Vyf tydperk bewegende gemiddelde voorspelling

Bewegende gemiddelde vooruitskatting Inleiding. Soos jy kan raai ons is op soek na 'n paar van die mees primitiewe benaderings tot vooruitskatting. Maar hopelik dit is ten minste 'n waardevolle inleiding tot sommige van die rekenaar kwessies wat verband hou met die implementering van voorspellings in sigblaaie. In dié opsig sal ons voortgaan deur te begin by die begin en begin werk met bewegende gemiddelde voorspellings. Bewegende gemiddelde voorspellings. Almal is vertroud met bewegende gemiddelde voorspellings ongeag of hulle glo hulle is. Alle kollege studente doen dit al die tyd. Dink aan jou toetspunte in 'n kursus waar jy gaan vier toetse gedurende die semester het. Kom ons neem aan jy het 'n 85 op jou eerste toets. Wat sou jy voorspel vir jou tweede toetstelling Wat dink jy jou onderwyser sou Ongeag voorspel vir jou volgende toetstelling Wat dink jy jou vriende kan voorspel vir jou volgende toetstelling Wat dink jy jou ouers kan voorspel vir jou volgende toetstelling al die blabbing jy kan doen om jou vriende en ouers, hulle en jou onderwyser is baie geneig om te verwag dat jy iets kry in die gebied van die 85 wat jy nou net gekry. Wel, nou kan aanneem dat ten spyte van jou self-bevordering van jou vriende, jy oorskat jouself en vind jy minder vir die tweede toets te studeer en so kry jy 'n 73. Nou wat is al die betrokkenes en onbekommerd gaan verwag jy sal op jou derde toets te kry Daar is twee baie waarskynlik benaderings vir hulle om 'n skatting, ongeag of hulle dit sal met julle deel te ontwikkel. Hulle mag sê om hulself, quotThis man is altyd waai rook oor sy intelligensie. Hes gaan na 'n ander 73 as hes gelukkig te kry. Miskien sal die ouers probeer meer ondersteunend te wees en sê, quotWell, tot dusver youve gekry 'n 85 en 'n 73, so miskien moet jy dink oor hoe om oor 'n (85 73) / 2 79. Ek weet nie, miskien as jy minder gedoen partytjies en werent swaaiende die mol al oor die plek en as jy begin doen 'n baie meer studeer jy kan kry 'n hoër score. quot Beide van hierdie vooruitskattings eintlik bewegende gemiddelde voorspellings. Die eerste is net met jou mees onlangse telling tot jou toekomstige prestasie te voorspel. Dit staan ​​bekend as 'n bewegende gemiddelde vooruitskatting gebruik van een tydperk van data. Die tweede is ook 'n bewegende gemiddelde voorspelling, maar die gebruik van twee periodes van data. Kom ons neem aan dat al hierdie mense breker op jou groot gees soort het dronk jy af en jy besluit om goed te doen op die derde toets vir jou eie redes en 'n hoër telling in die voorkant van jou quotalliesquot sit. Jy neem die toets en jou telling is eintlik 'n 89 Almal, insluitende jouself, is beïndruk. So nou het jy die finale toets van die semester kom en soos gewoonlik jy voel die behoefte om almal te dryf in die maak van hul voorspellings oor hoe sal jy doen op die laaste toets. Wel, hopelik sien jy die patroon. Nou, hopelik kan jy die patroon te sien. Wat glo jy is die mees akkurate Whistle Terwyl ons werk. Nou moet ons terugkeer na ons nuwe skoonmaak maatskappy wat begin is deur jou vervreemde halfsuster genoem Whistle Terwyl ons werk. Jy het 'n paar verkope verlede data wat deur die volgende artikel uit 'n sigblad. Ons bied eers die data vir 'n drie tydperk bewegende gemiddelde skatting. Die inskrywing vir sel C6 moet wees Nou kan jy hierdie sel formule af na die ander selle C7 kopieer deur C11. Let op hoe die gemiddelde beweeg oor die mees onlangse historiese data, maar gebruik presies die drie mees onlangse tye beskikbaar wees vir elke voorspelling. Jy moet ook sien dat ons nie regtig nodig om die voorspellings vir die afgelope tyd maak om ons mees onlangse voorspelling ontwikkel. Dit is beslis anders as die eksponensiële gladstryking model. Ive ingesluit die quotpast predictionsquot omdat ons dit sal gebruik in die volgende webblad om voorspellingsgeldigheid meet. Nou wil ek die analoog resultate aan te bied vir 'n periode van twee bewegende gemiddelde skatting. Die inskrywing vir sel C5 moet wees Nou kan jy hierdie sel formule af na die ander selle C6 kopieer deur C11. Let op hoe nou net die twee mees onlangse stukke historiese data gebruik vir elke voorspelling. Weereens het ek die quotpast predictionsquot vir illustratiewe doeleindes en vir latere gebruik in vooruitskatting validering ingesluit. Sommige ander dinge wat van belang om te let. Vir 'n m-tydperk bewegende gemiddelde voorspelling net die m mees onlangse data waardes word gebruik om die voorspelling te maak. Niks anders is nodig. Vir 'n m-tydperk bewegende gemiddelde voorspelling, wanneer quotpast predictionsquot, agterkom dat die eerste voorspelling kom in periode m 1. Beide van hierdie kwessies sal baie belangrik wees wanneer ons ons kode te ontwikkel. Die ontwikkeling van die bewegende gemiddelde funksie. Nou moet ons die kode vir die bewegende gemiddelde voorspelling dat meer buigsaam kan word ontwikkel. Die kode volg. Let daarop dat die insette is vir die aantal periodes wat jy wil gebruik in die vooruitsig en die verskeidenheid van historiese waardes. Jy kan dit stoor in watter werkboek wat jy wil. Funksie MovingAverage (Historiese, NumberOfPeriods) as 'n enkele verkondig en inisialisering veranderlikes Dim punt Soos Variant Dim Counter As Integer Dim Akkumulasie as 'n enkele Dim HistoricalSize As Integer Inisialiseer veranderlikes Counter 1 Akkumulasie 0 bepaling van die grootte van Historiese skikking HistoricalSize Historical. Count Vir Counter 1 Om NumberOfPeriods opbou van die toepaslike aantal mees onlangse voorheen waargeneem waardes Akkumulasie Akkumulasie Historiese (HistoricalSize - NumberOfPeriods toonbank) MovingAverage Akkumulasie / NumberOfPeriods die kode sal in die klas verduidelik. Jy wil die funksie te posisioneer op die sigblad sodat die resultaat van die berekening verskyn waar dit wil die following. In oefen die bewegende gemiddelde sal 'n goeie raming van die gemiddelde van die tydreeks te verskaf indien die gemiddelde konstant of stadig verander. In die geval van 'n konstante gemiddelde, sal die grootste waarde van m die beste raming van die onderliggende gemiddelde gee. 