Memindahkan model perataan rata-rata dan eksponensial Sebagai langkah pertama dalam bergerak melampaui model mean, model jalan acak, dan model tren linier, pola nonseasonal dan tren dapat diekstrapolasikan dengan menggunakan model rata-rata bergerak atau pemulusan. Asumsi dasar di balik model rata-rata dan perataan adalah bahwa deret waktu secara lokal bersifat stasioner dengan mean yang bervariasi secara perlahan. Oleh karena itu, kita mengambil rata-rata bergerak (lokal) untuk memperkirakan nilai rata-rata saat ini dan kemudian menggunakannya sebagai perkiraan untuk waktu dekat. Hal ini dapat dianggap sebagai kompromi antara model rata-rata dan model random-walk-without-drift-model. Strategi yang sama dapat digunakan untuk memperkirakan dan mengekstrapolasikan tren lokal. Rata-rata bergerak sering disebut versi quotmoothedquot dari rangkaian aslinya karena rata-rata jangka pendek memiliki efek menghaluskan benjolan pada rangkaian aslinya. Dengan menyesuaikan tingkat smoothing (lebar rata-rata bergerak), kita dapat berharap untuk mencapai keseimbangan optimal antara kinerja model jalan rata-rata dan acak. Jenis model rata - rata yang paling sederhana adalah. Simple Moving Average: Prakiraan untuk nilai Y pada waktu t1 yang dilakukan pada waktu t sama dengan rata-rata sederhana dari pengamatan m terakhir: (Disini dan di tempat lain saya akan menggunakan simbol 8220Y-hat8221 untuk berdiri Untuk ramalan dari deret waktu yang dibuat Y pada tanggal sedini mungkin dengan model yang diberikan.) Rata-rata ini dipusatkan pada periode t - (m1) 2, yang menyiratkan bahwa perkiraan mean lokal cenderung tertinggal dari yang sebenarnya. Nilai mean lokal sekitar (m1) 2 periode. Jadi, kita katakan bahwa rata-rata usia data dalam rata-rata pergerakan sederhana adalah (m1) 2 relatif terhadap periode dimana ramalan dihitung: ini adalah jumlah waktu dimana perkiraan akan cenderung tertinggal dari titik balik data. . Misalnya, jika Anda rata-rata mendapatkan 5 nilai terakhir, prakiraan akan sekitar 3 periode terlambat dalam menanggapi titik balik. Perhatikan bahwa jika m1, model simple moving average (SMA) sama dengan model random walk (tanpa pertumbuhan). Jika m sangat besar (sebanding dengan panjang periode estimasi), model SMA setara dengan model rata-rata. Seperti parameter model peramalan lainnya, biasanya menyesuaikan nilai k untuk memperoleh kuotil kuotil terbaik ke data, yaitu kesalahan perkiraan terkecil. Berikut adalah contoh rangkaian yang tampaknya menunjukkan fluktuasi acak di sekitar rata-rata yang bervariasi secara perlahan. Pertama, mari mencoba menyesuaikannya dengan model jalan acak, yang setara dengan rata-rata bergerak sederhana dari 1 istilah: Model jalan acak merespons dengan sangat cepat terhadap perubahan dalam rangkaian, namun dengan begitu, ia menggunakan banyak kuotimasi dalam Data (fluktuasi acak) serta quotsignalquot (mean lokal). Jika kita mencoba rata-rata bergerak sederhana dari 5 istilah, kita mendapatkan perkiraan perkiraan yang tampak lebih halus: Rata-rata pergerakan sederhana 5 langkah menghasilkan kesalahan yang jauh lebih kecil daripada model jalan acak dalam kasus ini. Usia rata-rata data dalam ramalan ini adalah 3 ((51) 2), sehingga cenderung tertinggal beberapa titik balik sekitar tiga periode. (Misalnya, penurunan tampaknya terjadi pada periode 21, namun prakiraan tidak berbalik sampai beberapa periode kemudian.) Perhatikan bahwa perkiraan jangka panjang dari model SMA adalah garis lurus horizontal, seperti pada pergerakan acak. model. Dengan demikian, model SMA mengasumsikan bahwa tidak ada kecenderungan dalam data. Namun, sedangkan prakiraan dari model jalan acak sama dengan nilai pengamatan terakhir, prakiraan dari model SMA sama dengan rata-rata tertimbang nilai terakhir. Batas kepercayaan yang dihitung oleh Statgraf untuk perkiraan jangka panjang rata-rata bergerak sederhana tidak semakin luas seiring dengan meningkatnya horizon peramalan. Ini jelas tidak benar Sayangnya, tidak ada teori statistik yang mendasari yang memberi tahu kita bagaimana interval kepercayaan harus melebar untuk model ini. Namun, tidak terlalu sulit untuk menghitung perkiraan empiris batas kepercayaan untuk perkiraan horizon yang lebih panjang. Misalnya, Anda bisa membuat spreadsheet di mana model SMA akan digunakan untuk meramalkan 2 langkah di depan, 3 langkah di depan, dan lain-lain dalam sampel data historis. Anda kemudian bisa menghitung penyimpangan standar sampel