การย้ายการคาดการณ์เชิงปริมาณเฉลี่ย ตามที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างที่คาดการณ์ไว้ แต่หวังว่าคำแนะนำเหล่านี้จะเป็นประโยชน์อย่างยิ่งสำหรับบางประเด็นเกี่ยวกับคอมพิวเตอร์ที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีต ในหลอดเลือดดำนี้เราจะดำเนินการต่อโดยการเริ่มต้นตั้งแต่เริ่มต้นและเริ่มทำงานกับการคาดการณ์ Moving Average การย้ายการคาดการณ์เฉลี่ย ทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่า นักศึกษาทุกคนทำแบบฝึกหัดตลอดเวลา ลองนึกถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณจะมีการทดสอบสี่ครั้งระหว่างภาคการศึกษา ให้สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกของคุณ คุณคาดหวังอะไรสำหรับคะแนนการทดสอบที่สองของคุณคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดอย่างไรว่าเพื่อนของคุณอาจคาดเดาคะแนนการทดสอบครั้งต่อไปคุณคิดว่าพ่อแม่ของคุณคาดการณ์คะแนนการทดสอบต่อไปได้ไม่ว่า การทำร้ายทั้งหมดที่คุณอาจทำกับเพื่อนและผู้ปกครองของคุณพวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตด้วยตัวคุณเองกับเพื่อน ๆ ของคุณคุณสามารถประเมินตัวเองและคิดว่าคุณสามารถเรียนได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้ทุกอย่างที่เกี่ยวข้องและไม่แยแสไป คาดว่าคุณจะได้รับการทดสอบครั้งที่สามมีสองแนวทางที่น่าจะเป็นไปได้สำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงว่าพวกเขาจะแบ่งปันกับคุณหรือไม่ พวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับความฉลาดของเขา เขาจะได้รับอีก 73 ถ้าเขาโชคดี บางทีพ่อแม่จะพยายามสนับสนุนและพูด quotWell เพื่อให้ห่างไกลได้รับ 85 และ 73 ดังนั้นคุณควรคิดเกี่ยวกับการเกี่ยวกับ (85 73) 2 79 ฉันไม่รู้ว่าบางทีถ้าคุณไม่ปาร์ตี้ และเหวี่ยงพังพอนไปทั่วสถานที่และถ้าคุณเริ่มต้นทำมากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงขึ้นทั้งสองประมาณการเหล่านี้เป็นจริงการคาดการณ์เฉลี่ยย้าย อันดับแรกใช้คะแนนล่าสุดของคุณเพื่อคาดการณ์ประสิทธิภาพในอนาคตของคุณเท่านั้น นี่เรียกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลระยะเวลาหนึ่ง ข้อที่สองเป็นค่าพยากรณ์เฉลี่ยเคลื่อนที่ แต่ใช้ข้อมูลสองช่วง ให้สมมติว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในหน้าของ quotalliesquot ของคุณ คุณใช้การทดสอบและคะแนนของคุณเป็นจริง 89 ทุกคนรวมทั้งตัวคุณเองเป็นที่ประทับใจ ดังนั้นตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคการศึกษาที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์เกี่ยวกับวิธีที่คุณจะทำในการทดสอบครั้งล่าสุด ดีหวังว่าคุณจะเห็นรูปแบบ ตอนนี้หวังว่าคุณจะเห็นรูปแบบนี้ คุณเชื่อว่าเป็นนกหวีดที่ถูกต้องที่สุดในขณะที่เราทำงาน ตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ของเราซึ่งเริ่มต้นโดยพี่สาวที่แยกกันอยู่ของคุณชื่อ Whistle While We Work คุณมีข้อมูลการขายในอดีตที่แสดงโดยส่วนต่อไปนี้จากสเปรดชีต ก่อนอื่นเราจะนำเสนอข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วง รายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11 แจ้งให้ทราบว่าค่าเฉลี่ยย้ายผ่านข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้ง นอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเรา นี้แน่นอนแตกต่างจากแบบจำลองการเรียบเรียงชี้แจง Ive รวมการคาดคะเนของคำพูดราคาตลาดเนื่องจากเราจะใช้คำเหล่านี้ในหน้าเว็บถัดไปเพื่อวัดความถูกต้องในการคาดการณ์ ตอนนี้ฉันต้องการนำเสนอผลที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วง รายการสำหรับเซลล์ C5 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11 แจ้งให้ทราบว่าขณะนี้มีเพียงข้อมูลล่าสุดสองชิ้นที่ใช้ล่าสุดในการคาดการณ์เท่านั้น อีกครั้งฉันได้รวมการคาดคะเน quotpost เพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์ บางสิ่งบางอย่างอื่นที่มีความสำคัญที่จะแจ้งให้ทราบล่วงหน้า สำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ m-period เฉพาะค่าข้อมูลล่าสุดของ m ที่ใช้ในการคาดคะเนเท่านั้น ไม่มีอะไรอื่นที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-period เมื่อทำนายการคาดการณ์ของ quotpast ให้สังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1 ทั้งสองประเด็นนี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเรา การพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาโค้ดสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้น รหัสดังต่อไปนี้ โปรดทราบว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์ คุณสามารถเก็บไว้ในสมุดงานที่คุณต้องการ Function MovingAverage (Historical, NumberOfPeriods) ในฐานะ Single Declaring และ Initializing ตัวแปร Dim Item As Variant Dim Counter เป็นจำนวนเต็ม Integer Dim Single Dim HistoricalSize As Integer ตัวแปรที่ Initializing ตัวแปร Counter 