Moving Average Method Of Forecasting

Moving Average Forecasting. Introduction Seperti yang Anda duga kita melihat beberapa pendekatan yang paling primitif terhadap peramalan Tapi mudah-mudahan ini setidaknya merupakan pengantar yang berharga untuk beberapa masalah komputasi yang terkait dengan penerapan prakiraan di spreadsheet. Dalam uraian ini, kita akan melanjutkan dengan Mulai dari awal dan mulai bekerja dengan Moving Average forecasts. Moving Average Forecasts Setiap orang mengetahui perkiraan rata-rata bergerak terlepas dari apakah mereka percaya mereka Semua mahasiswa melakukannya sepanjang waktu Pikirkan skor tes Anda dalam kursus di mana Anda akan pergi ke Memiliki empat tes selama semester Mari s menganggap Anda mendapat 85 pada tes pertama Anda. Apa yang akan Anda prediksikan untuk skor tes kedua Anda. Apa yang menurut Anda akan diprediksi oleh guru Anda untuk skor tes Anda berikutnya. Menurut Anda, perkiraan teman Anda mungkin akan memprediksi Untuk skor tes Anda berikutnya. Menurut Anda, apa yang diprediksi orang tua Anda untuk skor tes Anda yang berikutnya. Terlepas dari semua kerutan yang mungkin Anda lakukan pada fr Anda? Iends dan orang tua, mereka dan gurumu sangat mengharapkan Anda mendapatkan sesuatu di area yang Anda dapatkan. Nah, sekarang mari kita berasumsi bahwa meskipun promosi diri Anda ke teman Anda, Anda terlalu memperkirakan sendiri Dan bayangkan Anda bisa belajar lebih sedikit untuk tes kedua dan jadi Anda mendapatkan skor 73. Sekarang, apa yang menjadi perhatian dan tidak peduli yang akan Anda hadapi akan Anda dapatkan pada tes ketiga Anda Ada dua pendekatan yang sangat mungkin bagi mereka untuk mengembangkan perkiraan tanpa mempedulikan Apakah mereka akan membaginya dengan Anda. Mereka mungkin berkata pada diri mereka sendiri, Orang ini selalu meniup asap tentang kecerdasannya. Dia akan mendapatkan yang lain lagi jika dia beruntung. Mungkin orang tua akan berusaha lebih mendukung dan berkata, Baiklah, jadi Sejauh ini Anda sudah mencapai usia 85 dan 73, jadi mungkin Anda harus mencari tahu tentang hal 73 78 Saya tidak tahu, mungkin jika Anda kurang berpesta dan tidak mengayunkan musang itu ke mana-mana dan jika Anda mulai melakukan Jauh lebih banyak belajar Anda bisa mendapatkan skor yang lebih tinggi. Kedua perkiraan ini sebenarnya Rata-rata perkiraan rata-rata bergerak adalah yang pertama yang menggunakan skor terakhir untuk meramalkan kinerja masa depan Anda Ini disebut perkiraan rata-rata bergerak menggunakan satu periode data. Yang kedua juga merupakan perkiraan rata-rata bergerak namun menggunakan dua periode data. Bahwa semua orang yang terhilang dengan pikiran hebat ini telah membuat Anda kesal dan Anda memutuskan untuk melakukannya dengan baik pada tes ketiga untuk alasan Anda sendiri dan untuk memberi nilai lebih tinggi di depan sekutu Anda Anda mengikuti tes dan nilai Anda sebenarnya adalah Semua orang, termasuk dirimu sendiri, terkesan. Jadi sekarang Anda memiliki ujian akhir semester ini dan seperti biasa Anda merasa perlu memandu semua orang untuk membuat prediksi tentang bagaimana Anda akan melakukan tes terakhir. Nah, semoga Anda melihat Pola. Sekarang, mudah-mudahan Anda bisa melihat pola yang Anda yakini yang paling akurat. Whistle Sementara Kami Bekerja Sekarang kita kembali ke perusahaan pembersih baru kita yang dimulai oleh saudara tirimu yang terasing bernama Whistle While We Work Anda memiliki beberapa data penjualan terakhir. Diwakili oleh bagian berikut dari spreadsheet Kami pertama kali menyajikan data untuk perkiraan rata-rata bergerak tiga periode. Entri untuk sel C6 seharusnya. Sekarang Anda dapat menyalin formula sel ini ke sel lain C7 sampai C11. Tidak seperti bagaimana rata-rata bergerak. Selama data historis terbaru namun menggunakan tepat tiga periode terbaru yang tersedia untuk setiap prediksi Anda juga harus memperhatikan