3 เดือน เฉลี่ยเคลื่อนที่ คาดการณ์

การย้ายการคาดการณ์เชิงปริมาณเฉลี่ย ตามที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างที่คาดการณ์ไว้ แต่หวังว่าคำแนะนำเหล่านี้จะเป็นประโยชน์อย่างยิ่งสำหรับบางประเด็นเกี่ยวกับคอมพิวเตอร์ที่เกี่ยวข้องกับการคาดการณ์ในสเปรดชีต ในหลอดเลือดดำนี้เราจะดำเนินการต่อโดยการเริ่มต้นตั้งแต่เริ่มต้นและเริ่มทำงานกับการคาดการณ์ Moving Average การย้ายการคาดการณ์เฉลี่ย ทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่า นักศึกษาทุกคนทำแบบฝึกหัดตลอดเวลา ลองนึกถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณจะมีการทดสอบสี่ครั้งระหว่างภาคการศึกษา ให้สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกของคุณ คุณคาดหวังอะไรสำหรับคะแนนการทดสอบที่สองของคุณคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดอย่างไรว่าเพื่อนของคุณอาจคาดเดาคะแนนการทดสอบครั้งต่อไปคุณคิดว่าพ่อแม่ของคุณคาดการณ์คะแนนการทดสอบต่อไปได้ไม่ว่า การทำร้ายทั้งหมดที่คุณอาจทำกับเพื่อนและผู้ปกครองของคุณพวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตด้วยตัวคุณเองกับเพื่อน ๆ ของคุณคุณสามารถประเมินตัวเองและคิดว่าคุณสามารถเรียนได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้ทุกอย่างที่เกี่ยวข้องและไม่แยแสไป คาดว่าคุณจะได้รับการทดสอบครั้งที่สามมีสองแนวทางที่น่าจะเป็นไปได้สำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงว่าพวกเขาจะแบ่งปันกับคุณหรือไม่ พวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับความฉลาดของเขา เขาจะได้รับอีก 73 ถ้าเขาโชคดี บางทีพ่อแม่จะพยายามสนับสนุนและพูด quotWell เพื่อให้ห่างไกลได้รับ 85 และ 73 ดังนั้นคุณควรคิดเกี่ยวกับการเกี่ยวกับ (85 73) 2 79 ฉันไม่รู้ว่าบางทีถ้าคุณไม่ปาร์ตี้ และเหวี่ยงพังพอนไปทั่วสถานที่และถ้าคุณเริ่มต้นทำมากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงขึ้นทั้งสองประมาณการเหล่านี้เป็นจริงการคาดการณ์เฉลี่ยย้าย อันดับแรกใช้คะแนนล่าสุดของคุณเพื่อคาดการณ์ประสิทธิภาพในอนาคตของคุณเท่านั้น นี่เรียกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลระยะเวลาหนึ่ง ข้อที่สองเป็นค่าพยากรณ์เฉลี่ยเคลื่อนที่ แต่ใช้ข้อมูลสองช่วง ให้สมมติว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการจัดประเภทของ pissed คุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในหน้า quotalliesquot ของคุณ คุณใช้การทดสอบและคะแนนของคุณเป็นจริง 89 ทุกคนรวมทั้งตัวคุณเองเป็นที่ประทับใจ ดังนั้นตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคการศึกษาที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์เกี่ยวกับวิธีที่คุณจะทำในการทดสอบครั้งล่าสุด ดีหวังว่าคุณจะเห็นรูปแบบ ตอนนี้หวังว่าคุณจะเห็นรูปแบบนี้ คุณเชื่อว่าเป็นนกหวีดที่ถูกต้องที่สุดในขณะที่เราทำงาน ตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ของเราซึ่งเริ่มต้นโดยพี่สาวที่แยกกันอยู่ของคุณชื่อ Whistle While We Work คุณมีข้อมูลการขายในอดีตที่แสดงโดยส่วนต่อไปนี้จากสเปรดชีต ก่อนอื่นเราจะนำเสนอข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วง รายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11 แจ้งให้ทราบว่าค่าเฉลี่ยย้ายผ่านข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้ง นอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเรา นี้แน่นอนแตกต่างจากแบบจำลองการเรียบเรียงชี้แจง Ive รวมการคาดคะเนของคำพูดราคาตลาดเนื่องจากเราจะใช้คำเหล่านี้ในหน้าเว็บถัดไปเพื่อวัดความถูกต้องในการคาดการณ์ ตอนนี้ฉันต้องการนำเสนอผลที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วง รายการสำหรับเซลล์ C5 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11 แจ้งให้ทราบว่าขณะนี้มีเพียงข้อมูลล่าสุดสองชิ้นที่ใช้ล่าสุดในการคาดการณ์เท่านั้น อีกครั้งฉันได้รวมการคาดคะเน quotpost เพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์ บางสิ่งบางอย่างอื่นที่มีความสำคัญที่จะแจ้งให้ทราบล่วงหน้า สำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ m-period เฉพาะค่าข้อมูลล่าสุดของ m ที่ใช้ในการคาดคะเนเท่านั้น ไม่มีอะไรอื่นที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-period เมื่อทำนายการคาดการณ์ของ quotpast ให้สังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1 ทั้งสองประเด็นนี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเรา การพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาโค้ดสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้น รหัสดังต่อไปนี้ โปรดทราบว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์ คุณสามารถเก็บไว้ในสมุดงานที่คุณต้องการ Function MovingAverage (Historical, NumberOfPeriods) ในฐานะ Single Declaring และ Initializing ตัวแปร Dim Item As Variant Dim Counter เป็นจำนวนเต็ม Integer Dim Single Dim HistoricalSize As Integer ตัวแปรที่ Initializing ตัวแปร Counter 1 สะสม 0 การกำหนดขนาดของอาร์เรย์ Historical HistoricalSize Historical. Count สำหรับ Counter 1 ถึง NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้ล่าสุด Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในคลาส คุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลของการคำนวณปรากฏขึ้นที่ควรทำดังนี้วิธีที่ง่ายที่สุดคือใช้เวลาเฉลี่ยในเดือนมกราคมถึงเดือนมีนาคมและใช้ข้อมูลดังกล่าวในการประมาณการยอดขายเมษายน8217: (129 134 122) 3 128.333 ดังนั้นจากยอดขายในเดือนมกราคมถึงเดือนมีนาคมคุณคาดการณ์ว่ายอดขายในเดือนเมษายนจะเท่ากับ 128,333 เมื่อยอดขายที่เกิดขึ้นในเดือนเมษายน 198217 