Regnearkimplementering av sesongjustering og eksponensiell utjevning. Det er greit å utføre sesongjustering og passe eksponensielle utjevningsmodeller ved hjelp av Excel. Skjermbilder og diagrammer nedenfor er hentet fra et regneark som er satt opp for å illustrere multiplikativ sesongjustering og lineær eksponensiell utjevning på Følgende kvartalsvise salgsdata fra Outboard Marine. For å få en kopi av regnearkfilen selv, klikk her. Versjonen av lineær eksponensiell utjevning som skal brukes her for demonstrasjonsformål, er Brown s-versjonen, bare fordi den kan implementeres med en enkelt kolonne av formler og det er bare en utjevningskonstant for optimalisering. Det er vanligvis bedre å bruke Holts versjon som har separate utjevningskonstanter for nivå og trend. Prognoseprosessen fortsetter som følger. Først blir dataene sesongjustert ii, og prognoser blir generert for sesongjusterte data via lineær eksponensiell utjevning og iii fin alliert sesongjusterte prognosene er resesasonalized for å få prognoser for den opprinnelige serien Sesongjusteringsprosessen utføres i kolonne D til G. Det første trinnet i sesongjustering er å beregne et sentrert glidende gjennomsnitt som utføres her i kolonne D Dette kan gjøres ved tar gjennomsnittet av to ettårige gjennomsnitt som kompenseres av en periode i forhold til hverandre. En kombinasjon av to offset-gjennomsnitt i stedet for et enkelt gjennomsnitt er nødvendig for sentrering når antall årstider er like. Det neste trinnet er å beregne forholdet til glidende gjennomsnitt - de opprinnelige dataene divideres med det bevegelige gjennomsnittet i hver periode - som utføres her i kolonne E Dette kalles også trend-syklus-komponenten i mønsteret, i den grad trend - og konjunktur-effekter kan regnes for å være alt som gjenstår etter gjennomsnitt over et helt års dataverdier. Selvfølgelig kan endringer i måned til måned som ikke skyldes sesongbestemte, bestemmes av mange andre faktorer s, men 12-måneders gjennomsnittet glatter over dem i stor grad Den estimerte sesongindeksen for hver sesong beregnes ved først å beregne alle forholdene for den aktuelle sesongen, som gjøres i celler G3-G6 ved hjelp av en AVERAGEIF-formel. Gjennomsnittskvoten blir deretter rescaled slik at de summerer til nøyaktig 100 ganger antall perioder i en sesong, eller 400 i dette tilfellet, som er gjort i celler H3-H6 Under kolonne F, benyttes VLOOKUP formler for å sette inn riktig sesongindeksverdi i hver rad av datatabellen, ifølge kvartalet representerer den det sentrert glidende gjennomsnittet og de sesongjusterte dataene ser ut som dette. Merk at det bevegelige gjennomsnittet vanligvis ser ut som en jevnere versjon av den sesongjusterte serien, og det er kortere i begge ender. Et annet regneark i samme Excel-fil viser anvendelsen av den lineære eksponensielle utjevningsmodellen til sesongjusterte data, som begynner i kolonne GA-verdi for utjevningskonstanten alfa er en tered over prognosen kolonnen her i celle H9 og for enkelhets skyld er det tildelt rekkevidde navn Alpha Navnet er tilordnet ved hjelp av kommandoen Sett inn navnnavn LES-modellen er initialisert ved å sette de to første prognosene lik den første virkelige verdien av sesongmessig justerte serier Formelen som brukes her for LES-prognosen, er rekursiv for en likning av Brown s-modellen. Denne formelen er angitt i cellen som svarer til den tredje perioden her, celle H15 og kopieres derfra Merk at LES-prognosen for Nåværende periode refererer til de to foregående observasjonene og de to foregående prognosefeilene, samt til verdien av alfa. Forutsigelsesformelen i rad 15 refererer således kun til data som var tilgjengelige i rad 14 og tidligere. Selvfølgelig, hvis vi ønsket å bruk enkle i stedet for lineær eksponensiell utjevning, vi kunne erstatte SES-formelen her i stedet. Vi kunne også bruke Holt s i stedet for Brown s LES-modellen, som ville kreve to flere kolonner av formu las for å beregne nivået og trenden som brukes i prognosen. Feilene beregnes i den neste kolonnen her, kolonne J ved å trekke prognosene fra de faktiske verdiene. Rotenes middelkvadratfeil beregnes som kvadratroten av variansen til feil pluss kvadratet av gjennomsnittet Dette følger av den matematiske identiteten MSE VARIANCE-feil AVERAGE-feil 2 Ved beregning av