Weighted Mobile Media Previsione Ppt

What039s la differenza tra media mobile e ponderata media mobile a 5 periodo di media mobile, sulla base dei prezzi di cui sopra, sarebbe calcolato con la seguente formula: Sulla base della suddetta equazione, il prezzo medio per il periodo di cui sopra era 90.66. Utilizzando medie mobili è un metodo efficace per l'eliminazione di forti fluttuazioni dei prezzi. La limitazione chiave è che i punti dati dai dati precedenti non sono ponderati in modo diverso rispetto ai dati punti vicino l'inizio del set di dati. Questo è dove le medie mobili ponderate entrano in gioco. medie ponderate assegnare una ponderazione più pesante a più punti di dati attuali dal momento che sono più rilevanti di punti dati in un lontano passato. La somma della ponderazione deve aggiungere fino a 1 (o 100). Nel caso della media mobile semplice, i coefficienti sono equamente distribuiti, ed è per questo che non sono riportati nella tabella sopra riportata. Prezzo di chiusura di AAPLmoving medio media dei dati di serie temporali (osservazioni equidistanti nel tempo) da diversi periodi consecutivi. Chiamato in movimento perché è continuamente ricalcolato come rendono disponibili nuovi dati, si procede facendo cadere il primo valore e aggiungendo il valore più recente. Ad esempio, la media mobile delle vendite di sei mesi può essere calcolata prendendo la media delle vendite da gennaio a giugno, poi la media delle vendite da febbraio a luglio, poi di marzo ad agosto, e così via. Medie mobili (1) ridurre l'effetto delle variazioni temporanee dei dati, (2) migliorare l'adattamento dei dati ad una linea (un processo chiamato smoothing) che mostra l'andamento dati più chiaramente, e (3) evidenziare qualsiasi valore sopra o sotto la tendenza. Se si sta calcolando qualcosa con molto elevata varianza il meglio che si può essere in grado di fare è capire la media mobile. Volevo sapere che cosa la media mobile era dei dati, quindi vorrei avere una migliore comprensione di come stavamo facendo. Quando si sta cercando di capire alcuni numeri che cambiano spesso il meglio che puoi fare è calcolare le medie mobili medie. MOVING E esponenziale Farideh Dehkordi-Vakil. Presentazione tema: Le medie mobili E esponenziale Farideh Dehkordi-Vakil. Presentazione trascrizione: 2 Introduzione Questo capitolo introduce modelli applicabili ai dati di serie temporali con stagionali, di tendenza, o entrambi componente stagionale e di tendenza e di dati stazionari. metodi di previsione discussi in questo capitolo può essere classificata come: calcolo della media metodi. Osservazioni stesso peso metodi livellamento esponenziale. insieme disuguale dei pesi ai dati passato, in cui il decadimento pesi in modo esponenziale dal più recente ai punti di dati più distanti. Tutti i metodi di questo gruppo richiedono che determinati parametri stabiliti. Questi parametri (con valori compresi tra 0 e 1), determineranno i pesi disuguali da applicare ai dati passati. 3 Introduzione metodi di compensazione se una serie temporale è generata da un costante processo soggetto a errore casuale, quindi significano è una statistica utile e può essere utilizzato come una previsione per il prossimo periodo. Metodi media sono adatti per dati temporali stazionaria serie dove la serie è in equilibrio intorno ad un valore costante (la media sottostante) con una variazione costante nel tempo. 4 Introduzione esponenziali metodi di lisciatura Il metodo di livellamento esponenziale semplice è il singolo metodo di smoothing (SES), dove un solo parametro deve essere stimato metodo Holts si avvale di due parametri differenti e permette di previsione per la serie con la tendenza. metodo Holt-Winters coinvolge tre parametri di livellamento per lisciare i dati, la tendenza, e l'indice di stagione. 5 Metodi media della media utilizza la media di tutti i dati storici come la previsione Quando rendono disponibili nuovi dati, le previsioni per il tempo t2 è il nuovo media compresi i dati precedentemente osservati più questa nuova osservazione. Questo metodo è appropriato quando non vi è alcuna tendenza evidente o stagionalità. 6 Metodi media della media mobile per il periodo di tempo t è la media dei k più recenti osservazioni. Il numero costante k è specificato all'inizio. Più piccolo è il numero k, più peso è dato a periodi recenti. Maggiore è il numero k, meno peso è dato a periodi più recenti. 7 medie mobili Una grande k è desiderabile quando ci sono ampie fluttuazioni, poco frequenti nella serie. Un piccolo k è più desiderabile quando ci sono cambiamenti improvvisi nel livello di serie. Per i dati trimestrali, una media mobile di quattro trimestri, MA (4), elimina o medie fuori effetti stagionali. 