การย้าย ค่าเฉลี่ย วิธี การ คาดการณ์ การขาย

การย้ายการคาดการณ์เชิงปริมาณเฉลี่ย ตามที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างที่คาดการณ์ไว้ แต่หวังว่าสิ่งเหล่านี้เป็นการนำเสนอที่คุ้มค่าสำหรับปัญหาด้านคอมพิวเตอร์บางส่วนที่เกี่ยวข้องกับการใช้การคาดการณ์ในสเปรดชีต ในหลอดเลือดดำนี้เราจะดำเนินการต่อโดยการเริ่มต้นตั้งแต่เริ่มต้นและเริ่มทำงานกับการคาดการณ์ Moving Average การย้ายการคาดการณ์เฉลี่ย ทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่า นักศึกษาทุกคนทำแบบฝึกหัดตลอดเวลา ลองนึกถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณจะมีการทดสอบสี่ครั้งระหว่างภาคการศึกษา ให้สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกของคุณ คุณคาดหวังอะไรสำหรับคะแนนการทดสอบที่สองของคุณคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดอย่างไรว่าเพื่อนของคุณอาจคาดเดาคะแนนการทดสอบครั้งต่อไปคุณคิดว่าพ่อแม่ของคุณคาดการณ์คะแนนการทดสอบต่อไปได้ไม่ว่า การทำร้ายทั้งหมดที่คุณอาจทำกับเพื่อนและผู้ปกครองของคุณพวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตด้วยตัวคุณเองกับเพื่อน ๆ ของคุณคุณสามารถประเมินตัวเองและคิดว่าคุณสามารถเรียนได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้สิ่งที่ทุกอย่างที่เกี่ยวข้องและไม่แยแสไป คาดว่าคุณจะได้รับการทดสอบครั้งที่สามมีสองแนวทางที่น่าจะเป็นไปได้สำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงว่าพวกเขาจะแบ่งปันกับคุณหรือไม่ พวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับความฉลาดของเขา เขาจะได้รับอีก 73 ถ้าเขาโชคดี บางทีพ่อแม่จะพยายามสนับสนุนและพูด quotWell เพื่อให้ห่างไกลได้รับ 85 และ 73 ดังนั้นคุณควรคิดเกี่ยวกับการเกี่ยวกับ (85 73) 2 79 ฉันไม่รู้ว่าบางทีถ้าคุณไม่ปาร์ตี้ และเหวี่ยงพังพอนไปทั่วสถานที่และถ้าคุณเริ่มต้นทำมากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงขึ้นทั้งสองประมาณการเหล่านี้เป็นจริงการคาดการณ์เฉลี่ยย้าย อันดับแรกใช้คะแนนล่าสุดของคุณเพื่อคาดการณ์ประสิทธิภาพในอนาคตของคุณเท่านั้น นี่เรียกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลระยะเวลาหนึ่ง ข้อที่สองเป็นค่าพยากรณ์เฉลี่ยเคลื่อนที่ แต่ใช้ข้อมูลสองช่วง ให้สมมติว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการแบ่งประเภทของคุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในด้านหน้าของ quotalliesquot ของคุณ คุณใช้การทดสอบและคะแนนของคุณเป็นจริง 89 ทุกคนรวมทั้งตัวคุณเองเป็นที่ประทับใจ ดังนั้นตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคการศึกษาที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์เกี่ยวกับวิธีที่คุณจะทำในการทดสอบครั้งล่าสุด ดีหวังว่าคุณจะเห็นรูปแบบ ตอนนี้หวังว่าคุณจะเห็นรูปแบบนี้ คุณเชื่อว่าเป็นนกหวีดที่ถูกต้องที่สุดในขณะที่เราทำงาน ตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ของเราซึ่งเริ่มต้นโดยพี่สาวที่แยกกันอยู่ของคุณชื่อ Whistle While We Work คุณมีข้อมูลการขายในอดีตที่แสดงโดยส่วนต่อไปนี้จากสเปรดชีต ก่อนอื่นเราจะนำเสนอข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วง รายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11 แจ้งให้ทราบว่าค่าเฉลี่ยย้ายผ่านข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้ง นอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเรา นี้แน่นอนแตกต่างจากแบบจำลองการเรียบเรียงชี้แจง Ive รวมการคาดคะเนของคำพูดราคาตลาดเนื่องจากเราจะใช้คำเหล่านี้ในหน้าเว็บถัดไปเพื่อวัดความถูกต้องในการคาดการณ์ ตอนนี้ฉันต้องการนำเสนอผลที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วง รายการสำหรับเซลล์ C5 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11 แจ้งให้ทราบว่าขณะนี้มีเพียงข้อมูลล่าสุดสองชิ้นที่ใช้ล่าสุดในการคาดการณ์เท่านั้น อีกครั้งฉันได้รวมการคาดคะเน quotpost เพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์ บางสิ่งบางอย่างอื่นที่มีความสำคัญที่จะแจ้งให้ทราบล่วงหน้า สำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ m-period เฉพาะค่าข้อมูลล่าสุดของ m ที่ใช้ในการคาดคะเนเท่านั้น ไม่มีอะไรอื่นที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-period เมื่อทำนายการคาดการณ์ของ quotpast ให้สังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1 ทั้งสองประเด็นนี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเรา การพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาโค้ดสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้น รหัสดังต่อไปนี้ โปรดทราบว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์ คุณสามารถเก็บไว้ในสมุดงานที่คุณต้องการ Function MovingAverage (Historical, NumberOfPeriods) ในฐานะ Single Declaring และ Initializing ตัวแปร Dim Item As Variant Dim Counter เป็นจำนวนเต็ม Integer Dim Single Dim HistoricalSize As Integer ตัวแปรที่ Initializing ตัวแปร Counter 1 สะสม 0 การกำหนดขนาดของอาร์เรย์ Historical HistoricalSize Historical. Count สำหรับ Counter 1 ถึง NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้ล่าสุด Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในคลาส คุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลของการคำนวณปรากฏขึ้นที่ควรทำดังนี้วิธีที่ง่ายที่สุดคือใช้เวลาเฉลี่ยในเดือนมกราคมถึงเดือนมีนาคมและใช้ข้อมูลดังกล่าวในการประมาณการยอดขายเมษายน8217: (129 134 122) 3 128.333 ดังนั้นจากยอดขายในเดือนมกราคมถึงเดือนมีนาคมคุณคาดการณ์ว่ายอดขายในเดือนเมษายนจะเท่ากับ 128,333 เมื่อยอดขายที่เกิดขึ้นในเดือนเมษายน 198217 มาแล้วคุณจะคำนวณการคาดการณ์สำหรับเดือนพฤษภาคมโดยใช้กุมภาพันธ์ถึงเดือนเมษายน คุณต้องสอดคล้องกับจำนวนงวดที่คุณใช้ในการย้ายการคาดการณ์โดยเฉลี่ย จำนวนรอบระยะเวลาที่คุณใช้ในการคาดการณ์โดยเฉลี่ยที่เคลื่อนที่ของคุณโดยพลการคุณสามารถใช้เพียงสองช่วงเวลาหรือห้าหรือหกช่วงเวลาที่คุณต้องการสร้างการคาดการณ์ของคุณ วิธีการข้างต้นเป็นค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย บางครั้งยอดขายเดือนที่ผ่านมา 823 อาจเป็นแรงผลักดันที่แข็งแกร่งในยอดขายเดือนที่ผ่านมา 82 ปีดังนั้นคุณจึงต้องการให้น้ำหนักที่ใกล้ถึงเดือนนี้มากขึ้นในรูปแบบการคาดการณ์ของคุณ นี่คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก และเช่นเดียวกับจำนวนรอบระยะเวลาน้ำหนักที่คุณกำหนดจะหมดสิทธิ์โดยพลการ Let8217s กล่าวว่าคุณต้องการให้ยอดขายเดือนมีนาคม 8217s 50 น้ำหนักกุมภาพันธ์ 8217s 30 น้ำหนักและ January8217s 20 แล้วคาดการณ์ของคุณสำหรับเมษายนจะ 127,000 (122.50) (134.30) (129.20) 127 ข้อ จำกัด ของค่าเฉลี่ยเคลื่อนที่วิธีการคำนวณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยเป็น 8220smoothing8221 forecast technique เนื่องจากคุณใช้เวลาโดยเฉลี่ยเมื่อเวลาผ่านไปคุณจึงอ่อนตัว (หรือทำให้เรียบ) ผลกระทบจากการเกิดขึ้นที่ไม่สม่ำเสมอภายในข้อมูล เป็นผลให้ผลกระทบของฤดูกาลวงจรธุรกิจและเหตุการณ์สุ่มอื่น ๆ สามารถเพิ่มข้อผิดพลาดในการคาดการณ์ได้อย่างมาก ดูข้อมูลทั้งหมดของปีปี8217และเปรียบเทียบค่าเฉลี่ยเคลื่อนที่ 3 ช่วงและค่าเฉลี่ยเคลื่อนที่ 5 ช่วงคือสังเกตว่าในกรณีนี้ที่ไม่ได้สร้างการคาดการณ์ แต่ให้เน้นที่ค่าเฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่เป็นเวลา 3 เดือนแรกของเดือนกุมภาพันธ์และเฉลี่ยเดือนมกราคมกุมภาพันธ์และมีนาคมโดยเฉลี่ย ฉันยังทำเหมือนกันสำหรับค่าเฉลี่ย 5 เดือน ตอนนี้ดูกราฟต่อไปนี้: คุณเห็นอะไรบ้างไม่ใช่ชุดค่าเฉลี่ยเคลื่อนที่ 3 เดือนที่นุ่มนวลกว่าชุดการขายที่เกิดขึ้นจริงและค่าเฉลี่ยเคลื่อนที่ 5 เดือนของ It8217s ยังราบรื่นมากเพียงใด ดังนั้นช่วงเวลาที่คุณใช้ในค่าเฉลี่ยเคลื่อนที่ของคุณยิ่งเพิ่มมากขึ้น ดังนั้นสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่แบบเรียบอาจไม่ใช่วิธีที่ถูกต้องที่สุด การย้ายวิธีเฉลี่ยจะเป็นประโยชน์อย่างมากเมื่อคุณพยายามดึงส่วนประกอบตามฤดูกาลไม่สม่ำเสมอและวัฏจักรของชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงเช่นการถดถอยและ ARIMA และการใช้ค่าเฉลี่ยเคลื่อนที่ในการสลายตัวชุดข้อมูลเวลาจะได้รับการแก้ไขในภายหลัง ในชุด การกำหนดความถูกต้องของโมเดลเฉลี่ยเคลื่อนที่โดยทั่วไปคุณต้องการวิธีการคาดการณ์ที่มีข้อผิดพลาดน้อยที่สุดระหว่างผลลัพธ์จริงและที่คาดการณ์ไว้ หนึ่งในมาตรการที่ใช้บ่อยที่สุดในการพยากรณ์ความถูกต้องคือค่า Mean Absolute Deviation (MAD) ในวิธีนี้สำหรับแต่ละช่วงเวลาในชุดข้อมูลเวลาที่คุณสร้างการคาดการณ์คุณจะใช้ค่าสัมบูรณ์ของความแตกต่างระหว่างค่าที่แท้จริงและที่คาดการณ์ไว้ของ period8217s (ส่วนเบี่ยงเบน) จากนั้นคุณจะเฉลี่ยค่าเบี่ยงเบนสัมบูรณ์เหล่านี้และคุณจะได้รับการวัด MAD MAD อาจเป็นประโยชน์ในการตัดสินใจเกี่ยวกับจำนวนงวดที่คุณเฉลี่ยและหรือจำนวนน้ำหนักที่คุณวางไว้ในแต่ละช่วงเวลา โดยทั่วไปคุณเลือกหนึ่งที่มีผลใน MAD ต่ำสุด Here8217 เป็นตัวอย่างของการคำนวณ MAD: MAD เป็นค่าเฉลี่ยของ 8, 1 และ 3 ค่าเฉลี่ยเคลื่อนที่: Recap เมื่อใช้ค่าเฉลี่ยเคลื่อนที่สำหรับการคาดการณ์โปรดจำไว้ว่าค่าเฉลี่ยที่เคลื่อนที่ได้ง่ายหรือมีการถ่วงน้ำหนักจำนวนรอบที่คุณใช้สำหรับ ค่าเฉลี่ยและน้ำหนักใด ๆ ที่คุณกำหนดให้กับแต่ละอย่างเคร่งครัดโดยพลการย้ายค่าเฉลี่ยเรียบรูปแบบที่ไม่สม่ำเสมอในชุดข้อมูลชุดเวลาที่มีขนาดใหญ่จำนวนรอบระยะเวลาที่ใช้สำหรับแต่ละจุดข้อมูลมากขึ้นผลราบเรียบเนื่องจากการเรียบคาดการณ์ยอดขายเดือนถัดไป 8282s ขึ้นอยู่กับ ยอดขายล่าสุดของเดือนที่ผ่านมาไม่กี่เดือนอาจส่งผลให้เกิดการเบี่ยงเบนขนาดใหญ่เนื่องจากรูปแบบตามฤดูกาลวัฏจักรและรูปแบบที่ไม่สม่ำเสมอในข้อมูลและความสามารถในการปรับให้เรียบของวิธีเฉลี่ยที่เคลื่อนที่จะเป็นประโยชน์ในการสลายชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงขึ้น สัปดาห์ถัดไป: การจัดแจงแบบสม่ำเสมอในสัปดาห์หน้า เราจะหารือเกี่ยวกับวิธีการทำให้เรียบแบบเสี้ยวและคุณจะเห็นว่าพวกเขาสามารถไกลกว่าวิธีการพยากรณ์การเคลื่อนไหวเฉลี่ย ยังคง don8217t รู้ว่าทำไมโพสต์วันศุกร์พยากรณ์ของเราจะปรากฏในวันพฤหัสบดีที่ค้นหาที่: tinyurl26cm6ma เช่นนี้: โพสต์นำทางปล่อยให้ตอบยกเลิกการตอบฉันมี 2 คำถาม: 1) คุณสามารถใช้วิธี MA centered เพื่อคาดการณ์หรือเพียงเพื่อลบ seasonality 2) เมื่อ คุณใช้ t (t-1t-2t-k) ที่ง่ายในการคาดการณ์ระยะหนึ่งล่วงหน้าคุณสามารถคาดการณ์ได้มากกว่า 1 รอบระยะเวลาข้างหน้าที่ฉันเดาแล้วการคาดการณ์ของคุณจะเป็นหนึ่งในจุดให้อาหารในถัดไป ขอบคุณ รักข้อมูลและคำอธิบายของคุณ I8217m ดีใจที่คุณชอบบล็อก I8217m แน่ใจว่านักวิเคราะห์หลายคนใช้วิธี MA ที่เน้นการคาดการณ์ แต่ส่วนตัวแล้วฉันจะไม่เนื่องจากวิธีการดังกล่าวทำให้สูญเสียการสังเกตที่ปลายทั้งสอง นี้จริงแล้วความสัมพันธ์ในคำถามที่สองของคุณ โดยทั่วไปแล้ว MA แบบธรรมดาใช้ในการคาดการณ์ล่วงหน้าเพียงระยะเวลาเดียว แต่นักวิเคราะห์หลายคน 8211 และฉันก็อาจใช้การคาดการณ์ล่วงหน้าหนึ่งรอบของฉันเป็นหนึ่งในปัจจัยการผลิตไปยังช่วงที่สองข้างหน้า It8217s สำคัญที่ต้องจำไว้ว่ายิ่งไปกว่านั้นในอนาคตที่คุณพยายามคาดการณ์ความเสี่ยงของการคาดการณ์ความผิดพลาดมากขึ้น นี่คือเหตุผลที่ผมไม่แนะนำให้ Center for MA ทำนาย 8211 การสูญเสียข้อสังเกตในตอนท้ายหมายถึงต้องพึ่งพาการคาดการณ์สำหรับการสังเกตที่หายไปรวมถึงระยะเวลาข้างหน้าดังนั้นจึงมีโอกาสเกิดข้อผิดพลาดในการคาดการณ์มากขึ้น ผู้อ่าน: you8217 เชิญชวนให้ชั่งน้ำหนักในเรื่องนี้ คุณมีความคิดเห็นหรือคำแนะนำเกี่ยวกับ Brian นี้ขอบคุณสำหรับความคิดเห็นและคำชมเชยของคุณในบล็อกความคิดริเริ่มที่ดีและคำอธิบายที่ดี It8217s เป็นประโยชน์จริงๆ ฉันคาดการณ์แผงวงจรพิมพ์ที่กำหนดเองสำหรับลูกค้าที่ไม่ให้การคาดการณ์ใด ๆ ฉันใช้ค่าเฉลี่ยเคลื่อนที่ แต่ไม่ค่อยถูกต้องเนื่องจากอุตสาหกรรมสามารถขึ้นและลงได้ เราเห็นต่อกลางฤดูร้อนสิ้นปีที่ pcb8217s ส่งขึ้น จากนั้นเราจะเห็นจุดเริ่มต้นของปีช้าลง ฉันจะถูกต้องมากขึ้นด้วยข้อมูลของฉัน Katrina จากสิ่งที่คุณบอกฉันปรากฏการขายแผงวงจรพิมพ์ของคุณมีองค์ประกอบตามฤดูกาล ฉันจะกล่าวถึงฤดูกาลในบางส่วนของโพสต์วันศุกร์พยากรณ์อื่น ๆ อีกวิธีหนึ่งที่คุณสามารถใช้ซึ่งเป็นเรื่องที่ง่ายมากคืออัลกอริทึม Holt-Winters ซึ่งคำนึงถึงฤดูกาล คุณสามารถหาคำอธิบายได้ที่นี่ อย่าลืมกำหนดว่ารูปแบบตามฤดูกาลของคุณเป็นแบบทวีคูณหรือแบบเพิ่มหรือไม่เนื่องจากอัลกอริทึมจะแตกต่างกันเล็กน้อยสำหรับแต่ละรูปแบบ หากคุณวางแผนข้อมูลรายเดือนของคุณจากไม่กี่ปีและพบว่าการเปลี่ยนแปลงตามฤดูกาลในช่วงเวลาเดียวกันของปีดูเหมือนจะเป็นปีที่คงที่ต่อปีจากนั้นฤดูกาลจะเพิ่มขึ้นหากการเปลี่ยนแปลงตามฤดูกาลในช่วงเวลาดูเหมือนจะเพิ่มขึ้นแล้วฤดูกาลคือ คูณ ชุดเวลาตามฤดูกาลส่วนใหญ่จะเป็นจำนวนทวีคูณ หากมีข้อสงสัยให้สมมติ multiplicative สวัสดีสวัสดี, ระหว่างวิธีการดังกล่าว:. พยากรณ์ Nave การอัพเดตค่าเฉลี่ย ค่าเฉลี่ยเคลื่อนที่ของความยาว k ค่าเฉลี่ยถ่วงน้ำหนักโดยเฉลี่ยของความยาว k หรือ Exponential Smoothing รูปแบบการอัปเดตใดที่คุณแนะนำให้ฉันใช้เพื่อคาดการณ์ข้อมูลสำหรับความคิดของฉันฉันคิดถึง Moving Average แต่ขึ้นอยู่กับปริมาณและคุณภาพของข้อมูลที่คุณมีและเส้นขอบฟ้าของการคาดการณ์ของคุณ (ระยะยาวระยะกลางหรือระยะสั้น) 2.4: แนวโน้มและองค์ประกอบตามฤดูกาล Fore 133 . คำเตือนในอดีตที่มีการคุกคามอันตรายที่เลวร้ายที่สุดและความไม่แน่นอนที่ดีที่สุดต่อผู้ที่อยู่ในช่วงที่มีศักยภาพ นักแสดง 133 ทำหน้าที่เป็นกระสุนไปยังที่มองไม่เห็นและมักไม่รู้จักภายใต้การพยากรณ์อากาศที่หลอกลวง . คำเตือนสำหรับผู้ที่ใช้มัน สารภาพความไม่แน่นอน (หรือหลอกลวง) โดยผู้ที่สร้างมัน ทอมบราวน์ในการพยากรณ์ส่วนใหญ่ 2.1: Introduction to Forecasting แม้ว่าวิธีการเชิงปริมาณของธุรกิจสามารถศึกษาได้ว่าเป็นโมดูลที่เป็นอิสระ แต่ผมเชื่อว่าเป็นสิ่งที่เหมาะสมที่ข้อความจะวางเนื้อหาพยากรณ์ไว้หลังจากที่ทำ การวิเคราะห์การตัดสินใจ จำได้ว่าในปัญหาการวิเคราะห์การตัดสินใจของเราสถานะของธรรมชาติโดยทั่วไปหมายถึงระดับความต้องการที่แตกต่างกันหรือตัวแปรอื่น ๆ ที่ไม่รู้จักในอนาคต การคาดการณ์ด้วยการวัดความถูกต้องหรือความน่าเชื่อถือบางประการสิ่งที่ระดับความต้องการเหล่านี้จะเป็นประเด็นถัดไปของเรา การคาดการณ์มากกว่าการอนุมานอย่างง่ายของข้อมูลที่ผ่านมาในอนาคตด้วยสูตรทางคณิตศาสตร์หรือการรวบรวมแนวโน้มจากผู้เชี่ยวชาญ 139 การคาดการณ์เป็นกลไกของการมาถึงมาตรการในการวางแผนอนาคต เมื่อทำอย่างถูกต้องพวกเขาให้เส้นทางการตรวจสอบและวัดความถูกต้องของพวกเขา เมื่อไม่ได้ทำอย่างถูกต้องพวกเขาเตือนเราจาก Tom Browns สลายที่ชาญฉลาดของคำซ้ำที่เปิดบันทึกย่อเหล่านี้ การคาดการณ์ไม่เพียง แต่ช่วยให้เราสามารถวางแผนพวกเขาช่วยให้เราประหยัดค่าใช้จ่ายผมทราบ บริษัท หนึ่งที่ลดการลงทุนในสินค้าคงคลังจาก 28 ล้านเป็น 22 ล้านรายโดยใช้วิธีการคาดการณ์อย่างเป็นทางการซึ่งลดข้อผิดพลาดในการคาดการณ์ลง 10 นี่เป็นตัวอย่างของการคาดการณ์ ช่วยให้ บริษัท ผลิตภัณฑ์สามารถแทนที่สินค้าคงคลังด้วยข้อมูลซึ่งไม่เพียงช่วยประหยัดเงิน แต่ช่วยปรับปรุงการตอบสนองและบริการของลูกค้า เมื่อเราใช้การคาดการณ์คำในหลักสูตรวิธีการเชิงปริมาณเราโดยทั่วไปหมายถึงวิธีการคาดการณ์เชิงปริมาณเชิงปริมาณ โมเดลเหล่านี้มีความเหมาะสมเมื่อ: 1) ข้อมูลที่ผ่านมาเกี่ยวกับตัวแปรที่คาดว่าจะสามารถใช้ได้ 2) ข้อมูลสามารถวัดได้และ 3) สันนิษฐานว่ารูปแบบในข้อมูลที่ผ่านมาจะเป็นไปในอนาคต หากข้อมูลทางประวัติศาสตร์ถูก จำกัด ไว้สำหรับค่าที่ผ่านมาของตัวแปรการตอบสนองที่น่าสนใจขั้นตอนการพยากรณ์จะเรียกว่าวิธีการแบบอนุกรมเวลา ตัวอย่างเช่นการคาดการณ์การขายจำนวนมากขึ้นอยู่กับวิธีการแบบคลาสสิกที่เราจะกล่าวถึงในโมดูลนี้ เมื่อการคาดการณ์ขึ้นอยู่กับการขายในอดีตเรามีการคาดการณ์ชุดข้อมูลอนุกรมเวลา ข้อสังเกตด้านข้าง: แม้ว่าผมจะบอกว่ายอดขายสูงกว่าเมื่อใดก็ตามที่เป็นไปได้เราพยายามคาดการณ์ยอดขายตามความต้องการที่ผ่านมาแทนที่จะเป็นยอดขาย 138 สมมติว่าคุณเป็นเจ้าของร้านเสื้อยืดที่ชายหาด คุณมีเสื้อยืดฤดูใบไม้ผลิ 2000 Spring Break 2000 เตรียมตัวให้พร้อมสำหรับ Spring Break สมมติว่า 110 Spring Breakers เข้าร้านของคุณเพื่อซื้อเสื้อยืด Spring Break 2000 การขายของคุณมีอะไรถูกต้อง 100 แต่ความต้องการของคุณคืออะไรใช่มั้ย 