มาแล้วคุณจะคำนวณการคาดการณ์สำหรับเดือนพฤษภาคมโดยใช้กุมภาพันธ์ถึงเดือนเมษายน คุณต้องสอดคล้องกับจำนวนงวดที่คุณใช้ในการย้ายการคาดการณ์โดยเฉลี่ย จำนวนรอบระยะเวลาที่คุณใช้ในการคาดการณ์โดยเฉลี่ยที่เคลื่อนที่ของคุณโดยพลการคุณสามารถใช้เพียงสองช่วงเวลาหรือห้าหรือหกช่วงเวลาที่คุณต้องการสร้างการคาดการณ์ของคุณ วิธีการข้างต้นเป็นค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย บางครั้งยอดขายเดือนที่ผ่านมา 823 อาจมีอิทธิพลมากขึ้นในช่วงหลายเดือนที่จะมาถึงนี้ดังนั้นคุณจึงต้องการให้น้ำหนักที่ใกล้ถึงเดือนนี้มากขึ้นในรูปแบบการคาดการณ์ของคุณ นี่คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก และเช่นเดียวกับจำนวนรอบระยะเวลาน้ำหนักที่คุณกำหนดจะหมดสิทธิ์โดยพลการ Let8217s กล่าวว่าคุณต้องการให้ยอดขายเดือนมีนาคม 8217s 50 น้ำหนักกุมภาพันธ์ 8217s 30 น้ำหนักและ January8217s 20 แล้วคาดการณ์ของคุณสำหรับเมษายนจะ 127,000 (122.50) (134.30) (129.20) 127 ข้อ จำกัด ของค่าเฉลี่ยเคลื่อนที่วิธีการคำนวณค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยเป็น 8220smoothing8221 forecast technique เนื่องจากคุณใช้เวลาโดยเฉลี่ยเมื่อเวลาผ่านไปคุณจึงอ่อนตัว (หรือทำให้เรียบ) ผลกระทบจากการเกิดขึ้นที่ไม่สม่ำเสมอภายในข้อมูล เป็นผลให้ผลกระทบของฤดูกาลวงจรธุรกิจและเหตุการณ์สุ่มอื่น ๆ สามารถเพิ่มข้อผิดพลาดในการคาดการณ์ได้อย่างมาก ดูข้อมูลทั้งหมดของปีปี8217และเปรียบเทียบค่าเฉลี่ยเคลื่อนที่ 3 ช่วงและค่าเฉลี่ยเคลื่อนที่ 5 ช่วงคือสังเกตว่าในกรณีนี้ที่ไม่ได้สร้างการคาดการณ์ แต่ให้เน้นที่ค่าเฉลี่ยเคลื่อนที่ ค่าเฉลี่ยเคลื่อนที่เป็นเวลา 3 เดือนแรกของเดือนกุมภาพันธ์และเฉลี่ยเดือนมกราคมกุมภาพันธ์และมีนาคมโดยเฉลี่ย ฉันยังทำเหมือนกันสำหรับค่าเฉลี่ย 5 เดือน ตอนนี้ดูกราฟต่อไปนี้: คุณเห็นอะไรบ้างไม่ใช่ชุดค่าเฉลี่ยเคลื่อนที่ 3 เดือนที่นุ่มนวลกว่าชุดการขายที่เกิดขึ้นจริงและค่าเฉลี่ยเคลื่อนที่ของ It8217s ในช่วง 5 เดือนนี้ดูราบรื่นยิ่งขึ้น ดังนั้นช่วงเวลาที่คุณใช้ในค่าเฉลี่ยเคลื่อนที่ของคุณยิ่งเพิ่มมากขึ้น ดังนั้นสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่แบบเรียบอาจไม่ใช่วิธีที่ถูกต้องที่สุด การย้ายวิธีเฉลี่ยจะเป็นประโยชน์อย่างมากเมื่อคุณพยายามดึงส่วนประกอบตามฤดูกาลไม่สม่ำเสมอและวัฏจักรของชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงเช่นการถดถอยและ ARIMA และการใช้ค่าเฉลี่ยเคลื่อนที่ในการสลายตัวชุดข้อมูลเวลาจะได้รับการแก้ไขในภายหลัง ในชุด การกำหนดความถูกต้องของโมเดลเฉลี่ยเคลื่อนที่โดยทั่วไปคุณต้องการวิธีการคาดการณ์ที่มีข้อผิดพลาดน้อยที่สุดระหว่างผลลัพธ์จริงและที่คาดการณ์ไว้ หนึ่งในมาตรการที่ใช้บ่อยที่สุดในการพยากรณ์ความถูกต้องคือค่า Mean Absolute Deviation (MAD) ในวิธีนี้สำหรับแต่ละช่วงเวลาในชุดข้อมูลเวลาที่คุณสร้างการคาดการณ์คุณจะใช้ค่าสัมบูรณ์ของความแตกต่างระหว่างค่าที่แท้จริงและที่คาดการณ์ไว้ของ period8217s (ส่วนเบี่ยงเบน) จากนั้นคุณจะเฉลี่ยค่าเบี่ยงเบนสัมบูรณ์เหล่านี้และคุณจะได้รับการวัด MAD MAD อาจเป็นประโยชน์ในการตัดสินใจเกี่ยวกับจำนวนงวดที่คุณเฉลี่ยและหรือจำนวนน้ำหนักที่คุณวางไว้ในแต่ละช่วงเวลา โดยทั่วไปคุณเลือกหนึ่งที่มีผลใน MAD ต่ำสุด Here8217 เป็นตัวอย่างของการคำนวณ MAD: MAD เป็นค่าเฉลี่ยของ 8, 1 และ 3 ค่าเฉลี่ยเคลื่อนที่: Recap เมื่อใช้ค่าเฉลี่ยเคลื่อนที่สำหรับการคาดการณ์โปรดจำไว้ว่าค่าเฉลี่ยที่เคลื่อนที่ได้ง่ายหรือมีการถ่วงน้ำหนักจำนวนรอบที่คุณใช้สำหรับ ค่าเฉลี่ยและน้ำหนักใด ๆ ที่คุณกำหนดให้กับแต่ละอย่างเคร่งครัดโดยพลการย้ายค่าเฉลี่ยเรียบรูปแบบที่ไม่สม่ำเสมอในข้อมูลชุดเวลาที่มีขนาดใหญ่จำนวนรอบระยะเวลาที่ใช้สำหรับแต่ละจุดข้อมูลมากขึ้นผลเรียบเนืองเนื่องจากการคาดการณ์ยอดขายเดือนถัดไป 8282s ตาม ยอดขายล่าสุดของเดือนที่ผ่านมาไม่กี่เดือนอาจส่งผลให้เกิดการเบี่ยงเบนขนาดใหญ่เนื่องจากรูปแบบตามฤดูกาลวัฏจักรและรูปแบบที่ไม่สม่ำเสมอในข้อมูลและความสามารถในการปรับให้ราบเรียบของวิธีเฉลี่ยที่เคลื่อนที่จะเป็นประโยชน์ในการสลายชุดข้อมูลเวลาสำหรับวิธีการคาดการณ์ขั้นสูงขึ้น สัปดาห์ถัดไป: การจัดแจงแบบสม่ำเสมอในสัปดาห์หน้าการคาดการณ์ในวันศุกร์ที่ 1982 เราจะหารือเกี่ยวกับวิธีการทำให้เรียบแบบเสี้ยวและคุณจะเห็นว่าพวกเขาสามารถไกลกว่าวิธีการพยากรณ์การเคลื่อนไหวเฉลี่ย ยังคง don8217t รู้ว่าทำไมโพสต์วันศุกร์พยากรณ์ของเราจะปรากฏในวันพฤหัสบดีที่ค้นหาที่: tinyurl26cm6ma เช่นนี้: โพสต์นำทางปล่อยให้ตอบยกเลิกการตอบฉันมี 2 คำถาม: 1) คุณสามารถใช้วิธี MA centered เพื่อคาดการณ์หรือเพียงเพื่อลบ seasonality 2) เมื่อ คุณใช้ t (t-1t-2t-k) ที่ง่ายในการคาดการณ์ระยะหนึ่งล่วงหน้าคุณสามารถคาดการณ์ได้มากกว่า 1 รอบระยะเวลาข้างหน้าที่ฉันเดาแล้วการคาดการณ์ของคุณจะเป็นหนึ่งในจุดให้อาหารในถัดไป ขอบคุณ รักข้อมูลและคำอธิบายของคุณ I8217m ดีใจที่คุณชอบบล็อก I8217m แน่ใจว่านักวิเคราะห์หลายคนใช้วิธี MA ที่เน้นการคาดการณ์ แต่ส่วนตัวแล้วฉันจะไม่เนื่องจากวิธีการดังกล่าวทำให้สูญเสียการสังเกตที่ปลายทั้งสอง นี้จริงแล้วความสัมพันธ์ในคำถามที่สองของคุณ โดยทั่วไปแล้ว MA แบบธรรมดาใช้ในการคาดการณ์ล่วงหน้าเพียงระยะเวลาเดียว แต่นักวิเคราะห์หลายคน 8211 และฉันก็อาจใช้การคาดการณ์ล่วงหน้าหนึ่งรอบเป็นหนึ่งในปัจจัยการผลิตในช่วงที่สองข้างหน้า It8217s สำคัญที่ต้องจำไว้ว่ายิ่งไปกว่านั้นในอนาคตที่คุณพยายามคาดการณ์ความเสี่ยงของการคาดการณ์ความผิดพลาดมากขึ้น นี่คือเหตุผลที่ผมไม่แนะนำให้ Center for MA ทำนาย 8211 การสูญเสียข้อสังเกตในตอนท้ายหมายถึงต้องพึ่งพาการคาดการณ์สำหรับการสังเกตที่หายไปรวมถึงระยะเวลาข้างหน้าดังนั้นจึงมีโอกาสเกิดข้อผิดพลาดในการคาดการณ์มากขึ้น ผู้อ่าน: you8217 เชิญชวนให้ชั่งน้ำหนักในเรื่องนี้ คุณมีความคิดเห็นหรือคำแนะนำเกี่ยวกับ Brian นี้ขอบคุณสำหรับความคิดเห็นและคำชมเชยของคุณในบล็อกความคิดริเริ่มที่ดีและคำอธิบายที่ดี It8217s เป็นประโยชน์จริงๆ ฉันคาดการณ์แผงวงจรพิมพ์ที่กำหนดเองสำหรับลูกค้าที่ไม่ให้การคาดการณ์ใด ๆ ฉันใช้ค่าเฉลี่ยเคลื่อนที่ แต่ไม่ค่อยถูกต้องเนื่องจากอุตสาหกรรมสามารถขึ้นและลงได้ เราเห็นต่อกลางฤดูร้อนสิ้นปีที่ pcb8217s ส่งขึ้น จากนั้นเราจะเห็นจุดเริ่มต้นของปีช้าลง ฉันจะถูกต้องมากขึ้นด้วยข้อมูลของฉัน Katrina จากสิ่งที่คุณบอกฉันปรากฏการขายแผงวงจรพิมพ์ของคุณมีองค์ประกอบตามฤดูกาล ฉันจะกล่าวถึงฤดูกาลในบางส่วนของโพสต์วันศุกร์พยากรณ์อื่น ๆ อีกวิธีหนึ่งที่คุณสามารถใช้ซึ่งเป็นเรื่องที่ง่ายมากคืออัลกอริทึม Holt-Winters ซึ่งคำนึงถึงฤดูกาล คุณสามารถหาคำอธิบายได้ที่นี่ อย่าลืมกำหนดว่ารูปแบบตามฤดูกาลของคุณเป็นแบบทวีคูณหรือแบบเพิ่มหรือไม่เนื่องจากอัลกอริทึมจะแตกต่างกันเล็กน้อยสำหรับแต่ละรูปแบบ หากคุณวางแผนข้อมูลรายเดือนของคุณจากไม่กี่ปีและพบว่าการเปลี่ยนแปลงตามฤดูกาลในช่วงเวลาเดียวกันของปีดูเหมือนจะเป็นปีที่คงที่ต่อปีจากนั้นฤดูกาลจะเพิ่มขึ้นหากการเปลี่ยนแปลงตามฤดูกาลในช่วงเวลาดูเหมือนจะเพิ่มขึ้นแล้วฤดูกาลคือ คูณ ชุดเวลาตามฤดูกาลส่วนใหญ่จะเป็นจำนวนทวีคูณ หากมีข้อสงสัยให้สมมติ multiplicative สวัสดีสวัสดี, ระหว่างวิธีการดังกล่าว:. พยากรณ์ Nave การอัพเดตค่าเฉลี่ย ค่าเฉลี่ยเคลื่อนที่ของความยาว k ค่าเฉลี่ยถ่วงน้ำหนักโดยเฉลี่ยของความยาว k หรือ Exponential Smoothing รูปแบบการอัปเดตใดที่คุณแนะนำให้ฉันใช้เพื่อคาดการณ์ข้อมูลสำหรับความคิดของฉันฉันคิดถึง Moving Average แต่ฉันไม่ทราบว่าจะทำให้ชัดเจนและมีโครงสร้างอย่างไรจริงๆแล้วขึ้นอยู่กับปริมาณและคุณภาพของข้อมูลที่คุณมีและเส้นขอบฟ้าของการคาดการณ์ของคุณ (ระยะยาวกลางเดือนหรือระยะสั้น) วิธีการคาดการณ์การถ่วงน้ำหนักโดยเฉลี่ยที่ถ่วงน้ำหนัก: ข้อดีและข้อเสีย ข้อเสีย Hi, LOVE your Post สงสัยไหมว่าคุณจะสามารถอธิบายเพิ่มเติมได้หรือไม่ เราใช้ SAP ในนั้นมีตัวเลือกที่คุณสามารถเลือกได้ก่อนที่คุณจะเรียกใช้การคาดการณ์ที่เรียกว่า initialization หากคุณเลือกตัวเลือกนี้คุณจะได้รับผลการคาดการณ์หากคุณเรียกใช้การคาดการณ์อีกครั้งในช่วงเวลาเดียวกันและไม่ตรวจสอบการเริ่มต้นการทำงานผลลัพธ์จะเปลี่ยนแปลงไป ฉันไม่สามารถคิดออกว่าการเริ่มต้นที่กำลังทำอยู่ ฉันหมายถึงทางคณิตศาสตร์ ผลการคาดการณ์ที่ดีที่สุดคือการบันทึกและใช้ตัวอย่างเช่น การเปลี่ยนแปลงระหว่างทั้งสองไม่ได้อยู่ในปริมาณที่คาดการณ์ แต่ใน MAD และ Error ความปลอดภัยของสต็อกและปริมาณ ROP ไม่แน่ใจว่าคุณใช้ SAP หรือไม่ สวัสดีขอบคุณสำหรับการอธิบายเพื่อประสิทธิภาพของมันเกินไป gd ขอบคุณอีกครั้ง Jaspreet ปล่อยให้ตอบยกเลิกการตอบเกี่ยวกับ Shmula Pete Abilla เป็นผู้ก่อตั้ง Shmula และตัวละคร Kanban Cody เขาช่วย บริษัท ต่างๆเช่น Amazon, Zappos, eBay, Backcountry