'N langer tydperk waarneming sal gemiddeld uit die gevolge van variasie. Die doel van die verskaffing van 'n kleiner m is om voorsiening te maak die voorspelling om te reageer op 'n verandering in die onderliggende proses. Om te illustreer, stel ons 'n datastel wat veranderinge in die onderliggende gemiddelde van die tydreeks inkorporeer. Die figuur toon die tyd reeks gebruik ter illustrasie saam met die vraag gemiddelde waaruit die reeks was gegenereer. Die gemiddelde begin as 'n konstante by 10. Vanaf die tyd 21, verhoog dit met 'n eenheid in elke tydperk totdat dit die waarde van 20 ten tye 30. bereik Dan weer konstant raak dit. Die data word gesimuleer deur die byvoeging van die gemiddelde, 'n ewekansige geluid van 'n normale verspreiding met 'n nul gemiddelde en standaardafwyking 3. Die resultate van die simulasie is afgerond tot die naaste heelgetal. Die tabel toon die gesimuleerde Waarnemings wat gebruik word vir die voorbeeld. Wanneer ons die tafel gebruik, moet ons onthou dat op enige gegewe tyd, word slegs die afgelope data bekend. Die raming van die model parameter, vir drie verskillende waardes van m word saam met die gemiddelde van die tydreeks in die figuur hieronder. Die figuur toon die bewegende gemiddelde skatting van die gemiddelde by elke keer en nie die voorspelling. Die vooruitskattings sal die bewegende gemiddelde kurwes skuif na regs deur periodes. Een gevolgtrekking is onmiddellik duidelik uit die figuur. Vir al drie skattings loop die bewegende gemiddelde agter die lineêre tendens, met die lag verhoog met m. Die lag is die afstand tussen die model en die raming in die tydsdimensie. As gevolg van die lag, die bewegende gemiddelde onderskat die waarnemings as die gemiddelde is aan die toeneem. Die vooroordeel van die beramer is die verskil op 'n spesifieke tyd in die gemiddelde waarde van die model en die gemiddelde waarde voorspel deur die bewegende gemiddelde. Die vooroordeel wanneer die gemiddelde is aan die toeneem is negatief. Vir 'n dalende gemiddelde, die vooroordeel is positief. Die vertraging in die tyd en die vooroordeel wat in die raming is funksies van m. Hoe groter die waarde van m. hoe groter die omvang van die lag en vooroordeel. Vir 'n voortdurend toenemende reeks met tendens a. die waardes van die lag en vooroordeel van die beramer van die gemiddelde is in die onderstaande vergelykings. Die voorbeeld krommes stem nie ooreen hierdie vergelykings omdat die voorbeeld model is nie voortdurend aan die toeneem, eerder dit begin as 'n konstante, veranderinge aan 'n tendens en dan weer word konstant. Ook die voorbeeld krommes geraak word deur die lawaai. Die bewegende gemiddelde voorspelling van periodes in die toekoms word verteenwoordig deur die verskuiwing van die kromme na regs. Die lag en vooroordeel te verhoog proporsioneel. Die onderstaande vergelykings dui die lag en vooroordeel van 'n voorspelling tydperke in die toekoms in vergelyking met die model parameters. Weereens, hierdie formules is vir 'n tyd reeks met 'n konstante lineêre tendens. Ons moet nie verbaas wees oor die resultaat wees. Die bewegende gemiddelde beramer is gebaseer op die aanname van 'n konstante gemiddelde, en die voorbeeld het 'n liniêre tendens in die gemiddelde tydens 'n gedeelte van die studietydperk. Sedert real time reeks sal selde presies die aannames van enige model te gehoorsaam, moet ons bereid wees om vir sulke resultate. Ons kan ook aflei uit die figuur dat die variasie van die geraas het die grootste effek vir kleiner m. Die skatting is baie meer wisselvallig vir die bewegende gemiddelde van 5 as die bewegende gemiddelde van 20. Ons het die botsende begeertes te m verhoog die effek van variasie te verminder as gevolg van die geraas, en om m te verminder die voorspelling meer reageer op veranderinge aan te bring in die gemiddelde. Die fout is die verskil tussen die werklike data en die geskatte waarde. As die tyd reeks is werklik 'n konstante waarde van die verwagte waarde van die fout is nul en die variansie van die fout bestaan ​​uit 'n term wat 'n funksie is van en 'n tweede termyn wat die variansie van die geraas,. Die eerste kwartaal is die variansie van die gemiddelde geskatte met 'n monster van m waarnemings, die aanvaarding van die data kom uit 'n bevolking met 'n konstante gemiddelde. Hierdie term word tot die minimum beperk deur m so groot as moontlik. 