A média móvel e a análise de regressão são técnicas de suavização na previsão

Previsão por Técnicas de Suavização Este site é uma parte dos objetos de aprendizado de E-Labs JavaScript para a tomada de decisões. Outro JavaScript nesta série é categorizado em diferentes áreas de aplicações na seção MENU nesta página. Uma série temporal é uma sequência de observações que são ordenadas a tempo. Inerente à coleta de dados obtidos ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. As técnicas amplamente utilizadas são o alisamento. Essas técnicas, quando aplicadas corretamente, revelam mais claramente as tendências subjacentes. Digite as séries temporais em ordem de linha em sequência, a partir do canto superior esquerdo e o (s) parâmetro (s), e clique no botão Calcular para obter uma previsão em um período de antecedência. As caixas em branco não estão incluídas nos cálculos, mas os zeros são. Ao inserir seus dados para mover de célula para célula na matriz de dados, use a tecla Tab, sem seta ou digite as chaves. Características das séries temporais, que podem ser reveladas examinando seu gráfico. Com os valores previstos e o comportamento dos resíduos, modelagem de previsão de condições. Médias móveis: as médias médias classificam as técnicas mais populares para o pré-processamento de séries temporais. Eles são usados ​​para filtrar o ruído branco aleatório dos dados, para tornar as séries temporais mais suaves ou mesmo para enfatizar certos componentes informativos contidos nas séries temporais. Suavização exponencial: Este é um esquema muito popular para produzir uma série de tempo suavizada. Considerando que, nas Médias móveis, as observações passadas são ponderadas de forma igual, Suavização exponencial atribui pesos exponencialmente decrescentes à medida que a observação envelhece. Em outras palavras, as observações recentes recebem relativamente mais peso na previsão do que as observações mais antigas. O Suavizado Exponencial Duplo é melhor nas tendências de manuseio. O Triple Exponential Suavização é melhor no manuseio de tendências da parábola. Uma média móvel ponderada exponencialmente com uma constante de suavização a. Corresponde aproximadamente a uma média móvel simples de comprimento (isto é, período) n, onde a e n estão relacionados por: a 2 (n1) OR n (2 - a) a. Assim, por exemplo, uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,1 corresponderia aproximadamente a uma média móvel de 19 dias. E uma média móvel simples de 40 dias corresponderia aproximadamente a uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,04878. Holst Linear Exponential Suavização: Suponha que as séries temporais não sejam sazonais, mas que mostram a tendência de exibição. O método Holts estima tanto o nível atual como a atual tendência. Observe que a média móvel simples é um caso especial do alisamento exponencial, definindo o período da média móvel para a parte inteira de (2-Alpha) Alpha. Para a maioria dos dados de negócios, um parâmetro Alpha menor que 0.40 geralmente é efetivo. No entanto, pode-se realizar uma pesquisa em grade do espaço dos parâmetros, com 0,1 a 0,9, com incrementos de 0,1. Então, o melhor alfa tem o menor erro absoluto médio (erro MA). Como comparar vários métodos de suavização: embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais ampla é o uso de comparação visual de várias previsões para avaliar sua precisão e escolher entre os vários métodos de previsão. Nesta abordagem, é necessário traçar (usando, por exemplo, Excel), no mesmo gráfico, os valores originais de uma variável de séries temporais e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as previsões passadas por Smoothing Techniques JavaScript para obter os valores de previsão passados ​​com base em técnicas de suavização que usam apenas um único parâmetro. Os métodos Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ideais ótimos, ou mesmo próximos, por testes e erros para os parâmetros. O alisamento exponencial único enfatiza a perspectiva de curto alcance, ele define o nível para a última observação e baseia-se na condição de que não há nenhuma tendência. A regressão linear, que se adapta a uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa o longo alcance, que está condicionado à tendência básica. Holder linear exponencial suavização capta informações sobre a tendência recente. Os parâmetros no modelo Holts são níveis-parâmetro que devem ser diminuídos quando a quantidade de variação de dados é grande e as tendências-parâmetro devem ser aumentadas se a direção da tendência recente for suportada pelos fatores causais. Previsão de curto prazo: observe que cada JavaScript nesta página fornece uma previsão de um passo a frente. Para obter uma previsão de duas etapas. Simplesmente adicione o valor previsto para o final de seus dados da série temporal e clique no mesmo botão Calcular. Você pode repetir este processo por algumas vezes para obter as previsões necessárias a curto prazo. Uma série de tempo é uma seqüência de observações de uma variável aleatória periódica. Exemplos são a demanda mensal de um produto, a matrícula anual em um departamento da universidade e o fluxo diário de um rio. As séries temporais são importantes para a pesquisa de operações, porque muitas vezes são os impulsionadores dos modelos de decisão. Um modelo de inventário requer estimativas de demandas futuras, um modelo de planejamento de cursos e de pessoal para um departamento