Na prática, a média móvel proporcionará uma boa estimativa da média das séries temporais se a média for constante ou lentamente alterada. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente A uma observação mais longa Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais The A figura mostra as séries temporais utilizadas para ilustração em conjunto com a demanda média a partir da qual a série foi gerada. A média começa como uma constante em 10 A partir do tempo 21, ela aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30 Em seguida, torna-se constante novamente Os dados são simulados adicionando à média, um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3 Os resultados da simulação são arredondados para a ne A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que em um dado momento, apenas os dados passados são conhecidos. As estimativas do parâmetro do modelo,, para três valores diferentes de m são Mostrada em conjunto com a média das séries temporais na figura abaixo A figura mostra a estimativa da média móvel da média em cada momento e não a previsão As previsões deslocariam as curvas da média móvel para a direita por períodos. Uma conclusão é imediatamente aparente a partir de O valor Para todas as três estimativas, a média móvel fica atrás da tendência linear, com o atraso aumentando com m. O atraso é a distância entre o modelo e a estimativa na dimensão temporal. Devido ao atraso, a média móvel subestima as observações como média Está aumentando O viés do estimador é a diferença em um tempo específico no valor médio do modelo eo valor médio predito pela média móvel O viés quando a média está aumentando É negativo Para uma média decrescente, o viés é positivo O atraso no tempo e o viés introduzido na estimativa são funções de m Quanto maior o valor de m maior a magnitude do atraso e do viés. Para uma série continuamente crescente com tendência a a Os valores de lag e bias do estimador da média são dados nas equações abaixo. As curvas de exemplo não correspondem a essas equações porque o modelo de exemplo não está continuamente aumentando, antes começa como uma constante, muda para uma tendência e então se torna constante Novamente As curvas de exemplo também são afetadas pelo ruído. A média móvel de previsão de períodos no futuro é representada pelo deslocamento das curvas para a direita O atraso e o viés aumentam proporcionalmente As equações abaixo indicam o atraso e o viés de um período de previsão para o futuro Quando comparado com os parâmetros do modelo Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com este resultado O estimador da média móvel é baseado em A suposição de uma média constante e o exemplo tem uma tendência linear na média durante uma parte do período de estudo. Como as séries de tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para tais resultados. A partir da figura que a variabilidade do ruído tem o maior efeito de menor m A estimativa é muito mais volátil para a média móvel de 5 que a média móvel de 20 Temos o desejo conflitante de aumentar m para reduzir o efeito da variabilidade devido a O ruído e diminuir m para tornar a previsão mais responsiva a mudanças na média. O erro é a diferença entre os dados reais e o valor previsto. Se a série de tempo é verdadeiramente um valor constante, o valor esperado do erro é zero eo valor Variância do erro é composta por um termo que é uma função de e um segundo termo que é a variância do ruído. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo a Os dados vêm de uma população com uma média constante Este termo é minimizado fazendo m tão grande quanto possível Um grande m faz a previsão não responder a uma mudança nas séries temporais subjacentes Para fazer a previsão responsiva às mudanças, queremos m tão pequeno quanto possível 1, mas isso aumenta a variância de erro Previsão prática requer um valor intermediário. Previsão com Excel. O suplemento de Previsão implementa as fórmulas de média móvel O exemplo abaixo mostra a análise fornecida pelo suplemento para os dados de amostra na coluna B A primeira 10 observações são indexadas de -9 a 0 Comparadas com a tabela acima, os índices de período são deslocados por -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usadas para calcular a média móvel para o período 0 A coluna 10 de MA 10 Mostra as médias móveis calculadas O parâmetro de média móvel m está na célula C3 A coluna Fore 1 D mostra uma previsão para um período no futuro O intervalo de previsão está na célula D3 Quando o foreca St intervalo é alterado para um número maior os números na coluna Fore são deslocados para baixo. A Err 1 coluna E mostra a diferença entre a observação ea previsão Por exemplo, a observação no tempo 1 é 6 O valor previsto a partir da média móvel No tempo 0 é 11 1 O erro então é -5 1 O desvio padrão e o Desvio Médio Médico MAD são calculados nas células E6 e E7 respectivamente. Os valores maiores proporcionam um peso relativamente maior a dados mais recentes do que valores menores de Com o valor de 1, é o último ponto de dados Com o valor 0, é o mesmo que A figura mostra as estimativas de parâmetros obtidas para três valores diferentes de juntamente com a média da série temporal Embora o modelo para este método é uma constante, ilustramos a resposta A uma série de tempo com uma tendência O exemplo simulado inclui uma tendência de 1 de 20 a 30. Uma característica de atraso, semelhante à associada à estimativa da média móvel, também pode ser vista na figura O atraso ea polarização Para a estimativa de suavização exponencial pode ser expressa como uma função de A quantidade a na expressão é o valor de tendência linear. Para valores menores de obtemos um maior atraso em resposta à tendência. O erro é a diferença entre os dados reais e Valor previsto Se a série de tempo é verdadeiramente um valor constante, o valor esperado do erro é zero ea variância do erro é composta por um termo que é uma função de e um segundo termo que é a variância do ruído. A variância Do erro aumenta à medida que aumenta Para minimizar o efeito do ruído, gostaríamos de fazer o menor possível 0, mas isso faz com que a previsão não responda a uma mudança nas séries temporais subjacentes Para tornar a previsão responsiva às mudanças, queremos tão grande Como possível 1, mas isso aumenta a variância de erro A previsão prática requer um valor intermediário. Nós equiparamos o erro de aproximação para a média móvel e métodos de suavização exponencial. Técnicas de Previsão de Demanda Movin G Média Nós temos sobre 79 cursos da faculdade que o preparam para ganhar o crédito pelo exame que é aceitado por sobre 2.000 faculdades e universidades Você pode testar fora dos primeiros dois anos da faculdade e excepto milhares fora de seu grau Qualquer um pode ganhar o exame do crédito-por-exame Independentemente da idade ou nível de educação. Transferring crédito para a escola de sua escolha. Não tem certeza que faculdade que você quer assistir ainda tem milhares de artigos sobre cada grau imaginável, área de estudo e carreira que pode ajudá-lo a encontrar a escola que está certo Para you. Research Escolas, Degrees Careers. Get a informação imparcial que você precisa para encontrar o direito school. Browse artigos por categoria.
No comments:
Post a Comment