'N Groot m maak die voorspelling nie reageer op 'n verandering in die onderliggende tydreekse. Die voorspelling reageer op veranderinge aan te bring, wil ons m so klein as moontlik (1), maar dit verhoog die foutvariansie. Praktiese vooruitskatting vereis 'n intermediêre waarde. Vooruitskatting met Excel Die vooruitskatting add-in implemente die bewegende gemiddelde formules. Die voorbeeld hieronder toon die analise wat deur die byvoeging in vir die voorbeeld van die data in kolom B. Die eerste 10 waarnemings word geïndekseer -9 deur 0. In vergelyking met die tabel hierbo, is die tydperk indekse verskuif deur -10. Die eerste tien Waarnemings verskaf die begin waardes vir die beraming en gebruik word om die bewegende gemiddelde vir tydperk 0. Die MA (10) kolom (C) toon die berekende bewegende gemiddeldes te bereken. Die bewegende gemiddelde parameter m is in sel C3. Vore (1) kolom (D) toon 'n voorspelling vir een periode na die toekoms. Die voorspelling interval is in sel D3. Wanneer die voorspelling interval verander word na 'n groter aantal van die getalle in die kolom vore geskuif af. Die kolom Fout (1) (e) toon die verskil tussen die waarneming en die voorspelling. Byvoorbeeld, die waarneming by die tyd 1 is 6. Die geskatte waarde uit die bewegende gemiddelde op tydstip 0 is 11.1. Die fout dan is -5,1. Die gemiddeldes en standaardafwykings Gemiddelde Afwyking (MAD) word bereken in selle E6 en E7 respectively. op hoofstuk 12 Die vraag Beplanning: Vooruitskatting en Demand Management Soos hierdie studie stel Skep 'n gratis rekening om dit te verlos. Sluit aan by 'n rekening skep 'n rekening Die primêre verskil tussen bestuur vraag en aanbod voorspelling voorspel is slegs moontlik wanneer kwantitatiewe data is beskikbaar. 'N firma kan nie beide benaderings gelyktydig te verwerk. Aanvraagbestuur is pro-aktiewe, terwyl vooruitskatting poog om te voorspel. Een benadering handel oor onsekerheid, terwyl die ander handel oor bekende vraag. Aanvraagbestuur is pro-aktiewe, terwyl vooruitskatting poog om te voorspel. Aanvraagbestuur proaktief poog om die vraag te beïnvloed, terwyl vooruitskatting probeer net om die vraag te voorspel. strategiese vraag beplanning sou die beste benut word: Om planne vir die huur of tot die kus werknemers te bepaal. Om planne vir werknemer oortyd te bepaal. Om te besluit of 'n vervaardigingsaanleg te sluit. Om die dag-tot-dag-bedrywighede te rig in 'n fabriek. Om te besluit of 'n vervaardigingsaanleg te sluit. Strategiese beplanning vraag is wat nodig is vir 'n lang termyn besluite soos die bou of die sluiting van 'n plant. Die beskryf ander korter termyn besluite. Die vraag na behuising word gekenmerk deur 'n gereelde patroon van verhoog tot 'n hoogtepunt, dan val. Wanneer die vraag 'n laagtepunt bereik, is dit dan herhaal die patroon. Hierdie patroon word gewoonlik oor 'n drie - tot vyfjaar-tydperk. Dit is 'n voorbeeld van watter tipe vraag patroon Outokorrelasie Stap verander Trend seisoen en siklusse seisoen en siklusse seisoen en siklusse is gereelde patrone van herhaling hoogtepunte en laagtepunte, soos beskryf in hierdie voorbeeld Hol Computer Company maak baie verskillende voorspellings. Watter van die volgende voorspellings is waarskynlik die minste akkurate Totaal aantal desktops volgende jaar te verkoop. Die totale aantal skootrekenaars volgende maand te verkoop. Die totale aantal rekenaars (skootrekenaars en desktops) volgende maand te verkoop. Die totale aantal skootrekenaars met 2 GB RAM, 80 GB hardeskyf, en 16 x DVD-speler volgende jaar te verkoop. Die totale aantal skootrekenaars met 2 GB RAM, 80 GB hardeskyf, en 16 x DVD-speler volgende jaar te verkoop. Die meer gedetailleerde die voorspelling, hoe minder akkuraat dit is geneig om te wees. D is die mees omvattende. 'N Maatskappy het die volgende inligting met betrekking tot sy voorspelling prestasie in die afgelope drie tydperke. Wat is die gemiddelde absolute afwyking (MAD) 200 die WHALM absolute waardes van die foute en die bepaling van die gemiddelde resultate in (300 200 100) / 3 200. Die ontwerp postponable produkte het die potensiaal om bedrywighede bestuurders toe te laat: Beweeg van opbou om - voorraad te vergader of make-to-order bedrywighede. Beïnvloed die tydsberekening van die vraag. Al hierdie. Beweeg van bou-tot-voorraad te vergader of make-to-order bedrywighede. Postponable produkte verkry finale vorm nadat vereistes van die kliënt eintlik bekend is. Sommige voorspellings is nog nodig (vir komponente) en die tydsberekening van die vraag is nie verander nie. In onlangse jare 'n paar maatskappye het begin om nou saam te werk met hul kliënte en / of verskaffers deur die deel van inligting om vraag te ontwikkel en uit te voer dié planne. Die prosedure wat hulle volgende staan ​​bekend as: Gesamentlike beplanning, vooruitskatting, en aanvulling. Voorkeurkeuse ontleding en vooruitskatting. Gesamentlike beplanning van vraag voorspellings. Gekoördineerde vore beplanning van vereistes. Gesamentlike beplanning, vooruitskatting, en aanvulling. Gesamentlike beplanning, vooruitskatting, en aanvulling is 'n proses vir die deel van inligting en planne met voorsieningsketting vennote. Aanvaar dat die voorspelling vir die laaste tydperk is Fitt 200 eenhede, en onlangse ondervinding dui op 'n waarskynlike styging in verkope van 10 eenhede per periode. Werklike verkope vir die laaste tydperk bereik 230 eenhede. Die aanvaarding van 'n glad koëffisiënt van 0,20 en 'n tendens glad koëffisiënt van 0,10, wat is die basis voorspelling vir die volgende tydperk FT1 Fitt (dt - Fitt) 200 0.20 (230-200) 206 aanvaar dat die voorspelling vir die laaste tydperk is Fitt 200 eenhede en onlangse ondervinding dui op 'n waarskynlike styging in verkope van 10 eenhede per periode. Werklike verkope vir die laaste tydperk bereik 230 eenhede. Die aanvaarding van 'n glad koëffisiënt van 0,20 en 'n tendens glad koëffisiënt van 0,10, wat is die aangepaste voorspelling vir die volgende tydperk TT1 Tt (FT1 - Fitt) 10 0.10 (206-200) 10 0.6 10.6. FITt1 FT1 TT1 206 10.6 216,6. Aanvaar dat die voorspelling vir die laaste tydperk is Fitt 200 eenhede, en onlangse ondervinding dui op 'n waarskynlike styging in verkope van 10 eenhede per periode. Werklike verkope vir die laaste tydperk bereik 230 eenhede. Die aanvaarding van 'n glad koëffisiënt van 0,20 en 'n tendens glad koëffisiënt van 0,10, as die vraag in tydperk T1 blyk te wees 220, wat is die aangepaste Voorspelling vir tydperk T2 (kies die toemaak beantwoord) 2.4: Trend en seisoenale komponente Fore 133.an antieke termyn van waarskuwing met die bedreiging van skade op die ergste, en onsekerheid op sy beste, om diegene binne potensiaal bereik. Gooi 133 dien tot 'n projektiel die onsigbare en gewoonlik onbekend onder die misleidende oppervlak skatting. . 