Kaavion säätö ja eksponentiaalinen tasoittaminen Laskentataulukko on helppo suorittaa kausivaihteluilla ja sovittaa eksponentiaaliset tasausmallit Excelin avulla. Alla olevat ruudun kuvat ja kaaviot on otettu laskentataulukosta, joka on laadittu havainnollistamaan kertojajaksoaikaista sopeutumista ja lineaarista eksponentiaalisen tasoituksen seuraavien neljännesvuosittaisten myyntitietojen perusteella Outboard Marineilta: Voit saada kopion itse laskentataulukkotiedostosta napsauttamalla tätä. Lineaarisen eksponenttisen tasauksen versio, jota käytetään tässä esittelyn tarkoituksessa, on Brown8217s-versio, vain siksi, että se voidaan toteuttaa yhdellä kaavojen sarakkeella ja optimoida vain yksi tasoitusvakio. Yleensä on parempi käyttää Holt8217s-versiota, jolla on erilliset tasausvakiot tasolle ja suuntaukselle. Ennusteprosessi etenee seuraavasti: i) ensin tiedot kausivaihtelusta (ii) kausitasoitettuihin tietoihin perustuvat ennusteet lineaarisen eksponenttien tasauksen avulla ja (iii) lopultakin kausitasoitetut ennusteet lasketaan alkuperäisen sarjan ennusteiden saamiseksi . Kausivaihteluprosessi suoritetaan sarakkeissa D - G. Kausitasoituksen ensimmäinen vaihe on laskea keskitetty liukuva keskiarvo (tämä tehdään sarakkeessa D). Tämä voidaan tehdä ottamalla keskimäärin kaksi yhden vuoden mittaista keskiarvoa, jotka on korvattu yhdellä aikavälillä suhteessa toisiinsa. (Yhdistelmä kahdesta offset-keskiarvosta pikemminkin kuin yksittäinen keskiarvo tarvitaan keskittämiseen, kun kausien määrä on tasainen.) Seuraava vaihe on laskea suhde liikkuvaan keskiarvoon - e. e. alkuperäiset tiedot jakautuvat kultakin ajanjaksolta liikkuvasta keskiarvosta - joka suoritetaan tässä sarakkeessa E. (Tätä kutsutaan myös mallin quottrend-cyclequot - komponentiksi, sikäli kuin trendin ja liiketoiminta-ajan vaikutukset voidaan katsoa kaiken kaikkiaan Jäljellä on keskimäärin yli vuoden mittainen tietomäärää. Tietenkin kuukausittain muutoksia, jotka eivät johdu kausivaihtelusta, voidaan määrittää monilla muilla tekijöillä, mutta 12 kuukauden keskiarvo heikentää niitä suuressa määrin. arvioitu kausittainen indeksi kullekin kaudelle lasketaan laskemalla keskimääräisesti kaikki kyseisen kauden suhteet, jotka suoritetaan soluissa G3-G6 käyttämällä AVERAGEIF-kaavaa. Keskimääräiset suhteet lasketaan uudelleen siten, että ne summaavat täsmälleen 100 kertaa kausien kausien lukumäärän, tai tässä tapauksessa 400, jotka tehdään soluissa H3-H6. Alle sarakkeessa F VLOOKUP-kaavoja käytetään sopivan kausittaisen indeksin arvon lisäämiseen tietotaulukon jokaiselle riville sen edellisen vuosineljänneksen mukaan. Keskitetty liukuva keskiarvo ja kausitasoitettu data näyttävät näin: Huomaa, että liikkuva keskiarvo näyttää tyypillisesti kausitasoitetun sarjan pehmeämmästä versiosta, ja se on lyhyempi molemmissa päissä. Samassa Excel-tiedostossa oleva toinen laskentataulukko näyttää lineaarisen eksponenttien tasoitusmallin soveltamisen kausitasoitettuun tietoon, joka alkaa sarakkeesta G. Tasoitusvakion (alfa) arvo syötetään ennustetun sarakkeen yläpuolelle (tässä solussa H9) ja sopi - mukselle on määritetty alueen nimi quoteAlpha. quot (Nimi on määritetty käyttämällä