8 medie mobili per i dati mensili, una media di 12 mesi in movimento, MA (12), eliminare o medie fuori effetto stagionale. pesi uguali sono assegnati a ciascuna osservazione utilizzato nella media. Ogni nuovo punto di dati è incluso nella media come diventa disponibile, e il punto di dati più vecchi viene scartato. 9 medie mobili una media mobile di ordine k, MA (k) è il valore di k osservazioni consecutive. K è il numero di termini nella media mobile. Il modello di media mobile non gestisce tendenza o stagionalità molto bene anche se si può fare meglio rispetto alla media totale. 10 Esempio: Department Store Sales settimanale I dati di vendita settimanali (in milioni di dollari) presentati nella tabella che segue sono utilizzati da un grande magazzino importante per determinare la necessità di personale di vendita temporanei. 12 Utilizzare tre settimane media mobile (K3) per le vendite del grande magazzino di previsione per la settimana 24 e 26. L'errore di previsione è di 15 esponenziali metodi di lisciatura Questo metodo fornisce una media mobile esponenziale ponderata di tutti i valori precedentemente osservati. Adeguate per i dati senza tendenza al rialzo o al ribasso prevedibile. L'obiettivo è di stimare il livello corrente e usarlo come una previsione del valore futuro. 16 Semplice esponenziale Metodo Formalmente, l'equazione livellamento esponenziale è previsto per il prossimo periodo. smoothing costante. y t osservato valore della serie nel periodo t. vecchio previsioni per il periodo t. Il t1 previsioni F è basato sulla ponderazione più recente YT osservazione con un peso e ponderando la più recente t previsione F con un peso di 1- 17 Simple esponenziale Metodo L'implicazione di livellamento esponenziale si vede meglio se l'equazione precedente si espande sostituendo F t con i suoi componenti come segue: 18 Simple esponenziale Metodo Se questo processo di sostituzione è ripetuto sostituendo F t-1 dai suoi componenti, F t-2 dai suoi componenti, e così il risultato è: Pertanto, F t1 è la media mobile ponderata di tutte le osservazioni del passato. 19 metodo semplice esponenziale La seguente tabella mostra i pesi assegnati alle osservazioni precedenti per 0,2, 0,4, 0,6, 0,8, 0,9 20 Semplice esponenziale Metodo L'equazione di livellamento esponenziale riscritto il seguente modulo chiarire il ruolo del fattore di ponderazione. Previsioni livellamento esponenziale è la vecchia previsione più un aggiustamento per l'errore che si è verificato negli ultimi previsione. 21 Semplice esponenziale Metodo Il valore della costante livellamento deve essere compreso tra 0 e 1 non può essere uguale a 0 o 1. Se le previsioni stabili con una variazione casuale lisciato è desiderato poi un piccolo valore è il desiderio. Se una risposta rapida ad un vero e proprio cambiamento nel modello di osservazioni è desiderato, un grande valore è appropriato. 22 Semplice esponenziale metodo per stimare, le previsioni sono calcolati a parità di to.1, .2, .3,, 0,9 e la somma di errore di previsione al quadrato è calcolato per ciascuna. Il valore con il minor RMSE viene scelto per l'uso nella produzione delle previsioni future. 23 Semplice Esponenziale Method Smoothing Per avviare l'algoritmo, abbiamo bisogno di F 1 perché da F 1 non è nota, si può impostare la prima stima pari alla prima osservazione. Utilizzare la media dei primi cinque o sei osservazioni per il valore iniziale livellato. 24 Esempio: University of Michigan Indice di fiducia dei consumatori dell'Università del Michigan indice di fiducia dei consumatori per January1995- December1996. vogliamo prevedere l'Università del Michigan indice di fiducia dei consumatori mediante semplice esponenziale Metodo Smoothing. 25 Esempio: University of Michigan Indice di fiducia dei consumatori Dal momento che nessuna previsione è disponibile per il primo periodo, imposteremo la prima stima pari alla prima osservazione. Cerchiamo 0.3 e 0.6. 26 Esempio: University of Michigan Indice di fiducia dei consumatori Si noti la prima previsione è il primo valore osservato. Le previsioni per febbraio 95 (t 2) e marzo 95 (t 3) vengono valutati come segue: 27 Esempio: University of Michigan Indice di fiducia dei consumatori RMSE 2.66 per 0,6 RMSE 2.96 per 0.3 28 Holts esponenziale Holts due parametri di livellamento esponenziale metodo è un'estensione semplice livellamento esponenziale. Si aggiunge un fattore di crescita (o fattore trend) all'equazione smoothing come un modo di regolazione per il trend. 