dari kesalahan pada setiap horison perkiraan, dan kemudian membangun interval kepercayaan untuk perkiraan jangka panjang dengan menambahkan dan mengurangi kelipatan dari deviasi standar yang sesuai. Jika kita mencoba rata-rata bergerak sederhana 9-istilah, kita mendapatkan perkiraan yang lebih halus dan lebih banyak efek lagging: Usia rata-rata sekarang adalah 5 periode ((91) 2). Jika kita mengambil moving average 19-term, rata-rata usia meningkat menjadi 10: Perhatikan bahwa, memang, ramalannya sekarang tertinggal dari titik balik sekitar 10 periode. Jumlah smoothing yang terbaik untuk seri ini Berikut adalah tabel yang membandingkan statistik kesalahan mereka, juga termasuk rata-rata 3-rata: Model C, rata-rata pergerakan 5-term, menghasilkan nilai RMSE terendah dengan margin kecil di atas 3 - term dan rata-rata 9-istilah, dan statistik lainnya hampir sama. Jadi, di antara model dengan statistik kesalahan yang sangat mirip, kita bisa memilih apakah kita lebih memilih sedikit responsif atau sedikit lebih kehalusan dalam prakiraan. (Lihat ke atas halaman.) Browns Simple Exponential Smoothing (rata-rata bergerak rata-rata tertimbang) Model rata-rata bergerak sederhana yang dijelaskan di atas memiliki properti yang tidak diinginkan sehingga memperlakukan pengamatan terakhir secara sama dan sama sekali mengabaikan semua pengamatan sebelumnya. Secara intuitif, data masa lalu harus didiskontokan secara lebih bertahap - misalnya, pengamatan terbaru harus mendapatkan bobot sedikit lebih besar dari yang terakhir, dan yang ke-2 terakhir harus mendapatkan bobot sedikit lebih banyak dari yang ke-3 terakhir, dan Begitu seterusnya Model pemulusan eksponensial sederhana (SES) menyelesaikan hal ini. Misalkan 945 menunjukkan kuototmothing constantquot (angka antara 0 dan 1). Salah satu cara untuk menulis model adalah dengan menentukan rangkaian L yang mewakili tingkat saat ini (yaitu nilai rata-rata lokal) dari seri yang diperkirakan dari data sampai saat ini. Nilai L pada waktu t dihitung secara rekursif dari nilai sebelumnya seperti ini: Dengan demikian, nilai smoothed saat ini adalah interpolasi antara nilai smoothed sebelumnya dan pengamatan saat ini, di mana 945 mengendalikan kedekatan nilai interpolasi dengan yang paling baru. pengamatan. Perkiraan untuk periode berikutnya hanyalah nilai merapikan saat ini: Secara ekivalen, kita dapat mengekspresikan ramalan berikutnya secara langsung dalam perkiraan sebelumnya dan pengamatan sebelumnya, dengan versi setara berikut. Pada versi pertama, ramalan tersebut merupakan interpolasi antara perkiraan sebelumnya dan pengamatan sebelumnya: Pada versi kedua, perkiraan berikutnya diperoleh dengan menyesuaikan perkiraan sebelumnya ke arah kesalahan sebelumnya dengan jumlah pecahan 945. adalah kesalahan yang dilakukan pada Waktu t. Pada versi ketiga, perkiraan tersebut adalah rata-rata bergerak tertimbang secara eksponensial (yaitu diskon) dengan faktor diskonto 1- 945: Versi perumusan rumus peramalan adalah yang paling mudah digunakan jika Anda menerapkan model pada spreadsheet: sesuai dengan Sel tunggal dan berisi referensi sel yang mengarah ke perkiraan sebelumnya, pengamatan sebelumnya, dan sel dimana nilai 945 disimpan. Perhatikan bahwa jika 945 1, model SES setara dengan model jalan acak (tanpa pertumbuhan). Jika 945 0, model SES setara dengan model rata-rata, dengan asumsi bahwa nilai smoothing pertama ditetapkan sama dengan mean. (Kembali ke atas halaman.) Usia rata-rata data dalam perkiraan pemulusan eksponensial sederhana adalah 1 945 relatif terhadap periode dimana ramalan dihitung. (Ini tidak seharusnya jelas, namun dengan mudah dapat ditunjukkan dengan mengevaluasi rangkaian tak terbatas.) Oleh karena itu, perkiraan rata-rata bergerak sederhana cenderung tertinggal dari titik balik sekitar 1 945 periode. Misalnya, ketika 945 0,5 lag adalah 2 periode ketika 945 0,2 lag adalah 5 periode ketika 945 0,1 lag adalah 10 periode, dan seterusnya. Untuk usia rata-rata tertentu (yaitu jumlah lag), ramalan eksponensial eksponensial sederhana (SES) agak lebih unggul daripada ramalan rata-rata bergerak sederhana karena menempatkan bobot yang relatif lebih tinggi pada pengamatan terakhir - i. Ini sedikit lebih responsif terhadap perubahan yang terjadi di masa lalu. Sebagai contoh, model SMA dengan 9 istilah dan model SES dengan 945 0,2 keduanya memiliki usia rata-rata 5 untuk data dalam perkiraan mereka, namun model SES memberi bobot lebih besar