Glidande Medelvärde Prognostisering Formeln

Flyttande medelvärde. Detta exempel lär dig hur man beräknar det glidande medlet av en tidsserie i Excel. Ett glidande medel används för att släpa ut oregelbundenheter toppar och dalar för att enkelt kunna känna igen trenderna. 1 Först, låt oss ta en titt på vår tidsserie.2 På Datafliken klickar du på Data Analysis. Note kan inte hitta knappen Data Analysis Klicka här för att ladda till verktyget Add-in Analysis ToolPak.3 Välj Flytta genomsnitt och klicka på OK.4 Klicka på rutan Inmatningsområde och välj intervallet B2 M2. 5 Klicka i rutan Intervall och skriv 6.6 Klicka i rutan Utmatningsområde och välj cell B3.8 Skriv ett diagram över dessa värden. Planering eftersom vi anger intervallet till 6 är det rörliga genomsnittet genomsnittet för de föregående 5 datapunkterna och Den aktuella datapunkten Som ett resultat utjämnas toppar och dalar Grafen visar en ökande trend Excel kan inte beräkna det glidande medlet för de första 5 datapunkterna eftersom det inte finns tillräckligt med tidigare datapunkter.9 Upprepa steg 2 till 8 för intervall 2 Och intervall 4.Konklusion Den la Rger intervallet desto mer topparna och dalarna släpper ut. Ju mindre intervallet desto närmare de rörliga medelvärdena ligger till de faktiska datapunkterna. Möjliga medelprognoser. Introduktion Som du kanske antar vi tittar på några av de mest primitiva tillvägagångssätten att Prognoser Men förhoppningsvis är dessa 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 bekanta 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 termin. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutspår för ditt andra testresultat. Vad tycker du att din lärare skulle förutsäga för din nästa testresultat. Vad tycker du att dina vänner kan förbereda Dikt för din nästa testpoäng. Vad tycker du att dina föräldrar kan förutsäga för nästa testresultat. Oavsett om du blott kan göra med dina vänner och föräldrar, är det mycket troligt att du och din lärare kommer att få något i område av 85 du fick just. Wel, nu l s antar att trots din självbefrämjande till dina vänner, du överskattar dig själv och figurerar 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 dem att utveckla en uppskattning oavsett om de kommer att dela den med dig. De kan säga till sig själva: Den här killen blåser alltid Röka om hans smarts Han kommer att få ytterligare 73 om han är lycklig. Kan föräldrarna 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 mindre fest och Om du inte började göra mycket mer studerande 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 prestation. kallas ett glidande medelprognos med en period av data. Den andra är också en rörlig 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 bra på det tredje testet av dina egna skäl och att sätta ett högre poäng framför dina allierade. Du tar testet och din poäng är faktiskt en 89. Alla, inklusive dig själv, är imponerade. Så nu har du det slutliga provet för terminen upp och som vanligt känner du behovet av att ge alla 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. Whistl E Samtidigt som vi arbetar Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster som heter 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. Posten för cell C6 borde 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 finns tillgängliga för varje förutsägelse. Du borde också Märker att vi inte verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än exponentiell utjämningsmodell Jag har inkluderat tidigare förutsägelser eftersom vi kommer att använda dem på nästa webbsida för att mäta prognos validitet. 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.Notice hur nu används bara de två senaste bitarna av historiska data för varje förutsägelse. Igen har jag inkluderat tidigare förutsägelser för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är av betydelse för att notera. För en m-period glidande medelprognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-periods rörlig genomsnittlig prognos, när man gör tidigare förutsägelser, märker att den första förutsägelsen inträffar I period m 1.But av dessa problem kommer att vara väldigt signifikant när vi utvecklar vår kod. Utveckling av rörlig genomsnittsfunktion Nu behöver vi utveckla koden för den glidande genomsnittliga prognosen som kan användas mer flexibelt. Koden följer Observera att ingångarna är för antalet perioder du vill använda i prognosen och en rad historiska värden Du kan lagra den i vilken arbetsbok du vill. Funktionen MovingAverage Historical, NumberOfPeriods As Sin Gle Deklarera och initialisera variabler Dim-objekt Som variant Dim-teller som integer Dim-ackumulering 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. Akkumuleringsackumulering 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. I praktiken ger det glidande medelvärdet en bra uppskattning av medelvärdet av tidsserierna om medelvärdet är konstant eller långsamt förändrat. Vid konstant medel kommer det största värdet av m att ge de bästa uppskattningarna av det underliggande mean En längre observationsperiod kommer att medeltala effekterna av variabilitet. Syftet med att tillhandahålla