Probleme Und Nachteile Of The Moving Durchschnitt Prognose Modell

SIMPLE MOVING AVERAGE. Probleme mit dem einfachen gleitenden Durchschnitt als Prognosewerkzeug. Der gleitende Durchschnitt verfolgt die tatsächlichen Daten, aber es bleibt immer hinter ihm zurück. Der gleitende Durchschnitt wird niemals die Gipfel oder Täler der tatsächlichen Daten erreichen, die es glättet Data. Doesn t erzählen Sie sehr viel über die future. However, dies doesn t machen den gleitenden Durchschnitt nutzlos Sie müssen nur bewusst sein, seine Probleme. SLIDE BESCHREIBUNG. AUDIO TRANSCRIPTION. So zu fassen, für eine einfache gleitende Durchschnitt oder eine einzige Gleitender Durchschnitt, haben wir einige Probleme mit der Verwendung der einfachen gleitenden Durchschnitt als Prognose-Tool Der gleitende Durchschnitt ist die Verfolgung der tatsächlichen Daten, aber es ist immer hinterherd Der gleitende Durchschnitt wird nie erreichen die Gipfel oder Täler der tatsächlichen Daten, die es glättet Die Daten, und es ist wirklich nicht so viel von der Zukunft zu erzählen, weil es einfach eine Zeit im Voraus voraussagt, und diese Prognose wird angenommen, um den besten Wert für die zukünftige Periode zu repräsentieren, eine Periode in der Anzeige Vance, aber es doesn t erzählen Sie viel darüber hinaus Das doesn t machen die einfache gleitenden Durchschnitt nutzlos in der Tat sehen Sie einfache gleitende Durchschnitte. Klasse MovingAverageModel. Ein gleitendes durchschnittliches Prognosemodell basiert auf einer künstlich konstruierten Zeitreihe, in der der Wert für einen bestimmten Zeitraum durch den Mittelwert dieses Wertes und die Werte für eine Anzahl von vorangehenden und nachfolgenden Zeitperioden ersetzt wird. Wie Sie vielleicht erraten haben Aus der Beschreibung ist dieses Modell am besten für Zeitreihen-Daten geeignet, dh Daten, die sich über die Zeit ändern. Beispielsweise zeigen viele Charts einzelner Aktien an der Börse 20, 50, 100 oder 200 Tage bewegte Durchschnitte als Trends. Da der Prognosewert für einen bestimmten Zeitraum ein Durchschnitt der vorherigen Perioden ist, wird die Prognose immer wieder hinter den Erhöhungen oder Abnahmen der beobachteten abhängigen Werte zurückbleiben. Wenn beispielsweise eine Datenreihe einen bemerkenswerten Aufwärtstrend hat, dann einen gleitenden Durchschnitt Prognose wird in der Regel eine Unterschätzung der Werte der abhängigen Variablen. Die gleitende durchschnittliche Methode hat einen Vorteil gegenüber anderen Prognose-Modelle, dass es glättet Peaks und t Roughs oder Täler in einer Reihe von Beobachtungen Allerdings hat es auch mehrere Nachteile Insbesondere dieses Modell erzeugt keine eigentliche Gleichung. Daher ist es nicht so sinnvoll, dass es sich um ein mittelweites Vorhersageinstrument handelt. Es kann nur zuverlässig verwendet werden, um es zu prognostizieren Oder zwei Perioden in die Zukunft. Die gleitende durchschnittliche Modell ist ein Spezialfall der allgemeineren gewichteten gleitenden Durchschnitt Im einfachen gleitenden Durchschnitt sind alle Gewichte gleich. Seit 0 3 Autor Steven R Gould. Fields von class. MovingAverageModel geerbt Constructs ein neues Gleitende durchschnittliche Prognosemodelle. MovingAverageModel int Periode Konstruiert ein neues gleitendes durchschnittliches Prognosemodell mit dem angegebenen Zeitraum. getForecastType Gibt einen oder zwei Wortnamen dieser Art von Prognose model. init DataSet dataSet Dient zur Initialisierung der gleitenden durchschnittlichen model. toString Dies sollte Überschrieben