pada 3 nilai terakhir daripada model SMA dan pada Pada saat yang sama, hal itu sama sekali tidak sesuai dengan nilai lebih dari 9 periode, seperti yang ditunjukkan pada tabel ini: Keuntungan penting lain dari model SES dibandingkan model SMA adalah model SES menggunakan parameter pemulusan yang terus menerus bervariasi, sehingga mudah dioptimalkan. Dengan menggunakan algoritma quotsolverquot untuk meminimalkan kesalahan kuadrat rata-rata. Nilai optimal 945 dalam model SES untuk seri ini ternyata adalah 0,2961, seperti yang ditunjukkan di sini: Usia rata-rata data dalam ramalan ini adalah 10.2961 3,4 periode, yang serupa dengan rata-rata pergerakan sederhana 6-istilah. Perkiraan jangka panjang dari model SES adalah garis lurus horisontal. Seperti pada model SMA dan model jalan acak tanpa pertumbuhan. Namun, perhatikan bahwa interval kepercayaan yang dihitung oleh Statgraphics sekarang berbeda dengan mode yang tampak wajar, dan secara substansial lebih sempit daripada interval kepercayaan untuk model perjalanan acak. Model SES mengasumsikan bahwa seri ini agak dapat diprediksi daripada model acak berjalan. Model SES sebenarnya adalah kasus khusus model ARIMA. Sehingga teori statistik model ARIMA memberikan dasar yang kuat untuk menghitung interval kepercayaan untuk model SES. Secara khusus, model SES adalah model ARIMA dengan satu perbedaan nonseasonal, MA (1), dan tidak ada istilah konstan. Atau dikenal sebagai model quotARIMA (0,1,1) tanpa constantquot. Koefisien MA (1) pada model ARIMA sesuai dengan kuantitas 1- 945 pada model SES. Misalnya, jika Anda memasukkan model ARIMA (0,1,1) tanpa konstan pada rangkaian yang dianalisis di sini, koefisien MA (0) diperkirakan berubah menjadi 0,7029, yang hampir persis satu minus 0,2961. Hal ini dimungkinkan untuk menambahkan asumsi tren linear konstan non-nol ke model SES. Untuk melakukan ini, cukup tentukan model ARIMA dengan satu perbedaan nonseasonal dan MA (1) dengan konstan, yaitu model ARIMA (0,1,1) dengan konstan. Perkiraan jangka panjang kemudian akan memiliki tren yang sama dengan tren rata-rata yang diamati selama periode estimasi keseluruhan. Anda tidak dapat melakukan ini bersamaan dengan penyesuaian musiman, karena pilihan penyesuaian musiman dinonaktifkan saat jenis model disetel ke ARIMA. Namun, Anda dapat menambahkan tren eksponensial jangka panjang yang konstan ke model pemulusan eksponensial sederhana (dengan atau tanpa penyesuaian musiman) dengan menggunakan opsi penyesuaian inflasi dalam prosedur Peramalan. Kecepatan quotinflationquot (persentase pertumbuhan) yang sesuai per periode dapat diperkirakan sebagai koefisien kemiringan dalam model tren linier yang sesuai dengan data yang terkait dengan transformasi logaritma alami, atau dapat didasarkan pada informasi independen lain mengenai prospek pertumbuhan jangka panjang. . (Kembali ke atas halaman.) Browns Linear (yaitu ganda) Exponential Smoothing Model SMA dan model SES mengasumsikan bahwa tidak ada kecenderungan jenis apapun dalam data (yang biasanya OK atau setidaknya tidak terlalu buruk selama 1- Prakiraan ke depan saat data relatif bising), dan mereka dapat dimodifikasi untuk menggabungkan tren linier konstan seperti yang ditunjukkan di atas. Bagaimana dengan tren jangka pendek Jika suatu seri menampilkan tingkat pertumbuhan atau pola siklus yang berbeda yang menonjol dengan jelas terhadap kebisingan, dan jika ada kebutuhan untuk meramalkan lebih dari 1 periode di depan, maka perkiraan tren lokal mungkin juga terjadi. sebuah isu. Model pemulusan eksponensial sederhana dapat digeneralisasi untuk mendapatkan model pemulusan eksponensial linear (LES) yang menghitung perkiraan lokal tingkat dan kecenderungan. Model tren waktu yang paling sederhana adalah model pemulusan eksponensial Browns linier, yang menggunakan dua seri penghalusan berbeda yang berpusat pada berbagai titik waktu. Rumus peramalan didasarkan pada ekstrapolasi garis melalui dua pusat. (Versi yang lebih canggih dari model ini, Holt8217s, dibahas di bawah ini.) Bentuk aljabar model pemulusan eksponensial linier Brown8217s, seperti model pemulusan eksponensial sederhana, dapat dinyatakan dalam sejumlah bentuk yang berbeda namun setara. Bentuk quotstandardquot model ini biasanya dinyatakan sebagai berikut: Misalkan S menunjukkan deretan sumbu tunggal yang diperoleh dengan menerapkan smoothing eksponensial sederhana ke seri Y. Artinya, nilai S pada periode t diberikan oleh: (Ingat, bahwa dengan