Tidsseriemetoder. Tidsseriemetoder är statistiska tekniker som använder sig av historiska data som samlats över en tidsperiod. Tidsseriemetoder antar att det som har inträffat i det förflutna kommer att fortsätta att ske i framtiden. Som namns tidsserier föreslår, hänför sig dessa metoder Prognosen till endast en faktor - tid De inkluderar glidande medelvärde, exponentiell utjämning och linjär trendlinje och de är bland de mest populära metoderna för prognoser för kortdistans mellan service - och tillverkningsföretag. Dessa metoder förutsätter att identifierbara historiska mönster eller trender för Efterfrågan över tiden kommer att upprepa sig. Möjlig medelvärde. En prognos för tidsserier kan vara så enkel som att använda efterfrågan under den aktuella perioden för att förutsäga efterfrågan under nästa period. Detta kallas ibland en naiv eller intuitiv prognos 4 Till exempel, om efterfrågan är 100 enheter Denna vecka är prognosen för nästa veckans efterfrågan 100 enheter om efterfrågan visar sig vara 90 enheter istället, då efterföljande veckas efterfrågan är 90 uni Ts och så vidare Denna typ av prognosmetod tar inte hänsyn till historiskt efterfrågan beteende som det endast bygger på efterfrågan under den aktuella perioden. Det reagerar direkt på de normala, slumpmässiga rörelserna i efterfrågan. Den enkla glidande metoden använder flera efterfrågningsvärden under Nyligen förflutet för att utveckla en prognos Detta tenderar att dämpa eller släta ut de slumpmässiga ökningarna och minskningarna av en prognos som endast använder en period. Det enkla glidande medlet är användbart för att förutse efterfrågan som är stabil och visar inte något uttalat efterfrågan beteende Som trend eller säsongsmönster. Flyttvärdena beräknas för specifika perioder, t ex tre månader eller fem månader beroende på hur mycket prognosen önskar släta efterfrågningsdata. Ju längre den glidande genomsnittliga perioden blir, desto smidare blir det. Formeln för Beräkning av det enkla rörliga genomsnittet betecknar ett enkelt rörligt medel. Instant Paper Clip Office Supply Company säljer och levererar kontorsmaterial till företag, skolor, en D-byråer inom en 50-mils radie av sitt lager Kontorsleveransverksamheten är konkurrenskraftig och möjligheten att snabbt leverera order är en faktor för att få nya kunder och att hålla gamla kontor. Normalt beställer de inte när de har låga leveranser men när de Helt slut Såsom ett resultat behöver de sina beställningar omedelbart. Företagets chef vill vara tillräckligt med förare och fordon finns tillgängliga för att leverera order utan dröjsmål och de har tillräcklig inventering i lager. Därför vill chefen kunna förutse numret Av beställningar som kommer att inträffa under nästa månad, dvs att förutse efterfrågan på leveranser. Från register över leveransorder har ledningen ackumulerat följande data under de senaste 10 månaderna, från vilken den vill beräkna 3- och 5-månaders glidande medelvärden. Låt oss anta att det är slutet av oktober Prognosen som följer av antingen 3- eller 5-månaders glidande medelvärde är typiskt för nästa månad i sekvensen, vilket i detta fall är N Ovember Det rörliga genomsnittet beräknas från efterfrågan på order under de föregående 3 månaderna i sekvensen enligt följande formel. 5-månaders glidande medelvärde beräknas från de föregående 5 månaderna av efterfrågningsdata enligt följande. 3- och 5- Månaders rörliga genomsnittliga prognoser för alla månader av efterfrågadata visas i följande tabell Faktum är att endast prognosen för november baserat på den senaste månatliga efterfrågan skulle användas av chefen. I de tidigare prognoserna för tidigare månader kan vi dock jämföra Prognos med den faktiska efterfrågan för att se hur exakt prognostiseringsmetoden är - det vill säga hur bra det gör. Tre och fem månadsmedelvärden. De genomsnittliga prognoserna i tabellen ovan har en tendens att släta ut variabiliteten i de faktiska uppgifterna. Detta Utjämningseffekt kan observeras i följande figur där 3-månaders - och 5-månadersgenomsnittet har överlagts på en graf av de ursprungliga data. Det 5-månaders rörliga genomsnittet i föregående siffra släpper ut fluktuationer I större utsträckning än 3 månaders glidande medelvärde. 