110. คุณต้องการใช้ตัวเลขความต้องการมากกว่าตัวเลขยอดขายในการเตรียมตัวสำหรับปีหน้าเนื่องจากตัวเลขยอดขายไม่สามารถจับภาพส่วนแบ่งของคุณได้ เหตุใดหลาย บริษัท จึงคาดการณ์ยอดขายจากยอดขายในอดีตและไม่ต้องการเหตุผลหลักคือต้นทุนขายจะถูกจับได้ง่ายที่สถานีเช็คเอาต์ แต่คุณต้องมีคุณลักษณะเพิ่มเติมในระบบข้อมูลการจัดการเพื่อรับมือกับความต้องการ กลับไปสู่บทนำ ประเภทอื่น ๆ ที่สำคัญของวิธีการคาดการณ์ที่พึ่งพาข้อมูลในอดีตเป็นแบบจำลองการถดถอย มักเรียกว่าโมเดลเชิงสาเหตุเช่นเดียวกับในข้อความของเรา โมเดลเหล่านี้เป็นพื้นฐานของการคาดการณ์ค่านิยมในอนาคตของตัวแปรการตอบสนองการขายเช่นตัวแปรที่เกี่ยวข้องเช่นรายได้ส่วนบุคคลแบบใช้แล้วทิ้งเพศและอายุของผู้บริโภค คุณศึกษารูปแบบการถดถอยในหลักสูตรสถิติดังนั้นเราจะไม่ครอบคลุมในหลักสูตรนี้ อย่างไรก็ตามฉันต้องการจะบอกว่าเราควรใช้คำที่เป็นสาเหตุด้วยความระมัดระวังเนื่องจากอายุเพศหรือรายได้ส่วนบุคคลที่ใช้แล้วทิ้งอาจเกี่ยวข้องกับการขาย แต่อายุเพศหรือรายได้ส่วนบุคคลที่ใช้แล้วทิ้งไม่อาจทำให้เกิดการขายได้ เราสามารถพิสูจน์สาเหตุในการทดลองเท่านั้น ประเภทที่สำคัญที่สุดของรูปแบบการคาดการณ์ ได้แก่ วิธีการเชิงคุณภาพซึ่งโดยทั่วไปเกี่ยวข้องกับการใช้วิจารณญาณของผู้เชี่ยวชาญในการพัฒนาการคาดการณ์ วิธีการเหล่านี้มีประโยชน์เมื่อเราไม่มีข้อมูลในอดีตเช่นกรณีที่เราเปิดตัวผลิตภัณฑ์ใหม่โดยไม่ใช้ประสบการณ์ในอดีต วิธีการเหล่านี้มีประโยชน์เมื่อเราคาดการณ์ถึงอนาคตอันไกล เราจะอธิบายถึงรูปแบบคุณภาพในบทนำนี้ ขั้นแรกให้ตรวจสอบโครงร่างการจัดประเภทอย่างง่ายสำหรับหลักเกณฑ์ทั่วไปในการเลือกวิธีการคาดการณ์จากนั้นครอบคลุมหลักการพื้นฐานบางประการของการคาดการณ์ ตารางต่อไปนี้แสดงแนวทางทั่วไปสำหรับการเลือกวิธีการคาดการณ์ตามเกณฑ์ช่วงเวลาและวัตถุประสงค์ การคาดการณ์แนวโน้มการปรับค่าเฉลี่ยแบบเสแสร้งโปรดเข้าใจว่านี่เป็นแนวทางทั่วไป คุณอาจพบ บริษัท ที่ใช้การคาดการณ์แนวโน้มเพื่อคาดการณ์ที่เชื่อถือได้สำหรับการขายผลิตภัณฑ์ 3 ปีในอนาคต นอกจากนี้ยังควรสังเกตว่าเนื่องจาก บริษัท ใช้ชุดซอฟต์แวร์พยากรณ์เวลาชุดซอฟต์แวร์มากกว่าการคำนวณด้วยมือพวกเขาอาจทดลองใช้เทคนิคต่างๆกันและเลือกเทคนิคที่มีการวัดความถูกต้องที่สุด (ข้อผิดพลาดต่ำสุด) ขณะที่เราพูดถึงเทคนิคต่างๆและคุณสมบัติข้อสมมติฐานและข้อ จำกัด ของพวกเขาเราหวังว่าคุณจะได้รับความชื่นชมในรูปแบบการจัดหมวดหมู่ข้างต้น แผนผังการจัดประเภทเช่นข้อที่กล่าวมาข้างต้นมีประโยชน์ในการช่วยเลือกวิธีการคาดการณ์ที่เหมาะสมกับช่วงเวลาและวัตถุประสงค์ที่มือ นอกจากนี้ยังมีหลักการทั่วไปที่ควรพิจารณาเมื่อเราเตรียมและใช้การคาดการณ์โดยเฉพาะอย่างยิ่งตามวิธีการแบบอนุกรมเวลา Oliver W. Wight ในการผลิตและการควบคุมสินค้าคงคลังในยุคคอมพิวเตอร์ และโทมัสเอชฟุลเลอร์ในไมโครคอมพิวเตอร์ในการผลิตและการจัดการสินค้าคงคลังได้พัฒนาชุดหลักสำหรับชุมชนการผลิตและการควบคุมสินค้าคงคลังในขณะที่ฉันเชื่อว่ามีแอพพลิเคชันสากล 1. หากวิธีการมีความถูกต้อง 100 ต้องมีความเรียบง่ายเพียงพอสำหรับผู้ใช้ที่รู้วิธีใช้อย่างชาญฉลาด (เข้าใจอธิบายและทำซ้ำ) 2. การคาดการณ์ทุกครั้งควรมาพร้อมกับการประมาณความผิดพลาด (วัดความถูกต้องของข้อมูล) 3. การคาดการณ์ในระยะยาวควรครอบคลุมกลุ่มที่ใหญ่ที่สุดเท่าที่เป็นไปได้ของรายการที่ จำกัด การคาดการณ์รายการแต่ละรายการไว้ในระยะสั้น 4. องค์ประกอบที่สำคัญที่สุดของโครงการคาดการณ์คือสิ่งที่ระหว่างแป้นพิมพ์กับเก้าอี้ หลักการแรกชี้ให้เห็นว่าคุณสามารถได้รับโดยมีการปฏิบัติตามวิธีการคาดการณ์เป็นกล่องดำตราบใดที่ถูกต้อง 100 กล่าวคือหากนักวิเคราะห์เพียงดึงข้อมูลที่ผ่านมาลงในคอมพิวเตอร์และยอมรับและใช้การคาดการณ์โดยไม่มีความคิดว่าคำนวณได้อย่างไรนักวิเคราะห์รายนี้จะถือว่าวิธีการคาดการณ์เป็นกล่องสีดำ นี่เป็นข้อตกลงตราบเท่าที่ข้อผิดพลาดในการคาดการณ์ (สังเกตจริง - สังเกตการณ์คาดการณ์) เป็นศูนย์ หากการคาดการณ์ไม่น่าเชื่อถือ (มีข้อผิดพลาดสูง) นักวิเคราะห์ควรได้รับความอับอายอย่างน้อยโดยไม่สามารถอธิบายได้ว่าเกิดอะไรขึ้น อาจมีผลกระทบที่แย่กว่าความลำบากใจมากหากงบประมาณและกิจกรรมการวางแผนอื่น ๆ อาศัยการคาดการณ์ที่ผิดพลาด หลักการที่สองมีความสำคัญมาก ในส่วน 2.2 เราจะแนะนำวิธีง่ายๆในการวัดข้อผิดพลาดในการคาดการณ์ความแตกต่างระหว่างสิ่งที่เกิดขึ้นจริงกับสิ่งที่คาดการณ์ว่าจะเกิดขึ้นในแต่ละช่วงเวลาคาดการณ์ นี่คือความคิด สมมติว่า บริษัท รถยนต์คาดการณ์ยอดขาย 30 คันในเดือนหน้าโดยใช้วิธี A วิธี B ยังมาพร้อมกับการคาดการณ์รถยนต์จำนวน 30 คัน หากไม่ทราบถึงความถูกต้องของทั้งสองวิธีเราจะไม่แยแสกับการเลือกของพวกเขา อย่างไรก็ตามถ้าเรารู้ว่าข้อผิดพลาดของคอมโพสิตสำหรับวิธี A คือ - 2 คันในช่วงเวลาที่เกี่ยวข้องและข้อผิดพลาดของคอมโพสิตสำหรับวิธี B คือ - 10 คันแน่นอนเราจะเลือกวิธี A มากกว่าวิธี B ทำไมวิธีหนึ่งจึงมีมาก ข้อผิดพลาดเมื่อเทียบกับอีกซึ่งจะเป็นหนึ่งในเป้าหมายการเรียนรู้ของเราในโมดูลนี้ อาจเป็นเพราะเราใช้วิธีการปรับให้ราบเรียบมากกว่าวิธีการที่มีการคาดการณ์แนวโน้มเมื่อเราไม่ควรมีเช่นเมื่อข้อมูลแสดงแนวโน้มการเติบโต วิธีการเรียบเนียนเช่นการทำให้เรียบตามที่ได้คาดหมายเสมอแนวโน้มล่าช้าซึ่งส่งผลให้เกิดข้อผิดพลาดในการคาดการณ์ หลักการที่สามอาจเป็นตัวอย่างได้ดีที่สุด สมมติว่าคุณเป็นผู้อำนวยการฝ่ายปฏิบัติการโรงพยาบาลและคุณเป็นผู้รับผิดชอบในการพยากรณ์ความต้องการเตียงผู้ป่วย หากการคาดการณ์ของคุณเป็นไปเพื่อการวางแผนกำลังการผลิตสามปีนับจากนี้คุณอาจคาดการณ์จำนวนผู้ป่วยทั้งหมดในปี 2546 ได้ในทางกลับกันถ้าคุณคาดการณ์ความต้องการเตียงผู้ป่วยเดือนเมษายน 2543 เพื่อกำหนดเวลา แล้วคุณจะต้องทำการคาดการณ์แยกต่างหากสำหรับเตียงผู้ป่วยในห้องฉุกเฉินการกู้คืนการผ่าตัดเตียงผู้ป่วยเตียงนอนป่วยและอื่น ๆ เมื่อต้องมีรายละเอียดมากให้ยึดติดกับเส้นขอบฟ้าพยากรณ์อากาศระยะสั้นรวมสายผลิตภัณฑ์ของคุณกับผู้ป่วย เมื่อทำการคาดการณ์ในระยะยาว โดยทั่วไปจะช่วยลดข้อผิดพลาดในการคาดการณ์ในทั้งสองสถานการณ์ เราควรใช้หลักการสุดท้ายกับวิธีเชิงปริมาณใด ๆ มีการปรับประมาณการการคาดการณ์เชิงปริมาณของเราอยู่เสมอ ฉันชอบคำพูดนี้จาก Alfred North Whitehead ในบทนำเกี่ยวกับคณิตศาสตร์ 1911: 91T93 ไม่มีข้อผิดพลาดทั่วไปมากกว่าที่จะสันนิษฐานว่าเนื่องจากการคำนวณทางคณิตศาสตร์เป็นเวลานานและถูกต้องทำให้การประยุกต์ใช้ผลที่ตามมากับความเป็นจริงบางอย่างของธรรมชาติเป็นเรื่องที่แน่นอน แน่นอนว่าการตัดสินก็สามารถทำได้เช่นกัน การคาดการณ์นี้เกิดขึ้นเมื่อปีพ. ศ. 2486 โดยประธาน บริษัท ไอบีเอ็มโทมัสวัตสัน: ฉันคิดว่าตลาดโลกมีคอมพิวเตอร์ประมาณห้าเครื่อง เราจะปรับปรุงการใช้วิจารณญาณซึ่งเป็นเรื่องต่อไปของเราได้อย่างไร วิธีการพยากรณ์ Delphi วิธีการพยากรณ์ Delphi เป็นเทคนิคที่ได้รับความนิยมจาก Rand Corporation มันเป็นของครอบครัวของเทคนิคที่รวมถึงวิธีการเช่นรากหญ้า, แผงการวิจัยตลาด, การเปรียบเทียบทางประวัติศาสตร์การตัดสินของผู้เชี่ยวชาญและการขายกองกำลังคอมโพสิต สิ่งที่เหมือนกันกับแนวทางเหล่านี้คือการใช้ความคิดเห็นของผู้เชี่ยวชาญมากกว่าข้อมูลในอดีตเพื่อคาดการณ์และคาดการณ์ หัวข้อของการคาดการณ์เหล่านี้มักจะเป็นการคาดการณ์ถึงพัฒนาการทางการเมืองสังคมเศรษฐกิจหรือเทคโนโลยีที่อาจแนะนำโปรแกรมผลิตภัณฑ์หรือการตอบสนองใหม่ ๆ จากองค์กรที่สนับสนุนการศึกษา Delphi ประสบการณ์ครั้งแรกของฉันกับเทคนิคการคาดการณ์ของผู้เชี่ยวชาญด้านการตัดสินคืองานล่าสุดที่ฉันได้รับในช่วงที่ผ่านมาในกองทัพอากาศสหรัฐฯ ในการมอบหมายนั้นฉันเป็นผู้อำนวยการด้านโปรแกรมการคมนาคมขนส่งที่เพนทากอน ปีละครั้งเจ้านายของฉันผู้อำนวยการด้านการขนส่งจะรวบรวมผู้นำระดับสูง (และเจ้าหน้าที่ปฏิบัติการของพวกเขา) ในที่ประชุมเพื่อกำหนดแผนการขนส่งและโครงการต่างๆในอีกห้าปีข้างหน้า โปรแกรมเหล่านี้กลายเป็นพื้นฐานสำหรับการจัดทำงบประมาณการจัดหาและอื่น ๆ หนึ่งในแบบฝึกหัดที่เราทำคือวิธี Delphi เพื่อคาดเดาการพัฒนาที่จะมีผลกระทบอย่างมากต่อโครงการขนส่งทางอากาศ ผมจำได้ว่าการพัฒนาที่เราทำนายไว้ในช่วงต้นทศวรรษที่ 1980 เป็นการเคลื่อนไหวที่รวดเร็วขึ้นจากการกระจายอำนาจไปสู่ระบบการขนส่งเชิงกลยุทธ์แบบรวมศูนย์ในกองทัพ ด้วยเหตุนี้เราจึงเริ่มวางตัวกองทัพอากาศเพื่อเป็นคำสั่งการขนส่งแบบครบวงจรเป็นเวลาหลายปีก่อนที่จะกลายเป็นความจริง