, xlab quotDayquot, xlim c 40 2. 290 41 41 linhas 40 meanf 40 dj2, h 42 41 Significa col 4 41 linhas 40 rwf 40 dj2, h 42 41 significa, col 2 41 linhas 40 rwf 40 dj2, deriva TRUE, h 42 41 média, col 3 41 lenda 40 quottopleftquot, lty 1. col c 40 4. 2. 3 41, lenda c 40, método de referência. Método de quitação. QuotDrift methodquot 41 41 Às vezes, um desses métodos simples será o melhor método de previsão disponível. Mas, em muitos casos, esses métodos servirão de referência e não o método de escolha. Ou seja, independentemente dos métodos de previsão que desenvolvemos, eles serão comparados com esses métodos simples para garantir que o novo método seja melhor do que essas alternativas simples. Caso contrário, o novo método não vale a pena considerar.