MIESIĄCE ŚWIADOMOŚCI I WYKONYWANIE MNIEJSZOŚCI Metody prognozowania Metody uśredniania Równie ważone obserwacje Wykładnicze Metody wygładzania Nierównomierne przedstawienie w temacie MIESZANIE I ŚREDNIE WYKONANIE Metody prognozowania Metody uśredniania Równie ważone obserwacje Wykładnicze Metody wygładzania Nierównomierne transkrypcja prezentacji.1 MIESZKANIA MIESIĘCZNE I MIESIĘCZNE WYSTĘPOWANIE.2 Metody prognozowania Uśrednianie metody Równie ważone obserwacje Metody wyrównywania wykładniczego Nierównomierny zestaw odważników do przeszłych danych, w których ciężary rozkładają się wykładniczo z ostatnich do najbardziej odległych punktów danych Te parametry z wartościami między 0 a 1 określą nierówne odważniki, które mają być zastosowane do poprzednich danych Wprowadzenie .3 Metody uśredniania Jeśli szereg czasowy jest generowany przez proces ciągły, w którym wystąpi błąd losowy, oznacza to użyteczną statystykę i może być używany jako prognoza dla następnego okresu. Metody uśredniania są odpowiednie dla stacjonarnych danych szeregowych, w których seria jest mi quilibrium wokół wartości stałej średnia podstawowa z ciągłą zmiennością w czasie Wstęp.4 Metody wyrównywania wykładniczego Najprostszym sposobem wygładzania wykładniczego jest pojedyncza wygładzająca metoda SES, w której tylko jeden parametr wymaga szacowania Metoda Holt wykorzystuje dwa różne parametry i umożliwia prognoza dla serii z zastosowaniem metody Holt-Winters obejmuje trzy parametry wygładzania, aby uzyskać płynność danych, trend i indeks sezonowy Wprowadzenie.5 Średnia Użyj średniej wszystkich danych historycznych jako prognozy Gdy nowe dane są dostępne, prognoza dla czasu t2 to nowa średnia, obejmująca uprzednio zaobserwowane dane plus ta nowa obserwacja Ta metoda jest odpowiednia, jeśli nie ma zauważalnego trendu lub sezonowości Metody Uśredniające.6 Średnia średnia ruchów dla okresu t jest średnią z ostatnich obserwacji Liczba stała k jest określona na początku Mniejsza liczba k, im większa jest waga ostatnich okresów e liczba k, tym mniejsza jest masa do ostatnich okresów Metody uśredniania 7. Duża k jest pożądana, gdy występują szerokie, rzadkie wahania w serii A małych k jest najbardziej pożądane, gdy występują nagłe przesunięcia w poziomie serii Dla kwartalnych dane średniej ruchomej w czwartej kwartale, MA 4, eliminują lub uśredniają efekty sezonowe Jedyne średnie kroczące8 W przypadku danych miesięcznych 12-miesięczna średnia ruchoma, MA 12, wyeliminowanie lub średnie efekty sezonowe Równe wagi przypisuje się do każdej obserwacji średnie zużycie każdego nowego punktu danych jest ujmowane w średniej wartości w miarę jej udostępniania, a najstarszy punkt danych jest odrzucany Jednorazowe średnie ruchome 9 średnia ruchoma rzędu k, MA k jest wartością k kolejnych obserwacji k jest liczbą wartości średniej ruchomej Średnioruchomy model nie poradzi sobie z trendem lub sezonowością, chociaż może to zrobić lepiej niż średnie średnie średnie ruchome. Przykład tygodnia Sprzedaż domów towarowych Cotygodniowe dane sprzedaży w miliony dolarów przedstawione w poniższej tabeli są wykorzystywane przez duży dom towarowy w celu określenia potrzeby zatrudnienia pracowników zatrudnionych na czas określony.11 Przykład Weekly Department Store Sales.12 Należy użyć