quotInsertNameCreatequot - komentoa.) LES-malli alustetaan asettamalla kaksi ensimmäistä ennustetta, jotka vastaavat kausitasoitetun sarjan ensimmäistä todellista arvoa. LES-ennusteessa käytetty kaava on Brown8217s-mallin yhden ainoan yhtälön rekursiivinen muoto: Tämä kaava syötetään kolmanteen vaiheeseen (tässä solu H15) vastaavan solun sisään ja kopioidaan sieltä. Huomaa, että kuluvan kauden LES-ennuste viittaa kahteen edelliseen havaintoon ja kahteen edeltävään ennustevirheeseen sekä alfa-arvoon. Siten rivin 15 ennustekaava koskee vain tietoja, jotka olivat käytettävissä rivillä 14 ja aikaisemmin. (Tietenkin, jos halusimme käyttää yksinkertaisia lineaarisen eksponenttien tasoittamisen asemesta, voimme korvata sen SES-kaavan sijasta. Voisimme myös käyttää Holt8217: a sijaan Brown8217s LES - mallia, joka edellyttäisi kahta muuta saraketta kaavojen laskemiseksi tasosta ja trendistä joita käytetään ennusteessa.) Virheet lasketaan seuraavassa sarakkeessa (tässä sarakkeessa J) vähentämällä ennusteet todellisista arvoista. Virheen varianssi neliöjuuri lasketaan neliövirheeksi ja keskiarvon neliö. (Tämä johtuu matemaattisesta identiteetistä: MSE VARIANCE (virheet) (AVERAGE (virheet)) 2. Kun lasketaan tämän kaavan virheiden keskiarvo ja varianssi, kahta ensimmäistä jaksoa ei oteta huomioon, koska malli ei tosiasiallisesti alkota ennusteita kolmas jakso (rivi 15 laskentataulukossa). Alfa-optimaalinen arvo löytyy joko manuaalisesti alfa-arvon muutoksesta, kunnes vähimmäis-RMSE-arvo löytyy, tai voit käyttää quotSolverquot - säätöä tarkan minimisoinnin suorittamiseksi. Solverin löytämän alfa-arvon on esitetty tässä (alpha0.471). On yleensä hyvä piirtää mallin virheet (muunnetuissa yksiköissä) ja myös laskea ja piirtää autokorrelaatioitaan enintään yhden kauden viiveellä. Tässä on (kausitasoitettujen) virheiden aikasarja: Virheautokorrelaatiot lasketaan CORREL () - funktiolla laskemalla virheiden korrelaatiot niiden kanssa samanaikaisesti yhden tai useamman jakson kanssa - tiedot esitetään taulukkolaskelmassa . Tässä on kriteeri virheiden autokorrelaatioista viiden ensimmäisen viiveen aikana: Autokorrelaatiot viiveissä 1-3 ovat hyvin lähellä nollaa, mutta viive 4 (jonka arvo on 0,35) on hieman hankalaa - se viittaa siihen, että Kausitasoitusprosessi ei ole täysin onnistunut. Se on kuitenkin vain marginaalisesti merkittävää. 95 merkitsevyyskaistat testaamaan, ovatko autokorrelaatiot merkittävästi erilaiset nollasta, ovat karkeasti plus-tai-miinus 2SQRT (n-k), missä n on näytteen koko ja k on viive. Tässä n on 38 ja k vaihtelee välillä 1-5, joten neliöjuuri-n-miinus-k on kaikkiaan noin 6, joten rajat nollaan poikkeamien tilastollisen merkityksen testaamiseksi ovat karkeasti plus - tai-miinus 26 tai 0,33. Jos muutat alfa-arvoa käsin tämän Excel-mallin avulla, voit tarkkailla virheiden aikasarjojen ja autokorrelaatiotilojen vaikutusta sekä ala-keskiarvon virheitä, joita kuvataan jäljempänä. Laskentataulukon alareunassa ennustekaava lasketaan mukaan tulevaisuuteen vain korvaamalla todellisia arvoja koskevat ennusteet siinä vaiheessa, kun todellinen tieto loppuu - ts. jossa quotthe futurequot alkaa. (Toisin sanoen kussakin solussa, jossa tuleva data-arvo tulee