ขั้นตอนที่ 1. วิธีการพยากรณ์ Delphi เช่นเทคนิคการตัดสินอื่น ๆ จะเริ่มต้นด้วยการเลือกผู้เชี่ยวชาญ แน่นอนว่าเทคนิคเหล่านี้สามารถล้มเหลวได้เมื่อผู้เชี่ยวชาญไม่เชี่ยวชาญเลย บางทีเจ้านายจะรวมเป็นผู้เชี่ยวชาญในการศึกษา Delphi แต่ในขณะที่เจ้านายจัดการทรัพยากรได้ดีเขาอาจจะแย่ในการอ่านสภาพแวดล้อมและการคาดการณ์การพัฒนา ขั้นตอนที่ 2 ขั้นตอนแรกอย่างเป็นทางการคือการได้รับการคาดการณ์ที่ไม่ระบุชื่อในหัวข้อที่น่าสนใจ นี่เรียกว่ารอบที่ 1 ที่นี่ผู้เชี่ยวชาญจะถูกถามเพื่อให้การพัฒนาทางการเมืองเศรษฐกิจสังคมหรือเทคโนโลยีที่น่าสนใจให้กับองค์กรที่สนับสนุนวิธีการ Delphi การคาดการณ์ที่ไม่ระบุชื่ออาจถูกรวบรวมผ่านทางเว็บไซต์โดยทางอีเมลหรือแบบสอบถาม พวกเขาอาจจะรวมตัวกันอยู่ในกลุ่มที่มีชีวิตอยู่ แต่ผลกระทบรัศมีอาจยับยั้งการไหลเวียนของการคาดคะเนได้ ตัวอย่างเช่นจะเป็นเรื่องปกติสำหรับกลุ่มผู้เชี่ยวชาญที่รวมตัวกันที่เพนตากอนรวมถึงเจ้าหน้าที่ทั่วไป นายพลหลายคนเป็นผู้นำที่ยิ่งใหญ่ในสนาม แต่ไม่ใช่วิสัยทัศน์ที่ยิ่งใหญ่เมื่อพูดถึงการพัฒนาลอจิสติกส์ ในทางกลับกันเจ้าหน้าที่ปฏิบัติการของพันโทเป็นนักคิดที่ดีมากและรู้มากเกี่ยวกับสิ่งที่อยู่ในขอบฟ้าสำหรับระบบโลจิสติกส์และการคมนาคมขนส่ง อย่างไรก็ตามเนื่องจากความคลาสสิกในการให้คะแนนเจ้าหน้าที่ที่อายุน้อยกว่าอาจไม่ได้เตรียมพร้อมหากเราไม่ได้ใช้วิธีที่ไม่ระบุชื่อเพื่อให้ได้รับการคาดการณ์รอบแรก ขั้นตอนที่ 3 ขั้นตอนที่สามใน Delphi Method เกี่ยวข้องกับผู้อำนวยการกลุ่มที่สรุปและแจกจ่ายผลการคาดการณ์รอบที่หนึ่ง นี่เป็นรายการซักผ้าของการพัฒนา จากนั้นผู้เชี่ยวชาญจะได้รับคำขอให้ตอบกลับรายการซักผ้ารอบที่หนึ่งโดยระบุปีที่พวกเขาเชื่อว่าการพัฒนาจะเกิดขึ้นหรือการพัฒนานี้จะไม่เกิดขึ้น เรียกว่ารอบที่ 2 ขั้นตอนที่ 4 ขั้นตอนที่สี่รอบ 3 เกี่ยวข้องกับผู้อำนวยการกลุ่มสรุปและแจกจ่ายผลของรอบที่สอง ซึ่งรวมถึงการแสดงผลทางสถิติที่เรียบง่ายซึ่งโดยทั่วไปจะเป็นช่วงมัธยฐานและช่วงควอไทล์สำหรับข้อมูล (ปีที่มีการพัฒนาจะเกิดขึ้น) จากรอบที่ 2 สรุปก็จะรวมถึงเปอร์เซ็นต์ของผู้เชี่ยวชาญที่รายงานว่าไม่เกิดขึ้นสำหรับการพัฒนาใด ๆ ในรอบนี้ผู้เชี่ยวชาญจะถูกขอให้แก้ไขหากพวกเขาต้องการการคาดการณ์ของพวกเขา ผู้เชี่ยวชาญยังได้รับโอกาสให้ข้อโต้แย้งที่ท้าทายหรือสนับสนุนการคาดการณ์ที่ไม่เกิดขึ้นสำหรับการพัฒนาเฉพาะและเพื่อท้าทายหรือสนับสนุนปีที่อยู่นอกช่วงพิสัยระหว่างกัน ขั้นตอนที่ 5 ขั้นตอนที่ห้ารอบ 4 ซ้ำรอบ 3 - ผู้เชี่ยวชาญได้รับการแสดงสถิติใหม่ด้วยอาร์กิวเมนต์ - และขอให้มีการคาดการณ์ใหม่และหรืออาร์กิวเมนต์ตัวนับ ขั้นตอนที่ 6 รอบที่ 4 ซ้ำจนกว่าจะมีการตกลงกันหรืออย่างน้อยการแพร่กระจายความคิดเห็นค่อนข้างแคบ ประสบการณ์ของผมคือในรอบที่ 4 เรามีความคิดที่ดีในการพัฒนาที่เราควรมุ่งเน้นไป หากวัตถุประสงค์ดั้งเดิมของ Delphi Method คือการผลิตตัวเลขมากกว่าแนวโน้มการพัฒนารอบ 1 ขอให้ผู้เชี่ยวชาญทำการพยากรณ์ครั้งแรก อาจเป็นไปได้ที่จะคาดการณ์ความต้องการผลิตภัณฑ์สำหรับสายผลิตภัณฑ์ใหม่สำหรับ บริษัท ผลิตภัณฑ์เพื่อผู้บริโภคหรือเพื่อคาดการณ์ DJIA หนึ่งปีสำหรับ บริษัท กองทุนรวมที่จัดการกองทุนดัชนีบลูชิพ ให้ทำเพื่อความสนุกสนาน (ไม่ได้ให้คะแนนและเป็นอาสาสมัครอย่างหมดจด) Delphi Exercise สมมติว่าคุณเป็นผู้เชี่ยวชาญด้านการตลาดและต้องการเข้าร่วมผู้เชี่ยวชาญด้านอื่นในชั้นเรียนของเราในการคาดการณ์ว่า DJIA จะเป็นอย่างไรในวันที่ 16 เมษายน 2001 (ใกล้เคียงกับวันครบกำหนดภาษีที่เป็นไปได้) ฉันจะโพสต์หัวข้อการประชุมที่เรียกว่า DJIA Predictions ในหลักสูตร Web Board ในการประชุม Module 2 โปรดตอบกลับหัวข้อการประชุมดังกล่าวด้วยการระบุว่าคุณคิดว่า DJIA จะปิดเมื่อวันที่ 16 เมษายน 2001 โปรดตอบกลับภายใน 27 มกราคม 2001 เพื่อให้ฉันสามารถโพสต์สถิติสรุปก่อนที่เราจะออกจากเนื้อหาพยากรณ์ได้ในวันที่ 3 กุมภาพันธ์ 2001 ตอนนี้เราจะเริ่มต้นการอภิปรายเกี่ยวกับวิธีการพยากรณ์ปริมาณอนุกรมปริมาณ 2.2: Smoothing Methods ในส่วนนี้เราต้องการที่จะครอบคลุมองค์ประกอบของวิธีการแบบไร้เดียงสาแบบเฉลี่ย, ค่าเฉลี่ยเคลื่อนที่และการอธิบายความลื่นไหลของการคาดการณ์และการวัดความถูกต้องของการคาดการณ์สำหรับแต่ละวิธีที่นำมาใช้ หยุดชั่วคราวและสะท้อนให้เห็นว่ามีสามประเภททั่วไปของการคาดการณ์หรือแบบจำลองการคาดการณ์ วิธีการเชิงคุณภาพรวมทั้ง Delphi อาศัยการประเมินโดยผู้เชี่ยวชาญและความคิดเห็นไม่ใช่ข้อมูลในอดีต แบบจำลองการถดถอยพึ่งพาข้อมูลทางประวัติศาสตร์เกี่ยวกับตัวแปรพยากรณ์และตัวแปรการตอบสนองที่น่าสนใจ วิธีการพยากรณ์ปริมาณอนุกรมวิธานขึ้นอยู่กับข้อมูลเชิงตัวเลขในอดีตเกี่ยวกับตัวแปรที่น่าสนใจและสมมติรูปแบบในอดีตจะดำเนินต่อไปในอนาคต ส่วนนี้เริ่มศึกษารูปแบบของซีรีส์เวลาโดยเริ่มจากรูปแบบหรือส่วนประกอบของชุดข้อมูล ส่วนประกอบของซีรี่ส์เวลารูปแบบที่เราอาจพบในชุดข้อมูลทางประวัติศาสตร์จำนวนมาก ๆ ประกอบด้วยองค์ประกอบโดยเฉลี่ยแนวโน้มตามฤดูกาลองค์ประกอบที่เป็นวัฏจักรและไม่สม่ำเสมอ ค่าเฉลี่ยเป็นเพียงค่าเฉลี่ยของข้อมูลทางประวัติศาสตร์ แนวโน้มอธิบายถึงการเติบโตที่แท้จริงหรือการลดลงของความต้องการโดยเฉลี่ยหรือตัวแปรอื่น ๆ ที่น่าสนใจและแสดงถึงการเปลี่ยนแปลงในค่าเฉลี่ย องค์ประกอบตามฤดูกาลสะท้อนให้เห็นถึงรูปแบบที่เกิดขึ้นภายในระยะเวลาทั้งหมดที่น่าสนใจ ตัวอย่างเช่นเมื่อ 15 ปีที่ผ่านมาในฟลอริด้าตะวันตกเฉียงใต้ปริมาณการจราจรของสายการบินเพิ่มขึ้นมากในเดือนมกราคมถึงเดือนเมษายนซึ่งพุ่งขึ้นในเดือนมีนาคม เดือนตุลาคมเป็นเดือนที่ต่ำ รูปแบบตามฤดูกาลนี้ย้ำผ่าน 1988 ระหว่างปี 1988 และ 1992 มกราคม - เมษายนยังคงทำซ้ำในแต่ละปีเป็นเดือนที่สูง แต่ยอดไม่สูงเท่าก่อนหรือหุบเขานอกฤดูต่ำสุดก่อนมากเพื่อความสุขของ โรงแรมและอุตสาหกรรมการท่องเที่ยว ประเด็นก็คือยอดขายตามฤดูกาลที่เกิดขึ้นซ้ำภายในระยะเวลาที่น่าสนใจซึ่งโดยปกติจะเป็นรายเดือนหรือรายไตรมาสภายในหนึ่งปีแม้ว่าจะเป็นช่วงฤดูกาลตามฤดูกาลในแต่ละวัน (วันจันทร์และวันศุกร์มีค่าเฉลี่ยการปิดบัญชีสูงกว่าวันอังคาร - พฤหัสบดีเป็นต้นไป) คอมโพเนนต์ของวัฏจักรจะแสดงค่าที่เกิดขึ้นจากตัวแปรดอกเบี้ยที่อยู่เหนือหรือต่ำกว่าเส้นแนวโน้มเฉลี่ยหรือระยะยาวในแนวเส้นขอบการวางแผนหลายปี ความยาวของรอบไม่คงที่เช่นเดียวกับความยาวของยอดเขาตามฤดูกาลและหุบเขาทำให้วงจรทางเศรษฐกิจรุนแรงมากขึ้นในการทำนาย เนื่องจากรูปแบบไม่คงที่โมเดลตัวแปรหลายแบบเช่นแบบจำลองการถดถอยเชิงเศรษฐนิเวศและแบบหลายตัวแปรเหมาะที่จะทำนายจุดหักเหของวัฏจักรมากกว่าแบบอนุกรมเวลา คอมโพเนนต์สุดท้ายคืออะไรที่เหลือองค์ประกอบที่ไม่สม่ำเสมอคือความแปรปรวนแบบสุ่มในความต้องการที่ไม่สามารถอธิบายได้โดยส่วนประกอบของวัฏจักรเฉลี่ยแนวโน้มและตามฤดูกาลของชุดข้อมูลทางเวลา เช่นเดียวกับในรูปแบบการถดถอยเราพยายามทำให้รูปแบบการสุ่มมีค่าต่ำที่สุด แบบจำลองเชิงปริมาณได้รับการออกแบบมาเพื่อตอบสนององค์ประกอบต่างๆที่กล่าวมาข้างต้น เห็นได้ชัดว่าเทคนิคการฉายภาพแนวโน้มจะทำงานได้ดีที่สุดกับชุดเวลาที่แสดงรูปแบบแนวโน้มทางประวัติศาสตร์ การสลายตัวของซีรีส์เวลาซึ่งสลายตัวของเทรนด์และองค์ประกอบตามฤดูกาลของซีรีส์เวลาทำงานได้ดีกับซีรี่ส์เวลาที่มีแนวโน้มและรูปแบบตามฤดูกาล ที่ไม่ได้ออกชุดแรกของเทคนิควิธีการราบเรียบที่จริงแล้ววิธีการราบเรียบทำงานได้ดีในที่ที่มีองค์ประกอบเฉลี่ยและไม่สม่ำเสมอ เราเริ่มต้นกับพวกเขาต่อไป ก่อนที่เราจะเริ่มต้นให้ได้รับข้อมูลบางอย่าง ซีรีส์นี้ประกอบด้วยความต้องการรายไตรมาสสำหรับผลิตภัณฑ์ ข้อมูลทางประวัติศาสตร์สามารถใช้ได้สำหรับ 12 ไตรมาสหรือสามปี ตาราง 2.2.1 แสดงประวัติ รูป 2.2.1 แสดงกราฟของชุดข้อมูลเวลา กราฟนี้ได้จัดทำขึ้นใน Excel โดยใช้ตัวช่วยแผนภูมิผังกราฟวิซาร์ด ไม่สำคัญว่าซอฟต์แวร์ใดใช้เพื่อเปรียบเทียบชุดเวลาในอดีต แต่สิ่งสำคัญคือต้องดูข้อมูล แม้กระทั่งการทำปากกาและสเก็ตช์กระดาษเป็นประโยชน์ที่จะทำให้รู้สึกถึงข้อมูลและดูว่าอาจมีแนวโน้มหรือเป็นองค์ประกอบตามฤดูกาลในชุดข้อมูลเวลา วิธีเฉลี่ยที่เคลื่อนที่วิธีง่ายๆที่ใช้งานได้ดีกับข้อมูลที่ไม่มีแนวโน้มมีฤดูกาลหรือองค์ประกอบแบบเป็นวัฏจักรคือวิธีเฉลี่ยที่เคลื่อนที่ เป็นที่ยอมรับตัวอย่างชุดข้อมูลตัวอย่างนี้มีแนวโน้ม (โปรดทราบอัตราการเติบโตโดยรวมตั้งแต่ช่วงที่ 1 ถึง 12) และฤดูกาล (โปรดทราบว่าทุกๆไตรมาสที่สามแสดงการลดลงของความต้องการในอดีต) แต่ขอให้ใช้เทคนิคเฉลี่ยเคลื่อนที่กับข้อมูลนี้เพื่อที่เราจะได้มีพื้นฐานสำหรับการเปรียบเทียบกับวิธีการอื่น ๆ ในภายหลัง การคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วงคือวิธีการที่ใช้เวลาในการเก็บข้อมูลสามช่วงและสร้างค่าเฉลี่ย นั่นคือค่าเฉลี่ยของการคาดการณ์ในช่วงต่อไป สำหรับชุดข้อมูลนี้การคาดการณ์ครั้งแรกที่เราสามารถคำนวณได้คือช่วงที่ 4 โดยใช้ข้อมูลทางประวัติศาสตร์ที่เกิดขึ้นจริงจากช่วงเวลา 1, 2 และ 3 (เนื่องจากมีค่าเฉลี่ยเคลื่อนที่เป็นระยะเวลาสามช่วง) จากนั้นหลังจากช่วงที่ 4 เกิดขึ้นเราสามารถคาดการณ์รอบระยะเวลาที่ 5 โดยใช้ข้อมูลที่ผ่านมาจากช่วงเวลา 2, 3 และ 4 โปรดสังเกตว่าช่วงเวลา 1 ลดลงดังนั้นค่าเฉลี่ยระยะยาว เทคนิคนี้อนุมานว่าข้อมูลทางประวัติศาสตร์ที่เกิดขึ้นจริงในอดีตอันไกลโพ้นจะไม่มีประโยชน์มากเท่ากับข้อมูลทางประวัติศาสตร์ในปัจจุบันในการคาดการณ์ ก่อนที่จะแสดงสูตรและแสดงตัวอย่างนี้ให้ฉันนำเสนอสัญลักษณ์บางอย่าง ในโมดูลนี้ฉันจะใช้สัญลักษณ์ F t เพื่อแสดงการคาดการณ์สำหรับช่วง t ดังนั้นการคาดการณ์สำหรับระยะเวลา 4 จะแสดงเป็น F 4 ฉันจะใช้สัญลักษณ์ Y t เพื่อแสดงค่าทางประวัติศาสตร์ที่แท้จริงของตัวแปรที่น่าสนใจเช่นความต้องการในช่วง t ดังนั้นความต้องการที่แท้จริงสำหรับงวด 1 จะแสดงเป็น Y 1 ตอนนี้ให้คำนวณค่าเฉลี่ยเคลื่อนที่สามช่วง การคาดการณ์สำหรับระยะเวลาที่สี่คือการสร้างการคาดการณ์สำหรับระยะเวลาห้า: เราดำเนินการต่อผ่านข้อมูลที่ผ่านมาจนกว่าจะถึงสิ้นงวด 12 และคาดการณ์ระยะเวลา 13 ตามความต้องการที่แท้จริงของช่วงเวลา 10, 11 และ 12 นับตั้งแต่ ระยะเวลา 12 คือช่วงเวลาสุดท้ายที่เรามีข้อมูลซึ่งจะเป็นการสิ้นสุดการคำนวณของเรา หากมีใครสนใจที่จะคาดการณ์ระยะเวลา 14, 15 และ 16 และระยะเวลา 13 สิ่งที่ดีที่สุดที่สามารถทำได้ด้วยวิธีการเฉลี่ยถ่วงน้ำหนักคือการทำให้การคาดการณ์ในช่วงนอกเวลาใกล้เคียงกับการคาดการณ์ในปัจจุบันมากที่สุด นี่เป็นความจริงเนื่องจากวิธีการเฉลี่ยโดยเฉลี่ยไม่สามารถเติบโตหรือตอบสนองต่อแนวโน้มได้ นี่คือเหตุผลหลักที่ว่าประเภทของวิธีการเหล่านี้จะถูก จำกัด ไว้สำหรับการใช้งานในระยะสั้นเช่นความต้องการในช่วงต่อไปคืออะไร การคำนวณการคาดการณ์สรุปไว้ในตาราง 2.2.2 เนื่องจากเรามีความสนใจในการวัดขนาดของข้อผิดพลาดเพื่อกำหนดความแม่นยำในการคาดการณ์โปรดสังเกตว่าฉันได้ตั้งข้อผิดพลาดในการลบเครื่องหมายบวกและลบ จากนั้นเราคำนวณค่าเฉลี่ยข้อผิดพลาดสี่เหลี่ยม ในการคำนวณค่าเฉลี่ยหรือค่าเฉลี่ยหมายถึงครั้งแรกที่มีการจัดคิว (SSE) จากนั้นหารด้วยจำนวนข้อผิดพลาดที่จะได้รับจาก eRed Quarantine eRror (MSE) จากนั้นใช้รากที่สองของข้อผิดพลาดที่จะได้รับ R R o e e R S e R S Rare (RMSE) SSE (235.1 608.4. 625.0 455.1) 9061.78 MSE 9061.78 9 1006.86 RMSE Square Root (1006.86) 31.73 จากหลักสูตรสถิติของคุณคุณจะรู้จัก RMSE เป็นค่าเบี่ยงเบนมาตรฐานของข้อผิดพลาดในการคาดการณ์และ MSE เป็นเพียงความแปรปรวนของ ข้อผิดพลาดในการคาดการณ์ เช่นเดียวกับค่าเบี่ยงเบนมาตรฐานให้ค่า RMSE ที่ต่ำกว่าให้ถูกต้องมากขึ้น ดังนั้น RMSE จึงเป็นประโยชน์ในการเลือกรูปแบบการคาดการณ์ นอกจากนี้เรายังสามารถใช้ RMSE ทำการวิเคราะห์ความน่าจะเป็นได้ เนื่องจาก RMSE เป็นค่าส่วนเบี่ยงเบนมาตรฐานของข้อผิดพลาดในการคาดการณ์เราจึงสามารถคาดการณ์การพยากรณ์เป็นค่าเฉลี่ยของการกระจายและใช้กฎเชิงประจักษ์ที่สำคัญ สมมติว่าข้อผิดพลาดในการคาดการณ์มีการกระจายตามปกติ ฉันจะเดิมพันว่าบางส่วนของคุณจำกฎนี้: 68 ของการสังเกตในการกระจายสมมาตรรูประฆังอยู่ในพื้นที่: ค่าเฉลี่ย - 1 ค่าเบี่ยงเบนมาตรฐาน 95 ของข้อสังเกตอยู่ภายใน: ค่าเฉลี่ย - 2 ส่วนเบี่ยงเบนมาตรฐาน 99.7 (เกือบทั้งหมดของ การคาดการณ์ - RMSE 454.3 - RMSE 454.3 - ค่าความแปรปรวน (RMSE) - ค่าความแปรปรวน (RMSE) 31.73 423 ถึง 486 95 ของค่าที่แท้จริงคาดว่าจะตกภายใน: พยากรณ์ - 2 RMSE 454.3 - (231.73) 391 ถึง 518 99.7 ของค่าที่แท้จริงคาดว่าจะตกภายใน: พยากรณ์ - 3 RMSE 454.3 - (331.73) 359 ถึง 549 เช่นเดียวกับการศึกษาค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานในสถิติเชิงพรรณนาสิ่งนี้มีความสำคัญมากและมีการใช้งานที่คล้ายคลึงกัน สิ่งหนึ่งที่เราสามารถทำได้คือใช้ค่า RMSE 3 เพื่อพิจารณาว่าเรามีข้อผิดพลาดในข้อมูลที่จำเป็นต้องเปลี่ยนหรือไม่ การคาดการณ์ที่มากกว่า 3 RMSE จากตัวเลขที่เกิดขึ้นจริง (หรือมีข้อผิดพลาดมากกว่าค่าสัมบูรณ์ของ 3 31.73 หรือ 95 เป็นค่าดีเอ็นเอค่านี้ควรถูกลบออกเนื่องจากมันพองตัว RMSE วิธีที่ง่ายที่สุดในการเอาค่าดีเอ็นเอออกจาก ชุดเวลาคือการแทนที่โดยค่าเฉลี่ยของค่าเพียงก่อนที่จะ outlier และเพียงแค่หลังจาก outlier อีกใช้มือมากสำหรับ RMSE อยู่ในการตั้งค่าของหุ้นความปลอดภัยในสถานการณ์สินค้าคงคลังช่วยให้วาดออก 2 RMSE ภูมิภาคของ กฎข้อสังเกณ์สำหรับการคาดการณ์นี้: 2.5 95 2.5 359. 391. 454. 518. 549 เนื่องจากช่วงกลาง 95 ข้อสังเกตอยู่ระหว่าง 391 และ 518 ข้อสังเกต 5 ข้อต่ำกว่า 391 และเหนือ 518 สมมติว่าการกระจายเป็นรูปกระดิ่ง 2.5 ของการสังเกตการณ์ต่ำกว่า 391 และ 2.5 ตกอยู่เหนือ 518 อีกวิธีหนึ่งในการระบุว่านี่คือข้อสังเกต 97.5 ตกต่ำกว่า 518 (เมื่อวัดลงไปที่อินฟินิตี้ลบแม้ว่าข้อมูลจริงจะหยุดที่ 359 บรรทัดด้านล่างหาก บริษัท คาดการณ์ไว้ ความต้องการที่แท้จริง เป็น 518 (2 RMSEs เหนือคาดการณ์) แล้วโดยถุงเท้าสินค้าคงคลังของ 518 พวกเขาจะครอบคลุม 97.5 ของความต้องการที่เกิดขึ้นจริงในทางทฤษฎีที่อาจเกิดขึ้น นั่นคือกำลังดำเนินการอยู่ที่ระดับบริการลูกค้า 97.5 ในเพียง 2.5 ของกรณีความต้องการที่พวกเขาควรคาดหวังหุ้นออก Thats จริงๆเนียนไม่ได้เป็น หาก บริษัท มีหุ้น 549 รายการหรือ 3 RMSE สูงกว่าที่คาดการณ์ไว้พวกเขาจะมั่นใจได้ว่าพวกเขาจะไม่ได้รับหุ้นจนกว่าสิ่งที่ผิดปกติเกิดขึ้นอย่างจริงจัง (เราเรียกว่าค่าผิดปกติคือสถิติ) สุดท้ายหาก บริษัท มีหุ้น 486 รายการ (2 RMSEs เหนือคาดการณ์) พวกเขาจะมีหุ้นออกมา 16 รายหรือครอบคลุม 84 ข้อที่ควรจะเกิดขึ้น (100 - 16) ในกรณีนี้พวกเขากำลังดำเนินการอยู่ในระดับบริการลูกค้า 84 แห่ง 16 68 16 359. 423. 454. 486. 549 เราสามารถคำนวณความน่าจะเป็นอื่น ๆ ที่เกี่ยวข้องกับพื้นที่อื่น ๆ ใต้เส้นโค้งได้โดยการค้นหาความน่าจะเป็นสะสมสำหรับ z คะแนน z (สังเกตการณ์การคาดการณ์) RMSE (คุณจำได้ไหมว่าจากหลักสูตร stat ( s)) สำหรับวัตถุประสงค์ของเราที่นี่เป็นสิ่งสำคัญเท่านั้นในการอธิบายแอ็พพลิเคชันจากหลักสูตรสถิติ การใช้แพคเกจซอฟต์แวร์สำหรับนักวิทยาศาสตร์การจัดการเราจะใช้โมดูลการคาดการณ์นักวิทยาศาสตร์การจัดการเพื่อทำการคาดการณ์ที่เกิดขึ้นจริงและการคำนวณ RMSE เพื่อแสดงตัวอย่างแพคเกจแรกให้คลิก Windows StartProgramsThe Management ScientistThe Management Scientist IconContinue เลือกโมดูล 11 ForecastingOKFileNew และคุณพร้อมที่จะโหลดปัญหาตัวอย่างแล้ว หน้าจอโต้ตอบถัดไปจะขอให้คุณป้อนจำนวนช่วงเวลา - นั่นคือจำนวนการสังเกตของคุณ - 12 ในกรณีนี้ คลิกตกลง และเริ่มป้อนข้อมูลของคุณ (ตัวเลขและจุดทศนิยมเท่านั้น - หน้าจอโต้ตอบจะไม่อนุญาตให้ใช้ตัวอักษรหรือเครื่องหมายจุลภาค) จากนั้นคลิก SolutionSolveMoving Average และป้อน 3 ซึ่งจะถามจำนวนรอบการเคลื่อนที่ คุณควรจะได้รับแนวทางดังต่อไปนี้: การคาดการณ์เรื่องการย้ายค่าเฉลี่ยค่าการเคลื่อนที่ใช้ระยะเวลา 3 ระยะเวลาช่วงเวลาพยากรณ์ความคาดหมายในแต่ละช่วงเวลา SERIES ERDOR ERROR MORE SQUARE ERROR 1,006.86 การคาดการณ์ระยะเวลา 13 454.33 โปรดทราบว่าซอฟต์แวร์ส่งคืนค่า Mean Square Error และเพื่อให้ได้ข้อผิดพลาด Square Root Mean Square ที่เป็นประโยชน์มากขึ้น คุณต้องใช้รากที่สองของ Mean Square Error, 1006.83 ในกรณีนี้ นอกจากนี้โปรดทราบว่าซอฟต์แวร์จะให้ค่าพยากรณ์เพียงอย่างเดียวโดยตระหนักถึงข้อ จำกัด ของวิธีการเฉลี่ยที่เคลื่อนที่ซึ่ง จำกัด การฉายภาพไว้เป็นระยะเวลาหนึ่ง สุดท้ายทราบว่าฉันใส่ข้อมูลลงในตาราง html เท่านั้นเพื่อให้คุณสามารถอ่านได้ดียิ่งขึ้น - นี่เป็นเพียงสิ่งที่จำเป็นในการไปจากไฟล์ OUT เป็น HTML ไม่ใช่การแทรกอีเมลของไฟล์ OUT หรือการคัดลอกไฟล์ OUT ลงใน เอกสาร