trzytygodniowej średniej ruchomej k 3, aby sprzedaż domów towarowych przewidywała tydzień 24 i 26 Błąd prognozy to np. tygodniowa sprzedaż domów towarowych.13 Prognoza tygodnia 26 to przykładowa sprzedaż domów towarowych na podstawie przykładowych tygodniowo.15 Średnia przemieszczeniowa podwójna z uwzględnieniem danych.16 Przeprowadzona podwójnie średnia procedura prognozowania Wykorzystanie jednej średniej ruchomej w czasie t S t Dopasowanie różnicy między średnią pojedynczą średnią ruchową a średnią podwójną w czasie t S t S t Trwały trend dopasowawczy od okresu t do t 1 lub okresu tm, jeśli chcemy przewidzieć okres m 17. Podwójna średnia ruchoma Średnia procedura podwójnego średniej ruchomej podanej w poniższej tabeli. Ponieważ jeszcze raz zestaw danych.6 4, 5 6, 7 8, 8 8, 11, 11 6, 16 7, 15 3, 21 6, 22 4.Wybierzemy model podwójnego wygładzania z alfa 0 3623 i gamma 1 0 Są to t e szacuje, że w wyniku porównania serii orignal do jednego kroku w przód w prognozach czasowych, ponieważ ta wersja wyrównywania podwójnego wykładniczki wykorzystuje bieżącą wartość serii w celu obliczenia wygładzonej wartości, nie można użyć algorytmów alfa z minimalnym MSE Wybranymi wartościami wyjściowymi są S1 y1 6 4 i b1 y2 - y1 y3 - y2 y4 - y3 3 0 8.Do porównania dodajemy również jeden model wygładzający z alpha 0 977, co powoduje najniższy MSE dla pojedynczego wygładzanie wykładnicze. MSE dla podwójnego wygładzania wynosi 3 7024 MSE dla pojedynczego wyrównywania wynosi 8 8867. Wyniki analizy przykładowej. Wygładzone wyniki na przykład to. Plot porównujące pojedyncze i podwójne prognozy wygładzania. Wykres tych wyników przy użyciu prognozowane wartości podwójnego wygładzania są bardzo oświecające. Wykres ten wskazuje, że podwójne wygładzanie odbywa się po danych znacznie bliżej niż pojedyncze wygładzanie. Ponadto, dla prognozowania pojedynczego wygładzania nie można zrobić lepiej niż p wyrzucając prostą linię poziomą, która w rzeczywistości nie jest bardzo prawdopodobna Więc w tym przypadku preferowane jest podwójne wygładzenie. Plot porównuje wygładzanie o podwójnej wykładności i prognozy regresji. Na koniec porównajmy podwójne wygładzanie z regresją liniową. To ciekawe zdjęcie techniki są zgodne z danymi w podobny sposób, ale linia regresji jest bardziej konserwatywna Oznacza to, że jest mniejszy wzrost z linią regresji niż z podwójnym wygładzaniem. Selekcja techniki zależy od prognozatora. Wybór techniki zależy od prekursora If pożądane jest przedstawienie procesu wzrostu w bardziej agresywny sposób, a następnie wybieramy podwójne wygładzanie. W przeciwnym razie regresja może być korzystna. Należy zauważyć, że w regresji liniowej czas funkcjonuje jako zmienna niezależna Rozdział 4 omawia podstawy regresji liniowej, a szczegóły estymacji regresji. Medowanie średnich i wykładniczych modeli wygładzania. Jest to pierwszy krok w wykraczaniu poza mea n modeli, modeli przypadkowych chodów i modeli liniowych trendów, nieuzasadnione wzorce i trendy mogą być ekstrapolowane przy użyciu modelu ruchomo-średniego lub wygładzającego Podstawowym założeniem za modelami uśredniania i wygładzania jest to, że szereg czasowy jest lokalnie stacjonarny i powoli zmienia się średnio. bierzemy ruchomą lokalną średnią w celu oszacowania bieżącej wartości