Wie Zu Berechnen Gewichtet Bewegen Durchschnitt Prognose

Gewichteter gleitender Durchschnitt in Beispiel 1 der einfachen gleitenden Durchschnittsprognose. Die Gewichte der vorherigen drei Werte waren alle gleich. Wir betrachten nun den Fall, wo diese Gewichte verschieden sein können. Diese Art der Prognose wird als gewichteter gleitender Durchschnitt bezeichnet. Hier weisen wir m Gewichte w 1 zu. , W m. Wobei w & sub1; W m 1 und definieren die prognostizierten Werte wie folgt Beispiel 1. Wiederholen Sie Beispiel 1 der Simple Moving Average Prognose, wobei wir annehmen, dass neuere Beobachtungen mehr als ältere Beobachtungen gewichtet werden, wobei die Gewichtungen w 1, 6, w 2, 3 und w 3 .1 verwendet werden (wie in Bereich G4: G6 von 1 gezeigt ). Abbildung 1 Gewichtete gleitende Mittelwerte Die Formeln in Abbildung 1 sind dieselben wie in Abbildung 1 der einfachen gleitenden Durchschnittsprognose. Mit Ausnahme der prognostizierten y-Werte in Spalte C. Z. B. Die Formel in Zelle C7 ist jetzt SUMPRODUCT (B4: B6, G4: G6). Die Prognose für den nächsten Wert in der Zeitreihe ist nun 81,3 (Zelle C19) unter Verwendung der Formel SUMPRODUCT (B16: B18, G4: G6). Echtes Statistik-Datenanalyse-Werkzeug. Excel bietet kein gewichtetes gleitendes Datenanalyse-Tool. Stattdessen können Sie das Datenanalyse-Tool "Real Statistics Weighted Moving Averages" verwenden. Um dieses Werkzeug für Beispiel 1 zu verwenden, drücken Sie Ctr-m. Wählen Sie die Option Time Series aus dem Hauptmenü und dann die Option Basic forecasting methods aus dem Dialogfeld, das angezeigt wird. Füllen Sie das Dialogfeld aus, das in Abbildung 5 von Simple Moving Average Forecast angezeigt wird. Aber dieses Mal wählen Sie die Option Gewichtete Bewegungsdurchschnitte und füllen Sie den Gewichtsbereich mit G4: G6 aus (beachten Sie, dass keine Spaltenüberschrift für den Gewichtsbereich enthalten ist). Keiner von Parameterwerten wird verwendet (im Wesentlichen von Lags wird die Anzahl der Zeilen im Gewichtsbereich und von Jahreszeiten und von Prognosen ist standardmäßig auf 1). Die Ausgabe sieht genau wie die Ausgabe in Abbildung 2 von Simple Moving Average Forecast aus. Außer daß die Gewichte bei der Berechnung der Prognosewerte verwendet werden. Beispiel 2. Verwenden Sie Solver, um die Gewichte zu berechnen, die den kleinsten mittleren quadratischen Fehler MSE erzeugen. Verwenden Sie die Formeln in Abbildung 1, wählen Sie Data gt AnalysisSolver und füllen Sie das Dialogfeld aus, wie in Abbildung 2 gezeigt. Abbildung 2 Dialogfeld "Solver" Beachten Sie, dass wir die Summe der Gewichte auf 1 beschränken müssen, was wir tun, indem Sie auf die Schaltfläche klicken Schaltfläche Hinzufügen. Daraufhin erscheint das Dialogfeld Add Constraint, das wir wie in Abbildung 3 gezeigt ausfüllen und dann auf die Schaltfläche OK klicken. Abbildung 3 Add Constraint-Dialogfeld Als nächstes klicken Sie auf die Schaltfläche Solve (in Abbildung 2), die die Daten in Abbildung 1 wie in Abbildung 4 dargestellt modifiziert. Abbildung 4 Solver-Optimierung Wie Abbildung 4 zeigt, ändert Solver die Gewichte auf 0 223757 und .776243, um den Wert von MSE zu minimieren. Wie Sie sehen können, ist der minimierte Wert von 184,688 (Zelle E21 von 4) mindestens geringer als der MSE-Wert von 191,366 in Zelle E21 von 2). Um diese Gewichte zu sperren, müssen Sie auf die Schaltfläche "OK" des Dialogfelds "Lösungsergebnisse" klicken, das in Abbildung 4 dargestellt ist. FORECASTING Seasonal Factor - Prozentsatz der durchschnittlichen vierteljährlichen Nachfrage in jedem Quartal. Die Jahresprognose für das Jahr 4 wird auf 400 Einheiten prognostiziert. Durchschnittliche Prognose pro Quartal ist 4004 100 Einheiten. Vierteljährliche Vorhersage Durchschn. Prognostiziert saisonale Faktor. Kausale Vorhersagemethoden