Prognostisering Glidande-Medelvärde Exempel

OR-Notes är en serie inledande anteckningar om ämnen som faller under den breda rubriken inom forskningsverksamhetsområdet (OR). De användes ursprungligen av mig i en introduktionskurs eller kurs jag ger vid Imperial College. De är nu tillgängliga för användning av studenter och lärare som är intresserade av ELLER underkastade följande villkor. En fullständig lista över ämnena som finns i OR-Notes finns här. Prognosprognoser Prognosexempel 1996 UG-examen Efterfrågan på en produkt i vart och ett av de senaste fem månaderna visas nedan. Använd ett två månaders glidande medelvärde för att generera en prognos för efterfrågan i månad 6. Applicera exponentiell utjämning med en utjämningskonstant på 0,9 för att generera en prognos för efterfrågan på efterfrågan i månad 6. Vilken av dessa två prognoser föredrar du och varför De två månaderna rör sig genomsnittet för månader två till fem ges av: Prognosen för månad sex är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månad 5 m 5 2350. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,9 får vi: Som tidigare prognosen för månad sex är bara genomsnittet för månad 5 M 5 2386 För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi ​​gör det här finner vi att för det glidande medelvärdet MSD (15-19) sup2 (18-23) sup2 (21-24) sup23 16,67 och för det exponentiellt jämnade medlet med en utjämningskonstant på 0,9 MSD (13-17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 Totalt sett ser vi att exponentiell utjämning tycks ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen för 2386 som har producerats genom exponentiell utjämning. Prognosexempel 1994 UG-examen Tabellen nedan visar efterfrågan på en ny aftershave i en butik för var och en av de senaste 7 månaderna. Beräkna ett två månaders glidande medelvärde för månader två till sju. Vad är din prognos för efterfrågan i månad åtta. Applicera exponentiell utjämning med en utjämningskonstant på 0,1 för att få en prognos för efterfrågan i månad åtta. Vilket av de två prognoserna för åtta åtta föredrar du och varför Butiksinnehavaren tror att kunderna byter till den nya efterhäftningen från andra märken. Diskutera hur du kan modellera detta kopplingsbeteende och ange vilka data du behöver för att bekräfta om den här växlingen sker eller inte. Det tvåmånadersrörande genomsnittet för månaderna två till sju är givet av: Prognosen för månad åtta är bara det rörliga genomsnittet för månaden före det vill säga det rörliga genomsnittet för månad 7 m 7 46. Tillämpning av exponentiell utjämning med en utjämningskonstant av 0,1 vi få: Som före prognosen för månad åtta är bara genomsnittet för månaden 7 M 7 31,11 31 (eftersom vi inte kan ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi ​​gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant av 0,1 Övergripande då ser vi att det tvåmånaders glidande medlet verkar ge de bästa månadens framåtprognoser eftersom den har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av två månaders glidande medelvärde. För att undersöka omkoppling skulle vi behöva använda en Markov-processmodell, där tillståndsmärken och vi skulle behöva initiala statsinformation och kundbyte sannolikheter (från undersökningar). Vi skulle behöva springa modellen på historiska data för att se om vi passar in mellan modellen och det historiska beteendet. Prognosexempel 1992 UG-examen Tabellen nedan visar efterfrågan på ett visst märke rakhyvel i en butik för var och en av de senaste nio månaderna. Beräkna ett tre månaders glidande medelvärde i månader tre till nio. Vad skulle vara din prognos för efterfrågan i månad tio Applicera exponentiell utjämning med en utjämningskonstant på 0,3 för att få en prognos för efterfrågan i månad tio. Vilken av de två prognoserna för tio månad föredrar du och varför Det tre månaders glidande genomsnittet för månaderna 3 till 9 ges av: Prognosen för månad 10 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månaden 9 m 9 20,33. Följaktligen (eftersom vi inte kan ha fraktionerad efterfrågan) är prognosen för månad 10 20. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,3 får vi: Som tidigare är prognosen för månad 10 bara genomsnittet för månaden 9 M 9 18,57 19 (som vi kan inte ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi ​​gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant på 0,3 Totalt ser vi att tre månaders glidande medelvärde tycks ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 20 som har producerats av tre månaders glidande medelvärde. Prognos exempel 1991 UG-examen Tabellen nedan visar efterfrågan på ett visst varumärke av faxapparat i ett varuhus i var och en av de senaste tolv månaderna. Beräkna fyra månaders glidande medelvärde för månaderna 4 till 12. Vad skulle vara din prognos för efterfrågan i månad 13 Applicera exponentiell utjämning med en utjämningskonstant på 0,2 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månaden 13 föredrar du och varför Vilka andra faktorer som inte beaktas i ovanstående beräkningar kan påverka efterfrågan på faxen i månad 13 Det fyra månaders glidande genomsnittet för månaderna 4 till 12 ges av: m 4 (23 19 15 12) 4 17,25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35,75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 Prognosen för månad 13 är bara det rörliga genomsnittet för månaden före det vill säga det glidande genomsnittet för månad 12 m 12 46.25. Därför (eftersom vi inte kan ha fraktsubjekt) är prognosen för månad 13 46. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,2 får vi: Som tidigare är prognosen för månad 13 bara genomsnittet för månaden 12 M 12 38.618 39 (som vi kan inte ha fraktionerad efterfrågan). För att jämföra de två prognoserna beräknar vi den genomsnittliga kvadrerade avvikelsen (MSD). Om vi ​​gör det här finner vi det för glidande medelvärde och för exponentiellt jämnt medelvärde med en utjämningskonstant på 0,2 Totalt sett ser vi att det fyra månaders glidande medelvärdet tycks ge de bästa månadens framåtprognoser eftersom det har en lägre MSD. Därför föredrar vi prognosen på 46 som har producerats av fyra månaders glidande medelvärde. säsongsbetonad efterfrågan reklam prisförändringar, både detta märke och andra märken Allmän ekonomisk situation Ny teknik Prognos exempel 1989 UG-examen Tabellen nedan visar efterfrågan på ett visst varumärke av mikrovågsugn i ett varuhus i vart och ett av de senaste tolv månaderna. Beräkna ett sex månaders glidande medelvärde för varje månad. Vad är din prognos för efterfrågan i månad 13. Applicera exponentiell utjämning med en utjämningskonstant på 0,7 för att få en prognos för efterfrågan i månad 13. Vilken av de två prognoserna för månad 13 föredrar du och varför Nu kan vi inte beräkna en sex månad flyttar genomsnittet tills vi har minst 6 observationer - det kan vi bara beräkna ett så genomsnittligt från månad 6 framåt. Därför har vi: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32,67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38,17 Prognosen för månad 13 är bara det rörliga genomsnittet för månad före det vill säga det glidande medeltalet för månaden 12 m 12 38,17. Följaktligen (eftersom vi inte kan ha fraktsubjekt) är prognosen för månad 13 38. Tillämpning av exponentiell utjämning med en utjämningskonstant på 0,7 får vi: I praktiken ger det glidande medlet en bra uppskattning av medelvärdet av tidsserierna om medelvärdet är konstant eller långsamt förändras. Vid konstant medelvärde kommer det största värdet av m att ge de bästa uppskattningarna av det underliggande genomsnittet. En längre observationsperiod kommer att medeltala effekterna av variationen. Syftet med att tillhandahålla en mindre m är att tillåta prognosen att svara på en förändring av den underliggande processen. För att illustrera föreslår vi en dataset som innehåller förändringar i underliggande medelvärden av tidsserierna. Figuren visar tidsserierna som används för illustration tillsammans med den genomsnittliga efterfrågan från vilken serien genererades. Medelvärdet börjar som en konstant vid 10. Börjar vid tidpunkten 21, ökar den med en enhet i varje period