'n waarskuwing aan diegene wat dit gebruik. 'n belydenis van onsekerheid (of misleiding) word deur diegene wat dit skep. 'n bedreiging van skade aan diegene in sy pad van Tom Brown in om die meeste van die voorspelling 2.1: Inleiding tot vooruitskatting Hoewel die kwantitatiewe metodes van besigheid kan bestudeer word as onafhanklike modules, ek glo dit gepas dat die teks plaas die vooruitskatting materiaal direk na is besluit analise. Onthou in ons besluit analise probleme, die state van die natuur in die algemeen verwys na verskillende vlakke van die vraag of 'n ander onbekende veranderlike in die toekoms. Die voorspelling, met 'n mate van akkuraatheid of betroubaarheid, wat die vlakke van die vraag sal wees, is ons volgende onderwerp. Voorspellings is meer as eenvoudige ekstrapolasies van verlede data in die toekoms met behulp van wiskundige formules, of byeenkoms tendense van experts133. Voorspellings is meganismes van aankoms by maatreëls vir die beplanning van die toekoms. Wanneer jy klaar is korrek, hulle bied 'n ouditspoor en 'n mate van hul akkuraatheid. Wanneer dit nie korrek gedoen, hulle het ons herinner aan Tom Browns slim uiteensetting van die term herhaal by die opening van hierdie notas. Nie net voorspellings help beplan, hulle help ons geld Ek is bewus van 'n maatskappy wat sy belegging in voorraad 28000000-22.000.000 verminder deur die aanneming van 'n formele vooruitskatting metode wat voorspel fout verminder deur 10. Dit spaar is 'n voorbeeld van 'n voorspelling help produk maatskappye vervang inventaris met inligting, wat nie net spaar geld maar verbeter reaksie kliënt en diens. Wanneer ons die term vooruitskatting in 'n kwantitatiewe metodes natuurlik, is ons oor die algemeen verwys na kwantitatiewe tydreeks vooruitskatting metodes. Hierdie modelle is toepaslik wanneer: 1) verlede inligting oor die veranderlike wese voorspelling is beskikbaar, 2) die inligting gekwantifiseer kan word, en 3) word aanvaar dat patrone in die historiese data sal voortgaan om in die toekoms. As die historiese data is beperk tot die verlede waardes van die reaksie veranderlike van belang is, is die voorspelling prosedure bekend as 'n tydreeks metode. Byvoorbeeld, baie verkope voorspellings staatmaak op die klassieke tyd reeks metodes wat ons sal dek in hierdie module. Wanneer die voorspelling is gegrond op vorige verkope, ons het 'n tydreeks vooruitskatting. 'N kant nota: Hoewel ek gesê verkope bo, waar moontlik, probeer ons om verkope te voorspel op grond van vorige vraag eerder as sales133 waarom Veronderstel jy die eienaar van 'n T-hemp winkel op die strand. Jy voorraad 100 Spring Break 2000 T-hemde gereed vir die lente breek. Verdere veronderstel dat 110 Lente Breakers tik jou winkel Spring Break 2000 T-hemde te koop. Wat is jou verkope Dis reg, 100. Maar wat is jou vraag weer regs, 110. Jy sal wil hê dat die figuur vraag gebruik, eerder as om die verkoopsyfer in die voorbereiding vir volgende jaar as die verkoopsyfers nie jou voorraad outs te vang. So hoekom doen baie maatskappye maak enige vooruitskatting gegrond op vorige verkope en nie eis die hoof rede is koste - verkope word maklik vasgevang op die tjek uit stasie, maar jy 'n paar ekstra funksie moet op jou bestuursinligtingstelsel vraag vang. Terug na die bekendstelling. Die ander groot kategorie van vooruitskatting metodes wat staatmaak op vorige data is regressiemodelle. dikwels na verwys as oorsaaklike modelle soos in ons teks. Hierdie modelle baseer hul voorspelling van toekomstige waardes van die reaksie veranderlike, verkope byvoorbeeld op verwante veranderlikes soos besteebare persoonlike inkomste, geslag, en miskien ouderdom van die verbruiker. Jy bestudeer regressiemodelle in die statistieke Natuurlik, so ons sal hulle nie bedek in hierdie kursus. Maar ek wil sê dat ons die term oorsaaklike moet gebruik word met omsigtigheid, ouderdom, geslag, of besteebare persoonlike inkomste kan hoogs verband hou met verkope, maar ouderdom, geslag of besteebare persoonlike inkomste kan nie verkoop veroorsaak. Ons kan net bewys oorsaak in 'n eksperiment. Die finale groot kategorie van voorspellingsmodelle sluit kwalitatiewe metodes wat algemeen gebruik deskundige oordeel behels die voorspelling ontwikkel. Hierdie metodes is nuttig wanneer ons nie historiese data, soos die geval wanneer ons die launch van 'n nuwe produk lyn sonder vorige ondervinding het. Hierdie metodes is ook nuttig wanneer ons maak vooruitskattings in die verre toekoms. Ons bied dekking vir een van die kwalitatiewe modelle in hierdie inleiding. In die eerste plek kan kyk na 'n eenvoudige klassifikasie skema vir algemene riglyne by die keuse van 'n vooruitskatting metode, en dan dek 'n paar basiese beginsels van vooruitskatting. Die keuse van 'n vooruitskatting Metode Die volgende tabel illustreer die algemene riglyne vir die kies van 'n vooruitskatting metode wat gebaseer is op tydsverloop en doel kriteria. Tendens Projeksie bewegende gemiddelde Eksponensiële Smoothing asseblief verstaan ​​dat dit is algemene