Beregn The Sesongindeksene Hjelp Av Forholdet Til Bevegelig Gjennomsnitt Metode

Seasonality i prognose Seasonality refererer til endringene i etterspørselen som skjer over hele året i en vanlig årssyklus. Det er forårsaket av ulike faktorer som kan omfatte vanlige værmønstre, religiøse hendelser, tradisjonelle oppføringsmønstre og skoleferier. Når det er markert eller ekstrem sesongmessighet i etterspørselsmønsteret, vil effektiviteten i å håndtere den ha størst innvirkning på prognoseaktheten. Den andre siden av ligningen er at det er viktig å ikke bygge sesongmessig i prognosen hvis den ikke egentlig eksisterer, fordi det vil påvirke prognosens nøyaktighet negativt. Så i data der forekomsten av sesongmessighet er tvetydig er det viktig å ta best mulig avgjørelse om hvorvidt man skal ansette sesongmessig i prognoseprosessen. Ulike statistiske tester kan bidra til dette. Beregningsmetoder for sesongmessighet Kanskje den enkleste måten å ta hensyn til sesongmessig er å gjøre prognosen på samme måte som i fjor. Dette er vanligvis ikke en god måte å fortsette fordi salg i fjor kan være unormalt av en rekke mulige årsaker. Populære tilnærminger inkluderer prosentandelen av årstilnærming eller opprettelsen av additiv sesongfaktorer eller multiplikative sesongindekser. Når det gjelder å beregne multiplikative sesongindekser, finnes det en rekke forskjellige metoder. Enkle tilnærminger inkluderer sesongmessig gjennomsnitt og forholdet til sentrert glidende gjennomsnittlig metode. Andre metoder inkluderer fireier analyse, hvor forskjellige sinus og cosinusbølger kombineres for å representere sesongmønsteret. Seasonal Average Method Dette er en veldig enkel metode. For det første beregnes gjennomsnittlig salg for hver sesong, f. eks. måned. Dette gir gjennomsnittet for januar, gjennomsnittet for februar, etc. Stort gjennomsnitt er deretter beregnet som gjennomsnittet av sesongmidlene. Til slutt blir sesongindeksene opprettet ved å dele hvert sesongmessig gjennomsnitt med det store gjennomsnittet. Indeksene vil være gjennomsnittlig 1,00. Denne enkle metoden er god når salgshistorikken er rimelig stabil, dvs. ikke underlagt store endringer i det underliggende nivået av etterspørsel over tid. For data som er mindre stabile, kan forholdet til sentrert glidende gjennomsnittlig metode, beskrevet nedenfor, være bedre. Forhold til sentrert flytende gjennomsnittlig metode Forholdet til sentrert, glidende gjennomsnittlig metode for beregning av multiplikative sesongindekser er en enkel beregning som enkelt kan settes opp i Excel eller annen programvare. Følgende eksempel for månedlige data: Lag en serie for det sentrerte årlige glidende gjennomsnittet (CMA), f. eks. begynn med å sette månedlig gjennomsnitt for 2009 mot juni 2009, etc. Beregn en annen serie som forholdet mellom salg i en gitt måned til CMA i den måneden, dvs. forholdet salgssalg CMA. Beregn sesongkursindeksene som gjennomsnittet i forholdstallene per sesongmåned, f. eks. sesongindeksen for mars er gjennomsnittet av forholdene for mar-09, mar-10, mar-11, mar-12, mar-13 og mar-14. Juster indeksene om nødvendig for å få sesongindeksene til 12.00. Siden midten av en 12 måneders kalender ikke er juni eller juli, men i midten av de to, involverte den tradisjonelle metoden for trinn 1. å lage to serier for CMA. Så i en serie setter årsmedlet mot juni, i den andre mot juli. Da ble de to CMA-serien gjennomsnittet for å skape noe som kunne sies å være virkelig sentrert. I praksis gjør dette lite forskjell med de fleste kommersielle data. Den eneste ulempen ved denne metoden er at den trenger litt mer historiske data enn sesongens gjennomsnittlige metode. Minst tre år er nødvendig. Datarensing og datavolatilitet Datarensingspåvirkning på beregning av sesongmessighet i den forstand at unormale data bør utelukkes fra sesongberegningen. Klart bør den naturlige årstiden ikke misforstås som unormalt salg, så poenget er at data rensing og sesongberegning er nært forbundet. Minst to års historisk data skal gjøres tilgjengelig for beregning av sesongmessighet. Gitt at det kan være