WORD เช่นเดียวกับโซลูชันโมดูลการวิเคราะห์การตัดสินใจคุณอาจเลือก SolutionPrint Solution และเลือก Printer (เครื่องพิมพ์) เพื่อพิมพ์หรือ Text File เพื่อบันทึกการแทรกเข้าไปใน e-mail ให้กับฉันหรือลงในเอกสาร Word ก่อนที่เราจะทำตัวอย่างค่าเฉลี่ยเคลื่อนที่อีกหนึ่งค่าลองดูคอลัมน์ข้อผิดพลาดในการคาดการณ์ โปรดทราบว่าข้อผิดพลาดส่วนใหญ่เป็นค่าบวก เนื่องจากข้อผิดพลาดมีค่าเท่ากับจำนวนชุดเวลาจริงที่ลบด้วยค่าที่คาดการณ์ข้อผิดพลาดในเชิงบวกหมายถึงความต้องการที่แท้จริงโดยทั่วไปสูงกว่าความต้องการที่คาดการณ์ไว้เราอยู่ระหว่างการคาดการณ์ ในกรณีนี้เราไม่มีแนวโน้มการเติบโตของข้อมูล ดังที่ได้กล่าวมาแล้วก่อนหน้านี้เทคนิคการเคลื่อนที่โดยเฉลี่ยไม่ได้ผลดีกับข้อมูลชุดเวลาที่แสดงแนวโน้ม รูปที่ 2.2.2 แสดงให้เห็นความล่าช้าที่เกิดขึ้นเมื่อใช้เทคนิคเฉลี่ยเคลื่อนที่โดยใช้ชุดเวลาที่แสดงแนวโน้ม ระยะเวลาการเคลื่อนที่เฉลี่ย 5 ระยะพยากรณ์นี่คือแนวทางการแก้ปัญหาของนักวิทยาศาสตร์การจัดการโดยใช้ระยะเวลา 5 ช่วงเพื่อสร้างการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ การคาดการณ์ที่มีการย้ายค่าเฉลี่ยค่าใช้จ่ายใช้ระยะเวลา 5 ช่วงเวลาช่วงเวลาช่วงเวลาพยากรณ์ความคาดการณ์พยากรณ์อากาศข้อผิดพลาดที่เกิดจากตารางเมตร 1,349.37 การคาดการณ์ระยะเวลา 13 453.60 RMSE สำหรับการคาดการณ์การเคลื่อนที่เฉลี่ย 5 ช่วงระยะเวลาคือ 36.7 ซึ่งเป็นประมาณ 16 ครั้งที่แย่กว่า ข้อผิดพลาดของแบบจำลองสามระยะ สาเหตุของปัญหานี้คือมีแนวโน้มการเติบโตในข้อมูลนี้ เมื่อเราเพิ่มจำนวนงวดในการคำนวณค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยจะเริ่มล่าช้าไปตามแนวโน้มการเติบโตของจำนวนเงินที่มากขึ้น เช่นเดียวกับข้อมูลทางประวัติศาสตร์ที่มีแนวโน้มลดลง ค่าเฉลี่ยเคลื่อนที่จะล่าช้าไปตามแนวโน้มและคาดการณ์ว่าจะสูงกว่าค่าที่แท้จริง การหยุดชั่วคราวและการสะท้อนวิธีการประมาณค่าเฉลี่ยเคลื่อนที่ใช้งานง่ายและเข้าใจได้ง่ายและทำงานได้ดีกับชุดข้อมูลเวลาที่ไม่มีองค์ประกอบตามแนวโน้มฤดูกาลหรือวัฏจักร เทคนิคนี้ต้องการข้อมูลเพียงเล็กน้อยเท่านั้น แต่มีข้อสังเกตในอดีตเพียงพอที่จะตรงกับจำนวนช่วงเวลาที่อยู่ในค่าเฉลี่ยเคลื่อนที่ การคาดการณ์มักจะ จำกัด ไว้ที่หนึ่งรอบระยะเวลาล่วงหน้า เทคนิคนี้ไม่สามารถทำงานได้ดีกับข้อมูลที่ไม่ได้หยุดนิ่ง - ข้อมูลที่แสดงถึงแนวโน้มฤดูกาลและรูปแบบของวงจร การคาดการณ์การเคลื่อนที่เฉลี่ยหนึ่งช่วงเวลาหรือการคาดการณ์ที่ไร้เดียงสาการคาดเดาที่ไร้เดียงสาจะเป็นที่หนึ่งซึ่งมีจำนวนงวดในค่าเฉลี่ยเคลื่อนที่ที่เท่ากับหนึ่ง นั่นคือการคาดการณ์ครั้งต่อไปจะเท่ากับความต้องการที่แท้จริงครั้งล่าสุด ไม่หัวเราะเทคนิคนี้อาจเป็นประโยชน์ในกรณีของแนวโน้มการเติบโตอย่างรวดเร็วคาดการณ์จะล่าช้าตามจริงโดยไตรมาสหรือหนึ่งเดือนโดยไม่คำนึงถึงช่วงเวลาที่น่าสนใจ แน่นอนว่าจะดีกว่ามากหากใช้รูปแบบที่สามารถคาดการณ์แนวโน้มได้หากแนวโน้มแสดงถึงการย้ายที่แท้จริงจากรูปแบบการหยุดนิ่งก่อนหน้านี้เราจะมาถึงจุดนั้นในภายหลัง นี่คือผลการคำนวณของนักวิทยาศาสตร์การจัดการสำหรับการพยากรณ์ค่าเฉลี่ยเคลื่อนที่แบบระยะเวลาหนึ่ง การคาดการณ์ที่มีค่าเฉลี่ยถ่วงน้ำหนักที่ใช้ในการเคลื่อนที่ใช้ระยะเวลา 1 ช่วงเวลาช่วงเวลาช่วงเวลาพยากรณ์ความคาดการณ์พยากรณ์อากาศ ERROR ข้อผิดพลาดที่เกิดจากตารางเมตร 969.91 การคาดการณ์สำหรับรอบระยะเวลา 13 473.00 ผลงานพิมพ์นี้สะท้อนถึงค่า RMSE ที่ต่ำกว่าค่าเฉลี่ยระยะสั้นของสามช่วง That concludes our introduction to smoothing techniques by examining the class of smoothing methods called moving averages. The last smoothing method we will examine is called exponential smoothing , which is a form of a weighted moving average method. Exponential Smoothing This smoothing model became very popular with the production and inventory control community in the early days of computer applications because it did not need much memory, and allowed the manager some judgment input capability. That is, exponential smoothing includes a smoothing parameter that is used to weight either past forecasts (places emphasis on the average component) or the last observation (places emphasis on a rapid growth or decline trend component). The exponential smoothing model is: F t1 forecast of the time series for period t 1 Y t actual value of the time series in period t F t forecast of the time series for period t a smoothing constant or parameter (0 lt a lt 1) The smoothing constant or parameter, a . is shown as the Greek symbol alpha in the text - I am limited to alpha characters. In any case, if the smoothing constant is set at 1, the formula becomes the naive model we already studied: If the smoothing constant is set at 0, the formula becomes a weighted average model which gives most weight to the most recent forecast, with diminishing weight the farther back in the time series. Setting a can be done by trial and error, perhaps trying 0.1, 0.5 and 0.9, recording the RMSE for each run, then choosing the value of a that gives forecasts with the lowest RMSE. Some guidelines are, set a relatively high when there is a trend and you want the model to be responsive set a relatively low when there is just the irregular component so the model will not be responding to random movements. Lets do some exponential smoothing forecasts with a set at 0.6, relatively high. To get the model started, we begin by making a forecast for Period 2 simply based on the actual demand for Period 1 (first shown in Table 2.2.1, but often repeated with each demonstration). Then the first exponential smoothing forecast is actually made for Period 3, using information from Period 2. Thus t 2, t1 3, and F t1 F 21 F 3 . For this forecast, we need the actual demand for Period 2 (Y t Y 2 395), the forecast for Period 2 (F 2 398. The result is: The next forecast is for Period 4: This continues through the data until we get to the end of Period 12 and are ready to make our last forecast for Period 13. Note that all we have to maintain in historical data is the last forecast, the last actual demand and the value of the smoothing parameter - that is why the technique was so popular since it did not take much data. However, I do not subscribe to throwing away data files today - they should be archived for audit trail purposes. Anyway, the forecast for Period 13: Thankfully today, we have software like The Management Scientist to do the computations. To use The Management Scientist . select the Forecasting Module and load the data as previously described in the Three Period Moving Average demonstration. Next, click SolutionSolveExponential Smoothing and enter 0.6 where it asks for the value of the smoothin g constant. Printout 2.2.4 illustrates the computer output with a smoothing constant of 0.6. FORECASTING WITH EXPONENTIAL SMOOTHING THE SMOOTHING CONSTANT IS 0.6 TIME PERIOD TIME SERIES VALUE FORECAST FORECAST ERROR THE MEAN SQUARE ERROR 871.52 THE FORECAST FOR PERIOD 13 459.74 This model provides a single forecast since, like the moving average techniques, it does not have the capability to address the trend component. The Root Mean Square Error is 29.52, (square root of the mean square error), or slightly better than the best results of the moving average and naive techniques. However, since the time series shows trend, we should be able to do much better with the trend projection model that is demonstrated next. Pause and Reflect The exponential smoothing technique is a simple technique that requires only five to ten historical observations to set the value of the smoothing parameter, then only the most recent actual observation and forecasting values. Forecasts are usually limited to one period ahead. The technique works best for time series that are stationary, that is, do not exhibit trend, seasonality andor cyclic components. While historical data is generally used to fit the model - that is set the value of a . analysts may adjust that value in light of information reflecting changes to time series patterns. 