średniej, a następnie użyć jej jako prognozy na najbliższą przyszłość Można to uznać za kompromis między średnim modelem a modelem losowo-chodzić bez drift Ta sama strategia może być użyta do oszacowania i ekstrapolacji tendencji lokalnej Średnia średnia ruchoma jest często nazywana wygładzaną wersją oryginalnej serii, ponieważ uśrednianie krótkotrwałe skutkuje wyrównywaniem wstrząsów w oryginalnych seriach przez dostosowanie stopnia wygładzania szerokości średnia ruchoma, możemy mieć nadzieję, że uderzymy w jakikolwiek rodzaj optymalnej równowagi pomiędzy osiągami średnich i przypadkowych modeli chodu Najprostszym modelem uśredniania jest równy - my ighted Moving Average. Prognoza dla wartości Y w czasie t 1, która jest dokonywana w czasie t równa się zwykłej średniej z ostatnich obserwacji m. Tutaj i gdzie indziej będę używać symbolu Y-hat do prognozowania serii czasowej Y dokonanej najwcześniej w poprzednim terminie przez dany model Średnia ta jest skoncentrowana w przedziale 1 2, co oznacza, że oszacowanie lokalna średnia będzie miała tendencję do opóźnienia w stosunku do prawdziwej wartości średniej lokalnej o około m 1 2 okresy Tak więc mówimy średni wiek danych w prostej średniej ruchomej wynosi m 1 2 w stosunku do okresu, na który obliczana jest prognoza jest to kwota czasu, w jakim prognozy będą się spóźniały za punktami zwrotnymi w danych Na przykład, jeśli uśrednimy ostatnie 5 wartości, prognozy będą wynosić około 3 okresy późne w odpowiedzi na punkty zwrotne Zauważ, że jeśli m 1, prosty średni ruchowy model SMA jest równoważny modelowi losowego spaceru bez wzrostu Jeśli m jest bardzo duże porównywalne z długością okresu szacowania, model SMA jest równoważny modelowi średniemu Tak jak w przypadku dowolnego parametru modelu prognozowania, zwyczajowo dostosować wartość ki n Aby uzyskać najlepsze dopasowanie do danych, tzn. najmniejsze błędy prognozy przeciętnie. Oto przykład serii, która wydaje się wykazywać przypadkowe wahania wokół średnio zróżnicowanej średniej. Po pierwsze, spróbuj dopasować ją do przypadkowego spaceru model, co odpowiada prostej średniej ruchomej 1 terminu. Model przypadkowego spaceru reaguje bardzo szybko na zmiany w serii, ale w ten sposób pobiera dużo hałasu w danych losowych wahań, jak również sygnału lokalnego średnia Jeśli weźmiemy pod uwagę prostą średnią ruchomą wynoszącą 5 terminów, otrzymamy gładszy zestaw prognoz. 5-letnia prosta średnia ruchoma daje w tym przypadku znacznie mniejsze błędy niż model losowego spaceru. Średni wiek danych w tym prognoza wynosi 3 5 1 2, tak że ma ona tendencję do opóźnienia za punktami zwrotnymi o około trzy okresy Na przykład, spadek koniunktury wydaje się mieć miejsce w okresie 21, ale prognozy nie odwracają się do kilku okresów później. Notyczność, długoterminowe prognozy z mod SMA mod El jest poziomej prostej, podobnie jak w modelu random-walk. Model SMA zakłada więc, że nie ma tendencji do danych. Jednak prognozy z modelu random walk są po prostu równe ostatniej obserwowanej wartości, prognozy od model SMA jest równy średniej ważonej z ostatnich wartości. Obciążenia ufności obliczone przez Statgraphics w odniesieniu do długoterminowych prognoz dotyczących prostej średniej ruchomej nie są większe w miarę wzrostu horyzontu prognozowego. To