nødvendig å utelukke bestemte data hvis det er unormalt, er det vanligvis tilrådelig å inkludere minst tre eller fire års informasjon. Problemet med mange forretningsprognoser er at det ofte er en relativt kort periode med konsekvent historie. Dette gjør ofte sesonganalysen noe av en kunst i stedet for en eksakt vitenskap. Ulike metoder kan benyttes for å redusere virkningen av flyktige data ved beregning av sesongmessighet for prognoser og dermed forbedre prognosens nøyaktighet. Disse inkluderer: sesongbaserte indekser (beregning av indekser på aggregert nivå) sesongbasert forenkling (f. eks. Bruk av månedlige indekser for ukentlige data) sesongmessig krymping (også kjent som sesongdemping) sesongmessig utjevning (f. eks. i ukentlige og daglige prognoser Problemene som oppstår ved en liten mengde historie og flyktige data blir større når de flyttes fra beregning av månedlig sesongmessighet til beregning av ukentlig sesong. Det blir mindre sannsynlig at årlige hendelser vil finne sted i samme kalenderperiode, slik at det kan være nødvendig å rense disse tilfellene fra salgshistorikken og legge til fremtidige forekomster av prognosen som planlagte hendelser. Det er noen ganger en ekstra syklus i uken i måneden for å håndtere. Med ukentlig sesongmessighet er det ofte mye gjenværende volatilitet sett i indeksene som følge av sesongberegningen til en viss grad at de rå indeksene ikke kan stole på. Så det er et større behov for å endre indeksene ved hjelp av gruppens sesongindekser, sesongforenkling eller sesongmessig utjevning. Hvis det er behov for en daglig prognose, er det vanligvis best å først beregne sesongmessig bruk ved hjelp av ukentlige data, og tilnærmet resten av oppgaven ved å bruke dagers profiler for å dele uker til dager. Spredning av implementering av sesongjustering og eksponensiell utjevning Det er enkelt å utføre sesongjustering og passe eksponentielle utjevningsmodeller ved hjelp av Excel. Skjermbildene og diagrammene 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: Klikk her for å få en kopi av regnearkfilen selv. Utgaven av lineær eksponensiell utjevning som skal brukes her for demonstrasjonsformål er Brown8217s versjon, bare fordi den kan implementeres med en enkelt kolonne med formler, og det er bare én utjevningskonstant for å optimalisere. Vanligvis er det bedre å bruke Holt8217s versjon som har separate utjevningskonstanter for nivå og trend. Fremskrivningsprosessen fortløper som følger: (i) først er dataene sesongjustert (ii) så blir prognoser generert for sesongjusterte data via lineær eksponensiell utjevning og (iii) til slutt er de sesongjusterte prognosene kvoteres 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 (utført her i kolonne D). Dette kan gjøres ved å ta 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, dvs. De opprinnelige dataene divideres med det bevegelige gjennomsnittet i hver periode - som utføres her i kolonne E. (Dette kalles også quottrend-cyclequot-komponenten i mønsteret, forutsatt at trend og konjunktursykluser kan anses å være alt som forblir etter gjennomsnitt over en helårs verd av data. Selvfølgelig kan endringer i måned til måned som ikke skyldes sesongbestemte, bestemmes av mange andre faktorer, men gjennomsnittet på 12 måneder glatter seg over dem i stor grad.) Beregnet sesongindeks for hver sesong beregnes ved først å beregne alle forholdene for den aktuelle sesongen, som er gjort i celler G3-G6 ved hjelp av en AVERAGEIF formel. Gjennomsnittstallene 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. Nedenfor i kolonne F brukes VLOOKUP-formler til å sette inn riktig sesongindeksverdi i hver rad i datatabellen, i henhold til kvartalet av året 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 den 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 G. En verdi for utjevningskonstanten (alfa) er angitt over prognosen kolonnen (her i celle H9) og For enkelhets skyld er det tildelt rekkeviddenavnet quotAlpha. quot (Navnet er tilordnet med kommandoen quotInsertNameCreatequot.) LES-modellen initialiseres ved å sette de to første prognosene tilsvarer den første virkelige verdien av sesongjusterte serien. Formelen som brukes her for LES-prognosen, er den recirkulære resirkulære formen av Brown8217s-modellen: Denne formelen er oppgitt i cellen som svarer til den tredje perioden (her, celle H15) og kopieres derfra. Legg merke til at LES-prognosen for den nåværende perioden refererer til de to foregående observasjonene og de to foregående feilene, samt til verdien av alfa. Således refererer prognoseformelen i rad 15 kun til data som var tilgjengelige i rad 14 og tidligere. (Selvfølgelig, hvis vi ønsket å bruke enkle i stedet for lineær eksponensiell utjevning, kunne vi erstatte SES-formelen her i stedet. Vi kunne også bruke Holt8217s snarere enn Brown8217s LES-modellen, som ville kreve to flere kolonner med formler for å beregne nivå og trend som brukes i prognosen.) Feilene beregnes i neste kolonne (her, kolonne J) ved å trekke prognosene fra de faktiske verdiene. Rotenes middelkvadratfeil beregnes som kvadratroten av variansen av feilene pluss kvadratet av gjennomsnittet. (Dette følger av den matematiske identiteten: MSE VARIANCE (feil) (AVERAGE (feil)). 2.) Ved beregning av gjennomsnitt og varians av feilene i denne formelen, er de to første periodene utelukket fordi modellen ikke faktisk begynner å prognose til 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 quotSolverquot til å utføre en nøyaktig minimering. Verdien av alfa som Solver funnet er vist her (alfa0.471). Det er vanligvis en god ide å plotte feilene i modellen (i transformerte enheter) og også å beregne og plotte sine autokorrelasjoner på lags på opptil en sesong. Her er en tidsserier av de (sesongjusterte) feilene: Feilautokorrelasjonene beregnes ved hjelp av CORREL () - funksjonen for å beregne korrelasjonene til feilene med seg selv forsinket av en eller flere perioder - detaljer vises i regnearkmodellen . Her er et plot av autokorrelasjonene til feilene ved de fem første lagene: Autokorrelasjonene på lags 1 til 3 er svært nær null, men spissen ved lag 4 (hvis verdien er 0,35) er litt plagsom - det antyder at Sesongjusteringsprosessen har ikke vært helt vellykket. Men det er faktisk bare marginalt signifikant. 95 signifikansbånd for å teste om autokorrelasjoner er signifikant forskjellig fra null er omtrent pluss-eller-minus 2SQRT (n-k), hvor n er prøvestørrelsen og k er lagret. Her er n 38 og k varierer fra 1 til 5, slik at square-root-of-n-minus-k er rundt 6 for dem alle, og derfor er grensene for å teste den statistiske signifikansen av avvik fra null tilnærmet pluss - eller-minus 26 eller 0,33. Hvis du varierer verdien av alpha for hånd i denne Excel-modellen, kan du observere effekten på tidsseriene og autokorrelasjonsplottene av feilene, så vel som på den rotte-kvadratiske feilen, som vil bli illustrert nedenfor. På bunnen av regnearket er prognoseformelen kvotetatt i fremtiden ved bare å erstatte prognoser for faktiske verdier ved det punktet der de faktiske dataene går tom - det vil si. hvor quotthe futurequot begynner. (Med andre ord, i hver celle der en fremtidig dataværdi vil oppstå, settes en cellereferanse som peker på prognosen som er laget for den perioden.) Alle de andre formlene kopieres ganske enkelt ned fra oven: Legg merke til at feilene for prognoser for fremtiden er alle beregnet til å være null. Dette betyr ikke at de faktiske feilene vil være null, men 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 verdien av alfa, som er optimal for prognoser med en periode fremover, er den forventede trenden litt oppadgående, noe som gjenspeiler den lokale trenden som ble observert de siste 2 årene eller noe. For andre verdier av alfa, kan det oppnås en helt annen trendprojeksjon. 