1 สะสม 0 การกำหนดขนาดของอาร์เรย์ Historical HistoricalSize Historical. Count สำหรับ Counter 1 ถึง NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้ล่าสุด Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในคลาส คุณต้องการวางตำแหน่งของฟังก์ชันในสเปรดชีตเพื่อให้ผลการคำนวณปรากฏขึ้นที่ตำแหน่งดังต่อไปนี้โสม 3123 บทที่ 9 20. พอประมาณกับสภาพการทำงานของเธอที่ศูนย์บริการลูกค้าลิซ่าตัดสินใจลงทุนในสถานะ จักรเย็บผ้าที่ทันสมัยและสามารถผลิตเสื้อผ้าได้ในจำนวน จำกัด หลังจากไม่กี่เดือนของการทำงานเธอตัดสินใจที่จะใช้เทคนิคการคาดการณ์บางอย่างที่เธอเข้าใจในโรงเรียน ข้อความใดต่อไปนี้เกี่ยวกับการคาดการณ์ของเธอถูกต้อง D) วิธีที่ดีที่สุดสำหรับเธอในการกำหนดปริมาณผ้าที่เธอต้องการคือการคาดคะเนตามคำสั่งซื้อของลูกค้าสำหรับประเภทของกระโปรงแต่ละชิ้นบทที่ 12 การวางแผนความต้องการ: การพยากรณ์และการจัดการความต้องการ ข้อแตกต่างหลักระหว่างการจัดการความต้องการและการพยากรณ์ความต้องการคือการพยากรณ์จะเป็นไปได้เฉพาะเมื่อมีข้อมูลเชิงปริมาณ บริษัท ไม่สามารถดำเนินการทั้งสองวิธีได้พร้อม ๆ กัน การจัดการความต้องการเป็นเชิงรุกในขณะที่คาดการณ์ความพยายามในการคาดการณ์ วิธีหนึ่งที่เกี่ยวข้องกับความไม่แน่นอนในขณะที่ข้ออื่น ๆ เกี่ยวกับความต้องการที่รู้จักกันดี การจัดการความต้องการเป็นเชิงรุกในขณะที่คาดการณ์ความพยายามในการคาดการณ์ การจัดการความต้องการในเชิงรุกพยายามที่จะมีอิทธิพลต่อความต้องการในขณะที่การคาดการณ์ก็พยายามคาดการณ์ความต้องการ การวางแผนความต้องการเชิงกลยุทธ์จะได้รับการใช้ประโยชน์สูงสุด: กำหนดแผนการจ้างหรือเลิกจ้าง กำหนดแผนการทำงานล่วงเวลาของพนักงาน ตัดสินใจหรือไม่ว่าจะปิดโรงงานผลิตหรือไม่ เพื่อควบคุมการปฏิบัติงานประจำวันในโรงงานผลิต ตัดสินใจหรือไม่ว่าจะปิดโรงงานผลิตหรือไม่ การวางแผนความต้องการเชิงกลยุทธ์เป็นสิ่งจำเป็นสำหรับการตัดสินใจระยะยาวเช่นการสร้างหรือปิดโรงงาน คนอื่น ๆ ที่อธิบายไว้คือการตัดสินใจในระยะสั้น ความต้องการที่อยู่อาศัยเป็นลักษณะรูปแบบปกติของการเพิ่มขึ้นไปยังจุดสูงสุดแล้วล้ม เมื่อความต้องการถึงจุดต่ำแล้วจะซ้ำรูปแบบ รูปแบบนี้มักใช้เวลาสามถึงห้าปี นี่คือตัวอย่างของรูปแบบความต้องการรูปแบบความสัมพันธ์ (Autocorrelation) การเปลี่ยนแปลงขั้นตอนการเปลี่ยนแปลงแนวโน้มฤดูกาลและรอบฤดูกาล Seasonality and cycles (ฤดูกาลและฤดูกาล) ฤดูกาลและวัฏจักรเป็นรูปแบบปกติของการทำซ้ำความสูงและต่ำสุดตามที่อธิบายไว้ในตัวอย่างนี้ บริษัท Convex Computer ทำการคาดการณ์ที่ต่างกัน การคาดการณ์ใดต่อไปนี้น่าจะเป็นจำนวนเครื่องเดสก์ท็อปที่จะขายได้ในปีหน้า จำนวนเครื่องที่จะขายในเดือนหน้า จำนวนเครื่องคอมพิวเตอร์ทั้งหมด (แล็ปท็อปและเดสก์ท็อป) ที่จะจำหน่ายในเดือนหน้า จำนวนรวมของแล็ปท็อปที่มีแรม 2 กิกะไบต์ฮาร์ดดิสก์ 80 กิกะไบต์และไดรฟ์ดีวีดีขนาด 16x จะขายในปีหน้า จำนวนรวมของแล็ปท็อปที่มีแรม 2 กิกะไบต์ฮาร์ดดิสก์ 80 กิกะไบต์และไดรฟ์ดีวีดีขนาด 16x จะขายในปีหน้า การคาดการณ์โดยละเอียดยิ่งมีความแม่นยำน้อยลง D เป็นรายละเอียดมากที่สุด บริษัท มีข้อมูลต่อไปนี้เกี่ยวกับผลการดำเนินงานที่คาดการณ์ไว้ในช่วง 3 งวดที่ผ่านมา ค่าเบี่ยงเบนสัมบูรณ์ (MAD) 200 คืออะไรสรุปค่าสัมบูรณ์ของข้อผิดพลาดและพิจารณาผลลัพธ์โดยเฉลี่ยใน (300 200 100) 3 200 ย้ายจากการสร้างไปเก็บเพื่อประกอบการหรือดำเนินการตามใบสั่ง มีอิทธิพลต่อความต้องการเวลา ทั้งหมดนี้ ย้ายจากการสร้างไปเก็บเพื่อประกอบการหรือดำเนินการตามใบสั่ง ผลิตภัณฑ์ที่เลื่อนออกได้รับรูปแบบสุดท้ายหลังจากความต้องการของลูกค้าเป็นที่รู้จักกันดี การคาดการณ์บางอย่างจำเป็นสำหรับคอมโพเนนต์และยังไม่มีการเปลี่ยนแปลงระยะเวลาของความต้องการ ในช่วงไม่กี่ปีที่ผ่านมา บริษัท บางแห่งได้เริ่มร่วมมืออย่างใกล้ชิดกับลูกค้าและซัพพลายเออร์ด้วยการแบ่งปันข้อมูลเพื่อพัฒนาแผนความต้องการและดำเนินการตามแผนดังกล่าว ขั้นตอนต่อไปนี้เป็นที่รู้จักกันว่า: การวางแผนความร่วมมือการคาดการณ์และการเติมเต็ม การวิเคราะห์และคาดการณ์ร่วมกัน การวางแผนร่วมกันในการพยากรณ์ความต้องการ ประสานงานการวางแผนล่วงหน้าของข้อกำหนด การวางแผนการทำงานร่วมกันการคาดการณ์และการเติมเต็ม การวางแผนการทำงานร่วมกันการคาดการณ์และการเติมเต็มเป็นกระบวนการในการแบ่งปันข้อมูลและแผนกับคู่ค้าในห่วงโซ่อุปทาน สมมติว่าการคาดการณ์ในช่วงเวลาสุดท้ายคือ FITt 200 หน่วยและประสบการณ์ล่าสุดแสดงให้เห็นว่ายอดขายจะเพิ่มขึ้น 10 หน่วยต่องวด ยอดขายจริงในช่วงที่ผ่านมามีจำนวนถึง 230 คัน สมมติว่าค่าสัมประสิทธิ์การให้ราบเรียบเท่ากับ 0.20 และค่าสัมประสิทธิ์การทำให้ราบเรียบที่ 0.10 ค่าพยากรณ์พื้นฐานสำหรับช่วงต่อไป Ft1 FITt (dt - FITt) 200 0.20 (230 - 200) 206 Zanda Corp. ได้ทดสอบประสิทธิภาพของการคาดการณ์สองแบบ เพื่อดูว่าควรจะนำมาใช้เพื่อใช้ ต้องการเลือกรูปแบบที่มีส่วนเบี่ยงเบนมาตรฐานเล็กกว่าของข้อผิดพลาดในการคาดการณ์ Zanda ควรเปรียบเทียบที่ต่อไปนี้เพื่อให้ทางเลือก MAPE ของทั้งสองรุ่น