oczywiście nie jest poprawne Niestety, nie ma podstaw teorii statystycznej, która mówi nam, jak powinny być poszerzane przedziały ufności dla tego modelu Jednak nie jest zbyt trudno obliczyć empiryczne szacunki wartości granicznych ufności dla prognoz dłuższego horyzontu Na przykład można utworzyć arkusz kalkulacyjny, w którym model SMA byłby wykorzystywany do prognozowania 2 kroków do przodu, 3 kroków do przodu, itd. w ramach historycznej próbki danych Można następnie obliczyć próbkowe odchylenia standardowe błędów w każdej prognozie h orizon, a następnie skonstruuj interwały zaufania na potrzeby prognoz długoterminowych przez dodawanie i odejmowanie wielokrotności odpowiedniego odchylenia standardowego. Jeśli spróbujemy 9-letnią prostą średnią ruchomej, otrzymamy jeszcze gładsze prognozy i bardziej opóźniamy efekt. Średni wiek to teraz 5 okresów 9 1 2 Jeśli weźmiemy 19-letnią średnią ruchliwą, średni wiek wzrasta do 10.Notice, że rzeczywiście prognozy są teraz w tyle za punktami zwrotnymi o około 10 okresów. Jaka ilość wygładzania jest najlepsza dla tej serii Oto tabela, w której porównano ich statystykę błędów, również zawierającą średnią 3-miesięczną. Model C, 5-letnia średnia ruchoma, daje najniższą wartość RMSE przez mały margines w średnim okresie 3-letnim i 9-dniowym, a ich inne statystyki są prawie identyczne Więc wśród modeli o bardzo podobnych statystykach błędów możemy wybrać, czy wolelibyśmy nieco lepszej odpowiedzi lub trochę bardziej płynną prognozę Powrót do początku strony. Brown s Simple Exponential Wygładzanie wykładniczo ważone średnia średniej ruchomej. Opisany powyżej prosty model średniej wielkości ruchu ma niepożądaną właściwość, która traktuje ostatnie obserwacje równomiernie i całkowicie ignoruje wszystkie poprzednie obserwacje Intuicyjnie, dane z przeszłości powinny być dyskontowane w sposób bardziej stopniowy - na przykład najnowsze obserwacje powinny trochę więcej niż druga ostatnia, a druga najnowsza powinna mieć trochę więcej wagi niż trzeci ostatni, i tak dalej Prosty wygładzający model SES osiąga to. Oznacza to, że wygładzanie stale zmienia liczbę pomiędzy 0 a 1 Jednym ze sposobów zapisania modelu jest zdefiniowanie serii L, która reprezentuje poziom bieżący tj. Lokalna średnia wartość serii, szacowana na podstawie danych do dnia dzisiejszego. Wartość L w czasie t jest obliczana rekurencyjnie od własnej poprzedniej wartości, jak ta. Tak więc bieżąca wygładzona wartość jest interpolacją między poprzednią wygładzoną wartością a bieżącą obserwacją, gdzie kontroluje bliskość interpolowanej wartości najbardziej średnia prognoza Prognoza na następny okres jest po prostu aktualną wygładzoną wartością. W równym stopniu możemy wyrazić następną prognozę bezpośrednio w odniesieniu do poprzednich prognoz i wcześniejszych obserwacji, w każdej z następujących równoważnych wersji W pierwszej wersji prognoza jest interpolacją pomiędzy poprzednią prognozą a wcześniejszą obserwacją. W drugiej wersji następna prognoza uzyskuje się przez dostosowanie poprzedniej prognozy w kierunku poprzedniego błędu w ułamkowej wartości. Jest to błąd popełniony w czasie t W trzecim projekcie prognoza jest wykładnicza ważona, tzn. zdyskontowana średnia ruchoma z współczynnikiem dyskonta 1. Wersja interpolacyjna formuły