riglyne. Jy kan 'n maatskappy met behulp van tendens projeksie betroubare voorspellings te maak vir die produk verkoop 3 jaar in die toekoms te vind. Dit moet ook op gelet word dat sedert maatskappye gebruik rekenaarsagteware tydreeks vooruitskatting pakkette eerder as hand berekeninge, kan hulle verskillende tegnieke probeer en kies die tegniek wat die beste maatstaf van akkuraatheid (laagste fout) het. Soos ons die verskillende tegnieke, en hul eienskappe, aannames en beperkings bespreek, ek hoop dat jy 'n waardering vir die bogenoemde klassifikasie skema sal kry. Vooruitskatting Beginsels Klassifikasieskemas soos die een hierbo is nuttig om te help kies voorspelling metodes wat geskik is vir die tydsduur en doel aan die hand. Daar is ook 'n paar algemene beginsels wat oorweeg moet word wanneer ons voor te berei en te gebruik voorspellings, veral dié wat gebaseer is op tyd reeks metodes. Oliver W. Wight in produksie en voorraad kontrole in die rekenaar ouderdom. en Thomas H. Fuller in Mikrorekenaars in Produksie en voorraad-bestuur ontwikkel 'n stel beginsels vir die produksie en voorraad beheer gemeenskap 'n rukkie terug wat ek glo het universele toepassing. 1. Tensy die metode is 100 akkurate, moet dit eenvoudig genoeg wees sodat mense wat dit gebruik weet hoe om dit intelligent gebruik (verstaan, te verduidelik, en herhaal dit). 2. Elke voorspelling moet vergesel word deur 'n skatting van die fout (die maatstaf van die akkuraatheid). 3. voorspellings Langtermyn moet dek die grootste moontlike groep items beperk individuele item voorspellings aan die kort termyn. 4. Die belangrikste element van enige vooruitsig skema is dat die ding tussen die klawerbord en die stoel. Die eerste beginsel dui daarop dat jy kan kry deur met die behandeling van 'n voorspelling metode as 'n swart boks, solank dit is 100 akkurate. Dit is, as 'n ontleder net voed historiese data in die rekenaar en aanvaar en implementeer die voorspelling uitset sonder enige idee hoe die berekeninge gemaak dat ontleder is die behandeling van die voorspelling metode as 'n swart boks. Dit is ok, solank die voorspelling fout (werklike waarneming - voorspel waarneming) is nul. As die voorspelling is nie betroubaar nie (hoë fout), moet die ontleder wees, ten minste, hoogs skaam nie in staat is om te verduidelik wat verkeerd geloop het. Daar kan 'n veel erger gevolge as verleentheid as begrotings en ander beplanning gebeure swaar gesteun op die verkeerde skatting. Die tweede beginsel is baie belangrik. In afdeling 2.2 sal ons 'n eenvoudige manier bekend te stel aan voorspelling fout te meet, die verskil tussen wat werklik plaasvind en wat voorspel om plaas te vind vir elke voorspelling tydperk. Hier is die idee. Veronderstel 'n motor maatskappy voorspel verkope van 30 motors aanstaande maand met behulp Metode A. Metode B kom ook met 'n voorspelling van 30 motors. Sonder om te weet wat die maat van akkuraatheid van die twee metodes, sou ons onverskillig oor hul keuse wees. Maar as ons geweet het dat die saamgestelde fout vir Metode A / - 2 motors oor 'n toepaslike tyd horison en die saamgestelde fout vir Metode B is / - 10 motors, sou ons beslis kies Metode A oor Metode B. Hoekom sou 'n mens metode het soveel fout in vergelyking met 'n ander wat sal een van ons leerdoelwitte in hierdie module wees. Dit mag wees omdat ons 'n glad metode eerder as 'n metode wat tendens projeksie as ons nie behoort te hê inkorporeer gebruik - soos wanneer die data toon 'n groei tendens. Glad metodes soos eksponensiële gladstryking, lag altyd tendense wat lei tot voorspelling fout. Die derde beginsel kan die beste geïllustreer deur 'n voorbeeld. Veronderstel jy is direkteur van operasies vir 'n hospitaal, en jy is verantwoordelik vir die voorspelling vraag na pasiënt beddens. As jou voorspelling gaan wees vir kapasiteit beplanning drie jaar van nou af, kan jy dalk te voorspel totale pasiënt beddens vir die jaar 2003. Aan die ander kant, as jy op pad was om die vraag na pasiënt beddens voorspel vir April 2000, skedulering doeleindes , dan sal jy 'n afsonderlike voorspellings te maak vir 'n noodgeval kamer pasiënt beddens, chirurgie herstel pasiënt beddens, OB pasiënt beddens, en dies meer. Wanneer veel besonderhede word verlang nie, hou by 'n korttermyn voorspelling horison saamvoeg jou produk lyne / tipe pasiënte / ens. wanneer langtermyn voorspellings. Dit verminder die algemeen die voorspelling fout in beide situasies. Ons moet die laaste beginsel is van toepassing op enige kwantitatiewe metode. Daar is altyd ruimte vir veroordelend aanpassings aan ons kwantitatiewe voorspellings. Ek hou van hierdie aanhaling uit Alfred North Whitehead in 'n Inleiding tot Wiskunde. 1911: 91T93here is nie meer algemene fout as om te aanvaar dat, omdat langdurige en akkurate wiskundige berekeninge gemaak is, die toepassing van die resultaat 'n paar feite van die natuur is absoluut seker. Natuurlik, kan oordeel af te wees. Hoe gaan dit met hierdie voorspelling gemaak in 1943 deur IBM voorsitter Thomas Watson: Ek dink Theres 'n wêreldmark vir sowat vyf rekenaars. Hoe kan ons die verbetering van die toepassing van die reg Dit is ons volgende onderwerp. Die Delphi Metode van voorspelling van die Delphi Metode van vooruitskatting is 'n kwalitatiewe tegniek gewild gemaak deur die Rand Corporation. Dit behoort tot die familie van tegnieke wat metodes soos Grassroots, Marknavorsing paneel, Historiese analogie kundige oordeel, en Sales Force Saamgestelde sluit. Die ding in gemeen met hierdie benaderings is die gebruik van die menings van kundiges, eerder as historiese