MFE ของทั้งสองรุ่น RMSE ของทั้งสองรุ่น MAD ของทั้งสองรุ่น RMSE ของทั้งสองรุ่น RMSE ให้ค่าประมาณที่ดีของการเบี่ยงเบนมาตรฐานของแบบจำลองข้อผิดพลาดในการคาดการณ์ . สัญญาณการติดตามจะแนะนำให้ผู้จัดการทราบว่ามีความต้องการสินค้าอยู่ พารามิเตอร์โหมดคาดการณ์อาจต้องได้รับการปรับ มีความต้องการตามฤดูกาล พารามิเตอร์โหมดพยากรณ์อากาศ A ทั้งหมดนี้อาจต้องมีการปรับเปลี่ยน สัญญาณติดตามบอกให้ผู้จัดการทราบว่าพารามิเตอร์แบบจำลองอาจต้องมีการปรับเปลี่ยน ระบบคาดการณ์ที่เปลี่ยนแปลงค่าของพารามิเตอร์อัลฟ่าเพื่อตอบสนองต่อระดับของข้อผิดพลาดในการคาดการณ์เรียกได้ว่าเป็นรูปแบบการปรับตัว รูปแบบการเพิ่มประสิทธิภาพการแสดงออกของตัวเลขที่เพิ่มขึ้น สัญญาณการติดตาม แบบอนุกรมเวลา การถดถอยเชิงสาเหตุ แบบจำลองการปรับตัวแบบปรับตัวปรับอัตโนมัติ Adaptive forecasting จะปรับค่าสัมประสิทธิ์การให้เรียบโดยอัตโนมัติในรูปแบบการปรับให้เรียบแบบทวีคูณเพื่อตอบสนองต่อสัญญาณการติดตาม การวางแผนความต้องการเชิงกลยุทธ์ระยะยาวมักทำโดยใช้หน่วยขายในสถานที่ที่กำหนดยอดขายรวมของหน่วยธุรกิจยอดขายผลิตภัณฑ์รวมยอดขายผลิตภัณฑ์ครอบครัวยอดขายหน่วยธุรกิจรวมการวางแผนความต้องการเชิงกลยุทธ์สนับสนุนการตัดสินใจทางธุรกิจระดับรวม อะไรคือความสัมพันธ์ระหว่างการจัดการความต้องการและการพยากรณ์ความต้องการกิจกรรมการวางแผนทั้งสองจะได้รับการจัดการอย่างอิสระ แผนการจัดการอุปสงค์มักเป็นปัจจัยที่นำไปสู่การพยากรณ์ความต้องการ การจัดการความต้องการทำได้โดยผู้จัดการฝ่ายปฏิบัติการขณะที่การคาดการณ์ความต้องการทำได้โดยผู้จัดการฝ่ายการตลาด ทั้ง B และ C ถูกต้อง แผนการจัดการอุปสงค์มักเป็นปัจจัยที่นำไปสู่การพยากรณ์ความต้องการ แผนการจัดการความต้องการเช่นการกำหนดราคาและการส่งเสริมการขายเป็นปัจจัยที่จำเป็นในการคาดการณ์ความต้องการ ปัจจัยใดต่อไปนี้ควรได้รับการพิจารณาเมื่อออกแบบกระบวนการคาดการณ์ขอบข่ายเวลาสำหรับการวางแผน ระดับของรายละเอียดสำหรับการวางแผน ความพร้อมใช้งานของข้อมูล ควรใช้ค่าเฉลี่ยของเดือนมกราคมถึงเดือนมีนาคมและใช้ข้อมูลดังกล่าวในการคำนวณยอดขายเมษายน8217: (129 134 122) 3 128.333 จากยอดขายในเดือนมกราคมถึงเดือนมีนาคม เดือนมีนาคมคุณคาดการณ์ว่ายอดขายในเดือนเมษายนจะเท่ากับ 128,333 เมื่อยอดขายที่เกิดขึ้นในเดือนเมษายน 198217 มาแล้วคุณจะคำนวณการคาดการณ์สำหรับเดือนพฤษภาคมโดยใช้กุมภาพันธ์ถึงเดือนเมษายน คุณต้องสอดคล้องกับจำนวนงวดที่คุณใช้ในการย้ายการคาดการณ์โดยเฉลี่ย