gjennomsnittet og variansen av feilene i denne formelen er de to første periodene utelukket fordi modellen ikke faktisk begynner prognoser før den tredje perioden rad 15 på regnearket Den optimale verdien av alfa kan bli funnet enten ved å endre alfa manuelt til minimum RMSE er funnet, ellers kan du bruke Solver til å utføre en nøyaktig minimering. Verdien av alfa som Solver funnet er vist her alpha 0 471. Det er vanligvis en god ide å plotte feilen til modellen i transformerte enheter og også å beregne og plotte sine autokorrelasjoner på lags på opptil en sesong. Her er en tidsserie plott av de sesongjusterte feilene. Feilautokorrelasjonene beregnes ved hjelp av CORREL-funksjonen for å beregne korrelasjonene av feilene med seg selv forsinket av en eller flere perioder - detaljer vises i regnearkmodellen. Her er et plot av autokorrelasjonene til feil i de fem første lagene. Autokorrelasjonene på lags 1 til 3 er svært nær null, men spissen ved lag 4, hvis verdi er 0 35, er litt plagsom - det antyder at sesongjusteringsprosessen ikke har vært helt vellykket. Det er faktisk bare marginalt signifikant 95 signifikansbånd for å teste om autokorrelasjoner er signifikant forskjellig fra null er omtrent pluss-eller-minus 2 SQRT nk, hvor n er prøvestørrelsen og k er laget. Her er n 38 og k varierer fra 1 til 5, så kvadratroten-av-n-minus-k er rundt 6 for dem alle, og derfor er grensene for å teste den statistiske signifikansen av avvik fra null, omtrent pluss-eller-minus 2 6 eller 0 33 Hvis du varierer verdien av alfa for hånd i denne Excel-modellen, kan du observere effekten på tidsseriene og autokorrelasjonsplottene av feilene, samt på roten-middel-kvadratfeilen som vil bli illustrert nedenfor. På undersiden av regnearket , blir prognoseformelen oppstartet i fremtiden ved bare å erstatte prognoser for faktiske verdier ved det punkt der de faktiske dataene går ut - dvs. hvor fremtiden begynner. Med andre ord, i hver celle der en fremtidig dataværdi ville oppstå, vil en cellehenvisning er satt inn som peker på prognosen laget for den perioden Alle de andre formlene kopieres rett og slett nedoverfra. Merk at feilene for fremtidsutsikter er alle beregnet til å være null Dette betyr ikke at de faktiske feilene vil være null, men heller det reflekterer bare det faktum at vi forutsetter at fremtidige data vil svare til prognosene i gjennomsnitt. De resulterende LES-prognosene for de sesongjusterte dataene ser slik ut. Med denne spesielle verdivurderingen e av alfa, som er optimal for prognoser i en periode, er den anslåtte trenden litt oppadgående, noe som reflekterer den lokale trenden som ble observert de siste 2 årene eller så. For andre verdier av alfa, kan det oppnås en helt annen trendfremvisning Det er vanligvis en god ide å se hva som skjer med den langsiktige trendprojeksjonen når alfa er variert, fordi verdien som er best for kortsiktig prognose, ikke nødvendigvis vil være den beste verdien for å forutsi den lengre fremtid. For eksempel her er resultatet som oppnås hvis verdien av alfa er manuelt satt til 0 25. Den projiserte langsiktige trenden er nå negativ i stedet for positiv. Med en mindre verdi av alfa, legger modellen vekt på eldre data ved estimeringen av Nåværende nivå og trend og langsiktige prognoser reflekterer den nedadgående trenden de siste 5 årene fremfor den nyere oppadgående trenden. Dette diagrammet illustrerer også hvordan modellen med en lavere verdi av alfa er langsommere å svare på vendepunkter i dataene og derfor har en tendens til å gjøre en feil på det samme tegnet i mange perioder på rad. De 1-trinns prognosefeilene er større i gjennomsnitt enn de som er oppnådd før RMSE på 34 4 i stedet for 27 4 og sterkt positivt autokorrelert Lag-1 autokorrelasjonen på 0 56 overstiger i stor grad verdien av 0 33 beregnet ovenfor for en statistisk signifikant avvik fra null Som et alternativ til å svekke verdien av alfa for å introdusere mer konservatisme i langsiktige prognoser, trenddempingsfaktor blir noen ganger lagt til modellen for å få den projiserte trenden til å flate ut etter noen få tidsperioder. Det siste trinnet i å bygge prognosemodellen er å redealisere LES-prognosene ved å multiplisere dem med de riktige sesongindeksene. De resesasonaliserte prognosene i kolonne I er det enkelt