2.3: Trend Projections When a time series reflects a shift from a stationary pattern to real growth or decline in the time series variable of interest (e. g. product demand or student enrollment at the university), that time series is demonstrating the trend component. The trend projection method of time series forecasting is based on the simple linear regression model. However, we generally do not require the rigid assumptions of linear regression (normal distribution of the error component, constant variance of the error component, and so forth), only that the past linear trend pattern will continue into the future. Note that is the trend pattern reflects a curve, we would have to rely on the more sophisticated features of multiple regression. The trend projection model is: T t Trend value for variable of interest in Period t b 0 Intercept of the trend projection line b 1 Slope, or rate of change, for the trend projection line While the text illustrates the computational formulas for the trend projection model, we will use The Management Scientist . To use The Management Scientist . select the Forecasting Module and load the data as previously described in the Three Period Moving Average demonstration. Next, click SolutionSolveTrend Projection and enter 4 where it asks for Number of Periods to Forecast. Note, this is the first method that we have covered that the software asks this question, as it is assumed that all of the smoothing methods covered in this course are limited to forecasting just one period ahead. Printout 2.3.1 illustrates the trend projection printout from The Management Scientist . FORECASTING WITH LINEAR TREND THE LINEAR TREND EQUATION: T 367.121 7.776 t where T trend value of the time series in period t TIME PERIOD TIME SERIES VALUE FORECAST FORECAST ERROR THE MEAN SQUARE ERROR 449.96 THE FORECAST FOR PERIOD 13 468.21 THE FORECAST FOR PERIOD 14 475.99 THE FORECAST FOR PERIOD 15 483.76 THE FORECAST FOR PERIOD 16 491.54 Now we are getting somewhere with a forecast Note the mean square error is down to 449.96, giving a root mean square error of 21.2. Compared to the three period moving average RMSE of 31.7, we have a 33 improvement in the accuracy of the forecast over the relevant period. Now, if this were products such as automobiles, to achieve a customer service level of 97.5, we would create a safety stock of 2 times the RMSE above the forecast. So, for Period 13, the forecast plus 2 times the RMSE is 468.21 (2 21.2) or 511 cars. With the three period moving average method, the same customer service level inventory position would be: 454.3 (2 31.7) or 518. The safety stocks are 2 times 21 (42 for the trend projection) compared to 2 times 31.7 (63 for the three period moving average). This is a difference of 21 cars which could represent significant inventory carrying cost that could be avoided with the better forecasting method. Note that the software provides the trend equation, showing the intercept of 367.121 and the slope of 7.776. The slope is interpreted as in simple linear regression, demand goes up 7.776 per unit increase in time. This means that over the course of the time series, demand is increasing about 8 units a quarter. The intercept is only of interest in placing the trend projection line on a time series graph. I used the Chart Wizard in Excel to produce such a graph for the trend projection model: Note in this figure that demand falls below the trend projection line in Periods 3, 7 and 11. This is confirmed by looking at The Management Scientist computer Printout 2.3.1, where the errors are negative in the same periods. That is a pattern Since our data is quarterly, we would suspect that there is a seasonal pattern that results in a valley in the time series in every third quarter. To capture that pattern, we need the time series decomposition model that breaks down, analyzes and forecasts the seasonal as well as the trend components. We do that in the last section of this notes modules. Pause and Reflect The trend projection model is appropriate when the time series exhibits a linear trend component that is assumed to continue into the future. While rules of thumb suggest 20 observations to compute and test parameters of linear regression models, the simple trend projection model can be created with a minimum of 10 observations. The trend projection model is generally used to make multiple period forecasts for the short range, although some firms use it for the intermediate range as well. 2.4: Trend and Seasonal Components The last time series forecasting method that we examine is very powerful in that it can be used to make forecasts with time series that exhibit trend and seasonal components. The method is most often referred to as Time Series Decomposition, since the technique involves breaking down and analyzing a time series to identify the seasonal component in what are called seasonal indexes . The seasonal indexes are used to deseasonalize the time series. The deseasonalized time series is then used to identify the trend projection line used to make a deseasonalized projection. Lastly, seasonal indexes are used to seasonalize the trend projection. Lets illustrate how this works. As usual, we will use The Management Scientist to do our work after the illustration. The Seasonal Component The seasonal component may be found by using the centered moving average approach as presented in the text, or by using the season average to grand average approach described here. The latter is a simpler technique to understand, and comes very close to the centered moving average approach for most time series. The first step is to gather observations from the same quarter and find their average. I will repeat Table 2.2.1 as Table 2.4.1, so we can easily find the data: To compute the average demand for Quarter 1, we gather all observations for Quarter 1 and find their average, then repeat for Quarters 2, 3 and 4: Quarter 1 Average (398 410 465) 3 424.3 Quarter 2 Average (395 402 460) 3 419 Quarter 3 Average (361 378 430) 3 389.7 Quarter 4 Average (400 440 473) 3 437.7 The next step is to find the seasonal indexes for each quarter. This is done by dividing the quarterly average from above, by the grand average of all observations. Grand Average (398395361400410402378 440465460430473) 12 417.7 Seasonal Index, Quarter 1 424.3 417.7 1.016 Seasonal