werden, um eine textuelle Beschreibung des aktuellen Prognosemodells zur Verfügung zu stellen, einschließlich, wo möglich, alle abgeleiteten Parameter verwendet. Methoden vererbt von Class. Constructs ein neues gleitendes durchschnittliches Prognosemodell Für ein gültiges Modell, das konstruiert werden soll, solltest du init anrufen und einen Datensatz mit einer Reihe von Datenpunkten mit der Zeitvariablen initialisieren, die initialisiert wurde, um die unabhängige Variable zu identifizieren. Konstruiert eine neue gleitende durchschnittliche Prognose Modell, mit dem vorgegebenen Namen als unabhängige Variable. Parameter independentVariable - der Name der unabhängigen Variable in diesem Modell zu verwenden. Konstruiert ein neues gleitende durchschnittliche Prognose-Modell, mit dem angegebenen Zeitraum Für ein gültiges Modell zu konstruieren, sollten Sie init aufrufen Und übergibt einen Datensatz, der eine Reihe von Datenpunkten enthält, wobei die Zeitvariable initialisiert ist, um die unabhängige Variable zu identifizieren. Der Periodenwert wird verwendet, um die Anzahl der Beobachtungen zu bestimmen, die verwendet werden sollen, um den gleitenden Durchschnitt zu berechnen. Zum Beispiel für einen 50-Tage-Tag Gleitender Durchschnitt, wo die Datenpunkte tägliche Beobachtungen sind, dann sollte die Periode auf 50 gesetzt werden. Die Periode wird auch verwendet, um die Menge der zukünftigen Perioden zu bestimmen Hut kann effektiv prognostiziert werden Mit einem 50 Tage gleitenden Durchschnitt, dann können wir nicht vernünftigerweise - mit jedem Grad der Genauigkeit - prognostizieren mehr als 50 Tage über die letzte Periode, für die Daten verfügbar ist Dies kann vorteilhafter sein als, sagen wir eine 10-Tage-Zeitraum, Wo wir nur 10 Tage jenseits der letzten Periode prognostizieren konnten. Parameter Zeitraum - die Anzahl der Beobachtungen, die verwendet werden, um den gleitenden Durchschnitt zu berechnen. Konstruiert ein neues gleitendes durchschnittliches Prognosemodell, wobei der Vorname als die unabhängige Variable und die angegebene Periode verwendet wird. Parameter unabhängigVariable - der Name der unabhängigen Variablen, die in diesem Modell verwendet werden soll - die Anzahl der Beobachtungen, die verwendet werden, um den gleitenden Durchschnitt zu berechnen. Zur Initialisierung des gleitenden Durchschnittsmodells Diese Methode muss vor jeder anderen Methode in der Klasse aufgerufen werden Das gleitende Durchschnittsmodell legt keine Gleichung für die Prognose ab, diese Methode verwendet das eingegebene DataSet, um Prognosewerte für alle gültigen Werte des unabhängigen ti zu berechnen Ich variabel. Specified by init in der Schnittstelle PrognoseModell Overrides init in der Klasse AbstractTimeBasedModel Parameter dataSet - ein Datensatz von Beobachtungen, die verwendet werden können, um die Prognoseparameter des Prognosemodells zu initialisieren. Returns ein oder zwei Wortnamen dieser Art von Prognosemodell Keep Diese kurze Eine längere Beschreibung sollte in der toString-Methode implementiert werden. Dies sollte überschrieben werden, um eine textuelle Beschreibung des aktuellen Prognosemodells zur Verfügung zu stellen, einschließlich, soweit möglich, alle abgeleiteten Parameter verwendet. Spezifiziert durch toString in der Schnittstelle PrognoseModel Overrides toString in der Klasse WeightedMovingAverageModel Gibt ein String-Darstellung des aktuellen Prognosemodells und seiner Parameter. Zeitreihen sind eine Folge von Beobachtungen einer periodischen