tills den når värdet 20 vid tiden 30. Sedan blir det konstant igen. Uppgifterna simuleras genom att lägga till i genomsnitt ett slumpmässigt brus från en normalfördelning med nollvärde och standardavvikelse 3. Resultaten av simuleringen avrundas till närmaste heltal. Tabellen visar de simulerade observationer som används för exemplet. När vi använder bordet måste vi komma ihåg att vid varje given tidpunkt endast endast tidigare data är kända. Uppskattningarna av modellparametern, för tre olika värden på m visas tillsammans med medelvärdet av tidsserierna i figuren nedan. Figuren visar den genomsnittliga rörliga genomsnittliga beräkningen av medelvärdet vid varje tidpunkt och inte prognosen. Prognoserna skulle flytta de glidande medelkurvorna till höger av perioder. En slutsats framgår omedelbart av figuren. För alla tre uppskattningar ligger det rörliga genomsnittet bakom den linjära trenden, där fördröjningen ökar med m. Lagen är avståndet mellan modellen och uppskattningen i tidsdimensionen. På grund av fördröjningen underskattar det rörliga genomsnittet observationerna som medelvärdet ökar. Estimatorns förspänning är skillnaden vid en viss tidpunkt i modellens medelvärde och medelvärdet förutspått av det rörliga genomsnittet. Förspänningen när medelvärdet ökar är negativt. För ett minskande medelvärde är förspänningen positiv. Fördröjningen i tid och den bias som införs i uppskattningen är funktionerna i m. Ju större värdet av m. desto större är storleken på fördröjning och förspänning. För en kontinuerligt ökande serie med trend a. värdena för fördröjning och förspänning av estimatorn för medelvärdet ges i ekvationerna nedan. Exemplet kurvorna stämmer inte överens med dessa ekvationer eftersom exemplet modellen inte ständigt ökar, utan det börjar som en konstant, ändras till en trend och blir sedan konstant igen. Även kurvorna påverkas av bruset. Den glidande genomsnittliga prognosen för perioder i framtiden representeras genom att man ändrar kurvorna till höger. Fördröjningen och förskjutningen ökar proportionellt. Ekvationerna nedan anger fördröjningen och förspänningen av prognosperioder i framtiden jämfört med modellparametrarna. Återigen är dessa formler för en tidsserie med en konstant linjär trend. Vi borde inte bli förvånad över resultatet. Den glidande medelvärdesberäkaren baseras på antagandet om ett konstant medelvärde och exemplet har en linjär trend i medelvärdet under en del av studieperioden. Eftersom realtidsserier sällan exakt kommer att följa antagandena till en modell, bör vi vara beredda på sådana resultat. Vi kan också dra slutsatsen av att variationen i bruset har störst effekt för mindre m. Uppskattningen är mycket mer flyktig för det rörliga genomsnittet av 5 än det glidande medlet på 20. Vi har de motstridiga önskningarna att öka m för att minska effekten av variationer på grund av bullret och att minska m för att göra prognosen mer responsabel mot förändringar i medelvärdet. Felet är skillnaden mellan den faktiska data och det prognostiserade värdet. Om tidsserierna verkligen är ett konstant värde är det förväntade värdet av felet noll och variansen av felet består av en term som är en funktion av och en andra term som är brusets varians. Den första termen är medelvärdet av det medelvärde som uppskattas med ett urval av m-observationer, förutsatt att data kommer från en population med konstant medelvärde. Denna term minimeras genom att göra m så stor som möjligt. En stor m gör prognosen inte svarande mot en förändring i underliggande tidsserier. För att prognosen ska kunna reagera på förändringar, vill vi ha m så liten som möjligt (1), men detta ökar felvariationen. Praktisk prognos kräver ett mellanvärde. Prognoser med Excel Prognosen för prognoser implementerar de glidande medelformlerna. Exemplet nedan visar analysen som tillhandahålls av tillägget för provdata i kolumn B. De första 10 observationerna indexeras -9 till 0. Jämfört med tabellen ovan förskjuts periodindex med -10. De första tio observationerna ger startvärdena för uppskattningen och används för att