esiin, sijoitetaan soluviite, joka osoittaa kyseisen ajanjakson ennusteesta.) Kaikki muut kaavat yksinkertaisesti kopioidaan alhaalta ylöspäin: Huomaa, että virheiden ennusteet tulevaisuus lasketaan nollaksi. Tämä ei tarkoita sitä, että todelliset virheet ovat nolla, vaan pikemminkin heijastavat sitä tosiasiaa, että ennakoinnissa oletamme, että tulevat tiedot vastaavat ennusteita keskimäärin. Tuloksena oleva LES-ennuste, jonka mukaan kausitasoitetut tiedot näyttävät tästä: Tämä alfa-arvon erityinen arvo, joka on optimaalinen yhden jakson ennusteiden osalta, ennustettu kehitys on hieman ylöspäin, mikä heijastaa paikallista suuntausta, joka havaittiin viimeisten kahden vuoden aikana tai niin. Muiden alfa-arvojen osalta voidaan saada hyvin erilaista trendisuhdetta. Yleensä kannattaa nähdä, mitä tapahtuu pitkän aikavälin kehityssuunnittelussa, kun alfaa vaihdellaan, koska lyhyen aikavälin ennusteiden paras arvo ei ole välttämättä paras mahdollinen tulevaisuuden ennustamiseen. Esimerkiksi tässä on tulos, joka saadaan, jos alfa-arvon manuaalisesti asetetaan arvoon 0,25: Suunniteltu pitkän aikavälin trendi on nyt negatiivinen eikä positiivinen Pienemmällä alfa-arvolla mallissa painotetaan vanhempia tietoja enemmän sen ennuste nykyisestä tasosta ja suuntauksesta ja sen pitkän aikavälin ennusteet heijastavat laskusuuntausta viimeisten viiden vuoden aikana sen sijaan, että viimeaikainen noususuuntaus. Tämä kaavio havainnollistaa myös selvästi, kuinka malli, jolla on pienempi alfa-arvo, on hitaampi vastaamaan datan viitearvoihin, ja siksi se pyrkii tekemään saman merkin virheen monille peräkkäisille jaksoille. Sen yhden askeleen ennakkoilmoitusvirheet ovat keskimäärin suuremmat kuin aikaisemmat (RMSE: n arvo 34,4 pikemminkin kuin 27,4) ja voimakkaasti positiivisesti autokorreloidut. Lag-1-autokorrelaatio 0,56 ylittää huomattavasti edellä lasketun 0,33: n arvon tilastollisesti merkitsevälle poikkeamiselle nollasta. Vaihtoehtona alfa-arvon alentamiseksi, jotta konservatiivisuutta voitaisiin lisätä pitkäaikaisiksi ennusteiksi, malliin lisätään joskus kvotrendin vaimentava tekijä, jotta ennustettu kehitys lakkautettaisiin muutaman jakson jälkeen. Lopullisen askeleen ennustamismallin rakentamisessa on LES-ennusteiden korottaminen, kertomalla ne asianmukaisilla kausittaisilla indekseillä. Näin ollen sarakkeessa I esitetyt reseasonalisoidut ennusteet ovat yksinkertaisesti sarakkeessa F olevien kausittaisten indeksien ja kausitasoitettujen LES-ennusteiden sarakkeessa H. On suhteellisen helppoa laskea luottamusväliä tämän mallin yhden askeleen ennusteen perusteella: ensin laske RMSE-arvo (root-mean-squared - virhe, joka on vain MSE: n neliöjuuri) ja laske sitten luottamusväli kausitasoitettuun ennusteeseen lisäämällä ja vähentämällä RMSE: n kaksi kertaa. (Yleensä 95: n luottamusväli ennustejaksolla on suunnilleen yhtä suuri kuin arvioitujen virheiden arvioitu keskihajonta plus-tai-miinus kaksi kertaa, olettaen, että virheen jakautuminen on normaalisti normaalia ja näytteen koko on riittävän suuri, toisin sanoen 20 tai enemmän. Joten RMSE virheen sijaan näytteen keskihajonta on paras arvio tulevien ennustevirheiden keskihajonnasta, koska siinä otetaan