Kausale Prognosemethoden basieren auf einer bekannten oder wahrgenommenen Beziehung zwischen dem zu prognostizierenden Faktor und anderen externen oder internen Faktoren 1. Regression: Die mathematische Gleichung bezieht sich auf eine abhängige Variable auf eine oder mehrere unabhängige Variablen, von denen angenommen wird, dass sie die abhängige Variable beeinflussen 2. ökonometrische Modelle: System von interdependenten Regressionsgleichungen, die einen Wirtschaftszweig beschreiben 3. Input-Output-Modelle: beschreibt die Ströme von einem Sektor der Wirtschaft zur anderen und sagt daher die Inputs vor, die zur Produktion von Outputs in einem anderen Sektor erforderlich sind 4. Simulationsmodellierung Es gibt zwei Aspekte von Prognosefehlern: Bias und Genauigkeit Bias - Eine Prognose ist voreingenommen, wenn es mehr in eine Richtung als in der anderen Richtung irrt - die Methode neigt zu Unterprognosen oder Überprognosen. Genauigkeit - Prognosegenauigkeit bezieht sich auf die Entfernung der Prognosen von der tatsächlichen Nachfrage ignorieren die Richtung des Fehlers. Beispiel: Für sechs Perioden wurden die Prognosen und die tatsächliche Nachfrage nachverfolgt Die folgende Tabelle gibt die Ist-Nachfrage D t und die Prognose-Nachfrage F t für sechs Perioden an: kumulierte Summe der Prognosefehler (CFE) -20 mittlere absolute Abweichung (MAD) 170 6 28,33 mittlere quadriert Fehler (MSE) 5150 6 858.33 Standardabweichung der Prognosefehler 5150 6 29.30 Durchschnittlicher absoluter Prognosefehler (MAPE) 83.4 6 13.9 Welche Informationen prognostizieren prognostiziert, hat eine Tendenz zur Überschätzung der Nachfrage durchschnittlichen Fehler pro Prognose betrug 28,33 Einheiten oder 13,9 von Die tatsächliche Bedarfsabtastverteilung der Prognosefehler hat eine Standardabweichung von 29,3 Einheiten. KRITERIEN ZUR AUSWAHL EINES VORHABENMETHODES Ziele: 1. Maximieren Sie die Genauigkeit und 2. Minimieren Sie Vorspannungspotentialregeln für die Auswahl einer Zeitreihenvorhersagemethode. Wählen Sie die Methode aus, die mit dem kumulativen Vorhersagefehler (CFE) gemessen wird, oder gibt die kleinste mittlere absolute Abweichung (MAD) an oder gibt das kleinste Tracking-Signal oder unterstützt Management-Überzeugungen über das zugrunde liegende Bedarfsmuster oder andere. Es scheint offensichtlich, dass ein gewisses Maß an Genauigkeit und Bias zusammen verwendet werden sollte. Wie ist die Anzahl der zu untersuchenden Perioden, wenn die Nachfrage inhärent stabil ist, werden niedrige Werte von und und höhere Werte von N vorgeschlagen, wenn die Nachfrage inhärent instabil ist, werden hohe Werte von und und niedrigere Werte von N vorgeschlagen FOCUS FORECASTING quotfocus forecastingot bezieht sich auf Eine Annäherung zur Prognose, die Prognosen durch verschiedene Techniken entwickelt, dann wählt die Prognose aus, die durch den quotbestquot dieser Techniken produziert wurde, in denen quotbestquot durch irgendein Maß des Prognosefehlers bestimmt wird. FOKUSVORHERSAGE: BEISPIEL In den ersten sechs Monaten des Jahres betrug die Nachfrage nach einer Einzelhandelseinheit 15, 14, 15, 17, 19 und 18 Einheiten. Ein Händler nutzt ein Fokus-Prognosesystem, das auf zwei Prognosetechniken basiert: einem zweistufigen gleitenden Durchschnitt und einem trendgesteuerten exponentiellen Glättungsmodell mit 0,1 und 0,1. Mit dem Exponentialmodell lag die Prognose für Januar bei 15 und der Trendmittelstand Ende Dezember war 1. Der Händler nutzt die mittlere Absolutabweichung (MAD) für die letzten drei Monate als Kriterium für die Wahl des Modells zur Prognose Für den nächsten Monat. ein. Was wird die Prognose für Juli sein und welches Modell wird verwendet? Würden Sie auf Teil a antworten? Wenn die Nachfrage nach Mai 14 statt 19 gewesen wäre