Rörliga Genomsnittet Prognoser Nackdelar

Klass MovingAverageModel. En rörlig genomsnittlig prognosmodell baseras på en konstgjort konstruerad tidsserie där värdet för en given tidsperiod ersätts med medelvärdet av det värdet och värdena för ett antal före och efterföljande tidsperioder som du kanske har gissat Från beskrivningen är den här modellen bäst lämpad för tidsseriedata, dvs data som ändras över tiden. Exempelvis visar många kartor över enskilda aktier på aktiemarknaden 20, 50, 100 eller 200 dagars glidande medelvärden som ett sätt att visa trender. Eftersom prognosvärdet för en given period är ett medelvärde av de föregående perioderna, kommer prognosen alltid att verka bakom antingen ökningar eller minskningar i de observerade beroende värdena. Till exempel, om en dataserie har en noterbar uppåtgående trend då ett glidande medelvärde prognosen kommer generellt att ge en underskattning av värdena för den beroende variabeln. Den glidande genomsnittliga metoden har en fördel jämfört med andra prognosmodeller genom att det släpper ut toppar och t roughs eller dalar i en uppsättning observationer Men det har också flera nackdelar. I synnerhet producerar denna modell inte en verklig ekvation. Därför är det inte allt som är användbart som ett medium långt prognosverktyg. Det kan endast på ett tillförlitligt sätt användas för att förutse en eller två perioder i framtiden. Den rörliga genomsnittliga modellen är ett speciellt fall av det mer generella viktiga glidande medlet. I det enkla glidande medlet är alla vikter lika. Sedan 0 3 Författare Steven R Gould. Fields ärvt från class. MovingAverageModel Konstruerar en ny flytta genomsnittsprognosmodell. MovingAverageModel int period Konstruerar en ny glidande genomsnittsprognosmodell med den angivna perioden. getForecastType Returnerar ett eller två ordnamn för denna typ av prognosmodell. init DataSet dataSet Används för att initiera den glidande genomsnittsmodellen. toString Detta borde överskridas för att ge en textbeskrivning av den aktuella prognosmodellen inklusive, om möjligt, några härledda parametrar som används. Metoder som ärvavades från class. Constructs en ny rörlig genomsnittsprognosmodell För att en giltig modell ska konstrueras borde du ringa init och passera i en dataset som innehåller en serie datapunkter med tidsvariabeln initialiserad för att identifiera den oberoende varianten. Konstruerar ett nytt glidande medelprognos modell, med det angivna namnet som den oberoende variabeln. Parametrar independentVariable - namnet på den oberoende variabeln som ska användas i den här modellen. Konstruerar en ny rörlig genomsnittsprognosmodell med den angivna perioden För en giltig modell som ska konstrueras bör du ringa init Och passera i en dataset som innehåller en serie datapunkter med initierad tidsvariabel för att identifiera den oberoende variabeln. Periodvärdet används för att bestämma antalet observationer som ska användas för att beräkna det glidande genomsnittet Till exempel för en 50-dagars Glidande medelvärde där datapunkterna är dagliga observationer, då bör perioden ställas in till 50. Perioden används också för att bestämma mängden framtida perioder t hatt kan effektivt prognostiseras Med ett 50 dagars glidande medelvärde kan vi inte med rimlighet - med någon noggrannhet - prognostisera mer än 50 dagar bortom den senaste perioden för vilken data är tillgänglig. Det kan vara mer fördelaktigt än en 10-dagarsperiod, där vi bara kunde rimligen förutse 10 dagar bortom den senaste perioden. Parametrar period - antalet observationer som ska användas för att beräkna det rörliga genomsnittet. Konstruerar en ny glidande genomsnittsprognosmodell med det angivna namnet som den oberoende variabeln och den angivna perioden. Parametrar independentVariable - namnet på den oberoende variabel som ska användas i denna modellperiod - antalet observationer som ska användas för att beräkna det rörliga genomsnittet. Används för att initiera den glidande genomsnittsmodellen Denna metod måste kallas före någon annan metod i klassen Eftersom Rörlig genomsnittsmodell utleder inte någon ekvation för prognoser, använder denna metod ingångsdataet för att beräkna prognosvärden för alla giltiga värden för den oberoende ti mig variable. Specified av init i gränssnittet ForecastingModel Överrides init i klassen AbstractTimeBasedModel Parameters dataSet - en dataset av observationer som kan användas för att initiera prognosparametrarna för prognosmodellen. Återställer ett eller två ordnamn för denna typ av prognosmodell. den här korta En längre beskrivning bör genomföras i toString-metoden. Detta bör överskridas för att ge en textbeskrivning av den aktuella prognosmodellen inklusive eventuella härledda parametrar som används. Specificeret av toString i gränssnittet ForecastingModel Overrides toString i klassen WeightedMovingAverageModel Returnerar en strängpresentation av den aktuella prognosmodellen och dess parametrar. SIMPLE FLYTTNING AVERAGE. Problems med att använda det enkla rörliga genomsnittsvärdet som ett prognosverktyg. Det rörliga genomsnittet spårar faktiska data, men det ligger alltid efter det. Det rörliga genomsnittet kommer aldrig att nå topparna eller dalarna av de faktiska dataen släpper ut data Du kommer mycket mycket om framtiden. Men det här gör inte det glidande medlet värdelöst du behöver bara vara medveten om dess problem. SLUTBESKRIVNING. AUDIO TRANSKRIPTION. Så för att sammanfatta, för ett enkelt glidande medelvärde eller ett enda glidande medelvärde, vi Har sett några problem med att använda det enkla rörliga genomsnittsvärdet som ett prognosverktyg. Det rörliga genomsnittet spårar de faktiska data men det ligger alltid bakom det. Det