prognozowania jest najprostszym rozwiązaniem, jeśli model jest wdrażany w arkuszu kalkulacyjnym, który mieści się w jednej komórce i zawiera odwołania do komórek wskazujące na poprzednią prognozę, poprzednią obserwacja i komórka, w której zachowana jest wartość. Zwróć uwagę, że jeśli 1, model SES jest równoważny losowemu modelowi spacerowemu z hout growth Jeśli 0, model SES jest równoważny modelowi średniemu, przy założeniu, że pierwsza wygładzona wartość jest równa średniej. Powrót na górę strony. Średni wiek danych w prognozie wygładzania wykładnicza prostokątnego wynosi 1 względny do okresu, w którym obliczana jest prognoza To nie powinno być oczywiste, ale można to łatwo wykazać przez ocenę nieskończonej serii W związku z tym prosta prognoza średniej ruchowej skłania się do punktów zwrotnych o około 1 okresy Przykładowo, gdy 0 5 opóźnienie to 2 okresy, gdy 0 2 opóźnienie wynosi 5 okresów, gdy 0 1 opóźnienie wynosi 10 okresów itp. W przypadku określonego wieku średniego tj. Kwoty opóźnienia, prosta prognoza SES wyrównania wykładniczego jest nieco lepsza od zwykłego ruchu średnia prognoza SMA, ponieważ w ostatniej obserwacji obserwuje się relatywnie większą wagę - co nieco odpowiada na zmiany zachodzące w niedawnej przeszłości Przykładowo model SMA z 9 terminami i model SES z 0 2 mają średni wiek z 5 dla da w swoich prognozach, ale model SES wiąże się z ostatnimi 3 wartościami niż model SMA, a jednocześnie nie zapomina o wartościach powyżej 9 okresów, jak pokazano na tej wykresie. Inna ważna przewaga model SES w modelu SMA polega na tym, że model SES wykorzystuje parametr wygładzania, który jest ciągle zmienny, dzięki czemu można z łatwością zoptymalizować przy użyciu algorytmu solver w celu zminimalizowania średniego kwadratu. wynosiła 0 2961. Średni wiek danych w tej prognozie wynosi 1 0 2961 3 4 okresów, co jest zbliżone do 6-letniej prostej średniej ruchomej. Długoterminowe prognozy z modelu SES są horyzontalna linia prosta, jak w modelu SMA i model losowego chodzenia bez wzrostu Jednak należy zauważyć, że przedziały ufności obliczane przez Statgraphics różnią się w rozsądny sposób i że są one znacznie węższe niż przedziały ufności dla rand om walk model Model SES zakłada, że seria jest nieco bardziej przewidywalna niż model losowego spaceru. Model SES jest w rzeczywistości przypadkiem specjalnym modelu ARIMA, więc statystyczna teoria modeli ARIMA stanowi solidną podstawę do obliczania przedziałów ufności dla Model SES W szczególności model SES jest modelem ARIMA z odmienną różnicą, terminem MA 1, a nie określonym terminem znanym jako model ARIMA 0,1, bez stałego Współczynnik MA 1 w modelu ARIMA odpowiada ilość 1 - w modelu SES Przykładowo, jeśli pasujesz do modelu ARIMA 0,1,1 bez stałej wartości w analizowanych seriach, szacowany współczynnik MA 1 wyniósł 0 7029, czyli prawie o jeden minus 0 2961. Możliwe jest dodanie założenia niezerowej stałej tendencji liniowej do modelu SES W tym celu wystarczy podać model ARIMA z jedną różniczką różniczkową i termin MA 1 ze stałą, tj. Model ARIMA 0,1,1 ze stałymi prognozami długoterminowymi a następnie mają tendencję, która jest równa średniej tendencji obserwowanej w całym okresie szacowania Nie można tego zrobić w połączeniu z dostosowaniem sezonowym, ponieważ opcje sezonowej