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 forutse den lengre fremtid. For eksempel er her resultatet som oppnås hvis verdien av alfa er manuelt satt til 0,25: Den projiserte langsiktige trenden er nå negativ, heller enn positiv. Med en mindre verdi av alfa, legger modellen vekt på eldre data i sin estimering av dagens nivå og trend, og langsiktige prognoser reflekterer den nedadgående trenden observert de siste 5 årene i stedet for den nyere oppadgående trenden. Dette diagrammet illustrerer også tydelig hvordan modellen med en mindre verdi av alfa er langsommere for å svare på quotturning pointsquot i dataene og derfor har en tendens til å gjøre en feil på det samme tegnet i mange perioder på rad. Dens 1-trinns prognosefeil 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 sterkt 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, blir det noen ganger lagt til en quotrend dampeningquot-faktor i modellen for å gjøre den projiserte trenden flatt ut etter noen perioder. Det siste trinnet i å bygge prognosemodellen er å quotereasonizequot LES prognosene ved å multiplisere dem med de riktige sesongindeksene. De resesaliserte prognosene i kolonne I er således bare produktene av sesongindeksene i kolonne F og de sesongjusterte LES-prognosene i kolonne H. Det er relativt enkelt å beregne konfidensintervaller for en-trinns prognoser laget av denne modellen: først beregne RMSE (root-mean-squared-feilen, som bare er kvadratroten til MSE), og beregne deretter et konfidensintervall for sesongjustert prognose ved å legge til og trekke to ganger RMSE. (Generelt er et 95 konfidensintervall for en prognose for en periode fremdeles omtrent lik punktsprognosen pluss-eller-minus-to ganger estimert standardavvik for prognosefeilene, forutsatt at feilfordelingen er omtrent normal og prøvenes størrelse er stor nok, si 20 eller mer. Her er RMSE i stedet for standardfeilavviket for feilene det beste estimatet av standardavviket for fremtidige prognosefeil fordi det tar forvirring, samt tilfeldige variasjoner i betraktning.) Tillitgrensene for sesongjustert 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 273,2-227,4 218,4 til 273,2227,4 328,0. Multiplicere disse grensene med Decembers sesongindeks på 68,61. Vi oppnår lavere og øvre konfidensgrenser på 149,8 og 225,0 rundt prognosen på 93,9 prosent på 187,4. Forventningsgrenser for prognoser mer enn en periode framover vil generelt øke etter hvert som prognosehorisonten øker på grunn av usikkerhet om nivå og trend, samt 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 et realistisk konfidensintervall for en prognose mer enn en periode framover, tar du alle kilder til Feil i betraktning, din beste innsats er 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 starte opp en-trinns prognose). Beregn deretter RMSE for de to-trinns prognosefeilene og bruk dette som grunnlag for et 2-trinns konfidensintervall. Slideshare bruker informasjonskapsler for å forbedre funksjonalitet og ytelse, og for å gi deg relevant annonsering. Hvis du fortsetter å surfe på nettstedet, godtar du bruken av informasjonskapsler på denne nettsiden. Se vår brukeravtale og personvernregler. Slideshare bruker informasjonskapsler for å forbedre funksjonalitet og ytelse, og for å gi deg relevant annonsering. Hvis du fortsetter å surfe på nettstedet, godtar du bruken av informasjonskapsler på denne nettsiden. Se vår personvernerklæring og brukeravtale for detaljer. Utforsk alle favorittemner i SlideShare-appen Få SlideShare-appen til å lagre for senere, selv frakoblet Fortsett til mobilnettstedet Opplastingslogg Registrering Dobbeltklikk for å zoome ut Kapittel 16 Del denne SlideShare LinkedIn Corporation kopien 2017Slideshare bruker informasjonskapsler for å forbedre funksjonalitet og ytelse, og å gi deg relevant reklame. Hvis du fortsetter å surfe på nettstedet, godtar du bruken av informasjonskapsler på denne nettsiden. Se vår brukeravtale og personvernregler. Slideshare bruker informasjonskapsler for å forbedre funksjonalitet og ytelse, og for å gi deg relevant annonsering. Hvis du fortsetter å surfe på nettstedet, godtar du bruken av informasjonskapsler på denne nettsiden. Se vår personvernerklæring og brukeravtale for detaljer. Utforsk alle favorittemner i SlideShare-appen Få SlideShare-appen til å lagre for senere, selv offline. Fortsett til mobilnettstedet Opplastingslogg Registrering Dobbeltklikk for å zoome ut Time Series Del dette SlideShare LinkedIn Corporation kopi 2017