rörliga medelvärdet kommer aldrig att nå topparna eller dalarna i de faktiska data som släpper ut dataen, och Det berättar verkligen inte mycket om framtiden, för det är bara att prognosera en period i förväg, och den prognosen antas representera det bästa värdet för framtida period, en gång i förväg, men det säger inte mycket om dig att det inte gör det enkla glidande medlet värdelöst faktiskt ser du enkla glidande medelvärden. uppnå genomsnittliga prognoser. introduktion Som du kanske antar vi tittar på några av de mest primitiva tillvägagångssätten för prognoser men hoppefu lly dessa är åtminstone en värdefull introduktion till några av de beräkningsfrågor som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med att börja i början och börja arbeta med Moving Average-prognoser. Möjliga medelprognoser Alla är bekant med att flytta genomsnittliga prognoser Oavsett om de tror att de är Alla högskolestudenter gör dem hela tiden Tänk på dina testresultat i en kurs där du kommer att ha fyra tester under semestern. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutse För din andra testpoäng. Vad tycker du att din lärare skulle förutsäga för din nästa testresultat. Vad tycker du att dina vänner kan förutsäga för nästa testresultat. Vad tror du att dina föräldrar kan förutsäga för nästa testresultat. Oavsett om Alla blabbing du kan göra för dina vänner och föräldrar, de och din lärare är mycket troliga att förvänta dig att du får något i det 85-tal som du just fått. Väl, låt nu sa ssume att trots din egen kampanj till dina vänner överskattar du dig själv och räknar du kan studera mindre för det andra testet och så får du en 73. Nu vad är alla berörda och oroade kommer att förutse att du kommer att få på ditt tredje test Det finns två väldigt troliga metoder för att utveckla en uppskattning oavsett om de kommer att dela den med dig. De kan säga till sig själva: Den här killen sprider alltid rök om hans smarts. Han kommer att få ytterligare 73 om han S lycka. Må föräldrarna kommer att försöka vara mer stödjande och säga, Tja, hittills har du fått en 85 och en 73, så kanske du borde räkna med att få en 85 73 2 79 Jag vet inte, kanske om du gjorde det mindre partying och weren t wagging väsan överallt och om du började göra mycket mer studerar kan du få en högre poäng. Båda dessa uppskattningar flyttade faktiskt genomsnittliga prognoser. Den första använder endast din senaste poäng för att prognostisera din Framtida prestanda Detta kallas en moving avera Ge prognostiseras med en period av data. Den andra är också en glidande genomsnittlig prognos men använder två dataperioder. Låt oss anta att alla dessa människor bråkar på ditt stora sinne, har slags pissed off och du bestämmer dig för att göra det bra på tredje testa av dina egna skäl och att sätta ett högre poäng framför dina allierade. Du tar provet och din poäng är faktiskt en 89. Alla, inklusive dig själv, är imponerade. Nu har du slutprovet på terminen som kommer upp och som vanligt du känner behovet av att gå till alla för att göra sina förutsägelser om hur du ska göra på det sista testet. Förhoppningsvis ser du mönstret. Nu kan du förhoppningsvis se mönstret. Vad tror du är det mest exakta. Hälsa medan vi arbetar nu vi återvänder till vårt nya rengöringsföretag som startas av din förlossade halvsyster kallas Whistle medan vi arbetar. Du har några tidigare försäljningsdata som representeras av följande avsnitt från ett kalkylblad. Vi presenterar först data för en treårs glidande medelprognos. Inträdet för cell C6 bör vara. Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till C11. Notera hur genomsnittet rör sig över de senaste historiska data men använder exakt de tre senaste perioderna som är tillgängliga för varje förutsägelse. Du bör också märka att vi don t verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse Detta är definitivt annorlunda än exponentiell utjämning modell Jag har inkluderat tidigare förutsägelser eftersom vi kommer att använda dem på nästa webbsida för att mäta förutsägelse giltighet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Inträdet för cell C5 borde vara. Nu kan du kopiera den här cellformeln ner till de andra cellerna C6 till och med C11. Notera hur nu bara de två senaste bitarna av Historiska data används för varje förutsägelse Återigen har jag inkluderat tidigare förutsägelser för illustrativa ändamål och för senare användning vid prognosvalidering. Några andra saker som är viktiga att märka . För en m-period som rör genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-periodig rörlig genomsnittlig prognos, när man gör tidigare förutsägelser, märker att den första förutsägelsen sker i period m 1.But av dessa problem kommer att vara väldigt signifikant när vi utvecklar vår kod. Utveckling av den rörliga genomsnittsfunktionen Nu behöver vi utveckla koden för den glidande medelprognosen som kan användas mer flexibelt. Koden följer Observera att ingångarna är för numret av perioder du vill använda i prognosen och matrisen av historiska värden Du kan lagra den i vilken arbetsbok du vill. Funktionen MovingAverage Historisk, NumberOfPeriods As Single Declaration och initialisering av variabler Dim Item Som variant Dim Counter Som Integer Dim Accumulation Som Single Dim HistoricalSize Som heltal. Initialiserande variabler Counter 1 Accumulation 0. Bestämning av storleken på Historical array HistoricalSize. For Counter 1 till NumberOfPeriods. Ackumulera lämpligt antal senast tidigare observerade värden. Akkumuleringsaccumulering Historisk Historisk storlek - AntalOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. Koden kommer att förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska Som följande.