Zufallsvariablen Beispiele sind die monatliche Nachfrage nach einem Produkt, die jährliche Neuling-Immatrikulation in einer Abteilung der Universität und die Tagesströme in einem Fluss Zeitreihe ist wichtig für Operations Research, weil sie Sind oft die Treiber von Entscheidungsmodellen Ein Inventarmodell erfordert Schätzungen zukünftiger Anforderungen, ein Kursterminierungs - und Personalmodell für eine Universitätsabteilung erfordert Schätzungen des zukünftigen Studentenzuflusses und ein Modell für die Bereitstellung von Warnungen an die Bevölkerung in einem Flusseinzugsgebiet erfordert Schätzungen des Flusses Fließt für die unmittelbare Zukunft. Die Zeitreihenanalyse liefert Werkzeuge zur Auswahl eines Modells, das die Zeitreihen beschreibt und das Modell zur Vorhersage zukünftiger Ereignisse verwendet. Modellierung der Zeitreihe ist ein statistisches Problem, da beobachtete Daten in Berechnungsverfahren zur Schätzung der Koeffizienten von a verwendet werden Vermeintliche Modellmodelle gehen davon aus, dass Beobachtungen zufällig über einen zugrundeliegenden Mittelwert variieren, der eine Funktion der Zeit ist. Auf diesen Seiten beschränken wir die Aufmerksamkeit auf die Verwendung historischer Zeitreihendaten, um ein zeitabhängiges Modell zu schätzen. Die Methoden sind für die automatische, kurzfristige Vorhersage von häufig geeignet Verwendete Informationen, wo die zugrunde liegenden Ursachen der Zeitvariation nicht chan sind In der Praxis deutlich werden In der Praxis werden die von diesen Methoden abgeleiteten Prognosen anschließend von menschlichen Analytikern modifiziert, die Informationen aus den historischen Daten nicht enthalten. Unser primärer Zweck in diesem Abschnitt ist es, die Gleichungen für die vier Vorhersagemethoden zu präsentieren, die im Vorhersage hinzugefügt werden - im gleitenden Durchschnitt, exponentielle Glättung, Regression und doppelte exponentielle Glättung Diese werden als Glättungsmethoden bezeichnet Methoden, die nicht berücksichtigt werden, umfassen qualitative Prognose, multiple Regression und autoregressive Methoden ARIMA Diejenigen, die an einer umfangreicheren Berichterstattung interessiert sind, sollten die Prognoseprinzipien besuchen oder eine der mehreren lesen Ausgezeichnete Bücher zum Thema Wir haben das Buch Forecasting von Makridakis, Wheelwright und McGee, John Wiley Sons, 1983.Um die Excel-Beispiele-Arbeitsmappe zu verwenden, müssen Sie das Vorhersage-Add-In installiert haben. Wählen Sie den Befehl Relink, um die Links zum Add-Link zu erstellen - in. This Seite beschreibt die Modelle für einfache Prognose und die Notation verwenden verwendet D für die Analyse. Diese einfachste Prognose-Methode ist die gleitende durchschnittliche Prognose Die Methode einfach Mittelwerte der letzten m Beobachtungen Es ist nützlich für Zeitreihen mit einem sich langsam ändernden Mittel. Diese Methode betrachtet die ganze Vergangenheit in ihrer Prognose, aber wiegt die jüngsten Erfahrungen mehr Stark als weniger neu Die Berechnungen sind einfach, weil nur die Schätzung der vorherigen Periode und die aktuellen Daten die neue Schätzung bestimmen Die Methode ist nützlich für Zeitreihen mit einem sich langsam ändernden Mittel. Die gleitende Mittelmethode reagiert nicht gut auf eine Zeitreihe, die Steigt oder sinkt mit der Zeit Hier nehmen wir einen linearen Trendbegriff im Modell ein. Das Regressionsverfahren nähert sich dem Modell durch den Aufbau einer linearen Gleichung, die die kleinsten Quadrate für die letzten m Beobachtungen bietet.