จำนวนรอบระยะเวลาที่คุณใช้ในการคาดการณ์โดยเฉลี่ยที่เคลื่อนที่ของคุณโดยพลการคุณสามารถใช้เพียงสองช่วงเวลาหรือห้าหรือหกช่วงเวลาที่คุณต้องการสร้างการคาดการณ์ของคุณ วิธีการข้างต้นเป็นค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย บางครั้งยอดขายเดือนที่ผ่านมา 823 อาจเป็นแรงผลักดันที่แข็งแกร่งในยอดขายเดือนที่ผ่านมา 82 ปีดังนั้นคุณจึงต้องการให้น้ำหนักที่ใกล้ถึงเดือนนี้มากขึ้นในรูปแบบการคาดการณ์ของคุณ นี่คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก และเช่นเดียวกับจำนวนรอบระยะเวลาน้ำหนักที่คุณกำหนดจะหมดสิทธิ์โดยพลการ Let8217s กล่าวว่าคุณต้องการให้ยอดขายเดือนมีนาคม 8217s 50 น้ำหนักกุมภาพันธ์ 8217s 30 น้ำหนักและ January8217s 20 แล้วคาดการณ์ของคุณสำหรับเมษายนจะ 127,000 (122.50) (134.30) (129.20) 127 ข้อ จำกัด ของค่าเฉลี่ยเคลื่อนที่วิธีการคำนวณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยเป็น 8220smoothing8221 forecast technique เนื่องจากคุณใช้เวลาโดยเฉลี่ยเมื่อเวลาผ่านไปคุณจึงอ่อนตัว (หรือทำให้เรียบ) ผลกระทบจากการเกิดขึ้นที่ไม่สม่ำเสมอภายในข้อมูล เป็นผลให้ผลกระทบของฤดูกาลวงจรธุรกิจและเหตุการณ์สุ่มอื่น ๆ สามารถเพิ่มข้อผิดพลาดในการคาดการณ์ได้อย่างมาก ดูข้อมูลทั้งหมดของปีปี8217และเปรียบเทียบค่าเฉลี่ยเคลื่อนที่ 3 ช่วงและค่าเฉลี่ยเคลื่อนที่ 5 ช่วงคือสังเกตว่าในกรณีนี้ที่ไม่ได้สร้างการคาดการณ์ แต่ให้เน้นที่ค่าเฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่เป็นเวลา 3 เดือนแรกของเดือนกุมภาพันธ์และเฉลี่ยเดือนมกราคมกุมภาพันธ์และมีนาคมโดยเฉลี่ย ฉันยังทำเหมือนกันสำหรับค่าเฉลี่ย 5 เดือน ตอนนี้ดูกราฟต่อไปนี้: คุณเห็นอะไรบ้างไม่ใช่ชุดค่าเฉลี่ยเคลื่อนที่ 3 เดือนที่นุ่มนวลกว่าชุดการขายที่เกิดขึ้นจริงและค่าเฉลี่ยเคลื่อนที่ 5 เดือนของ It8217s ยังราบรื่นมากเพียงใด ดังนั้นช่วงเวลาที่คุณใช้ในค่าเฉลี่ยเคลื่อนที่ของคุณยิ่งเพิ่มมากขึ้น ดังนั้นสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่แบบเรียบอาจไม่ใช่วิธีที่ถูกต้องที่สุด การย้ายวิธีเฉลี่ยจะเป็นประโยชน์อย่างมากเมื่อคุณพยายามดึงส่วนประกอบตามฤดูกาลไม่สม่ำเสมอและวัฏจักรของชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงเช่นการถดถอยและ ARIMA และการใช้ค่าเฉลี่ยเคลื่อนที่ในการสลายตัวชุดข้อมูลเวลาจะได้รับการแก้ไขในภายหลัง ในชุด การกำหนดความถูกต้องของโมเดลเฉลี่ยเคลื่อนที่โดยทั่วไปคุณต้องการวิธีการคาดการณ์ที่มีข้อผิดพลาดน้อยที่สุดระหว่างผลลัพธ์จริงและที่คาดการณ์ไว้ หนึ่งในมาตรการที่ใช้บ่อยที่สุดในการพยากรณ์ความถูกต้องคือค่า Mean Absolute Deviation (MAD) ในวิธีนี้สำหรับแต่ละช่วงเวลาในชุดข้อมูลเวลาที่คุณสร้างการคาดการณ์คุณจะใช้ค่าสัมบูรณ์ของความแตกต่างระหว่างค่าที่แท้จริงและที่คาดการณ์ไว้ของ period8217s (ส่วนเบี่ยงเบน) จากนั้นคุณจะเฉลี่ยค่าเบี่ยงเบนสัมบูรณ์เหล่านี้และคุณจะได้รับการวัด MAD MAD อาจเป็นประโยชน์ในการตัดสินใจเกี่ยวกับจำนวนงวดที่คุณเฉลี่ยและหรือจำนวนน้ำหนักที่คุณวางไว้ในแต่ละช่วงเวลา โดยทั่วไปคุณเลือกหนึ่งที่มีผลใน MAD ต่ำสุด Here8217 เป็นตัวอย่างของการคำนวณ MAD: MAD เป็นค่าเฉลี่ยของ 8, 1 และ 3 ค่าเฉลี่ยเคลื่อนที่: Recap เมื่อใช้ค่าเฉลี่ยเคลื่อนที่สำหรับการคาดการณ์โปรดจำไว้ว่าค่าเฉลี่ยที่เคลื่อนที่ได้ง่ายหรือมีการถ่วงน้ำหนักจำนวนรอบที่คุณใช้สำหรับ ค่าเฉลี่ยและน้ำหนักใด ๆ ที่คุณกำหนดให้กับแต่ละอย่างเคร่งครัดโดยพลการย้ายค่าเฉลี่ยเรียบรูปแบบที่ไม่สม่ำเสมอในชุดข้อมูลชุดเวลาที่มีขนาดใหญ่จำนวนรอบระยะเวลาที่ใช้สำหรับแต่ละจุดข้อมูลมากขึ้นผลเรียบเนืองเนื่องจากการคาดการณ์ยอดขายเดือนถัดไป 8282s ตาม ยอดขายล่าสุดของเดือนที่ผ่านมาไม่กี่เดือนอาจส่งผลให้เกิดการเบี่ยงเบนขนาดใหญ่เนื่องจากรูปแบบตามฤดูกาลวัฏจักรและรูปแบบที่ไม่สม่ำเสมอในข้อมูลและความสามารถในการปรับให้ราบเรียบของวิธีเฉลี่ยที่เคลื่อนที่จะเป็นประโยชน์ในการสลายชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงขึ้น สัปดาห์ถัดไป: การจัดแจงแบบสม่ำเสมอในสัปดาห์หน้า เราจะหารือเกี่ยวกับวิธีการทำให้เรียบแบบเสี้ยวและคุณจะเห็นว่าพวกเขาสามารถไกลกว่าวิธีการพยากรณ์การเคลื่อนไหวเฉลี่ย ยังคง don8217t รู้ว่าทำไมโพสต์วันศุกร์พยากรณ์ของเราจะปรากฏในวันพฤหัสบดีที่ค้นหาที่: tinyurl26cm6ma เช่นนี้: โพสต์นำทางปล่อยให้ตอบยกเลิกการตอบฉันมี 2 คำถาม: 1) คุณสามารถใช้วิธี MA centered เพื่อคาดการณ์หรือเพียงเพื่อลบ seasonality 2) เมื่อ คุณใช้ t (t-1t-2t-k) ที่ง่ายในการคาดการณ์ระยะหนึ่งล่วงหน้าคุณสามารถคาดการณ์ได้มากกว่า 1 รอบระยะเวลาข้างหน้าที่ฉันเดาแล้วการคาดการณ์ของคุณจะเป็นหนึ่งในจุดให้อาหารในถัดไป ขอบคุณ รักข้อมูลและคำอธิบายของคุณ I8217m ดีใจที่คุณชอบบล็อก I8217m แน่ใจว่านักวิเคราะห์หลายคนใช้วิธี MA ที่เน้นการคาดการณ์ แต่ส่วนตัวจะไม่เนื่องจากวิธีการดังกล่าวส่งผลให้เกิดการสูญเสียข้อสังเกตที่ปลายทั้งสอง นี้จริงแล้วความสัมพันธ์ในคำถามที่สองของคุณ โดยทั่วไปแล้ว