huomioon myös satunnaisvaihtelut.) Luottamusrajat kausitasoitettu ennuste on sitten reseasonalized. samoin kuin ennuste, kertomalla ne sopivilla kausittaisilla indekseillä. Tässä tapauksessa RMSE on 27,4 ja kausitasoitettu ennuste ensimmäiselle tulevalle jaksolle (joulukuu 93) on 273,2. joten kausitasoitettu 95 luottamusväli on 273,2-227,4 218,4 - 273,2227,4 328,0. Kertoo nämä rajat Decembers-kauden indeksillä 68,61. saavutetaan 149,8 ja 225,0 alhaisempi ja ylempi luottamusrajoitus noin joulukuun 93 pisteen ennusteessa 187,4. Ennustettavien ennusteiden luottamusrajat kasvavat yleisesti ennustejaksolla, koska epävarmuus tasosta ja kehityksestä sekä kausitekijät ovat epävarmoja, mutta niiden analysointimenetelmiä on vaikea laskea yleensä. (Oikea tapa laskea luottamusrajat LES-ennusteelle on ARIMA-teorian avulla, mutta kausittaisten indekseiden epävarmuus on toinen asia.) Jos haluat realistisen luottamusvälin ennusteelle useamman kuin yhden jakson eteen, kaikkien sinun on parasta käyttää empiirisiä menetelmiä: esimerkiksi luottamusvälin saamiseksi kahden askeleen ennakoidulle ennusteelle voit luoda toisen sarakkeen laskentataulukkoon laskemalla kaksivaiheisen ennusteen jokaiselle kaudelle ( käynnistämällä yksiportainen ennuste). Sitten lasketaan kahden askeleen ennakkoilmoitusvirheen RMSE ja käytä tätä lähtökohtana kaksivaiheisen luottamusvälien varalle. Suunniteltu suhdannevaihteluun (Twentieth in a series) Tervetuloa 20: nnen ennusteperuntain postillamme. Viimeiset neljä kuukautta ovat olleet melko matkaa, kun käytimme erilaisia aikasarjatyyppejä, kuten liikkuvia keskimalleja, eksponentiaalisia tasoitusmalleja ja regressioanalyysiä, jota seurasivat perusteelliset keskustelut regressioanalyysin jälkeisistä oletuksista ja niiden seurauksista ja korjauksista. rikkoen näitä olettamuksia. Tänään jatkamme aikasarja-analyysin käytännön näkökohtia keskustelemalla aikasarjan hajoamisesta. Jos muistat toukokuun 3. päivästä. aikasarja koostuu neljästä osasta: trendikomponentista kausikokoonpano on syklinen komponentti ja epäsäännöllinen tai satunnainen komponentti. Tänään voimme näyttää, miten eristää ja hallita näitä komponentteja käyttäen fiktiivinen esimerkki Billie Burtonin itsenäisestä lahjakorien valmistajasta. Billie Burton on aina rakastanut lahjapaketeita ja hoitopaketteja, ja hän on hoitanut oman yrityksensa viimeisten 10 vuoden aikana. Billie tietää, että liiketoiminta näyttää kasvavan vuosi vuodelta, mutta hän tietää myös, että hänen liiketoimintaansa on kausiluonteista. Billie on myös varma, että ihmiset don8217t ostavat niin paljon hoitopaketteja ja lahjakoreja, kun talous on hidas. Hän yrittää arvioida kunkin komponentin vaikutuksia liiketoimintaan. Koska Billie8217s-liiketoiminta on yhden hengen kauppa ja kaikki lahjapaketit ovat käsintehtyjä (hän ei tee koria tai niiden sisältöä, vaan kokoaa ne, kääri ne decoratiivisesti ja laita ne), hän on nykyään enemmän huolissaan ennakoimalla lahjakorien tilauksia, eikä myyntiä, jotta hän voisi arvioida hänen työmääränsä. Joten Billie vetää kuukausittaiset tilaukset vuosille 2005-2009. Ne näyttävät tältä: YHTEENSÄ LAHJAKORTIN KÄYTÄNNÖT Kun muuttuja osoittaa pitkällä aikavälillä kasvua