และอื่น ๆ เพื่อลดต้นทุนและปรับปรุงประสบการณ์ของลูกค้า เขาทำอย่างนี้โดยใช้วิธีการที่เป็นระบบในการระบุจุดที่เจ็บปวดซึ่งส่งผลกระทบต่อลูกค้าและธุรกิจและส่งเสริมการมีส่วนร่วมอย่างกว้างขวางจาก บริษัท ร่วมของ บริษัท ในการปรับปรุงกระบวนการของตนเอง เว็บไซต์นี้เป็นชุดของประสบการณ์ที่เขาต้องการแบ่งปันกับคุณ เริ่มต้นด้วยการดาวน์โหลดฟรีในทางปฏิบัติค่าเฉลี่ยเคลื่อนที่จะให้ค่าเฉลี่ยที่ดีของค่าเฉลี่ยของชุดข้อมูลเวลาถ้าค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนไป ในกรณีของค่าเฉลี่ยคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าเฉลี่ยต้นแบบ ระยะสังเกตอีกต่อไปจะเป็นค่าเฉลี่ยของผลกระทบของความแปรปรวน วัตถุประสงค์ของการให้ m ที่มีขนาดเล็กคือการให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิง เพื่อแสดงให้เห็นว่าเราเสนอชุดข้อมูลที่รวมการเปลี่ยนแปลงค่าเฉลี่ยที่แท้จริงของชุดข้อมูลเวลา ภาพแสดงชุดข้อมูลเวลาที่ใช้สำหรับการแสดงภาพพร้อมกับความต้องการเฉลี่ยที่สร้างขึ้น ค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละช่วงเวลาจนกว่าจะถึงค่า 20 ในเวลา 30 จากนั้นจะกลายเป็นค่าคงที่อีกครั้ง ข้อมูลถูกจำลองด้วยการเพิ่มค่าเฉลี่ยเสียงสุ่มจากการแจกแจงแบบปกติโดยมีค่าเฉลี่ยศูนย์และส่วนเบี่ยงเบนมาตรฐาน 3. ผลการจำลองจะปัดเศษเป็นจำนวนเต็มใกล้ที่สุด ตารางแสดงการสังเกตแบบจำลองที่ใช้สำหรับตัวอย่าง เมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตามข้อมูลที่ผ่านมาเป็นที่รู้จักเท่านั้น การประมาณค่าพารามิเตอร์ของโมเดลสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงพร้อมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่าง ตัวเลขนี้แสดงค่าประมาณเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่การคาดการณ์ การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลา หนึ่งข้อสรุปจะเห็นได้ชัดทันทีจากรูป สำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่จะล่าช้ากว่าเส้นตรงโดยมีความล่าช้าเพิ่มขึ้นจาก m ความล่าช้าคือระยะห่างระหว่างรูปแบบกับการประมาณในมิติเวลา เนื่องจากความล่าช้าค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ต่ำกว่าข้อสังเกตเป็นค่าเฉลี่ยจะเพิ่มขึ้น ความลำเอียงของตัวประมาณคือความแตกต่างในเวลาที่กำหนดในค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คำนวณโดยค่าเฉลี่ยเคลื่อนที่ ความอคติเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นลบ สำหรับค่าเฉลี่ยที่ลดลงอคติเป็นบวก ความล่าช้าในเวลาและอคติที่นำมาใช้ในการประมาณค่านี้เป็นหน้าที่ของ m ค่าที่มากขึ้นของ m ยิ่งใหญ่ขนาดของความล่าช้าและอคติ สำหรับซีรีส์ที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้ม a. ค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่าง