sederhana Eksponensial smoothing, ini akan menjadi perkiraan untuk Y pada periode t1.) Kemudian, biarkan Squot menunjukkan seri merapikan ganda yang diperoleh dengan menerapkan perataan eksponensial sederhana (menggunakan yang sama 945) ke seri S: Akhirnya, perkiraan untuk Y tk. Untuk setiap kgt1, diberikan oleh: Ini menghasilkan e 1 0 (yaitu menipu sedikit, dan membiarkan perkiraan pertama sama dengan pengamatan pertama yang sebenarnya), dan e 2 Y 2 8211 Y 1. Setelah itu prakiraan dihasilkan dengan menggunakan persamaan di atas. Ini menghasilkan nilai pas yang sama seperti rumus berdasarkan S dan S jika yang terakhir dimulai dengan menggunakan S 1 S 1 Y 1. Versi model ini digunakan pada halaman berikutnya yang menggambarkan kombinasi smoothing eksponensial dengan penyesuaian musiman. Model LES Linear Exponential Smoothing Brown8217s Ls menghitung perkiraan lokal tingkat dan tren dengan menghaluskan data baru-baru ini, namun kenyataan bahwa ia melakukannya dengan parameter pemulusan tunggal menempatkan batasan pada pola data yang dapat disesuaikan: tingkat dan tren Tidak diizinkan untuk bervariasi pada tingkat independen. Model LES Holt8217s membahas masalah ini dengan memasukkan dua konstanta pemulusan, satu untuk level dan satu untuk tren. Setiap saat, seperti pada model Brown8217s, ada perkiraan L t tingkat lokal dan perkiraan T t dari tren lokal. Di sini mereka dihitung secara rekursif dari nilai Y yang diamati pada waktu t dan perkiraan tingkat dan kecenderungan sebelumnya oleh dua persamaan yang menerapkan pemulusan eksponensial kepada mereka secara terpisah. Jika perkiraan tingkat dan tren pada waktu t-1 adalah L t82091 dan T t-1. Masing, maka perkiraan untuk Y tshy yang akan dilakukan pada waktu t-1 sama dengan L t-1 T t-1. Bila nilai aktual diamati, perkiraan tingkat yang diperbarui dihitung secara rekursif dengan menginterpolasi antara Y tshy dan ramalannya, L t-1 T t-1, dengan menggunakan bobot 945 dan 1- 945. Perubahan pada tingkat perkiraan, Yaitu L t 8209 L t82091. Bisa diartikan sebagai pengukuran yang bising pada tren pada waktu t. Perkiraan tren yang diperbarui kemudian dihitung secara rekursif dengan menginterpolasi antara L t 8209 L t82091 dan perkiraan sebelumnya dari tren, T t-1. Menggunakan bobot 946 dan 1-946: Interpretasi konstanta perataan tren 946 sama dengan konstanta pemulusan tingkat 945. Model dengan nilai kecil 946 beranggapan bahwa tren hanya berubah sangat lambat seiring berjalannya waktu, sementara model dengan Lebih besar 946 berasumsi bahwa itu berubah lebih cepat. Sebuah model dengan besar 946 percaya bahwa masa depan yang jauh sangat tidak pasti, karena kesalahan dalam estimasi tren menjadi sangat penting saat meramalkan lebih dari satu periode di masa depan. (Kembali ke atas halaman.) Konstanta pemulusan 945 dan 946 dapat diperkirakan dengan cara biasa dengan meminimalkan kesalahan kuadrat rata-rata dari perkiraan satu langkah ke depan. Bila ini dilakukan di Stategaf, perkiraannya adalah 945 0,3048 dan 946 0,008. Nilai yang sangat kecil dari 946 berarti bahwa model tersebut mengasumsikan perubahan sangat sedikit dalam tren dari satu periode ke periode berikutnya, jadi pada dasarnya model ini mencoba memperkirakan tren jangka panjang. Dengan analogi dengan pengertian umur rata-rata data yang digunakan dalam memperkirakan tingkat lokal seri, rata-rata usia data yang digunakan dalam memperkirakan tren lokal sebanding dengan 1 946, meskipun tidak sama persis dengan itu. . Dalam hal ini ternyata 10.006 125. Ini adalah jumlah yang sangat tepat karena keakuratan estimasi 946 tidak benar-benar ada 3 tempat desimal, namun urutannya sama besarnya dengan ukuran sampel 100, jadi Model ini rata-rata memiliki cukup banyak sejarah dalam memperkirakan tren. Plot perkiraan di bawah ini menunjukkan bahwa model LES memperkirakan tren lokal yang sedikit lebih besar di akhir rangkaian daripada tren konstan yang diperkirakan dalam model SEStrend. Juga, nilai estimasi 945 hampir sama dengan yang diperoleh dengan cara memasang model SES dengan atau tanpa tren, jadi model ini hampir sama. Sekarang, apakah ini terlihat seperti ramalan yang masuk akal untuk model yang seharusnya memperkirakan tren lokal Jika Anda memilih plot ini, sepertinya tren lokal telah berubah ke bawah pada akhir seri Apa yang telah terjadi Parameter model ini Telah diperkirakan dengan meminimalkan kesalahan kuadrat dari perkiraan satu langkah ke depan, bukan perkiraan jangka