3-månadersgenomsnittet återspeglar emellertid de senaste uppgifterna som finns tillgängliga för kontorsleverantörsansvarig. Generellt är prognoserna med hjälp av det längre glidande genomsnittet långsammare att reagera på de senaste förändringarna i Efterfrågan än de som gjordes med hjälp av kortare glidmedelvärden. De extra dataperioderna dämpar den hastighet som prognosen svarar på. Att fastställa lämpligt antal perioder att använda i ett glidande medelprognos kräver ofta en viss mängd försök och felaktigheter. Nackdelen med det glidande medelvärdet är att det inte reagerar på variationer som uppstår av en anledning, till exempel cykler och säsongseffekter. Faktorer som orsakar förändringar ignoreras generellt Det är i princip en mekanisk metod som speglar historiska data på ett konsekvent sätt. Den glidande genomsnittliga metoden har fördelen att det är lätt att använda, snabbt och relativt billigt. Generellt kan denna metod ge en bra forec Ast i den korta tiden, men det bör inte skjutas för långt in i framtiden. Vägt rörligt medelvärde. Den glidande genomsnittliga metoden kan justeras för att bättre reflektera fluktuationer i data. I den viktade glidande metoden används vikter till de mest Senaste data enligt följande formel. Efterfrågadata för PM Computer Services som visas i tabellen för Exempel 10 3 verkar följa en ökande linjär trend Företaget vill beräkna en linjär trendlinje för att se om den är mer exakt än exponentiell utjämning Och justerade exponentiella utjämningsprognoser som utvecklats i exempel 10 3 och 10 4. De värden som krävs för minsta kvadratberäkningarna är följande. Med dessa värden beräknas parametrarna för linjär trendlinje enligt följande. Därför är linjär trendlinjekvation. Till beräkna en prognos för period 13, släpp x 13 i linjär trendlinje. Nedanstående diagram visar linjär trendlinje jämfört med aktuella data. Trendslinjen verkar r Täta de faktiska uppgifterna noga - det vill säga vara bra - och skulle därför vara en bra prognosmodell för detta problem. En nackdel med den linjära trenderlinjen är att den inte kommer att anpassa sig till en förändring i trenden, Som exponentiell utjämning prognosmetoder kommer det att antas att alla framtida prognoser kommer att följa en rak linje Detta begränsar användningen av denna metod till en kortare tidsram där du kan vara relativt säker på att trenden inte kommer att förändras. Årliga justeringar . Ett säsongsmönster är en repetitiv ökning och minskad efterfrågan Många efterfrågade föremål uppvisar säsongsbeteende Klädförsäljningen följer årliga säsongsmönster, med efterfrågan på varma kläder ökar på hösten och vintern och sjunker under våren och sommaren då efterfrågan på kallare kläder ökar Efterfrågan på många detaljhandelsvaror, inklusive leksaker, sportutrustning, kläder, elektroniska apparater, skinkor, kalkoner, vin och frukt, ökar under semesterperioden. Sammanfogning med speciella dagar som Alla hjärtans dag och mors dag Säsongsmönster kan också ske varje månad, varje vecka eller till och med dagligen. Några restauranger har högre efterfrågan på kvällen än vid lunch eller på helgerna i motsats till vardagar Trafik - därmed Försäljning - på köpcentra hämtar på fredag och lördag. Det finns flera metoder för att reflektera säsongsbetonade mönster i en tidsserieprognos Vi beskriver en av de enklare metoderna med hjälp av en säsongsfaktor En säsongsfaktor är ett numeriskt värde som multipliceras med Normal prognos för att få en säsongrensad prognos. En metod för att utveckla en efterfrågan på säsongsmässiga faktorer är att dela efterfrågan på varje säsongperiod med den totala årliga efterfrågan enligt följande formel. De resulterande säsongsfaktorerna mellan 0 och 1 0 är i Effekt, den del av den totala årliga efterfrågan som tilldelas varje säsong Dessa säsongsfaktorer multipliceras med den årliga prognostiserade efterfrågan för att ge anpassade prognoser för varje säsong En prognos med säsongsjusteringar. Wishbone Farms växer kalkoner att sälja till ett köttbearbetningsföretag under hela året Men högsäsongen är uppenbarligen under fjärde kvartalet, från oktober till december har Wishbone Farms upplevt efterfrågan på kalkoner för Senaste tre åren som visas i följande tabell. Eftersom vi har tre års efterfrågadata kan vi beräkna säsongsfaktorerna genom att dela den totala kvartalsbehovet för de tre åren med total efterfrågan under alla tre år. Nästan vi vill multiplicera den prognostiserade efterfrågan För det närmaste året 2000 av varje säsongsfaktor för att få den prognostiserade efterfrågan för varje kvartal För att uppnå detta behöver vi en efterfrågan för 2000 I det här fallet, eftersom efterfrågadata i tabellen tycks uppvisa en generellt ökande trend , Beräknar vi en linjär trendlinje för treåren av data i tabellen för att få en grov prognosestimat. Däremot är prognosen för 2000 58 17 eller 58 170 