bahwa kami tidak perlu membuat prediksi untuk periode sebelumnya untuk mengembangkan prediksi terbaru kami. Hal ini jelas berbeda dengan Model smoothing eksponensial Saya telah menyertakan prediksi masa lalu karena kami akan menggunakannya di halaman web berikutnya untuk mengukur validitas prediksi. Kini saya ingin menyajikan hasil yang serupa untuk perkiraan rata-rata bergerak dua periode. Entri untuk sel C5 seharusnya. Sekarang Anda Dapat menyalin formula sel ini ke sel lain C6 sampai C11. Tidak bagaimana sekarang hanya dua potongan data historis terakhir yang digunakan untuk setiap prediksi. Sekali lagi saya menyertakan D prediksi masa lalu untuk tujuan ilustrasi dan untuk kemudian digunakan dalam validasi perkiraan. Beberapa hal lain yang penting untuk diperhatikan. Untuk m-period moving average forecast hanya m nilai data terbaru yang digunakan untuk membuat prediksi Tidak ada hal lain yang diperlukan. . Untuk perkiraan rata-rata pergerakan m-periode, saat membuat prediksi sebelumnya, perhatikan bahwa prediksi pertama terjadi pada periode m 1. Kedua masalah ini akan sangat signifikan saat kita mengembangkan kode kita. Mengembangkan Fungsi Bergerak Rata-rata Sekarang kita perlu mengembangkannya. Kode untuk ramalan rata-rata bergerak yang dapat digunakan secara lebih fleksibel Kode berikut Perhatikan bahwa masukan adalah untuk jumlah periode yang ingin Anda gunakan dalam perkiraan dan susunan nilai historis Anda dapat menyimpannya dalam buku kerja apa pun yang Anda inginkan. Fungsi MovingAverage Historis, NumberOfPeriods Sebagai Single Declaring dan variabel inisialisasi Dim Item Sebagai Variant Dim Counter As Integer Dim Accumulation Sebagai Single Dim HistoricalSize As Integer. Menginisialisasi variabel Counter 1 Accumulation 0. Menentukan ukuran Historical array HistoricalSize. For Counter 1 To NumberOfPeriods. Mengumpulkan jumlah yang sesuai dari nilai yang teramati terakhir yang terbaru. Accumulation Accumulation Historical HistoricalSize - NumberOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. Kode ini akan dijelaskan di kelas Anda ingin memposisikan fungsi pada spreadsheet sehingga hasil perhitungan muncul di tempat yang seharusnya Seperti berikut. moving average. Mean data seri pengamatan waktu sama spasi dalam waktu dari beberapa periode berturut-turut Dipanggil bergerak karena terus dihitung sebagai data baru tersedia, itu berlangsung dengan menjatuhkan nilai awal dan menambahkan nilai terbaru Misalnya, Rata-rata bergerak dari penjualan enam bulan dapat dihitung dengan mengambil rata-rata penjualan dari bulan Januari sampai Juni, lalu rata-rata penjualan dari bulan Februari sampai Juli, kemudian dari bulan Maret sampai Agustus, dan seterusnya Rata-rata pergerakan 1 mengurangi pengaruh variasi sementara dalam Data, 2 memperbaiki kecocokan data ke garis sebuah proses yang disebut smoothing untuk menunjukkan tren data lebih banyak c Learly, dan 3 menyoroti nilai di atas atau di bawah tren. Jika Anda menghitung sesuatu dengan varians yang sangat tinggi, yang terbaik yang dapat Anda lakukan adalah mengetahui rata-rata pergerakannya. Saya ingin tahu berapa rata-rata pergerakan data, Jadi saya akan memiliki pemahaman yang lebih baik tentang bagaimana keadaan kita. Ketika Anda mencoba untuk mencari tahu beberapa nomor yang sering berubah, yang terbaik yang dapat Anda lakukan adalah menghitung rata-rata bergerak. Perpindahan kepribadian. Pendekatan paling sederhana adalah dengan mengambil rata-rata bulan Januari Sampai Maret dan menggunakannya untuk memperkirakan penjualan April. 