produktet av sesongindeksene i kolonne F og sesongjusterte LES-prognosene i kolonne H. Det er relativt enkelt å beregne selvtillit intervaller for en-trinns prognoser laget av denne modellen, beregner du først RMSE root-mean-squared-feilen, som bare er kvadratroten til MSE, og beregner deretter et konfidensintervall for den sesongjusterte prognosen ved å legge til og trekke to ganger RMSE Generelt er et 95 konfidensintervall for en prognose for en periode fremover omtrent det samme som punktprognosen pluss-eller-minus-to ganger estimert standardavvik for prognosefeilene, forutsatt at feilfordelingen er omtrent normal og prøvestørrelsen er stor nok, si 20 eller mer Her er RMSE i stedet for standardprøvefeilen for feilene det beste estimatet av standardavviket for fremtidige prognosefeil fordi det tar forvirring, i tillegg til tilfeldige variasjoner. Tillitsgrensene for sesongmessig Justert prognose blir deretter resesasonalized sammen med prognosen, ved å multiplisere dem med de riktige sesongindeksene. I dette tilfellet er RMSE lik 27 4 og sesongjustert prognose for den første fremtidige perioden desember 93 er 273 2 så sesongjustert 95 konfidensintervall er fra 273 2-2 27 4 218 4 til 273 2 2 27 4 328 0 Multiplisere disse grensene innen desember s sesongindeks på 68 61 vi får lavere og øvre konfidensgrenser på 149 8 og 225 0 rundt prognosen for 93 poeng på 187 4. Forsigelsesgrenser for prognoser mer enn en periode framover vil generelt vokse som prognoseperioden øker, på grunn av usikkerhet om nivå og trend også som sesongfaktorer, men det er vanskelig å beregne dem generelt ved hjelp av analytiske metoder. Den riktige måten å beregne konfidensgrenser for LES-prognosen er ved å bruke ARIMA-teorien, men usikkerheten i sesongindeksene er en annen sak. Hvis du vil ha en realistisk selvtillit Intervall for en prognose mer enn en periode fremover, og tar alle feilkilder i betraktning, er det beste å bruke empiriske metoder for eksempel for å oppnå et konfidensintervall for en 2-trinns prognose, kan du opprette en annen kolonne på regnearket for å beregne en 2-trinns prognose for hver periode ved å oppstramme en-trinns prognose. Beregn deretter RMSE for 2-trinns prognosefeilene og bruk dette som grunnlag for et 2-trinns - forventet konfidensintervall. Hva er en sesongbestemt indeks. - Årets fjerde kvartal er månedene oktober til desember. Som du sikkert vet, og vi påpekte i kapittelet en video, selger mye mer varer i fjerde kvartal enn noen andre kvartal, hovedsakelig på grunn av høytiden Dette er et eksempel på sesongmessighet, og problemet med sesongmessighet er det gjør det veldig vanskelig å prognose fremtidige verdier av en tidsserie. Hvis du har lagt merke til, har alle eksemplene vi har gjort så langt i prognoser har ikke hatt sesongmessighet. De har vært årlige data, men nå er vi klare til å takle problemet med sesongmessighet i de resterende to kapitlene i denne videoen. Så et virkelig viktig konsept som virkelig vil forfine din forståelse av, i denne videoen, er konseptet med en sesongbasert indeks, og så i resten av kapittelet lærer vi deg forholdet mellom å flytte gjennomsnittlig metode, som er en enkel, men kraftig metode for å inkludere sesongmessig i prognosene dine, brukt av mange selskaper. Ok, så la oss anta deg har for fjerde kvartal til fjerde kvartal disse fire tallene, som vi vil ringe sesongbestemte indekser. Så, hva betyr dette? 4. kvartal sesongindeksen på 1 3 betyr i Q4 at dette selskapet har en tendens til å selge 30 mer enn et gjennomsnittskvartal. Det er hva 1 3 betyr Og i 1. kvartal selger dette selskapet 20 mindre enn et gjennomsnittskvartal. Det er det som 0 8 betyr. Så sesongmessige indekser må ha en bestemt eiendom. De må ha en gjennomsnittlig verdi. Med andre ord, kvartaler som er over gjennomsnittet, må sorteres ut av kvartaler som er under gjennomsnittet Men du kan virkelig ikke gjøre mye prognose på kvartalsdata eller månedlige data hvis du ikke forstår sesongmessighet, og det kommer til å være hovedtemaet i hele dette kapitlet, men i denne videoen vil vi bare gi deg en enkel understa så har vi en liten hjerneproblemer for deg som jeg ofte bruker når jeg trener på bedrifter, og svært få mennesker får hjernens teaser til høyre. Så vi skal jobbe deg gjennom det. Ok, så la oss