kalkoner. Användning av denna årliga prognos om Efterfrågan, de säsongrensade prognoserna, SF i, för år 2000 är att jämföra dessa kvartalsprognoser med de faktiska efterfrågningsvärdena i tabellen, de verkar vara relativt goda prognosberäkningar, vilket återspeglar både säsongsvariationerna i data och den allmänna uppåtgående trenden.10 -12 Hur är den glidande medelmetoden som liknar exponentiell utjämning.10-13 Vilken effekt på exponentiell utjämningsmodell kommer att öka utjämningskonstanten har.10-14 Hur skiljer sig den justerade exponentiella utjämningen från exponentiell utjämning.10-15 Vad bestämmer valet Av utjämningskonstanten för trend i en justerad exponentiell utjämningsmodell.10-16 I kapitelexemplen för tidsseriemetoder antogs startprognosen alltid vara densamma som den faktiska efterfrågan under den första perioden. Föreslå andra sätt att startprognosen kan Kan härledas i själva användningen.10-17 Hur skiljer sig linjär trendlinjeprognosmodell från en linjär regressionsmodell för prognos.10-18 Av tidsserien mo Dels presenteras i detta kapitel, inklusive det glidande medelvärdet och det vägda glidande medlet, exponentiell utjämning och justerad exponentiell utjämning och linjär trendlinje, vilken anser du bäst Why.10-19 Vilka fördelar har justerad exponentiell utjämning över en linjär trend Linje för prognostiserad efterfrågan som uppvisar en trend.4 KB Kahn och JT Mentzer, prognos på konsument - och industrimarknaderna, tidningen för företagsprognos 14, nr 2 Sommar 1995 21-28.MAT 540 Vecka 4 Läxproblem, kapitel 15.MAT 540 Vecka 4 Hemläsning Kapitel 15 1 Chefen för Carpet City-utloppet behöver göra en exakt prognos om efterfrågan på Soft Shag-mattor, den största säljaren Om chefen inte beställer tillräckligt mycket matta från mattan, kommer kunderna att köpa sin matta från en av Carpet City s många konkurrenter Chefen har samlat in följande efterfrågningsdata under de senaste 8 månaderna Månad Efterfrågan på Soft Shag Matta 1000 m 1 10 2 9 3 8 4 9 5 10 6 12 7 14 8 11.a Beräkna en 3-m Beräkna genomsnittlig prognos för månaderna 4 till 9 b Beräkna en vägd 3-månaders glidande medelprognos för månaderna 4 till 9 Ange vikter på 0 55, 0 35 och 0 10 till månaderna i följd, från och med den senaste månaden c Jämför De två prognoserna med hjälp av MAD Vilken prognos verkar vara mer exakt 2 Chefen för Petroco Service Station vill prognostisera efterfrågan på blyfri bensin nästa månad så att rätt antal gallon kan beställas från distributören Ägaren har ackumulerat följande Data om efterfrågan på blyfri bensin från försäljningen under de senaste 10 månaderna månad bensin efterfrågad gal oktober 775 november 835 december 605 januari 450 februari 600 mars 700 april 820 maj 925 juni 1,500 juli 1,200 a Beräkna en exponentiellt jämn prognos med ett värde av 0 40 B Beräkna MAPD 3 Emily Andrews har investerat i en fond för vetenskap och teknik Nu överväger hon att likvida och investera i en annan fond. Hon skulle vilja förutse t Han priset för vetenskaps - och teknologifonden för nästa månad innan han fattar ett beslut. Hon har samlat in följande uppgifter om fondens genomsnittliga pris under de senaste 20 månaderna. Månad Fond Pris 1 55 3 4 2 54 1 4 3 55 1 8 4 58 1 8 5 53 3 8 6 51 1 8 7 56 1 4 8 59 5 8 9 62 1 4 10 59 1 4 11 62 3 8 12 57 1 1 13 58 1 8 14 62 3 4 15 64 3 4 16 66 1 8 17 68 3 4 18 60 5 19 65 875 20 72 25 a Med ett 3-månadsmedelvärde, prognostiserar fondpriset för månad 21 b Med ett 3 månaders vägt genomsnitt med den senaste månaden vägde 0 50, nästa senast Månadvägd 0 30 och den tredje månaden viktade 0 20, prognostiserar fondpriset för månad 21 c Beräkna en exponentiellt jämn prognos med 0 30 och prognostiser fondpriset för månad 21 d Jämför prognoserna i a, b och c , Med hjälp av MAD, och indikerar den mest exakta 4 Carpet City vill utveckla ett sätt att förutse sin mattaförsäljning. Affärshandläggaren anser att butikens försäljning är direkt relaterad till antalet nya bostäder RTS i staden Chefen har samlat in uppgifter från länsrekord om månatliga husbyggnadslicenser och från affärsrekord om månadsförsäljning. Dessa uppgifter är följande Månadsdräkt Försäljning 1 000 m Månadsbyggnadstillstånd 9 17 14 25 10 8 12 7 15 14 9 7 24 45 21 19 20 28 29 2 a Utveckla en linjär regressionsmodell för dessa data och förutse matträttsförsäljningen om 30 bygglov för nya bostäder lämnas in b Fastställ styrkan i orsakssambandet mellan månadsförsäljning och nybyggnad genom att använda korrelation 5 Chefen för Gilleys Ice Cream Parlor behöver en exakt prognos för efterfrågan