data, om voorspellings en voorspellings te maak. Die vakke van hierdie voorspellings is gewoonlik die voorspelling van politieke, sosiale, ekonomiese en tegnologiese ontwikkelings wat nuwe programme, produkte, of antwoorde van die organisasie borg van die Delphi studie kan raai. My eerste ervaring met kundige oordeel voorspelling tegnieke was by my laaste opdrag tydens my vorige loopbaan in die Verenigde State van Amerika Lugmag. In daardie opdrag, was ek Direkteur van Vervoer programme by die Pentagon. Een keer per jaar, sou my baas, die Direkteur van Vervoer, senior leierskap (en hul optrede beamptes) in te samel op 'n konferensie te vervoer planne en programme te formuleer vir die volgende vyf jaar. Hierdie programme is dan die basis vir begroting, aankope, en dies meer. Een van die oefeninge wat ons gedoen het, was 'n Delphi Metode om ontwikkelings wat beduidende impak op Lugmag Vervoer programme sal voorspel. Ek onthou een van die ontwikkelings wat ons voorspel op 'n konferensie in die vroeë 1980's was die versnelde beweging van gedesentraliseerde om gesentraliseerde strategiese vervoer stelsels in die weermag. As gevolg hiervan, het ons begin om die Lugmag houding vir die verenigde vervoer opdrag 'n paar jaar voor dit 'n werklikheid geword. Stap 1. Die Delphi Metode van vooruitskatting, soos die ander oordeel tegnieke, begin met die kies van die kenners. Natuurlik, dit is waar hierdie tegnieke kan misluk - wanneer die kenners is regtig nie kenners nie. Dalk is dit die baas is ingesluit as 'n deskundige vir die Delphi studie, maar terwyl die baas is groot op die bestuur van hulpbronne, kan hy of sy verskriklike by die lees van die omgewing en die voorspelling van ontwikkelings wees. Stap 2. Die eerste formele stap is om 'n anonieme voorspelling oor die onderwerp van belang te bekom. Dit staan ​​bekend as Round 1. Hier, sou die kenners gevra word om 'n politieke, ekonomiese, sosiale of tegnologiese ontwikkelings van belang is vir die organisasie borg die Delphi Metode voorsien. Die anonieme voorspellings kan versamel deur middel van 'n webwerf, via e-pos of deur vraelys. Hulle kan ook versamel in 'n lewendige groep instelling, maar die stralekrans-effek kan die vrye vloei van die voorspellings onderdruk. Byvoorbeeld, sou dit algemeen vir die groep van kundiges wat versamel is by die Pentagon om algemene beamptes insluit. Verskeie van die generaals was groot leiers in die veld, maar nie groot visionairen wanneer dit kom by logistieke ontwikkelinge. Aan die ander kant, hulle lt. kol aksie beamptes was baie goeie denkers en geweet veel oor wat op die horison vir logistiek en vervoer stelsels. As gevolg van die klassieke respek vir rang, die jonger offisiere dalk nie komende het as ons nie 'n anonieme metode gebruik het om die eerste ronde van 'n voorspelling te kry. Stap 3. Die derde stap in die Delphi metode behels die groep fasiliteerder op te som en die herverdeling van die resultate van die Round Een voorspellings. Dit is tipies 'n wassery lys van ontwikkelings. Die kenners is toe gevra om te reageer op die Round Een wasgoed lys deur aan te dui die jaar waarin hulle geglo het die ontwikkeling sal plaasvind of om te sê hierdie ontwikkeling sal nooit plaasvind nie. Dit staan ​​bekend as Round 2. Stap 4. Die vierde stap, Round 3. behels die groep fasiliteerder op te som en die herverdeling van die resultate van die tweede ronde. Dit sluit in 'n eenvoudige statistiese vertoning, tipies die mediaan en interkwartielvariasiewydte, vir die data (jare 'n ontwikkeling sal plaasvind) van Round 2. Die opsomming sal ook die persent van kundiges rapporteer nooit gebeur vir 'n bepaalde ontwikkeling in te sluit. In hierdie ronde, is die kenners gevra om te verander, as hulle wil, hul voorspellings. Die kundiges is ook die geleentheid gegee om argumente uitdagende of ondersteuning van die nooit voorspellings vir 'n bepaalde ontwikkeling voorkom, en uit te daag of ondersteun die jaar buite die interkwartielvariasiewydte voorsien. Stap 5. Die vyfde stap, Round 4. herhalings Round 3 - die kenners ontvang 'n nuwe statistiek vertoning met argumente - en word versoek om nuwe voorspellings en / of teenargumente te voorsien. Stap 6. Round 4 herhaal totdat konsensus daaroor gevorm, of ten minste, 'n betreklik klein verspreiding van menings. My ondervinding is dat deur Round 4, ons het 'n goeie idee van die ontwikkelinge wat ons moet fokus op. As die oorspronklike doel van die Delphi metode is om 'n aantal eerder as 'n ontwikkeling tendens, produseer dan Round 1 vra net die kenners vir hul eerste voorspelling. Dit kan wees om die vraag produk vir 'n nuwe produk lyn vir 'n consumer maatskappy voorspel of om die DJIA uit voorspel 'n jaar vir 'n onderlinge fonds maatskappy bestuur van 'n prima indeksfonds. Kom ons doen 'n vir die pret (nie gegradeer en suiwer vrywilliger) Delphi Oefening. Veronderstel jy is 'n mark deskundige en wil die ander kenners sluit in ons klas in die voorspelling van wat die DJIA sal wees op 16 April 2001 (so naby aan belasting sperdatum as moontlik). Ek sal plaas 'n konferensie Forum genoem DJIA Voorspellings oor die loop Web Raad, binne die Module 2 konferensie. Beantwoord die konferensie onderwerp deur net te stel wat jy dink die DJIA sluit om op 16 April 2001 Reageer asseblief deur 27 Januarie 2001, so ek kan plaas die opsommingstatistiek voor ons vertrek die vooruitskatting materiaal op 3 Februarie. Ons sal nou begin ons bespreking van kwantitatiewe tydreeks vooruitskatting metodes. 