tai laskua ajan kuluessa, sanotaan olevan trendi. Billie8217s-lahjakorien tilaukset viimeksi kuluneiden viiden vuoden ajan osoittavat pitkän aikavälin nousevan trendin, kuten aikasarjojen kuvaaja osoittaa: Vaikka kaavio näyttää melko kiireiseltä ja halkealta, näet, että Billie8217: n kuukausittaiset tilaukset näyttävät nousevan ylöspäin ajan. Huomaa, että sovitimme suoran linjan Billie8217s-aikasarjojen yli. Tämä on lineaarinen trendiviiva. Useimmiten kerrotaan datan aikasarjassa ja piirrämme sitten suora viiva vapaasti kädessä osoittaaksemme trendin kasvavan tai laskevan. Toinen lähestymistapa sellaisen suuntauslinjan sovittamiselle kuin täällä käyttämäni on yksinkertaisen regressioanalyysin käyttäminen käyttäen jokaista aikajaksoa t, itsenäisenä muuttujana ja numeroimalla jokainen jakso peräkkäisessä järjestyksessä. Siten tammikuusta 2005 olisi t1 ja joulukuu 2009 olisi t60. Tämä on hyvin samankaltainen kuin me keskustelimme toukokuun 27 blogipostimme yhteydessä, kun osoitimme, kuinka toinen kuvitteellinen liikenainen Sue Stone voisi ennustaa hänen myynnin. Käyttämällä regressioanalyysiä, sopivaksi trendisuoraan, saisimme seuraavan yhtälön: Koska suuntauslinjan kaltevuus on positiivinen, tiedämme, että suuntaus on nouseva. Billie8217: n tilaukset näyttävät nousevan keskimäärin hieman yli puolen tilauksen kuukausittain. Kuitenkin, kun katsomme R 2. saamme vain .313, mikä viittaa siihen, että trendilinja ei sovi todellisiin tietoihin hyvin. Tämä johtuu tietojoukon jyrkästä kausivaihtelusta, josta puhutaan lähiaikoina. Tällä hetkellä me ainakin tiedämme, että trendi kasvaa. Kun aikasarja näyttää toistuvan kuvion ajan, yleensä samana ajankohtana, kyseinen kuvio tunnetaan aikasarjassa kausittaisena osana. Jotkut aikasarjat ovat useamman kuin yhden kauden aikana, jolloin kausivaihtelu on vahva, muilla ei ole kausivaihtelua. Jos tarkastelet jokaista tammikuun pistettä, huomaat, että se on huomattavasti alhaisempi kuin edellinen joulukuu ja seuraava helmikuu. Lisäksi, jos tarkastelet jokaista joulukuuhun, näet, että se on korkein tilauskohta vuosittain. Tämä viittaa voimakkaasti tietojen kausiluonteisuuteen. Mutta mitkä ovat kausivaihtelun vaikutukset Olemme selvittäneet eristämällä kausittainen osa ja luomalla kausittainen indeksi, joka tunnetaan suhteena liukuva keskiarvo. Suhdetta laskettaessa liikkuvaa keskiarvoa on nelivaiheinen prosessi: Ensinnäkin otettava sarjan liukuva keskiarvo Koska tiedot ovat kuukausittain, otamme 12 kuukauden liukuva keskiarvon. Jos tietomme oli neljännesvuosittain, teemme neljän neljänneksen liikkuvaa keskiarvoa. Olemme pääasiassa tehneet tämän taulukon kolmannessa sarakkeessa. Seuraavaksi keskitämme liikkuvat keskiarvot ottamalla kunkin peräkkäisen liikkuvan keskiarvon parin keskiarvo, tulos esitetään neljännessä sarakkeessa. Kolmanneksi lasketaan suhdeluku liukuvalle keskiarvolle Jos haluat saada suhteen liukuvaan keskiarvoon, jaa tilausten määrä tietylle kuukaudelle keskimäärin 12 kuukauden liukuva keskiarvo, joka vastaa kyseistä kuukautta. Huomaa, että heinäkuussa 2005 on ensimmäinen kuukausi keskipitkällä 12 kuukauden liukuva keskiarvo. Tämä johtuu siitä, että menetämme datapisteitä, kun siirrämme