se om vi forstå sesongmessighet Så antar du at du jobber for et selskap hvis fjerde kvartal er flott. Det er sesongindeksen to. Så hva betyr det? I fjerde kvartal har salget deres en tendens til å være dobbelt et gjennomsnittskvartal, og de var ganske dårlige i den første kvartalet deres sesongindeks er 0 5, noe som betyr at i første kvartal deres salg pleier å være halvparten av en gjennomsnittlig kvartal. se på noen salgsdata for dette fiktive selskapet la oss anta at i fjerde kvartal av 2014 de solgte 400 millioner dollar verdt av varer i 1. kvartal i 2015 solgte de 200 millioner dollar varer, og du ble bedt om å evaluere ytelsen til selskapet som en ekstern konsulent. Er de bedre eller gjør de verre. Naiv analyse er som følger. Salget droppet 50. To hundre er 50 av fire hund rødt Dette firmaet har virkelige problemer. Vel, du er ikke en veldig god konsulent hvis du tror at fordi du forsømmer sesongmessigheten. Det du må gjøre er virkelig deseasonalize salgene jeg ofte sier desalinisering, men deseasonalize Så hva du vil gjøre sier det, hva som virkelig skjedde i hvert kvartal, i forhold til et gjennomsnittskvartal. I utgangspunktet var 4. kvartal 2014, men sesongens indeks var to. Så det er virkelig som å selge dette mye i et gjennomsnittskvartal. Du deler etter årstidens indeks At et ganske bra estimat av hva nivået var i løpet av fjerde kvartal. Med andre ord, 400 i 4. kvartal forteller i utgangspunktet at tidsserien, basert på denne observasjonen, var 200 i fjerde kvartal. Nå, når du deseasonaliserer Q1 of 2015 , dividerer du med sesongindeksen for det kvartalet på 0 5, og du får 400 i et gjennomsnittskvartal. Hvis du ser på dette på riktig måte, selv om salget falt 50, indikerer dataene at salgsnivået doblet fra 4. kvartal 2014 til Q1 2015.Så kan du se fra dette veldig enkelt eksempel, hvis du ikke forstår sesongmessigheten, vil du trekke en feil konklusjon om at dette selskapet gjør verre, når de faktisk gjør det bra. I neste video vil vi introdusere forholdet til glidende gjennomsnittlig metode som kan brukes å inkludere sesongmessighet i prognoser og anslå sesongbestemte indekser. Resume Transcript Auto-Scroll. Professor Wayne Winston har lært avanserte prognoseteknikker til Fortune 500-selskaper i mer enn tjue år. I dette kurset viser han hvordan man bruker Excels dataanalyseverktøy, inkludert diagrammer , formler og funksjoner for å skape nøyaktige og innsiktige prognoser Lær hvordan du viser tidsseriedata visuelt, sørg for at prognosene dine er nøyaktige, ved å beregne for feil og skjevhet, bruk trendlinjer for å identifisere trender og utvider datamodellvekst for sesongmessighet og identifisere ukjente variabler , med flere regresjonsanalyser En rekke praksisutfordringer underveis hjelper deg med å teste dine ferdigheter og sammenligne arbeidet ditt til Waynes løsninger. er en PMI-registrert utdannelsesleverandør Dette kurset kvalifiserer for profesjonelle utviklingsenheter PDUer For å se aktiviteten og PDU-detaljene for dette kurset, klikk her PMI Registrert Utdannelsesleverandørlogo er et registrert varemerke for Project Management Institute, Inc. Topics include. Plotting and viser tidsserier data. Creating en flytende gjennomsnittlig chart. Accounting for feil og bias. Using og tolkning trendlines. Modelling eksponentiell vekst. Calculating sammensatte årlige vekstrate CAGR. Analyzing effekten av seasonality. Introducing forholdet til å flytte gjennomsnittlig metode. Forskjæring med flere regresjoner. Skill Level Intermediate. Slideshare bruker informasjonskapsler for å forbedre funksjonalitet og ytelse, og å gi deg relevant annonsering. Hvis du fortsetter å surfe på nettstedet, godtar du bruk av informasjonskapsler på dette nettstedet. Se vår brukeravtale og personvernregler..Slideshare bruker informasjonskapsler for å forbedre funksjonalitet og ytelse, og å gi deg relevant reklame. Hvis du fortsetter Inne surfer på nettstedet, aksepterer du bruken av informasjonskapsler på denne nettsiden Se vår personvernerklæring og brukeravtale for detaljer. Forklar alle dine favorittemner i SlideShare-appen. Få SlideShare-appen til å lagre for senere, selv offline. Fortsett til mobilnettstedet . Dobbeltklikk for å zoome ut. Del dette SlideShare. LinkedIn Corporation 2017.
No comments:
Post a Comment