2.2: Smoothing Metodes In hierdie afdeling wil ons dek die komponente van 'n tydreeks naïef, bewegende gemiddelde en eksponensiële gladstryking metodes van vooruitskouing en meet akkuraatheid Voorspelling vir elk van die bekendgestel metodes. Stop and Reflect Onthou dat daar drie algemene klasse van vooruitskatting of voorspelling modelle. Kwalitatiewe metodes, insluitend die Delphi, staatmaak op die oordeel en opinie deskundige, nie historiese data. Regressiemodelle staatmaak op historiese inligting oor beide voorspeller veranderlikes en die reaksie veranderlike van belang. Kwantitatiewe tydreeks vooruitskatting metodes staatmaak op historiese numeriese inligting oor die veranderlike van belang en aanvaar patrone in die verlede sal voortgaan om in die toekoms. Hierdie afdeling begin ons studie van die tydreeks modelle, wat begin met patrone of komponente van tydreekse. Komponente van 'n tydreeks Die patrone wat ons kan vind in 'n tydreeks van historiese data sluit die gemiddelde, tendens, seisoenale, sikliese en onreëlmatige komponente. Die gemiddelde is eenvoudig die gemiddelde van die historiese data. Tendens beskryf reële groei of afname in die gemiddelde vraag of ander veranderlike van belang, en verteenwoordig 'n verskuiwing in die gemiddelde. Die seisoenale komponent weerspieël 'n patroon wat herhaal word binne die totale tyd van belang. Byvoorbeeld, 15 jaar gelede in die suidweste van Florida, lugredery verkeer was baie hoër in Januarie - April hoogtepunt in Maart. Oktober was die lae maand. Dit seisoenale patroon herhaal deur 1988. Tussen 1988 en 1992, Januarie-April voortgegaan om elke jaar so hoog maande herhaal, maar die pieke was nie so hoog soos voorheen nie, en die af-seisoen dale so laag as voorheen, veel tot die genot van die hotel en toerisme nywerhede. Die punt is, seisoenale pieke herhaal binne die tydraamwerk van belang - gewoonlik maandeliks of kwartaalliks seisoene binne 'n jaar, maar daar daagliks seisoenaliteit in die aandelemark kan wees (Maandae en Vrydae toon hoër sluiting gemiddeldes as Dinsdae - Donderdae) as 'n voorbeeld. Die sikliese komponent toon herhalende waardes van die veranderlike van belang bo of onder die gemiddelde of lang termyn tendens lyn oor 'n meer jarige beplanningshorison. Die lengte van siklusse is nie konstant, soos met die lengte van seisoenale pieke en dale, maak die ekonomiese siklusse baie moeiliker om te voorspel. Sedert die patrone is nie konstant, verskeie veranderlike modelle soos ekonometriese en meervoudige regressie modelle is beter geskik vir sikliese draaipunte voorspel as tydreeksmodelle. Die laaste komponent is whats links die onreëlmatige komponent is die ewekansige variasie in die vraag wat onverklaarbare deur die gemiddelde, tendens, seisoenale en / of sikliese komponente van 'n tydreeks. Soos in regressiemodelle, probeer ons om die ewekansige variasie so laag as moontlik te maak. Kwantitatiewe modelle is ontwerp om die verskillende komponente hierbo gedek te spreek. Dit is duidelik dat, sal die tendens projeksie tegniek die beste werk met die tyd reeks wat 'n historiese tendens patroon uit te stal. Tydreeks ontbinding, wat die tendens en seisoenale komponente van 'n tydreeks ontbind, werk die beste met tye reeks met tendens en seisoenale patrone. Waar kom dit laat ons eerste stel tegnieke, glad metodes Eintlik glad metodes werk goed in die teenwoordigheid van gemiddelde en onreëlmatige komponente. Ons begin met hulle volgende. Voordat ons begin, kan 'n paar data. Hierdie keer reeks bestaan ​​uit kwartaallikse vraag na 'n produk. Historiese data is beskikbaar vir 12/4, of drie jaar. Tabel 2.2.1 bied die geskiedenis. Figuur 2.2.1 bied 'n grafiek van die tydreeks. Hierdie grafiek is bereid om in Excel behulp van die diagram Wizards Line Plot grafiek assistent. Dit is nie belangrik watter sagteware word gebruik om die historiese tydreekse die grafiek - maar dit is belangrik om te kyk na die data. Selfs 'n pen en papier skets is nuttig om 'n gevoel te kry vir die data, en kyk of daar tendens en / of seisoenale komponente in die tyd reeks kan wees. Metode van bewegende gemiddeldes 'n Eenvoudige tegniek wat goed werk met data wat geen tendens, seisoenaliteit het nie sikliese komponente is die bewegende gemiddelde metode. Toegegee, hierdie voorbeeld datastel het tendens (let op die algehele groeikoers van tydperk 1 tot 12), en seisoenaliteit (let op dat elke derde kwartaal weerspieël 'n afname in historiese vraag). Maar laat die bewegende gemiddelde tegniek toe te pas om hierdie inligting sodat ons 'n basis vir 'n vergelyking met ander metodes later sal hê. 'N Drie tydperk bewegende gemiddelde voorspelling is 'n metode wat drie periodes van data vind en skep 'n gemiddelde. Dat die gemiddelde is die voorspelling vir die volgende tydperk. Vir hierdie datastel, die eerste skatting ons kan bereken is vir Periode 4, met behulp van werklike historiese data van Periodes 1, 2 en 3 (sedert sy 'n drie tydperk bewegende gemiddelde). Dan, na Periode 4 voorkom, kan ons 'n voorspelling vir Tydperk 5 maak, met behulp van historiese data van Periodes 2, 3, en 4. Let daarop dat Periode 1 afgelaai, vandaar die term bewegende gemiddelde. Hierdie tegniek veronderstel dan dat werklike historiese data in die verre verlede, is nie so nuttig soos meer huidige historiese data in die maak van voorspellings. Voordat toon die formules en hierdie voorbeeld illustreer, laat ek 'n paar simbole. In hierdie module, sal ek met behulp van die simbool F t om 'n voorspelling vir tydperk t verteenwoordig. Dus, sou die voorspelling vir tydperk 4 getoon word as F 4. Ek sal gebruik maak van die simbool Y t ​​om die werklike historiese waarde