korekty są wyłączone, gdy typ modelu jest ustawiony na ARIMA. Można jednak dodać stałą długo tendencja wykładnicza do prostego modelu wyrównania wykładniczego z sezonową korektą lub bez sezonu z zastosowaniem opcji dostosowania inflacji w procedurze prognozowania Odpowiednia stopa wzrostu inflacji w danym okresie może być oszacowana jako współczynnik nachylenia w modelu tendencji liniowej dopasowany do danych w w połączeniu z naturalną transformacją logarytmową lub może opierać się na innych, niezależnych informacjach dotyczących perspektyw wzrostu długoterminowego Powrót na górę strony. Brown s Linear czyli podwójne wyrównywanie wyrównania. Modele SMA i modele SES zakładają, że nie ma tendencji do jakiegokolwiek rodzaju w danych, które zwykle są OK lub przynajmniej nie-zbyt-kiepskie w przypadku prognoz 1-step-ahead, gdy dane są stosunkowo noi sy i mogą być modyfikowane w celu uwzględnienia stałej tendencji liniowej, jak pokazano powyżej. Co z trendami krótkoterminowymi Jeśli seria wykazuje zmienną szybkość wzrostu lub cykliczny wzór, który wyróżnia się wyraźnie na tle hałasu, a jeśli istnieje potrzeba prognozowanie bardziej niż 1 okresu do przodu, a następnie oszacowanie lokalnej tendencji może być problem Prosty model wyrównywania wykładniczego może być uogólniony w celu uzyskania liniowego modelu wygładzania wykładniczego mierzącego lokalną estymację zarówno poziomu, jak i tendencji. Najprostszy trend zmieniający się w czasie model jest brązowym linearnym wykładnikiem wykładniczym, który wykorzystuje dwie różne wygładzone serie, które są skoncentrowane w różnych punktach czasu Formuła prognozowana oparta jest na ekstrapolacji linii przez dwa centra Wyrafinowana wersja tego modelu Holt s omówione poniżej. Forma algorytmowa liniowego modelu wygładzania wykładanego przez Brown'a, podobnego do prostego modelu wygładzania wykładniczego, może być wyrażona w wielu różnych, ale formy kwantancyczne Standardowa forma tego modelu jest zwykle wyrażana w następujący sposób Niech S oznacza pojedynczo wygładzoną serię otrzymaną przez zastosowanie prostego wygładzania wykładniczego do serii Y Oznacza to, że wartość S w okresie t jest podana przez. Przypomnijmy, że w prostym wyrównaniu wykładniczym byłaby to prognoza dla Y w okresie t 1 Następnie niech S oznacza podwójnie wygładzoną serię otrzymaną przez zastosowanie prostego wyrównania wykładniczego przy użyciu tego samego do serii S. Na koniec prognoza dla Y tk dla dowolnego k 1, daje te plony e 1 0 tj. oszukiwać nieco i niech pierwsza prognoza będzie równa rzeczywistej pierwszej obserwacji, a y 2 Y 2 Y 1, po której generowane są prognozy przy użyciu powyższego równania To daje takie same dopasowane wartości jako wzór oparty na S i S, jeśli te ostatnie zostały uruchomione przy użyciu S 1 S 1 Y 1 Ta wersja modelu jest używana na następnej stronie, która ilustruje kombinację wygładzania wykładniczego z dostosowaniem sezonowym. Holt s Linear Exponential Smoothing. Brown s Model LES oblicza lokalne szacunki poziomu i tendencji, wygładzając ostatnie dane, ale fakt, że robi to z pojedynczym parametrem wygładzania, ogranicza wzorce danych, które jest w stanie dopasować do poziomu i tendencji nie można zmieniać w niezależne modele Model LES Holt s rozwiązuje ten problem przez uwzględnienie