Index, Quarter 2 419 417.7 1.003 Seasonal Index, Quarter 3 389.7 417.7 0.933 Seasonal Index, Quarter 4 437.7 417.7 1.048 These indexes are interpreted as follows. The overall demand for Quarter 4 is 4.5 percent above the average demand, thus making Quarter 4 a peak quarter. The overall demand for Quarter 3 is 6.7 percent below the average demand, thus making Quarter 3 an off peak quarter. This confirms our suspicion that demand is seasonal, and we have quantified the nature of the seasonality for planning purposes. Please note The Management Scientist software Printout 2.4.1 provides indexes of 1.046, 1.009, 0.920, and 1.025. The peaks and off peaks are similar to the above computations, although the specific values are a bit different. The centered moving average approach used by the software requires more data for computations - at least 4 or 5 repeats of the seasons, we only have 3 repeats (12 quarters gives 3 years of data). We will let the computer program do the next steps, but I will illustrate with a couple of examples. The next task is to deseasonalize the data. We do this by dividing each actual observation by the appropriate seasonal index. So for the first observation, where actual demand was 398, we note that it is a first quarter observation. The deseasonalized value for 398 is: Deseasonalized Y 1 398 1.016 391.7 Actual demand would have been 391.7 if there was no seasonal effects. Lets do four more: Deseasonalized Y 2 395 1.003 393.8 Deseasonalized Y 3 361 0.933 386.9 Deseasonalized Y 4 400 1.048 381.7 Deseasonalized Y 5 410 1.016 403.6 I am sure you have seen deseasonalized numbers in articles in the Wall Street Journal or other popular business press and journals. This is how those are computed. The next step is to find the trend line projection based on the deseasonalized observations. This trend line is a bit more accurate than the trend line projection based on the actual observations since than line contains seasonal variation. The Management Scientist gives the following trend line for this data: This trend line a close to the line we computed in Section 2.3, when the line was fit to the actual, rather than the seasonal data: T t 367 7.8 t. Once we have the trend line, making a forecast is easy. Lets say we want to make a forecast for time period 2. Of course, The Management Scientist does all this for us. To use The Management Scientist . select the Forecasting Module and load the data as previously described in the Three Period Moving Average demonstration. Next, click SolutionSolveTrend and Seasonal . then enter 4 where it asks for number of seasons, and 4 where it asks for number of periods to forecast. - click OK to get the solution. Note that number of seasons is 4 for quarterly data, 12 for monthly data, and so forth. Here is the printout. Printout 2.4.1 FORECASTING WITH TREND AND SEASONAL COMPONENTS SEASON SEASONAL INDEX THE MEAN SQUARE ERROR 87.25 THE FORECAST FOR PERIOD 13 494.43 THE FORECAST FOR PERIOD 14 485.44 THE FORECAST FOR PERIOD 15 450.64 THE FORECAST FOR PERIOD 16 510.40 The Mean Square Error of 87.25, gives a root mean square error of 9.3, a spectacular improvement over the other techniques. A sketch of the actual and forecast data shows how well the trend and seasonal model can do at responding to the trend and the seasonal turn points. Note how the four period out forecast continues the response to both components. Pause and Reflect The trend and seasonal components method is appropriate when the time series exhibits a linear trend and seasonality. This model, compared to the others, does require significantly more historical data. It is suggested that you should have enough data to see at least four or five repetitions of the seasonal peaks and off peaks (with quarterly data, there should be 16 to 20 observations with monthly data, there should be 48 to 60 observations). Well, thats it to the introduction to times series forecasting material. Texts devoted entirely to this subject go into much more detail, of course. For example, there are exponential smoothing models that incorporate trend and time series decomposition models that incorporate the cyclic component. A good reference for these is Wilson and Keating, Business Forecasting . 2nd ed. Irwin (1994). Two parting thoughts. In each of the Pause and Reflect paragraphs, I gave suggestions for number of observations in the historical data base. There is always some judgment required here. While we need a lot of data to fit the trend and trend and seasonal models, a lot of data may mean going far into the past. When we go far into the past, the patterns in the data may be different, and the time series forecasting models assume that any patterns in the past will continue into the future (not the values of the past observations, but the patterns such as slope and seasonal indexes). When worded on forecasts for airport traffic, we would love to go back 10 years, but tourist and permanent resident business travel is different today than 10 years ago so we must balance the need for a lot of data with the assumption of forecasting. The second thought is to always remember to measure the accuracy of your models. We ended with a model that had a root mean square error that was a 75 improvement over the 5-period moving average. I know one company that always used a 5-period moving average for their sales forecasts - scary, isnt it You should be ready to tackle the assignment for Module 2, Forecasting Lost Sales, in the text, pp. 210-212. The case answers via e-mail and The Management Scientist computer output files are due February 10, 2001. If you want free review of your draft responsesoutput, please forward as a draft by Tuesday, February 6, 2001. Module ScheduleWhat is Moving average forecasting Tiny but dangerous, the mosquito has a sting and a drone powerful enough to drive even the strongest indoors. ต่อสู้กับการรักษายุงแบบยุทธศาสตร์สำหรับลานของคุณ โดยทำตามขั้นตอนต่อไปนี้คุณสามารถขจัดความน่ารำคาญของยุงออกจากสิ่งแวดล้อมได้ (MORE) รูปลักษณ์และเสียงของน้ำที่ไหลอยู่ในภูมิประเทศใด ๆ คุณสามารถสร้างน้ำตกหลังบ้านของคุณเองในช่วงสุดสัปดาห์ เลือกจากรูปแบบที่เรียงซ้อนกันซึ่งพ่นน้ำห้อยลงมาจากเตียงหรือโฉบเฉี่ยวที่หยดน้ำลงไปในสระน้ำด้านล่าง (MORE) When implemented digitally, exponential smoothing is easier to implement and more efficient to compute, as it does not require maintaining a history of previous input data val hellip ues. นอกจากนี้ไม่มีผลกระทบอย่างฉับพลันในเอาท์พุทที่เกิดขึ้นกับค่าเฉลี่ยเคลื่อนที่เมื่อจุดข้อมูลภายนอกห่างออกจากช่วงเวลาที่คุณกำลังเฉลี่ย ด้วยการทำให้เกิดความคมชัดแบบเอ็กซ์โปเนนต์ผลกระทบของข้อมูลที่ผิดปกติจะจางหายไปอย่างสม่ำเสมอ (It still has a big impact when it first appears.) (MORE) 6 people found this useful This is the process of predicting what you think is going to happen in the future. It is a method of understanding the results of things that will happen later in life. 12 people found this useful