liikkuvan keskiarvon. Heinäkuussa 2005 jaamme keskimäärin 12 kuukauden liukuva keskiarvon, 21,38, saadun tilausmäärän, 12, ja saamme .561 (numero8217s kerrottuna 100 prosentilla tässä esimerkissä). Meillä on täsmälleen 48 kuukautta suhteita tutkimaan. Antaa vuosittain kuvaajan 8217: n suhdeluvut kaaviolla: Ensisilmäyksellä näyttää siltä, että kuvaajilla on vain kaksi riviä, jotka ovat vuosia kolmesta ja neljä. Kuitenkin kaikki neljä vuotta on esitetty tässä kaaviossa. It8217s vain, että kaikki käännekohdat ovat samat, ja suhde liikkuviin keskiarvoihin joka kuukausi on lähes sama. Ainoa ero on vuosi 3 (heinäkuu 2007 kesäkuuhun 2008). Huomaa, miten vihreä linja kolmelle vuodelle ei seuraa samaa mallia kuin muut vuodet, helmikuusta huhtikuuhun. Vuosi 38217: n suhde liukuvaan keskiarvoon on tosiasiassa korkeampi maaliskuussa kuin edellisinä vuosina ja alhaisempana huhtikuussa. Tämä johtuu siitä, että pääsiäis-sunnuntai laski maaliskuun lopulla 2008, joten pääsiäisen lahjakori-kausi siirrettiin pari viikkoa aiemmin kuin aikaisempina vuosina. Lopuksi lasketaan keskimääräinen kausittainen indeksi kullekin kuukaudelle Nyt on suhde kunkin kuukauden liukuviin keskiarvoihin. Let8217s keskimäärin: RATIO liikkuvien toimipisteiden vuoksi Näin näemme, että elokuu on normaali kuukausi (keskimääräinen kausittainen indeksi 1). Katso kuitenkin joulukuu. Sen kausittainen indeksi on 1,75. Tämä tarkoittaa sitä, että Billie8217s-tilaukset ovat yleensä 175 prosenttia korkeammat kuin kuukausittainen keskiarvo joulukuussa. Koska joululahja antaa kauden, että8217 odotetaan Billie8217s lahja koriin liiketoimintaa. Huomaamme myös korkeampia kausiluonteisia indeksejä marraskuussa (kun joulun ostoskausi alkaa), helmikuu (Valentine8217s Day) ja huhtikuussa (pääsiäinen). Muut kuukaudet ovat yleensä alle keskiarvon. Huomaa, että huhtikuu on ylivoimaisesti korkeampi perusviivan yläpuolella ja maaliskuussa oli yksi vuosi, jolloin it8217s-indeksi oli 1,25 (kun muina vuosina se oli alle 0,80). Se, koska pääsiäinen joskus putoaa maaliskuun lopulla. Tällaiset asiat ovat tärkeitä, jotta ne voivat seurata, koska se voi vaikuttaa merkittävästi suunnitteluun. Lisäksi, jos tietyssä kuussa on viisi viikonloppua vuodessa ja vain 4 viikonloppua seuraavana tai jos karkausvuosi lisää yhden päivän helmikuussa joka neljäs vuosi riippuen yrityksestäsi, nämä tapahtumat voivat vaikuttaa suuresti ennusteesi tarkkuuteen. Sykliset ja epäsäännölliset komponentit Nyt, kun eristimme trendin ja kausittaiset komponentit, tiedämme, että Billie8217: n tilaukset näyttävät kasvavan trendin ja tilaukset ovat yleensä keskimääräistä korkeammat marras-, joulukuus-, helmikuus - ja huhtikuussa. Nyt meidän on eristettävä suhdanne - ja kausittaiset osat. Sykliset muunnokset don8217t toistuvat säännöllisesti, mutta ne eivät ole satunnaisia muunnelmia. Sykliset kuviot ovat tunnistettavissa, mutta ne vaihtelevat lähes aina voimakkuuden mukaan (korkeus huipusta pohjaan) ja ajoitus (taajuus, jolla huippuja ja kouruja esiintyy). Koska niitä ei voida ennustaa tarkasti, niitä analysoidaan usein epäsäännöllisinä osina. Suhdanne - ja epäsäännöllisten komponenttien eristäminen on ensin eristämällä kehityssuunnat ja