129 134 122 3 128 333. Dengan demikian, berdasarkan penjualan Januari sampai Maret, Anda memperkirakan bahwa penjualan pada bulan April akan mencapai 128.333 Setelah penjualan aktual April tiba, Anda kemudian akan menghitung perkiraan untuk bulan Mei, kali ini menggunakan Februari sampai April Anda harus konsisten dengan jumlah periode yang Anda gunakan untuk peramalan rata-rata bergerak. Jumlah periode yang Anda gunakan dalam perkiraan rata-rata bergerak Anda sewenang-wenang, Anda hanya boleh menggunakan dua periode, atau lima atau enam periode apapun yang Anda inginkan untuk menghasilkan prakiraan Anda. Pendekatan di atas adalah rata-rata bergerak sederhana Kadang-kadang, penjualan bulan yang lebih baru mungkin merupakan influencer yang lebih kuat dari penjualan bulan yang akan datang, jadi Anda ingin memberi bobot lebih mendekati bulan di model perkiraan Anda Ini adalah rata-rata bergerak tertimbang dan seperti angka Periode, bobot yang Anda tetapkan itu benar-benar sewenang-wenang Katakanlah Anda ingin memberi penjualan Maret 50 ton berat badan, bobot 30 Februari, dan 20 Januari Kemudian perkiraan Anda untuk bulan April akan menjadi 127.000 122 50 134 30 129 20 127.L Imitasi Metode Bergerak Rata-rata Bergerak rata-rata dianggap sebagai teknik perataan pemulusan Karena Anda rata-rata mengambil waktu, Anda akan melunakkan atau merapikan efek kejadian tidak teratur dalam data Akibatnya, efek musiman, siklus bisnis, dan lainnya. Kejadian acak dapat secara dramatis meningkatkan kesalahan perkiraan Lihatlah data satu tahun penuh, dan bandingkan rata-rata pergerakan 3 periode dan rata-rata pergerakan 5 periode. Tidak penting bahwa dalam contoh ini saya tidak membuat perkiraan, namun berpusat Rata-rata bergerak Rata-rata pergerakan 3 bulan pertama adalah untuk bulan Februari, dan rata-rata bulan Januari, Februari, dan Maret saya juga serupa untuk rata-rata 5 bulan Sekarang, lihat tabel berikut. Apa yang Anda lihat Apakah Bukan seri rata-rata bergerak tiga bulan yang jauh lebih mulus daripada seri penjualan yang sebenarnya. Dan bagaimana dengan rata-rata pergerakan lima bulan itu, lebih halus lagi, semakin banyak periode yang Anda gunakan dalam rata-rata bergerak Anda, semakin halus waktu Anda Oleh karena itu, untuk peramalan, rata-rata pergerakan sederhana mungkin bukan metode yang paling akurat. Metode rata-rata pergerakan terbukti cukup berharga saat Anda mencoba mengekstrak komponen musiman, tidak teratur, dan siklis dari rangkaian waktu untuk metode peramalan yang lebih maju, seperti regresi. Dan ARIMA, dan penggunaan moving averages dalam pembusukan deret waktu akan dibahas kemudian dalam rangkaian. Mendefinisikan Akurasi Model Bergerak Rata-rata. Umumnya, Anda menginginkan metode peramalan yang memiliki kesalahan paling sedikit antara hasil aktual dan yang diprediksi. Salah satu dari Ukuran yang paling umum dari perkiraan akurasi adalah Mean Absolute Deviation MAD Dalam pendekatan ini, untuk setiap periode dalam deret waktu dimana Anda menghasilkan perkiraan, Anda mengambil nilai absolut dari perbedaan antara nilai aktual dan perkiraan aktual dari penyimpangan Kemudian Anda rata-rata penyimpangan absolut dan Anda mendapatkan ukuran MAD MAD dapat membantu dalam menentukan jumlah periode yang rata-rata Anda, dan atau jumlah Berat yang Anda tempatkan pada setiap periode Umumnya, Anda memilih salah satu yang menghasilkan MAD terendah Berikut adalah contoh bagaimana MAD dihitung. MAD hanyalah rata-rata 8, 1, dan 3.Moving Averages Recap Bila menggunakan moving averages untuk peramalan , Ingat. Rata-rata pergerakan bisa sederhana atau tertimbang. Jumlah periode yang Anda gunakan untuk rata-rata Anda, dan bobot yang Anda tetapkan untuk masing-masing sangat sewenang-wenang. Rata-rata pergerakan menghaluskan pola tidak teratur dalam data deret waktu semakin besar jumlah periode yang digunakan untuk Setiap titik data, semakin besar efek perataan. Karena perataan, peramalan penjualan bulan depan berdasarkan penjualan beberapa bulan terakhir dapat mengakibatkan penyimpangan yang besar karena pola musiman, siklus, dan tidak teratur dalam data dan kemampuan smoothing. Dari metode rata-rata