van die veranderlike van belang, soos die vraag te stel, in tydperk t. Dus, sou die werklike vraag na tydperk 1 getoon word as Y 1. Nou om voort te dra die berekeninge vir 'n drie tydperk bewegende gemiddelde. Die voorspelling vir n tydperk van vier is: die voorspelling te genereer vir n tydperk van vyf: Ons gaan voort deur middel van die historiese data tot ons by die einde van die tydperk 12 en maak ons ​​voorspelling vir Tydperk 13 gebaseer op werklike vraag van Periodes 10, 11 en 12. Sedert tydperk van 12 is die laaste tydperk waarvoor ons het data, dit eindig ons berekeninge. As iemand belangstel in die maak van 'n voorspelling vir tydperke 14, 15, en 16, asook Tydperk 13 was, die beste wat gedoen kan word met die bewegende gemiddelde metode sou wees om die uit tydperk voorspellings dieselfde as die mees onlangse voorspelling te maak. Dit is waar, omdat bewegende gemiddelde metodes nie kan groei of te reageer op tendens. Dit is die hoof rede waarom hierdie tipe metodes is beperk tot kwartaal aansoeke kort, soos wat die vraag na die volgende tydperk. Die voorspelling berekeninge word opgesom in Tabel 2.2.2. Aangesien ons belangstel in die meting van die grootte van die fout om voorspelling akkuraat bepaal is, daarop te let dat ek blokkie word die fout om die plus en minus tekens te verwyder. Dan het ons eenvoudige gemiddelde die kwadraat foute. Om 'n gemiddelde of 'n gemiddelde, eerste s um die e quared e rrors (SSE) bereken. dan verdeel deur die aantal foute aan die m EAN s quared e rror (MSE) kry. dan neem die vierkantswortel van die fout om die R OOT M EAN S quare E rror (RMSE) kry. SSE (235,1 608,4. 625,0 455,1) 9061,78 MSE 9061,78 / 9 1006,86 RMSE Square Root (1006,86) 31,73 Van jou statistieke kursus (se), jy sal die RMSE erken as bloot die standaard afwyking van voorspelling foute en die MSE is eenvoudig die variansie van die voorspelling foute. Soos die standaardafwyking, hoe laer die RMSE hoe meer akkuraat die skatting. Dus, kan die RMSE baie nuttig in die keuse tussen voorspelling modelle wees. Ons kan ook die RMSE gebruik om 'n paar waarskynlikheid analise te doen. Sedert die RMSE is die standaardafwyking van die voorspelling fout, kan ons die voorspelling te hanteer as die gemiddelde van 'n verdeling, en die belangrike empiriese reël toe te pas. veronderstelling dat voorspelling foute word normaalweg versprei. Ek sal wed dat sommige van julle onthou hierdie reël: 68 van die waarnemings in 'n klokvormige simmetriese verdeling lê binne die gebied: gemiddelde / - 1 standaardafwyking 95 van die waarnemings lê binne: gemiddelde / - 2 standaardafwykings 99,7 (byna al van die waarnemings) lê binne: gemiddelde / - 3 standaardafwykings Sedert die gemiddelde is die voorspelling, en die standaardafwyking is die RMSE, kan ons die empiriese reël uit te druk soos volg: 68 van werklike waardes verwagting binne te val: Voorspelling / - 1 RMSE 454,3 / - 31,73 423-486 95 van die werklike waardes verwagting binne te val: Voorspelling / - 2 RMSE 454,3 / - (231,73) 391-518 99,7 van die werklike waardes verwagting binne te val: Voorspelling / - 3 RMSE 454,3 / - (331,73) 359-549 Soos in die studie van die gemiddelde en standaardafwyking in beskrywende statistiek, dit is baie belangrik en het soortgelyke programme. Een ding wat ons kan doen is om te gebruik die 3 RMSE waardes te bepaal of ons enige uitskieters in ons data wat vervang moet word. Enige voorspelling wat meer as 3 RMSEs van die werklike syfer (of het 'n fout groter as die absolute waarde van 3 31,73 of 95 is 'n uitskieter. Dit waarde moet verwyder word omdat dit die RMSE blaas. Die eenvoudigste manier om 'n uitskieter in verwyder 'n tydreeks is om dit te vervang deur die gemiddeld van die waarde net voor die uitskieter en net na die uitskieter. Nog 'n baie hand gebruik vir die RMSE is in die omgewing van veiligheid aandele in voorraad situasies. Kom ons trek uit die 2 RMSE streek van die empiriese reël vir hierdie vooruitsig: 2,5 95 2,5 359. 391. 454. 518. 549 Sedert die middel 95 van die waarnemings val tussen 391 en 518, 5 van die waarnemings val onder 391 en bo 518. die aanvaarding van die verspreiding is klokkie vormige, 2.5 van die waarnemings val onder 391 en 2.5 val bo 518. Nog 'n manier verklaar dit is dat 97,5 van die waarnemings val onder 518 (wanneer meet af aan negatiewe oneindigheid, hoewel die werklike data moet stop by 359. bottom line. As die firma verwag werklike vraag te wees 518 (2 RMSEs bo die voorspelling), dan deur die kous 'n inventaris van 518 hulle sal dek 97,5 van die werklike eise wat teoreties kan voorkom. Dit wil sê, die is wat teen 'n 97,5 kliëntediens vlak. In net 2.5 van die vraag gevalle moet hulle verwag dat 'n voorraad uit. Dis regtig gladde, isnt dit. Na aanleiding van die dieselfde metode as die firma aandele 549 items, of 3 RMSEs bo die voorspelling, is dit feitlik verseker hulle sal nie 'n voorraad uit, tensy iets baie ongewone plaasvind (ons noem dit 'n uitskieter is statistieke). Ten slotte, as die firma aandele 486 items (2 RMSEs bo die voorspelling), hulle sal 'n voorraad het in 16 van die gevalle, of dek 84 van die eise wat moet plaasvind (100-16). In hierdie geval, is dit wat teen 'n 84 kliëntediens vlak. 16 68 16 359. 423. 454. 486. 549 Ons kan ander waarskynlikhede wat verband hou met ander gebiede onder die kurwe bereken deur die vind van die kumulatiewe waarskynlikheid vir Z tellings, Z (waarneming - voorspel) / RMSE (onthou jy dat van die stat loop (e)). Vir ons doeleindes hier, dit is net belangrik om die aansoek van die statistieke natuurlik illustreer. Klik op OK. 2nd ed.