på glass Butiken beställer glass från en distributör en vecka framåt om butiken beställer för lite, det förlorar affärer, och om det beställer för mycket måste extraet kastas bort Chefen anser att en viktig determinant av glassförsäljningen är temperaturen, dvs ju varmare vädret desto mer glass människor köper. Med en almanacka har chefen bestämt den genomsnittliga dagtidstemperaturen Eratur i 14 veckor väljas slumpmässigt och från butiksrekord har han bestämt isförbrukningen för samma 14 veckor. Dessa data sammanfattas enligt följande Veck Genomsnittlig islag Sold grad gal 1 68 80 2 70 115 3 73 91 4 79 87 5 77 110 6 82 128 7 85 164 8 90 178 9 85 144 10 92 179 11 90 144 12 95 197 13 80 144 14 75 123 a Utveckla en linjär regressionsmodell för dessa data och förutse isförbrukningen om genomsnittet per vecka Dagtemperaturen förväntas vara 85 grader b. Bestäm styrkan i det linjära förhållandet mellan temperatur och iskonsumtion genom att använda korrelation.6 Ange bestämningskoefficienten för data i Problem 5 och förklara dess betydelse RELATERADE PRODUKTER. Lärande programmeringsfall, Chip Company. Linear Programming Case Study, Rayhoon Restaurant. Linear Programmering Fallstudie, Portföljchef XYZ Investment. Moving Average Forecasting. Introduction Som du kanske antar vi tittar på några av de mest primitiva ap Proaches för prognoser Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem 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. Med glidande medelprognoser oavsett om de tror att de är Alla högskolestudenter gör dem hela tiden Tänk på dina testresultat i en kurs där du ska ha fyra tester under semestern. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat. Vad tycker du att din lärare skulle förutsäga för nästa testresultat. Vad tycker du att dina vänner kan förutsäga för nästa testresultat. Vad tycker du att dina föräldrar kan förutsäga för nästa test? Poäng. Oavsett vilken blabbing du kan göra för dina vänner och föräldrar, förväntas de och din lärare troligen att du får något i området för 85 fick du bara. Nåväl, låt oss antaga att trots din självbefrämjande till dina vänner överskattar du dig själv och räknar att du kan studera mindre för det andra testet och så får du en 73. Nu vad är det för alla De berörda och oroade kommer att förutse att du kommer att få ditt tredje test Det finns två mycket troliga metoder för att de ska kunna 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 är lycklig. Kanske föräldrarna kommer att försöka vara mer stödjande och säga, ja, hittills har du fått en 85 och en 73, så kanske du ska räkna med att få en 85 73 2 79 Jag vet inte, kanske om du gjorde mindre fest och var inte att väga vassan 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 Ance Detta kallas en rörlig genomsnittlig prognos 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 Att göra det bra på det tredje testet av dina egna skäl och att lägga ett högre poäng framför dina allierade. Du tar testet och din poäng är faktiskt en 89. Alla, inklusive dig själv, är imponerade. Nu har du det slutliga testet av Semestern kommer 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. Whistle medan vi jobbar Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster som heter Whistle While we Work Du har några tidigare försäljningsdata representerade av följande avsnitt från ett kalkylblad Vi presenterar först data för en tre period movi Ng genomsnittlig prognos. Inträdet 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 bör också märka 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 i nästa Webbsida för att mäta prediktionsgiltighet. 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 Endast de två senaste bitarna av historiska data används för varje förutsägelse. Igen har jag inkluderat de tidigare förutsägelserna för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker S som är av betydelse för att notera. För en m-periods rörlig genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-period som rör en genomsnittlig prognos, märker du 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 rörlig genomsnittsfunktion Nu behöver vi utveckla koden för den glidande medelprognosen som kan användas mer flexibelt Koden följer Meddelande 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. Funktion FlyttaAverage Historiskt, AntalOfPerioder Som Enklara och initialisera variabler Dim Objekt Som Variant Dim Counter As 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. 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.
No comments:
Post a Comment