A Liikkuvan Keskiarvon Malli Tehtaalla Parhaiten Kun ____ In The Time Series

Moving Average. This esimerkki opettaa kuinka laskea Excel-sarjan aikasarjan liukuva keskiarvo Liikkuvaa keskiarvoa käytetään epäsäännöllisyyksien huiput ja laaksot tasaamaan trendien helposti tunnistamista.1 Ensinnäkin katsotaan aikasarjamme.2 Valitse Tietojen välilehti Tietojen analysointi. Huomaa, ettei löydy Tietojen analyysi - painiketta. Napsauta tätä, jos haluat ladata Analyysityökalun lisäosan. 3 Valitse Keskimääräinen siirto ja valitse OK. 4 Valitse Syöttöalue-ruutu ja valitse alue B2 M2. 5 Napsauta Väli-ruutuun ja kirjoita 6.6 Napsauta Lähtöalue-ruutuun ja valitse solu B3.8 Piirrä näistä arvoista kaavio. Suunnitelma, koska asetamme välein 6, liikkuva keskiarvo on edellisten 5 datapisteen keskiarvo ja Nykyinen datapiste Tämän seurauksena huippuja ja laaksoja tasaantuu Kaavio näyttää kasvavan trendin Excel ei voi laskea ensimmäisen 5 datapisteen liukuvaa keskiarvoa, koska ei ole tarpeeksi aiempia datapisteitä.9 Toista vaiheet 2 - 8 aikavälille 2 Ja aikaväli 4. Yhteenveto La Rger - väli, sitä enemmän piikit ja laaksot tasoitetaan. Mitä pienempi aikaväli, sitä lähempänä liikkuvat keskiarvot ovat todellisia datapisteitä. Käytännössä liikkuva keskiarvo antaa hyvän arvion aikasarjan keskiarvosta, jos keskiarvo On vakio tai hitaasti muuttuva Vakaan keskiarvon tapauksessa m: n suurin arvo antaa parhaan estimaatin keskiarvosta. Pitempi havaintojakso keskittää vaihtelevuuden vaikutukset. Pienemmän m: n tarjoamisen tarkoituksena on sallia Ennustetaan vastaamaan taustalla olevan prosessin muutokseen Havainnollistamiseksi ehdotamme tietojoukkoa, joka sisältää muutoksia aikasarjan taustalla olevaan keskiarvoon Kuvassa esitetään havainnollistamiseen käytetyt aikasarjat ja keskimääräinen kysyntä, josta sarja on syntynyt. Keskiarvo alkaa vakiona 10: ssa Lähtöhetkellä 21, se kasvaa yhdellä yksiköllä kussakin ajanjaksossa, kunnes se saavuttaa 20: n arvon 30 aikana. Sitten se muuttuu vakiona. Dataa simuloidaan Lisätään keskimääräinen satunnaismelu Normal-jakaumasta, jossa on nolla keskiarvo ja keskihajonta 3 Simulointitulokset pyöristetään lähimpään kokonaislukuun. Taulukko esittää esimerkille käytetyt simuloituja havaintoja Kun käytämme taulukkoa, meidän on muistettava Että milloin tahansa vain aikaisemmat tiedot ovat tunnettuja. Malliparametrin estimaatit kolmen eri m: n arvona esitetään yhdessä kuvassa olevan aikasarjojen keskiarvon kanssa. Kuvassa näkyy liukuvärin keskiarvon Keskiarvo joka kerralla eikä ennuste Ennusteet siirtäisivät liukuvan keskiarvon käyrät oikealle kausittain. Lopullinen johtopäätös ilmenee välittömästi luvusta. Kaikissa kolmessa arviossa liukuva keskiarvo on myöhemmän lineaarisen kehityksen taakse, ja viive kasvaa m. Viive on mallin ja aikamääritelmän välinen etäisyys Koska viiveen vuoksi liikkuva keskiarvo aliarvioi havainnot, kun keskiarvo kasvaa Estimaattorin i S ero mallin keskiarvossa tiettynä ajankohtana ja keskiarvon, joka ennustaa liikkumavälin keskiarvolla. Esivärä, kun keskiarvo kasvaa, on negatiivinen. Vähemmän keskiarvona bias on positiivinen. Arvio on m: n funktio Mitä suurempi m: n arvo on, sitä suurempi on viiveen ja bias-arvon suuruus. Jatkuvasti kasvava sarja, jossa trendi a, keskiarvon estimaattorin viive ja bias on annettu seuraavassa yhtälöissä. Esimerkki Käyrät eivät vastaa näitä yhtälöitä, koska esimerkkimalli ei ole jatkuvasti kasvamassa, vaan se alkaa vakiona, muuttuu trendiksi ja muuttuu taas jatkuvasti. Myös melu vaikuttaa esimerkkikäyräihin. Kausien liukuva keskimääräinen ennuste tulevaisuuteen Edustaa siirrettäessä käyrät oikealle. Viive ja bias lisääntyvät suhteellisesti Seuraavassa esitetyt yhtälöt osoittavat ennustejaksojen viiveen ja ennakkoluulottomuuden tulevaisuuteen verrattuna malliparametreihin A Voitto, nämä kaavat ovat aikasarjalle, jolla on jatkuva lineaarinen suuntaus. Emme saa yllättyä tässä tuloksessa Liikkuvan keskiarvon estimaattori perustuu vakion keskiarvon oletukseen, ja esimerkissä on lineaarinen suuntaus keskimäärin osan Tutkimusjaksosta