เส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างไม่ได้เพิ่มขึ้นอย่างต่อเนื่องแทนที่จะเริ่มเป็นค่าคงที่เปลี่ยนเป็นแนวโน้มและจะกลายเป็นค่าคงที่อีกครั้ง นอกจากนี้เส้นโค้งตัวอย่างยังได้รับผลกระทบจากเสียงดัง การคาดการณ์ค่าเฉลี่ยของช่วงเวลาในอนาคตจะแสดงโดยการขยับเส้นโค้งไปทางขวา ความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วน สมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงของระยะเวลาคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดล อีกครั้งสูตรเหล่านี้เป็นชุดเวลาที่มีแนวโน้มเชิงเส้นคงที่ เราไม่ควรแปลกใจที่ผลลัพธ์นี้ ตัวประมาณค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับสมมติฐานค่าเฉลี่ยคงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงตามค่าเฉลี่ยในช่วงระยะเวลาการศึกษา เนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐานของรูปแบบใดก็ตามเราควรเตรียมพร้อมสำหรับผลลัพธ์ดังกล่าว นอกจากนี้เรายังสามารถสรุปจากรูปที่ความแปรปรวนของเสียงรบกวนมีผลมากที่สุดสำหรับขนาดเล็ก ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจากเสียงรบกวนและลด m เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงได้มากขึ้น ในความหมาย ข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงกับค่าคาดการณ์ ถ้าชุดข้อมูลเวลาเป็นค่าคงที่มูลค่าที่คาดไว้ของข้อผิดพลาดจะเป็นศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็นหน้าที่ของและคำที่สองซึ่งเป็นความแปรปรวนของเสียง คำที่หนึ่งคือค่าความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกตการณ์ m สมมติว่าข้อมูลมาจากประชากรที่มีค่าเฉลี่ยคงที่ ระยะนี้จะลดลงโดยทำให้ m มีขนาดใหญ่ที่สุด m ที่มีขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงชุดข้อมูลอ้างอิง เพื่อให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงได้เราต้องการให้ m มีขนาดเล็กที่สุด (1) แต่จะเพิ่มความแปรปรวนของข้อผิดพลาด การคาดการณ์ในทางปฏิบัติต้องมีค่ากลาง การคาดการณ์ด้วย Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B 10 ข้อสังเกตแรกมีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไป -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 คอลัมน์ MA (10) (C) แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ ค่าเฉลี่ยเคลื่อนที่ m อยู่ในเซลล์ C3 คอลัมน์ Fore (1) (D) จะแสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคต ช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นจำนวนที่มากขึ้นตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลง คอลัมน์ Err (1) (E) แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ไว้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11.1 ข้อผิดพลาดคือ -5.1 ค่าเบี่ยงเบนมาตรฐานและค่าเฉลี่ยส่วนเบี่ยงเบนเฉลี่ย (MAD) คำนวณในเซลล์ E6 และ E7 ตามลำดับ