29 Holts esponenziale Tre equazioni e due costanti leviganti sono utilizzati nel modello. La serie in modo esponenziale levigate o la stima attuale livello. La stima tendenza. periodi p previsione nel futuro. 30 Holts esponenziale L t Stima del livello della serie al tempo t lisciatura costante per i dati. y T nuova osservazione o il valore effettivo della serie nel periodo t. smoothing costante per stima tendenza b t stima della pendenza della serie a periodi di tempo t m per essere previsto nel futuro. 31 Holts esponenziale Il peso e possono essere selezionate soggettivamente o minimizzando una misura di errore di previsione, come RMSE. pesi di grandi dimensioni si traducono in più rapidi cambiamenti del componente. Piccoli pesi tradurrà in meno rapidi cambiamenti. 32 Holts esponenziale Il processo di inizializzazione per Holts lineare livellamento esponenziale richiede due stime: uno per ottenere il primo valore livellato per L1 L'altro per ottenere il b1 tendenza. Una alternativa è quella di impostare L 1 y 1 e 33 Esempio: vendite trimestrali di seghe per Acme azienda strumento La tabella seguente mostra le vendite di seghe per lo strumento società Acme. Queste sono le vendite trimestrali dal 1994 al 2000. 34 Esempio: vendite trimestrali di seghe per Acme azienda strumento Esame del grafico mostra: A dati di serie temporali non stazionarie. variazione stagionale sembra esistere. Le vendite per il primo e il quarto trimestre sono più grandi di altri quartieri. 35 Esempio: vendite trimestrali di seghe per Acme azienda strumento La trama dei dati Acme indica che ci potrebbe essere trend nei dati quindi cercheremo modello Holts per produrre previsioni. Abbiamo bisogno di due valori iniziali il primo valore lisciato per L 1 Il valore iniziale tendenza b 1. Useremo la prima osservazione per la stima del valore L lisciato 1, e il valore di tendenza iniziale di b 1 0. Useremo .3 e .1. 37 RMSE per questa applicazione è il seguente: 0,3 e 0,1 RMSE 155,5 La trama ha anche mostrato la possibilità di variazione stagionale che ha bisogno di essere indagato. 38 Winters esponenziale Winters modello esponenziale è la seconda estensione del modello di livellamento esponenziale di base. E 'utilizzato per i dati che presentano sia di tendenza e la stagionalità. Si tratta di un modello a tre parametri che è un'estensione del metodo di Holts. Un'equazione ulteriore regola il modello per la componente stagionale. 39 Winters esponenziale Le quattro equazioni necessarie per inverni metodo moltiplicativo sono: La serie in modo esponenziale levigata: La stima tendenza: La stima stagionalità: 40 Winters esponenziale Previsioni Smoothing m periodo nel futuro: t livello L di serie. smoothing costante per i dati. y T nuova osservazione o valore attuale nel periodo t. smoothing costante per stima tendenza. b stima t tendenza. smoothing costante per stima stagionalità. S t stima componente stagionale. m Numero di periodi nella fase di induzione previsione. lunghezza s di stagionalità (numero di periodi nella stagione) previsti per m periodi nel futuro. 41 Winters esponenziale Come con Holts lineare di livellamento esponenziale, i pesi, e possono essere selezionati soggettivamente o minimizzando una misura di errore di previsione, come RMSE. Come con tutti i metodi di livellamento esponenziale, dobbiamo valori iniziali per i componenti per avviare l'algoritmo. Per avviare l'algoritmo, i valori iniziali per L t, la tendenza b t, e gli indici S t deve essere impostato. 42 Winters esponenziale Per determinare le prime stime degli indici di stagione abbiamo bisogno di usare almeno un dati completi stagioni (cioè s periodi).Pertanto, si inizializzare tendenza e livello al periodo di s. Inizializzare livello: inizializzare tendenza come Inizializza indici stagionali: 43 Winters esponenziale applicheremo il metodo Winters alle vendite della società Acme utensili. Il valore per is.4, il valore per is.1, e il valore per is.3. La costante livellamento attenua i dati per eliminare casualità. La costante livellamento leviga la tendenza nel set di dati. 44 Winters esponenziale la levigatura costante leviga la stagionalità nei dati. I valori iniziali per la lisciato serie L t, la tendenza T t, e l'indice S t stagionale devono essere impostati. 47 Additive Stagionalità La componente stagionale nel metodo Holt-Winters. Le equazioni di base per Holts inverni additivo metodo sono: 48 Additivo Stagionalità I valori iniziali per l s e B S sono identiche a quelle per il metodo moltiplicativo. Per inizializzare gli indici stagionali che usiamo