kausittaiset komponentit, kuten yllä. Joten ottakaamme suuntaus regression yhtälöstä ylhäältä, liitä joka kuukausi8217s järjestysnumero saada trendiarvo. Sitten voimme kertoa, että kuukausi8217s keskimääräinen kausittainen suhde liukuva keskiarvo saada tilastollinen normaali. Jotta saataisiin syklinen ja säännönmukainen komponentti, jaamme kyseisen kuukauden todelliset tilaukset tilastollisella tasolla. Seuraavassa taulukossa esitetään, miten: kausittainen indeksisuhde syklinen 8211 epäsäännöllinen komponentti () Suurin osa Billie8217: n tilauksista don8217t näyttää näyttävän paljon syklistä tai epäsäännöllistä käyttäytymistä. Useimmissa kuukausissa suhdannevaihteluiden epäsäännöllinen osa-suhde on melkein 100. Kun otetaan huomioon hänen liiketoimintaansa, tiedämme, että tämä ei olisi tosi, tai sattumaa, sillä vuoden 2008 taantuma vuoteen 2009 olisi todennäköisesti vähentänyt tilauksia. Suuriin näistä kuukausista odotamme, että suhdeluku on huomattavasti alle 100. Me näemme, että suurimmassa osassa 2005 alkukierroksen epäsäännöllinen komponentti Billie8217-lahjakorien tilauksille on paljon yli 100. On hyvin todennäköistä, että näinä vuosina, Billie8217: n liiketoiminta näki positiivisen suhdannevaihtelun. Sitten näemme epäsäännöllisiä kuvioita myöhempien vuosien maaliskuussa ja huhtikuussa, jolloin syklinen epäsäännöllinen komponentti on myös paljon yli 100. Se on jälleen kerran kun pääsiäinen putoaa väärinkäytöksiin. Ei ole yllättävää, että pääsiäisellä on sekä kausittainen että epäsäännöllinen komponentti. Tämä ei tarkoita sitä, että Billie voi potkia jalkojaan ja olla varma tietäen, ettei hänen liiketoimintaansa kärsi paljon syklisistä tai epäsäännöllisistä kuvioista. Laman syveneminen voi viime kädessä vuotaa tilauksiaan sota voi leikata materiaaleja, joita käytetään lahjakorien valmistamiseen, puute tai voimakas hinnankorotus materiaaleissa, joita hän käyttää, voivat myös pakottaa hinnat korkeammiksi, mikä puolestaan laskee hänen tilauksiaan työpaja voitaisiin tuhota tulvassa tai tulessa ja niin edelleen. Jotkut näistä epäsäännöllisistä kuvioista, jotka ovat lähes mahdottomia suunnitella Billie, ostavat vakuutuksen. Tieto aikasarjan koostumuksesta on tärkeä ennakointi. Aikasarjojen hajottaminen auttaa päätöksentekijöitä tiedostamaan ja selittämään tietojensa vaihtelevuutta ja siitä, kuinka paljon se on määritelty trendiin, kausiluontoisiin, suhdanteisiin ja epäsäännöllisiin osiin. Seuraavalla viikolla8217s ennuste perjantai postitse we8217ll keskustella siitä, miten ennustaa käyttäen tietoja, jotka on kausitasoitettu. Antakaa uusia viestejä tulla luokkiin CategoriesSeasonal component (aikasarjatietoihin) Aikasarjatiedot, joiden kausittainen komponentti on poistettu. Kausitasoitettujen tietojen mukaan säännöllisten kausiluonteisten ilmiöiden vaikutus on poistettu. tasoitettu sarja T C ja kausitasoitettu sarja T C I. Tilastot New Zealandsquos Economic Survey of Manufacturing antoi seuraavat tiedot Uuden-Seelannin tehdasteollisuuden tosiasiallisista tuloista. Keskitetyt liikkeet ovat laskeneet. Keskitetyillä liikuteltavilla vuosineljänneksillä yksittäinen kausivaihtelu lasketaan seuraavasti: Liikevoitto (raakatiedot) ndash (keskitetty) liikkuva keskiarvo Kausivaihteluiden vaikutusta arvioidaan keskimäärin yksittäisten kausivaihteluiden keskiarvona. Kaksi yksittäistä kausivaihtelua maaliskuun neljänneksittäin ovat ndash588.125 ja ndash561.75. Näiden kahden arvon keskiarvo on ndash574.938. Muut arviot kausivaihteluista esitetään toisessa taulukossa. Kausitasoitetut tiedot lasketaan seuraavasti: Liikevoitto (raakatiedot) ndash arvioitu kausivaihtelu kokonaisuudessaan Laskelma Mar-05-vuosineljännekselle on 17322 ndash (ndash574.938) 17896.938 17322 17696 17060 18046 17460 19034 18245 18866 18174 19464 18633 20616 17548.250 17732.750 18048.125 18298.750 18490.500 18633.500 18735.750 19003.000 17896.938 17097.875 17426.875 17773.125 18034.938 18435.875 18611.875 18593.125 18748.938 18865.875 18999.875 20343.125 Raakatiedot ja kausitasoitetut tiedot on esitetty alla. Huomaa, että M, J, S ja D ilmaisevat neljänneksen vuosilta maalis-, kesä-, syys - ja joulukuussa. Tällä luokalla ei ole tällä hetkellä mitään viestejä. Sarja, joka näyttää kausittaisen osan, näyttää mallia, joka toistuu niin monta kertaa. Jos pidämme esimerkiksi keskimääräistä kuukausittaista lämpötilaa Iowa Cityssä, IA, odotamme, että sarjassa on kausivaihtelu. Lämpötila nousee ja putoaa ennakoitavissa olevaan malliin vuoden aikana. Koska kuvio toistuu joka toinen vuosi, se kausi (tai kauden pituus) on 12. Kausittaisen aikasarjan mallin luominen on monella tapaa. Tässä kuvataan kahta eri mallia, lisäainetta ja kertolaskua. Lisäaineen malli Tässä lisätään kausittainen komponentti trendikomponenttiin: Otetaan lämpötila esimerkkinä ja oletetaan, että lämpötila ei ole trendi, joten oletetaan, että keskimääräinen lämpötila Iowa Cityssä on 50 astetta, joten arvio vakionopeudesta, on 50. Jos kausittainen tekijä helmikuussa on -22, helmikuu on 22 astetta keskimääräistä kylmempi ja helmikuun ennustettu lämpötila on 50 - 22 28 astetta. Jos kausittainen tekijä kesäkuussa on 12, kesäkuu on 12 astetta keskimääräistä lämpimämpi ja kesäkuussa ennustettu lämpötila on 50 12 62 astetta. Moninkertaistumismallimalli, jolla ei ole suuntausta: Malli, jolla on lineaarinen suuntaus: Multiplikatiivisessa mallissa kausittainen komponentti moninkertaistaa leikkauksen, jos ei ole trendiä ja moninkertaistaa intercepttrendin, jos on trendi. Esimerkkinä on esimerkiksi lämpötila esimerkki. Oletetaan, että keskimääräinen lämpötila Iowa Cityssä on 50 astetta, joten leikkaus on 50 ja olettaa, ettei suuntausta ole. Jos helmikuussa kausittainen tekijä on 0,45, helmikuun ennustettu arvo on 0,4550 pohjimmiltaan, helmikuu on 55 keskimääräistä kylmempi. Jos kausittainen tekijä kesäkuussa on 1,10, kesäkuu on 10 keskimääräistä lämpimämpi ja kesäkuussa ennustettu lämpötila on 501,10 55 astetta. Kausitekijöitä voidaan arvioida monella eri tavalla. Minitab arvioi kausittaisia tekijöitä suhteessa sarjan mediaaniin (ei keskiarvoon). Minulla on keskimääräiset kuukausittaiset lämpötilat Iowassa tammikuusta tammikuuhun 1930 asti ja tammikuussa 2011. Tämän ajanjakson aikana mediaani oli Iowassa 49,8 astetta. Lämpötietojen kausiluonteinen malli (ilman suuntausta) arvioitiin ja saatiin seuraavat arvioidut kausittaiset tekijät:
Comments
Post a Comment