dwóch stałych wygładzania, po jednym dla poziomu i jednego dla trendu W dowolnym momencie t, podobnie jak w modelu Brown's, szacuje się, że L t poziomu lokalnego i oszacowanie T t lokalnej tendencji Tutaj są one obliczane rekurencyjnie z wartości Y obserwowanej w czasie t oraz poprzednich szacunków poziomu i tendencji przez dwa równania, które stosują wyrównywanie wykładnicze osobno dla nich. Jeśli szacowany poziom i tendencja w czasie t-1 są odpowiednio L t 1 i T t 1, wówczas prognoza dla Y t, która została dokonana w czasie t-1, jest równa L t-1 T t-1 Gdy rzeczywista wartość jest zaobserwowana, zaktualizowane oszacowanie poziom jest obliczany rekurencyjnie przez interpolowanie pomiędzy Y t a jego prognozą, L t-1 T t-1, przy użyciu odważników i 1. Zmiana szacowanego poziomu, mianowicie L t L t 1 może być interpretowana jako hałaśliwy pomiar trend w czasie t Uaktualniony szacunek trendu oblicza się rekurencyjnie przez interpolację między L t L t 1 i poprzedni szacunek trendu T t-1 przy użyciu odważników i 1. Interpretacja stała wygładzania trendu jest analogiczna do stałej wygładzania poziomu Modele o małych wartościach zakładają, że tendencja zmienia się tylko bardzo powoli w czasie, a modele o większym założeniu, że zmienia się szybciej Model z dużą grupą uważa, że dalekiej przyszłości jest bardzo niepewna, ponieważ błędy w oszacowaniu tendencji stają się bardzo ważne, gdy prognozuje się więcej niż jeden rok naprzód Powrót do początku strony. Stałe wygładzania i można je oszacować w zwykły sposób minimalizując średnie kwadratowe błędy prognoz 1-krotnego wyprzedzenia Kiedy to nastąpi w programie Statgraphics, szacunki szacuje się na 0 3048 i 0 008 Bardzo mała wartość oznacza, że model zakłada bardzo niewielką zmianę tendencji z jednego okresu do następnego, więc w zasadzie ten model próbuje oszacować długoterminową tendencję Przez analogię do pojęcia średniego wieku danych używanych do estymowania t lokalny poziom serii, średni wiek danych wykorzystywanych do oszacowania tendencji lokalnej jest proporcjonalny do 1, chociaż nie jest do niego równy. W tym przypadku okazuje się, że wynosi on 1 0 006 125 To jest bardzo dokładna liczba ponieważ dokładność szacunkowa nie jest naprawdę 3 miejsc po przecinku, ale ma ten sam ogólny porządek wielkości jak wielkość próbki 100, więc model ten uśrednia się w odniesieniu do dość dużej liczby historii w szacowaniu tendencji Wykres prognozy poniżej pokazuje, że model LES szacuje nieco większą tendencję lokalną na końcu serii niż stała tendencja szacowana w modelu tendencji SES Również szacunkowa wartość jest niemal identyczna z wartością otrzymaną przez dopasowanie modelu SES z tendencją lub bez , więc jest to prawie ten sam model. Jest to wyglądające jak uzasadnione prognozy modelu, które ma być szacowaniem tendencji lokalnej Jeśli zauważysz tę fabułę, wygląda na to, że lokalny trend spadł w dół pod koniec seria Wh jak się zdarzyło Parametry tego modelu zostały oszacowane przez zminimalizowanie kwadratu błędu prognoz 1-krotnego wyprzedzenia, a nie dłuższych prognoz, w których to przypadku trend nie robi dużo różnicy Jeśli wszystko, co szukasz, to 1 - stop-ahead błędy, nie widzisz większego obrazu trendów w ciągu 10 lub 20 okresów Aby uzyskać ten model w zgodzie z naszą