Koska reaaliaikasarjat noudattavat harvoin tarkasti kaikkia mallin oletuksia, meidän pitäisi olla valmis tällaisiin tuloksiin. Voimme myös päätellä, että melun vaihtelulla on suurin vaikutus pienemmille m. Arvio on paljon Enemmän haihtuvia liukuvalle keskiarvolle 5 kuin 20: n liukuva keskiarvo. Meillä on ristiriitaiset toiveet kasvattaa m: n vähentämään melun aiheuttaman vaihtelun vaikutusta ja pienentämään m: n tekemään ennuste paremmin vastaamaan keskiarvon muutoksia. Virhe On todellisen datan ja ennustetun arvon välinen ero Jos aikasarja on todella vakioarvo, virheen odotettu arvo on nolla ja virheen varianssi koostuu termistä, joka on funktio Ja toinen termi, joka on kohinan varianssi. Ensimmäinen termi on keskiarvon varianssi, joka on arvioitu näytteellä m havainnoista olettaen, että tiedot ovat peräisin väestöstä, jolla on vakio keskiarvo. Tämä termi minimoidaan tekemällä m suuriksi Mahdollinen Suuri m tekee ennusteesta vastaamatta muutoksen taustalla olevaan aikasarjaan Jotta ennuste olisi reagoiva muutoksiin, haluamme m pienemmäksi 1, mutta tämä lisää virheen vaihtelua Käytännön ennuste vaatii välivaiheen arvon. Forecasting with Excel. Betched-lisäosaa toteutetaan liukuvien keskiarvojen avulla. Seuraavassa esimerkissä esitetään sarakkeessa B esitetyn esimerkkitiedoston lisäosan tarjoama analyysi. Ensimmäiset 10 havaintoa indeksoidaan -9 - 0. Verrattuna edellä olevaan taulukkoon ajanjaksoindeksit ovat Siirretty -10. Ensimmäiset kymmenen havaintoa antavat arvioinnin käynnistysarvot ja niitä käytetään laskettaessa liukuvaa keskiarvoa kaudelle 0 MA 10-sarake C näyttää lasketut liukuvat keskiarvot Liikkuvat Keskimääräinen parametri m on solussa C3 Fore 1-sarake D näyttää ennustuksen yhdeksi jaksoksi tulevaisuuteen Ennusteennaväli on solussa D3 Kun ennustevälit muuttuvat suuremmiksi, Fore-sarakkeessa olevat luvut siirtyvät alaspäin. Err 1 sarake E osoittaa havainnon ja ennusteen välisen eron Esimerkiksi havaitun ajan hetkellä 1 on 6 Oletusarvo, joka on tehty liukuvan keskiarvon ajankohdasta 0 on 11 1 Virhe on -5 1 Keskimääräinen poikkeama ja keskimääräinen keskihajonta MAD lasketaan vastaavasti soluissa E6 ja E7. Esimerkki 25 aikajakson aikasarjasta on piirretty kuviossa 1 taulukon 1 numeerisista tiedoista. Tiedot voivat olla tietyn tuotteen viikoittaista kysyntää. Käytämme x: tä havainnollistamiseen ja t Edustamaan aikajakson indeksiä. Tarkkaileva ajan kysyntä t on nimenomaisesti osoitettu. Tiedot 1: stä T: hen ovat. Kuvassa havaintoja yhdistävät viivat annetaan vain kuvan selkeyttämiseksi ja muutoin Ei merkitystä. Table 1 Viikottainen kysyntä viikoille 1 - 30. Kuva 1 Viikottaisen kysynnän aikasarja. Tavoitteenamme on määrittää malli, joka selittää havaitut tiedot ja mahdollistaa ekstrapoloinnin tulevaisuuteen ennusteeksi. Yksinkertaisin malli ehdottaa, että Aikasarja on vakio, jolla on satunnaismuuttujan määrittämän vakion arvon vaihtelut. Suurikokoisuus edustaa satunnaismuuttujaa, joka on tuntematon kysyntä ajankohtana t, kun taas alempi tapaus on todellisuudessa havaittu arvo. Arvoa kutsutaan kohina, Melun oletetaan olevan keskimääräinen nolla ja määritetty varianssi. Kahden eri ajanjakson vaihtelut ovat riippumattomia. Erityisesti. MAD 8 7 2 4 0 9 10 4 11 ja näemme, että 1 25 MAD 5 138 on suunnilleen yhtä suuri kuin näytteen keskihajonta. Esimerkkinä käytetyistä aikasarjoista simuloituu vakio keskiarvo. Poikkeamat keskiarvosta jaetaan normaalisti keskiarvolla nolla ja keskihajonnalla 5. Virhe s Tandardipoikkeama sisältää mallin ja virheen yhdistettyjen virheiden vaikutukset niin, että arvo olisi suurempi kuin 5 Tietenkin eri simuloinnin toteutus tuottaa erilaisia ​​tilastollisia arvoja. Ennustamisen lisäosan avulla rakennettu Excel-laskentataulukko kuvaa Laskenta esimerkkidataa varten Sarakkeessa C on sarakkeessa B sarakkeessa C olevat liikkuvat keskiarvot ja yksijaksoiset ennusteet ovat sarakkeessa D sarakkeessa E on erojen sarakkeiden B ja D erotus rivien osalta, joilla on sekä tietoja että ennusteita. Virheen poikkeama on solussa E6 ja MAD on solussa E7.