en mindre m är att tillåta prognosen att svara på en förändring i den underliggande processen. För att illustrera föreslår vi en dataset som innehåller förändringar i det underliggande genomsnittet av tidsserien Figuren visar tidsserierna som används för illustration tillsammans med den genomsnittliga efterfrågan från vilken se Ries genererades Medelvärdet börjar som en konstant vid 10 Börjar vid tid 21 ökar den med en enhet i varje period tills den når värdet 20 vid tidpunkten 30 Då blir det konstant igen Dataen simuleras genom att lägga till i genomsnitt en slumpmässigt brus från en normalfördelning med nollvärde och standardavvikelse 3 Resultaten av simuleringen avrundas till närmaste heltal. Tabellen visar de simulerade observationerna som används för exemplet När vi använder tabellen måste vi komma ihåg att vid varje given tillfälle, Endast de tidigare uppgifterna är kända. Beräkningarna av modellparametern, för tre olika värden på m visas tillsammans med medelvärdet av tidsserierna i figuren nedan. Figuren visar den genomsnittliga rörliga genomsnittliga beräkningen av medelvärdet vid varje tidpunkt och inte Prognosen Prognoserna skulle flytta de glidande genomsnittliga kurvorna till höger efter perioden. En enda slutsats framgår tydligt av figuren. För alla tre uppskattningar ligger det glidande medlet bakom den linjära trenden med fördröjningen Ng med m Fördröjningen är avståndet mellan modellen och uppskattningen i tidsdimensionen På grund av fördröjningen underskattar det rörliga genomsnittet observationerna när medelvärdet ökar. Förskjutarens förspänning är skillnaden vid en viss tid i medelvärdet av modellen och medelvärdet förutspått av glidande medelvärdet Förskjutningen när medelvärdet ökar är negativt För ett minskande medelvärde är förspänningen positiv. Fördröjningen i tid och förspänningen som införs i uppskattningen är m-funktioner. Ju större värdet av m desto större grad och fördämning. För en kontinuerligt ökande serie med trend a anges värdena för fördröjning och förspänning av medelvärdet av estimatorn i ekvationerna nedan. Exempelkurvorna matchar inte dessa ekvationer eftersom exemplen är inte ständigt ökar, snarare börjar det som en konstant, förändras i en trend och blir sedan konstant igen Även exempletskurvorna påverkas av bruset. Den rörliga genomsnittliga prognosen för perioder in i framtiden Representeras genom att flytta kurvorna till höger. Fördröjningen och förskjutningen ökar proportionellt. Ekvationerna nedan anger fördröjning och förspänning av prognosperioder i framtiden jämfört med modellparametrarna. Dessa formler är återigen en tidsserie med en konstant linjär trend . Vi borde inte bli förvånad över det här resultatet. Den glidande medelvärdena beräknas utifrån antagandet om ett konstant medelvärde och exemplet har en linjär trend i medelvärdet under en del av studieperioden. Eftersom realtidsserier sällan exakt kommer att följa antagandena Av vilken modell som helst, borde vi vara beredda på sådana resultat. Vi kan också dra slutsatsen av att variationen i bruset har störst effekt för mindre m. Uppskattningen är mycket mer flyktig för det glidande medlet på 5 än det glidande medlet på 20 Vi har de motstridiga önskningarna att öka m för att minska effekten av variationer på grund av bullret och att minska m för att göra prognosen mer responsiv mot förändringar i medelvärdet. Felet är di avvikelse mellan den faktiska data och det prognostiserade värdet Om tidsserierna verkligen är ett konstant värde är det förväntade värdet av felet noll och variansen av felet består av en term som är en funktion av och en andra term som är variansen av bruset. Den första termen är medelvärdet av variationer som uppskattas med ett urval av m-observationer, förutsatt att data kommer från en population med konstant medelvärde. Denna term minimeras genom att göra m så stor som möjligt. En stor m gör prognosen inte svarande till en förändring i de underliggande tidsserierna För att prognosen ska kunna reagera på förändringar vill vi ha m så liten som möjligt 1, men det ökar felvariationen. Praktisk prognos kräver ett mellanvärde. Förhandsgranskning med Excel. Prognosen för tillägg implementerar rörelsen Genomsnittliga formler Nedanstående exempel visar analysen som tillhandahålls av tillägget för provdata i kolumn B De första 10 observationerna är indexerade -9 till 0 Jämfört med tabellen ovan indikerar perioden ind Iserna förskjuts av -10. De första tio observationerna ger startvärdena för uppskattningen och används för att beräkna det glidande medlet för period 0 MA 10-kolumnen C visar beräknade glidmedelvärdena. Den glidande genomsnittsparametern m är i cell C3. Den Fore 1 kolumn D visar en prognos för en period in i framtiden Prognosintervallet är i cell D3 När prognosintervallet ändras till ett större antal flyttas numren i Fore-kolumnen. Err 1-kolumnen E visar skillnaden mellan observationen Och prognosen Till exempel är observationen vid tidpunkten 1 6 Det prognostiserade värdet från det glidande medlet vid tidpunkten 0 är 11 1 Felet är då -5 1 Standardavvikelsen och medelvärdesavvikelsen MAD beräknas i cellerna E6 respektive E7 .