ekstrapolacją danych oczu, możemy ręcznie dostosować stałą wygładzania trendu, używa krótszej linii odniesienia do szacowania tendencji Na przykład, jeśli zdecydujemy się na ustawienie 0 1, średni wiek danych wykorzystywanych do oszacowania tendencji lokalnej wynosi 10 okresów, co oznacza, że uśrednimy tendencję w ciągu ostatnich 20 okresów Oto jak wygląda planowana fabuła, jeśli ustawimy 0 1, zachowując 0 3 To intuicyjnie rozsądne dla tej serii, chociaż prawdopodobne jest, że prawdopodobne jest, że ekstrapolacja tej tendencji nastąpi więcej niż 10 okresów w przyszłości. porównanie modelu f lub dwóch modeli pokazanych powyżej oraz trzech modeli SES Optymalna wartość modelu SES wynosi około 0 3, ale uzyskuje się podobne wyniki z nieco większą lub mniejszą czułością na reakcję przy wartości 0 5 i 0 2. Wyrównanie liniowe Holta z alfa 0 3048 i beta 0 008. B Wyrównanie liniowe Holta z alfa 0 3 i beta 0 1. C Zwykłe wyrównanie wykładnicze z alfa 0 5. D Zwykłe wyrównanie wykładnicze z alfa 0 3. E Proste wyrównanie wykładnicze z alfa 0 2 Statystyki są prawie identyczne, więc naprawdę nie możemy dokonać wyboru na podstawie jednoetapowych prognoz błędów w próbce danych Musimy zwrócić uwagę na inne rozważania Jeśli uważamy, że ma sens oprzeć obecny oszacowanie trendów na tym, co się stało w ciągu ostatnich 20 okresów, możemy stworzyć przypadek modelu LES z 0 3 i 0 1 Jeśli chcemy być agnostyczni na temat tego, czy istnieje tendencja lokalna, wówczas jeden z modeli SES mógłby łatwiej wyjaśnić, a także dać więcej middl e-of-the-road prognozy na najbliższe 5 lub 10 okresy Powrót na początek strony. Jakiego rodzaju tendencja-ekstrapolacja jest najlepsza w horyzontalnym lub liniowym Dane empiryczne sugerują, że jeśli dane zostały już skorygowane, jeśli jest to konieczne dla inflacji, to może być nierozsądne ekstrapolacja krótkoterminowych trendów liniowych bardzo daleko w przyszłość Trendy widoczne dziś mogą spowolnić w przyszłości ze względu na różne przyczyny, takie jak nieaktualność produktu, zwiększona konkurencja i cykliczne spowolnienie gospodarcze lub wzrost w przemyśle Z tego powodu prosty wykładniczy wygładzanie często wykonuje lepszą próbę poza próbą niż oczekiwano inaczej, pomimo jej naiwnej ekstrapolacji trendu horyzontalnego Często w praktyce często stosuje się modyfikacje trendu tłumiącego liniowego modelu wygładzania wykładniczego, aby wprowadzić w notatki konserwatyzmu tendencje tendencji tendencji tłumionej Model LES może być implementowany jako szczególny przypadek modelu ARIMA, w szczególności modelu 1,1,2 ARIMA. Można obliczyć przedziały ufności a długoterminowe prognozy wygenerowane przez wykładnicze modele wygładzania, biorąc pod uwagę je jako szczególne przypadki modeli ARIMA Należy uważać, aby nie wszystkie programy obliczały przedziały ufności dla tych modeli prawidłowo Szerokość przedziałów ufności zależy od iu błędu RMS modelu, ii typu wygładzanie proste lub liniowe iii wartość s stała wygładzania s oraz liczba przewidywanych okresów W ogóle odstępy czasowe rozciągają się szybciej, powiększając się w modelu SES i rozchodzą się znacznie szybciej, gdy liniowy, a nie prosty wygładzanie jest używane Ten temat został omówiony w dalszej części sekcji ARIMA notatek Powrót na początek strony.
No comments:
Post a Comment