bergerak dapat berguna dalam mendekomposisi rangkaian waktu untuk metode peramalan yang lebih maju. Ekspresi Eksponensial Minggu Berikutnya Pada minggu depan, s Forecast Jumat kita akan membahas metode penghalusan eksponensial. , Dan Anda akan melihat bahwa mereka dapat jauh lebih unggul daripada metode peramalan rata-rata yang bergerak. Masih belum tahu mengapa pratinjau Jumat kami muncul pada hari Kamis. Cari tahu at. Post navigation. Leave a Reply Cancel reply. I memiliki 2 pertanyaan.1 Dapatkah Anda Gunakan pendekatan MA terpusat untuk meramalkan atau hanya untuk menghilangkan musiman.2 Bila Anda menggunakan t t-1 t-2 tk k MA sederhana untuk memperkirakan satu periode ke depan, mungkinkah meramalkan lebih dari 1 periode di masa depan, saya kira perkiraan Anda Akan menjadi salah satu poin yang memberi makan ke berikutnya. Terima Kasih info dan penjelasan Anda. Saya senang Anda menyukai blog ini. Saya yakin beberapa analis telah menggunakan pendekatan MA terpusat untuk peramalan, tapi saya sendiri tidak akan melakukannya, karena hasil pendekatan itu Dalam hilangnya pengamatan di kedua ujungnya Ini sebenarnya berhubungan dengan pertanyaan kedua Anda Umumnya MA sederhana digunakan untuk memperkirakan hanya satu periode di masa depan, namun banyak analis dan saya kadang-kadang kadang-kadang akan menggunakan proyeksi satu periode di depan sebagai salah satu masukan untuk Periode kedua di depan Ini s Penting untuk diingat bahwa semakin jauh ke depan Anda mencoba meramalkan, semakin besar risiko kesalahan perkiraan. Inilah sebabnya mengapa saya tidak merekomendasikan MA yang terpusat untuk meramalkan hilangnya pengamatan pada akhirnya berarti harus bergantung pada perkiraan untuk pengamatan yang hilang, Serta periode di depan, jadi ada kemungkinan kesalahan perkiraan yang lebih besar. Beritahu Anda untuk mempertimbangkannya. Apakah Anda memiliki pemikiran atau saran mengenai hal ini. Brian, terima kasih atas komentar dan pujian Anda di blog. Nice Inisiatif dan penjelasan yang bagus Ini sangat membantu. Saya meramalkan papan sirkuit cetak kustom untuk pelanggan yang tidak memberikan perkiraan apapun yang telah saya gunakan rata-rata bergerak, namun tidak begitu akurat karena industri dapat naik dan turun Kami melihat ke tengah Musim panas sampai akhir tahun bahwa pengiriman pcb s habis Lalu kita lihat di awal tahun melambat turun Bagaimana saya bisa lebih akurat dengan data saya. Katrina, dari apa yang Anda katakan kepada saya, nampaknya penjualan papan sirkuit tercetak Anda Memiliki komponen musiman yang saya lakukan pada seasonality di beberapa posting Forecast Friday lainnya Pendekatan lain yang bisa Anda gunakan, yang cukup mudah, adalah algoritma Holt-Winters, yang memperhitungkan musim musiman Anda dapat menemukan penjelasan yang bagus tentang hal itu di sini Pastikan Untuk menentukan apakah pola musiman Anda multiplikatif atau aditif, karena algoritmanya sedikit berbeda untuk masing-masing. Jika Anda memplot data bulanan Anda dari beberapa tahun dan melihat bahwa variasi musiman pada waktu yang sama tahun nampaknya konstan sepanjang tahun, maka Musiman adalah aditif jika variasi musiman dari waktu ke waktu nampaknya semakin meningkat, maka musimannya multiplikatif Kebanyakan deret waktu musiman akan multiplikatif Jika ragu, asumsikan perkalian semoga berhasil. Di sana, Antara metode Nave Forecasting Memperbarui rata-rata Bergerak Rata-rata Panjang k Entah Rata-rata Tertimbang Rata-rata Panjang K ATAU Pemulusan Eksponensial Yang mana dari model pembaharuan yang Anda rekomendasikan saya gunakan untuk forecas T data Untuk pendapat saya, saya berpikir tentang Moving Average Tapi saya tidak tahu bagaimana membuatnya jelas dan terstruktur. Ini sangat tergantung pada kuantitas dan kualitas data yang Anda miliki dan perkiraan horison Anda jangka panjang, jangka menengah. , Atau jangka pendek.