universitário exige estimativas de fluxo de estudantes futuros e um modelo para fornecer avisos à população em uma bacia hidrográfica requer estimativas de fluxos de rios para o futuro imediato. A análise de séries temporais fornece ferramentas para selecionar um modelo que descreva a série temporal e usando o modelo para prever eventos futuros. A modelagem das séries temporais é um problema estatístico porque os dados observados são usados ​​em procedimentos computacionais para estimar os coeficientes de um modelo suposto. Os modelos assumem que as observações variam aleatoriamente sobre um valor médio subjacente que é uma função do tempo. Nessas páginas, restringimos a atenção ao uso de dados históricos da série temporal para estimar um modelo dependente do tempo. Os métodos são apropriados para a previsão automática e de curto prazo de informações usadas com freqüência, onde as causas subjacentes da variação do tempo não estão mudando marcadamente no tempo. Na prática, as previsões derivadas por esses métodos são posteriormente modificadas por analistas humanos que incorporam informações não disponíveis a partir dos dados históricos. Nosso objetivo principal nesta seção é apresentar as equações para os quatro métodos de previsão utilizados no suplemento de Previsão: média móvel, alisamento exponencial, regressão e suavização exponencial dupla. Estes são chamados de métodos de suavização. Métodos não considerados incluem previsões qualitativas, regressão múltipla e métodos autorregressivos (ARIMA). Os interessados ​​em uma cobertura mais extensa devem visitar o site dos Princípios de Previsão ou ler um dos vários livros excelentes sobre o assunto. Usamos o livro Forecasting. Por Makridakis, Wheelwright e McGee, John Wiley amp Sons, 1983. Para usar a pasta de exercícios Exemplos do Excel, você deve ter o suplemento Forecasting instalado. Escolha o comando Relink para estabelecer os links para o suplemento. Esta página descreve os modelos utilizados para a previsão simples e a notação utilizada para a análise. Este método de previsão mais simples é a previsão média móvel. O método é simplesmente uma média das últimas observações m. É útil para séries temporais com uma média que muda lentamente. Este método considera todo o passado em sua previsão, mas pesa mais recentemente a experiência recente do que menos recente. Os cálculos são simples porque apenas a estimativa do período anterior e os dados atuais determinam a nova estimativa. O método é útil para séries temporais com uma média que muda lentamente. O método de média móvel não responde bem a uma série de tempo que aumenta ou diminui com o tempo. Aqui, incluímos um termo de tendência linear no modelo. O método de regressão aproxima o modelo construindo uma equação linear que fornece os mínimos quadrados ajustados às últimas observações m.4.5 Previsão com regressão As previsões a partir de um modelo linear simples são facilmente obtidas usando o chapéu de equação hath 1 x onde x é o valor de O preditor para o qual exigimos uma previsão. Ou seja, se nós inserimos um valor de x na equação, obtemos um chapéu de previsão correspondente. Quando este cálculo é feito usando um valor observado de x a partir dos dados, chamamos o valor resultante de um valor ajustado. Esta não é uma previsão genuína, pois o valor real de y para esse valor preditor foi usado na estimativa do modelo e, portanto, o valor do chapéu é afetado pelo valor verdadeiro de y. Quando os valores de x são um novo valor (ou seja, não fazem parte dos dados que foram utilizados para estimar o modelo), o valor resultante de hat é uma previsão genuína. Supondo que os erros de regressão sejam normalmente distribuídos, um intervalo de previsão aproximado de 95 (também chamado de intervalo de predição) associado a esta previsão é dado pela etiqueta de etiqueta inicial pm pm 1.96 sesqrt frac) 2, terminando onde N é o número total de observações, barra É a média dos valores x observados, sx é o desvio padrão dos valores x observados e se é dado pela equação (4.1). Da mesma forma, um intervalo de previsão 80 pode ser obtido substituindo 1,96 por 1,28 na equação (ref). Outros intervalos de previsão apropriados podem ser obtidos substituindo o 1.96 pelo valor apropriado indicado na Tabela 2.1. Se R for usado para obter intervalos de previsão (como no exemplo abaixo), são obtidos cálculos mais exatos (especialmente para valores pequenos de N) do que o que é dado pela equação (ref). A equação (ref) mostra que o intervalo de previsão é maior quando x está longe da barra. Ou seja, estamos mais certos sobre nossas previsões quando consideramos os valores da variável preditor próximo da média da amostra. A linha de regressão estimada no exemplo de dados do carro é hat 12.53-0.22x. Para o Chevrolet Aveo (o primeiro carro na lista) x125 mpg e y16,6 toneladas de CO2 por ano. O modelo retorna um valor ajustado de chapéu 17,00, ou seja, e1-0,4. Para um carro com a cidade que gerencia a economia de combustível x30 mpg, a pegada média prevista é o som de 5.90 toneladas de CO2 por ano. Os intervalos de previsão 95 e 80 correspondentes são lbrack 4.95, 6.84 rbrack e lbrack 5.28, 6.51 rbrack respectivamente (calculado usando R). Ajustado 40 apto 41 91 1 93 fcast lt - forecast 40 fit, newdata data. Quadro 40 Cidade 30 41 41 trama 40 fcast, xlab quotCity (mpg) quot. Ilab quotCarbon pegada (toneladas por ano) quot 41 O gráfico exibido usa jittering, enquanto o código acima não.