panjang, dalam hal ini tren tidak menghasilkan banyak perbedaan. Jika semua yang Anda lihat adalah kesalahan 1 langkah maju, Anda tidak melihat gambaran tren yang lebih besar mengenai (katakanlah) 10 atau 20 periode. Agar model ini lebih selaras dengan ekstrapolasi data bola mata kami, kami dapat secara manual menyesuaikan konstanta perataan tren sehingga menggunakan garis dasar yang lebih pendek untuk estimasi tren. Misalnya, jika kita memilih menetapkan 946 0,1, maka usia rata-rata data yang digunakan dalam memperkirakan tren lokal adalah 10 periode, yang berarti bahwa kita rata-rata mengalami trend selama 20 periode terakhir. Berikut ini perkiraan plot perkiraan jika kita menetapkan 946 0,1 sambil mempertahankan 945 0,3. Ini terlihat sangat masuk akal untuk seri ini, meskipun mungkin berbahaya untuk memperkirakan tren ini lebih dari 10 periode di masa depan. Bagaimana dengan statistik kesalahan Berikut adalah perbandingan model untuk kedua model yang ditunjukkan di atas dan juga tiga model SES. Nilai optimal 945. Untuk model SES adalah sekitar 0,3, namun hasil yang serupa (dengan sedikit atau kurang responsif, masing-masing) diperoleh dengan 0,5 dan 0,2. (A) Holts linear exp. Smoothing dengan alpha 0.3048 dan beta 0.008 (B) Holts linear exp. Smoothing dengan alpha 0.3 dan beta 0,1 (C) Smoothing eksponensial sederhana dengan alpha 0.5 (D) Smoothing eksponensial sederhana dengan alpha 0.3 (E) Smoothing eksponensial sederhana dengan alpha 0.2 Statistik mereka hampir identik, jadi kita benar-benar tidak dapat membuat pilihan berdasarkan dasar Kesalahan perkiraan 1 langkah di depan sampel data. Kita harus kembali pada pertimbangan lain. Jika kita sangat percaya bahwa masuk akal untuk mendasarkan perkiraan tren saat ini pada apa yang telah terjadi selama 20 periode terakhir, kita dapat membuat kasus untuk model LES dengan 945 0,3 dan 946 0,1. Jika kita ingin bersikap agnostik tentang apakah ada tren lokal, maka salah satu model SES mungkin akan lebih mudah dijelaskan dan juga akan memberikan prakiraan tengah jalan untuk periode 5 atau 10 berikutnya. (Apa yang dimaksud dengan tren-ekstrapolasi paling baik: Bukti empiris horizontal atau linier menunjukkan bahwa, jika data telah disesuaikan (jika perlu) untuk inflasi, maka mungkin tidak bijaksana untuk melakukan ekstrapolasi linier jangka pendek Tren sangat jauh ke depan. Tren yang terbukti hari ini dapat mengendur di masa depan karena beragam penyebabnya seperti keusangan produk, persaingan yang meningkat, dan kemerosotan siklis atau kenaikan di industri. Untuk alasan ini, perataan eksponensial sederhana sering kali melakukan out-of-sample yang lebih baik daripada yang mungkin diharapkan, terlepas dari ekstrapolasi naluriah kuotriotipnya. Modifikasi tren yang teredam dari model pemulusan eksponensial linier juga sering digunakan dalam praktik untuk memperkenalkan catatan konservatisme ke dalam proyeksi trennya. Model LES teredam-tren dapat diimplementasikan sebagai kasus khusus model ARIMA, khususnya model ARIMA (1,1,2). Hal ini dimungkinkan untuk menghitung interval kepercayaan sekitar perkiraan jangka panjang yang dihasilkan oleh model pemulusan eksponensial, dengan menganggapnya sebagai kasus khusus model ARIMA. (Hati-hati: tidak semua perangkat lunak menghitung interval kepercayaan untuk model ini dengan benar.) Lebar interval kepercayaan bergantung pada (i) kesalahan RMS pada model, (ii) jenis smoothing (sederhana atau linier) (iii) nilai (S) dari konstanta pemulusan (s) dan (iv) jumlah periode di depan yang Anda peramalkan. Secara umum, interval menyebar lebih cepat saat 945 semakin besar dalam model SES dan menyebar jauh lebih cepat bila perataan linier dan bukan perataan sederhana digunakan. Topik ini dibahas lebih lanjut di bagian model ARIMA dari catatan. Metode Rata-Rata Periodik Sederhana Metode periodik sederhana sederhana adalah sedikit penyimpangan dari metode rata-rata sederhana. Dalam kasus ini, tingkat rata-rata sederhana periodik diperoleh dengan menambahkan tingkat pembelian selama periode tertentu dan kemudian membagi jumlah yang sama dengan jumlah pembelian tersebut selama periode tersebut. Dalam perhitungan rata-rata sederhana periodik, nilai saham pembuka tidak dianggap sebagai saham perdana merupakan pembelian periode lalu. Keuntungan metode rata-rata sederhana dapat diterapkan dalam kasus ini juga dengan beberapa keuntungan tambahan: (a) Karena selama periode tersebut, satu tingkat dihitung untuk diterapkan