MA แบบธรรมดาใช้ในการคาดการณ์ล่วงหน้าเพียงระยะเวลาเดียว แต่นักวิเคราะห์หลายคน 8211 และฉันก็อาจใช้การคาดการณ์ล่วงหน้าหนึ่งรอบเป็นหนึ่งในปัจจัยการผลิตในช่วงที่สองข้างหน้า It8217s สำคัญที่ต้องจำไว้ว่ายิ่งไปกว่านั้นในอนาคตที่คุณพยายามคาดการณ์ความเสี่ยงของการคาดการณ์ความผิดพลาดมากขึ้น นี่คือเหตุผลที่ผมไม่แนะนำให้ Center for MA ทำนาย 8211 การสูญเสียข้อสังเกตในตอนท้ายหมายถึงต้องพึ่งพาการคาดการณ์สำหรับการสังเกตที่หายไปรวมถึงระยะเวลาข้างหน้าดังนั้นจึงมีโอกาสเกิดข้อผิดพลาดในการคาดการณ์มากขึ้น ผู้อ่าน: you8217 เชิญชวนให้ชั่งน้ำหนักในเรื่องนี้ คุณมีความคิดเห็นหรือคำแนะนำเกี่ยวกับ Brian นี้ขอบคุณสำหรับความคิดเห็นและคำชมเชยของคุณในบล็อกความคิดริเริ่มที่ดีและคำอธิบายที่ดี It8217s เป็นประโยชน์จริงๆ ฉันคาดการณ์แผงวงจรพิมพ์ที่กำหนดเองสำหรับลูกค้าที่ไม่ให้การคาดการณ์ใด ๆ ฉันใช้ค่าเฉลี่ยเคลื่อนที่ แต่ไม่ค่อยถูกต้องเนื่องจากอุตสาหกรรมสามารถขึ้นและลงได้ เราเห็นต่อกลางฤดูร้อนสิ้นปีที่ pcb8217s ส่งขึ้น จากนั้นเราจะเห็นจุดเริ่มต้นของปีช้าลง ฉันจะถูกต้องมากขึ้นกับข้อมูลของฉัน Katrina จากสิ่งที่คุณบอกฉันปรากฏการขายแผงวงจรพิมพ์ของคุณมีองค์ประกอบตามฤดูกาล ฉันจะกล่าวถึงฤดูกาลในบางส่วนของโพสต์วันศุกร์พยากรณ์อื่น ๆ อีกวิธีหนึ่งที่คุณสามารถใช้ซึ่งเป็นเรื่องที่ง่ายมากคืออัลกอริทึม Holt-Winters ซึ่งคำนึงถึงฤดูกาล คุณสามารถหาคำอธิบายได้ที่นี่ อย่าลืมกำหนดว่ารูปแบบตามฤดูกาลของคุณเป็นแบบทวีคูณหรือแบบเพิ่มหรือไม่เนื่องจากอัลกอริทึมจะแตกต่างกันเล็กน้อยสำหรับแต่ละรูปแบบ หากคุณวางแผนข้อมูลรายเดือนของคุณจากไม่กี่ปีและพบว่าการเปลี่ยนแปลงตามฤดูกาลในช่วงเวลาเดียวกันของปีดูเหมือนจะเป็นปีที่คงที่ต่อปีจากนั้นฤดูกาลจะเพิ่มขึ้นหากการเปลี่ยนแปลงตามฤดูกาลในช่วงเวลาดูเหมือนจะเพิ่มขึ้นแล้วฤดูกาลคือ คูณ ชุดเวลาตามฤดูกาลส่วนใหญ่จะเป็นจำนวนทวีคูณ หากมีข้อสงสัยให้สมมติ multiplicative สวัสดีสวัสดี, ระหว่างวิธีการดังกล่าว:. พยากรณ์ Nave การอัพเดตค่าเฉลี่ย ค่าเฉลี่ยเคลื่อนที่ของความยาว k ค่าเฉลี่ยถ่วงน้ำหนักโดยเฉลี่ยของความยาว k หรือ Exponential Smoothing รูปแบบการอัปเดตใดที่คุณแนะนำให้ฉันใช้เพื่อคาดการณ์ข้อมูลสำหรับความคิดของฉันฉันคิดถึง Moving Average แต่ฉัน don8217t รู้วิธีทำให้ชัดเจนและมีโครงสร้างจริงๆมันขึ้นอยู่กับปริมาณและคุณภาพของข้อมูลที่คุณมีและขอบฟ้าพยากรณ์ของคุณ (ระยะยาวกลางเดือนหรือระยะสั้น)
No comments:
Post a Comment