pada semua masalah, kapan pun ada pembelian baru, penghitungan baru dihindari. (B) Biaya selama periode dibuat dengan tarif yang seragam. Dalam kasus metode rata-rata sederhana periodik juga, kerugian metode rata-rata sederhana umumnya berlaku dengan kerugian tambahan bahwa, untuk tujuan perhitungan tingkat rata-rata sederhana periodik, keseluruhan pekerjaan pengisian masalah harus terus ditangguhkan sampai Akhir periode Terkadang, untuk menghilangkan kesulitan ini, tingkat suku bunga sebelumnya diterapkan pada periode berjalan. Dalam hal ini, untuk aplikasi sehubungan dengan semua masalah selama suatu periode, satu tingkat rata-rata tertimbang dihitung, setelah memperhitungkan jumlah pembelian yang sesuai pada periode yang sama dengan pertimbangan. Karena membuka nilai saham merupakan pembelian periode yang lalu, tidak dipertimbangkan. Namun, penutupan saham pada periode tersebut dinilai pada tingkat rata-rata tertimbang periodik ini. Beberapa kelemahan metode rata-rata tertimbang, seperti perhitungan tingkat suku bunga yang sering, pengisian masalah pada tingkat yang berbeda pada periode yang sama dan lain-lain dihindari dengan metode ini. Penangguhan semua pekerjaan untuk pengisian masalah sampai akhir periode diperlukan dengan metode rata-rata tertimbang periodik. Metode rata-rata tertimbang periodik, dengan pengecualian di atas, mendapatkan keuntungan yang sama dari kerugian yang sama dari metode rata-rata tertimbang. Ilustrasi 6: Atas dasar informasi yang diberikan pada Gambar 5, persiapkan akun buku besar toko dengan metode rata-rata sederhana. Pekerjaan: (1) Harga rata-rata periodik (2.002.102.202.50) 4 2.20 (2) Jumlah harga saham 28002.20 6160 (3) Nilai penutupan saham (8240-6160) 2080 (4) Dalam perhitungan rata-rata periodik, Harga saham pembuka, jika ada, harus dikecualikan. Berdasarkan informasi yang diberikan pada Gambar 5, siapkan akun buku besar toko dengan metode rata-rata tertimbang periodik. Pekerjaan: (1) Harga rata-rata tertimbang periodik 82403800 2.1684 (2) Penilaian harga penutupan (8240 ndash 6072) 2168 Dengan metode ini, tingkat rata-rata pergerakan diperoleh dengan membagi jumlah rata-rata periodik dari jumlah periode yang dipilih oleh Jumlah periode tersebut. Periode yang dipilih termasuk sebelum periode dimana bahan yang akan dikeluarkan dikeluarkan. Periode yang dipilih disebut periode lsquoaverage periodquo. Mari kita asumsikan bahwa periode rata-rata adalah lima bulan. Untuk menghitung tingkat rata-rata bergerak yang akan diterapkan sehubungan dengan masalah yang dibuat pada bulan Agustus 2010, tingkat rata-rata periodik bulan April, Mei, Juni, Juli Agustus 2010 akan dirata-ratakan. Untuk tujuan menghitung tingkat yang akan diterapkan sehubungan dengan masalah bulan September 2010, tingkat rata-rata periodik bulan Mei, Juni, Juli, Agustus, September 2010 akan dirata-ratakan. Dengan demikian, periode lsquoaverage bergerak maju sehingga nilai moving average. Ada dua tipe moving average juga, yaitu moving average rata-rata amp moving rata-rata tertimbang, karena dua jenis rata-rata periodik ada, yaitu rata-rata periodik rata-rata amp periodik tertimbang rata-rata. Pengaruh fluktuasi harga terhadap tingkat suku bunga dipercepat dengan metode moving average (sederhana atau tertimbang). Dengan metode rata-rata bergerak, tingkat suku bunga tidak dapat dipengaruhi oleh harga tinggi atau rendah yang berlebihan yang dibayar untuk pembelian apapun, dengan alasan apapun. 2. Harga Penggantian (atau Harga Pasar) Metode: Harga bahan yang dikeluarkan dapat diisi ulang dikenal sebagai harga pengganti. Dengan demikian berarti harga pasar, karena pada harga pasar, pengisian ulang bisa dilakukan dengan pembelian. Oleh karena itu, kapan pun sebuah masalah terjadi, penentuan harga pengganti (yaitu harga pasar) diperlukan untuk mengisi masalah dengan harga pengganti. Dengan demikian, nilai sebelum dikeluarkan dikurangi nilai masalah pada harga pengganti adalah nilai saham setelah setiap terbitan. Metode ini dapat didukung dengan dasar bahwa, harga pasar saat ini harus ditunjukkan oleh biaya material suatu pekerjaan atau pesanan kerja. Dapat dikatakan juga, dengan alasan, biaya material sebenarnya tidak terwakili oleh biaya material pekerjaan kapan pun ada masalah, pemastian harga penggantian tidak mudah kecuali pasar adalah pasar yang sempurna. Menerbitkan harga setiap hari dalam kondisi kenaikan harga, terkadang nilai closing stock menunjukkan angka negatif (yaitu akun saham yang menunjukkan keseimbangan kredit) yang tidak masuk akal. Metode Rata-rata Online Tutor Pindah: Kami memiliki tutor terbaik di bidang Ekonomi di industri ini. Tutor kami dapat memecah masalah Metode Bergerak Rata-rata ke dalam sub bagiannya dan menjelaskan kepada Anda secara rinci bagaimana setiap langkah dilakukan. Pendekatan untuk memecahkan masalah ini telah diapresiasi oleh mayoritas siswa kami untuk mempelajari konsep Moving Average Method. Anda akan mendapatkan perhatian pribadi satu per satu melalui les online kami yang akan membuat pembelajaran menjadi menyenangkan dan mudah. Tutor kami berkualifikasi tinggi dan memiliki gelar lanjutan. Tolong kirimkan permintaan untuk metode Moving Average Method dan dapatkan kualitasnya. Metode Rata-rata Rata-Rata Berkualitas Periodik Rata-rata: Metode Rata-Rata Tertimbang Periodik Bantuan: Jika Anda terjebak dengan Metode Rata-Rata Berkeadilan Periodik, Metode Rata-rata Tertimbang Periodik Masalah pekerjaan rumah dan memerlukan bantuan, kami memiliki tutor yang sangat baik yang dapat memberi Anda Bantuan Pekerjaan Rumah Tangga. Tutor kami yang memberikan Metode Rata-Rata Periodik Sederhana, Metode Rata-rata Tertimbang Periodik membantu berkualifikasi tinggi. Tutor kami memiliki pengalaman industri selama bertahun-tahun dan telah berpengalaman bertahun-tahun dalam menyediakan Metode Rata-rata Berkala Periodik, Metode Bantuan Rata-rata Berkelompok Periodik. Tolong kirimkan Metode Rata-rata Berkala Periodik, metode Metode Rata-rata Tertimbang Periodik di mana Anda memerlukan bantuan dan kami akan meneruskannya ke tutor kami untuk ditinjau. Pendekatan yang paling sederhana adalah dengan mengambil rata-rata Januari sampai Maret dan menggunakannya untuk memperkirakan April8217s Penjualan: (129 134 122) 3 128.333 Oleh karena itu, berdasarkan penjualan Januari sampai Maret, Anda memperkirakan bahwa penjualan pada bulan April akan mencapai 128.333. Setelah penjualan April8217s aktual masuk, 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. Terkadang, penjualan bulan lalu yang lebih baru mungkin merupakan pendorong yang lebih kuat dari penjualan bulan depan yang akan datang, jadi Anda ingin memberi bobot lebih mendekati bulan di model perkiraan Anda. Ini adalah rata-rata bergerak tertimbang. Dan seperti jumlah periode, bobot yang Anda tetapkan itu murni sewenang-wenang. Misalnya, Anda ingin memberi bobot pada bulan Maret8217, berat badan Februari8217s 30, dan Januari8217s 20. Kemudian perkiraan Anda untuk bulan April akan menjadi 127.000 (122,50) (134,30) (129,20) 127. Keterbatasan Metode Bergerak Rata-rata Bergerak rata-rata dianggap sebagai teknik peramalan 8220moothing8221. Karena Anda rata-rata menghabiskan waktu rata-rata, Anda akan melembutkan (atau merapikan) efek dari kejadian tidak teratur dalam data. Akibatnya, efek musiman, siklus bisnis, dan kejadian acak lainnya dapat secara dramatis meningkatkan kesalahan perkiraan. Lihatlah data senilai setahun penuh, dan bandingkan rata-rata pergerakan 3 periode dan rata-rata pergerakan 5 periode: Perhatikan bahwa dalam contoh ini saya tidak membuat perkiraan, namun berpusat pada rata-rata bergerak. Rata-rata pergerakan 3 bulan pertama adalah untuk bulan Februari, dan rata-rata bulan Januari, Februari, dan Maret. Saya juga melakukan hal serupa untuk rata-rata 5 bulan. Sekarang lihatlah bagan berikut ini: Apa yang Anda lihat Tidakkah rangkaian rata-rata bergerak tiga bulan lebih mulus daripada seri penjualan sebenarnya Dan bagaimana dengan rata-rata pergerakan lima bulan itu bahkan lebih mulus. Oleh karena itu, semakin banyak periode yang Anda gunakan dalam rata-rata bergerak Anda, semakin halus deret waktu Anda. Oleh karena itu, untuk peramalan, rata-rata pergerakan sederhana mungkin bukan metode yang paling akurat. Metode rata-rata bergerak terbukti sangat berharga saat Anda mencoba mengekstrak komponen musiman, tidak teratur, dan siklis dari deret waktu untuk metode peramalan yang lebih maju, seperti regresi dan ARIMA, dan penggunaan rata-rata bergerak dalam pembusukan deret waktu akan dibahas kemudian. Dalam seri. Menentukan Akurasi Model Bergerak Rata-rata Umumnya, Anda menginginkan metode peramalan yang memiliki kesalahan paling sedikit antara hasil aktual dan prediksi. Salah satu ukuran akurasi kuadrat yang paling umum adalah Mean Absolute Deviation (MAD). Dalam pendekatan ini, untuk setiap periode dalam deret waktu yang menghasilkan perkiraan, Anda mengambil nilai mutlak dari perbedaan antara nilai aktual aktual dan perkiraan aktual (penyimpangan). Maka Anda rata-rata penyimpangan absolut dan Anda mendapatkan ukuran MAD. MAD dapat membantu dalam menentukan jumlah periode yang Anda rata-rata, 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 hanya rata-rata 8, 1, dan 3. Moving Averages: Recap Bila menggunakan moving averages untuk peramalan, ingat: Moving averages dapat sederhana atau tertimbang Jumlah periode yang Anda gunakan untuk Rata-rata, dan setiap bobot yang Anda tetapkan untuk masing-masing benar-benar sewenang-wenang Rata-rata bergerak menghaluskan pola tidak teratur dalam data deret waktu semakin besar jumlah periode yang digunakan untuk setiap titik data, semakin besar efek pemulusan Karena merapikan, meramalkan penjualan bulan depan8217 berdasarkan Penjualan beberapa bulan terakhir bisa menghasilkan penyimpangan yang besar karena pola musiman, siklis, dan tidak teratur dalam data dan Kemampuan pemulusan metode rata-rata bergerak dapat berguna dalam menguraikan deret waktu untuk metode peramalan yang lebih maju. Minggu Berikutnya: Exponential Smoothing Pada minggu depan8217s Forecast Friday. Kita akan membahas metode pemulusan eksponensial, dan Anda akan melihat bahwa metode tersebut dapat jauh lebih unggul daripada metode peramalan rata-rata bergerak. Masih belum tahu mengapa kami Forecast Jumat posting muncul pada hari Kamis Cari tahu di: tinyurl26cm6ma Seperti ini: Posting navigasi Tinggalkan Balasan Batalkan balasan Saya punya 2 pertanyaan: 1) Dapatkah Anda menggunakan pendekatan MA terpusat untuk meramalkan atau hanya untuk menghilangkan musiman 2) Kapan Anda menggunakan t sederhana (t-1t-2t-k) k MA 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 berikutnya. Terima kasih. Cintai info dan penjelasan Anda. Saya senang Anda menyukai blog saya. Beberapa analis telah menggunakan pendekatan MA yang terpusat untuk peramalan, tapi saya sendiri tidak akan melakukannya, karena pendekatan tersebut mengakibatkan 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 8211 dan saya juga kadang-kadang 8211 akan menggunakan proyeksi satu periode di depan saya sebagai salah satu masukan untuk periode kedua di depan. Ini penting untuk diingat bahwa semakin jauh ke depan Anda mencoba meramalkan, semakin besar risiko kesalahan perkiraan Anda. Inilah sebabnya mengapa saya tidak merekomendasikan MA yang terpusat untuk meramalkan 8211 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. Pembaca: Anda diundang untuk mempertimbangkan hal ini. Apakah Anda memiliki pemikiran atau saran mengenai Brian ini, terimakasih atas komentar anda dan pujian anda di blog prakarsa bagus dan penjelasan yang bagus. Ini sangat membantu. Saya meramalkan papan sirkuit cetak khusus untuk pelanggan yang tidak memberikan perkiraan apapun. Saya telah menggunakan moving average, namun tidak begitu akurat karena industri bisa naik turun. Kami melihat ke tengah musim panas sampai akhir tahun bahwa pengiriman pcb8217s habis. Kemudian kita lihat di awal tahun melambat turun. Bagaimana saya bisa lebih akurat dengan data saya Katrina, dari apa yang Anda katakan kepada saya, tampaknya penjualan papan sirkuit cetak Anda memiliki komponen musiman. Saya menangani seasonality di beberapa posting Forecast Friday lainnya. Pendekatan lain yang bisa Anda gunakan, yang cukup mudah, adalah algoritma Holt-Winters, yang memperhitungkan musiman akun. Anda bisa menemukan penjelasan bagus disini. Pastikan untuk menentukan apakah pola musiman Anda bersifat multiplicative atau aditif, karena algoritma ini 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 dari tahun ke tahun, maka musimannya aditif jika variasi musiman dari waktu ke waktu tampaknya meningkat, maka musimannya adalah Perkalian Kebanyakan time series musiman akan bersifat multiplicative. Jika ragu, asumsikan perkalian. Semoga beruntung Hi there, Antara metode tersebut:. Peramalan Nave. Memperbarui Mean. Bergerak rata-rata panjang k. Entah Rata-rata Tertimbang Rata-rata Panjang K ATAU Pemulusan Eksponensial Yang mana dari model pembaharuan yang Anda rekomendasikan untuk saya gunakan untuk meramalkan data Menurut pendapat saya, saya memikirkan Moving Average. Tapi saya tidak tahu bagaimana membuatnya jelas dan terstruktur Hal ini sangat tergantung pada kuantitas dan kualitas data yang Anda miliki dan perkiraan horison (jangka panjang, jangka menengah atau jangka pendek)
No comments:
Post a Comment