beräkna det glidande medlet för period 0. MA (10) kolumnen (C) visar de beräknade glidande medelvärdena. Den rörliga genomsnittsparametern m är i cell C3. Fore (1) kolumnen (D) visar en prognos för en period framåt. Prognosintervallet ligger i cell D3. När prognosintervallet ändras till ett större antal flyttas numren i Fore-kolumnen nedåt. Err-kolumnen (E) visar skillnaden mellan observationen och prognosen. Till exempel är observationen vid tidpunkten 1 6. Det prognostiserade värdet som gjorts från det glidande medlet vid tidpunkten 0 är 11,1. Felet är då -5,1. Standardavvikelsen och genomsnittlig avvikelse (MAD) beräknas i cellerna E6 respektive E7. Flyttande medel - och exponentiella utjämningsmodeller Som ett första steg för att flytta bortom genomsnittliga modeller kan slumpmässiga gångmodeller och linjära trendmodeller, icke-säsongsmönster och trender vara extrapoleras med hjälp av en rörlig genomsnitts - eller utjämningsmodell. Det grundläggande antagandet bakom medelvärdes - och utjämningsmodeller är att tidsserierna är lokalt stationära med ett långsamt varierande medelvärde. Därför tar vi ett rörligt (lokalt) medelvärde för att uppskatta det nuvarande värdet av medelvärdet och sedan använda det som prognosen för den närmaste framtiden. Detta kan betraktas som en kompromiss mellan medelmodellen och slumpmässig-walk-utan-drift-modellen. Samma strategi kan användas för att uppskatta och extrapolera en lokal trend. Ett rörligt medelvärde kallas ofta en quotsmoothedquot-version av den ursprungliga serien, eftersom kortsiktig medelvärde medför att utjämning av stötarna i originalserien. Genom att justera graden av utjämning (bredden på glidande medelvärdet) kan vi hoppas att hitta någon form av optimal balans mellan prestandan hos medel - och slumpmässiga gångmodeller. Den enklaste typen av medelvärdesmodell är. Enkelt (lika viktat) Flyttande medelvärde: Prognosen för värdet av Y vid tiden t1 som är gjord vid tiden t motsvarar det enkla medelvärdet av de senaste m-observationerna: (Här och på annat håll använder jag symbolen 8220Y-hat8221 för att stå för en prognos av tidsserien Y som gjordes så tidigt som möjligt enligt en given modell.) Detta medel är centrerat vid period-t (m1) 2 vilket innebär att uppskattningen av det lokala medelvärdet tenderar att ligga bakom det sanna värdet av det lokala medelvärdet med ca (m1) 2 perioder. Således säger vi att medelåldern för data i det enkla glidande medlet är (m1) 2 i förhållande till den period för vilken prognosen beräknas: det här är hur lång tid prognoserna tenderar att ligga bakom vändpunkter i data . Om du till exempel medger de senaste 5 värdena, kommer prognoserna att vara cirka 3 perioder sent för att svara på vändpunkter. Observera att om m1 är den enkla glidande genomsnittsmodellen (SMA) motsvarar den slumpmässiga gångmodellen (utan tillväxt). Om m är väldigt stor (jämförbar med längden på uppskattningsperioden) motsvarar SMA-modellen den genomsnittliga modellen. Precis som med vilken parameter som helst av en prognosmodell, är det vanligt att justera värdet på k för att få den bästa kvotfoten till data, dvs de minsta prognosfelen i genomsnitt. Här är ett exempel på en serie som verkar utgöra slumpmässiga fluktuationer runt ett långsamt varierande medelvärde. Först kan vi försöka passa på den med en slumpmässig promenadmodell, vilket motsvarar ett enkelt glidande medelvärde på 1 term: Slumpmässig gångmodell svarar väldigt snabbt på förändringar i serien, men därigenom väljer man mycket av kvotenhetskvoten i data (de slumpmässiga fluktuationerna) samt quotsignalquot (den lokala medelvärdet). Om vi ​​istället försöker ett enkelt glidande medelvärde på 5 termer får vi en snyggare uppsättning prognoser: Det 5-åriga enkla glidande medlet ger betydligt mindre fel än den slumpmässiga gångmodellen i det här fallet. Medelåldern för data i denna prognos är 3 ((51) 2), så att den tenderar att ligga bakom vändpunkter med cirka tre perioder. (Till exempel verkar en nedgång ha skett i period 21, men prognoserna vänder inte om till flera perioder senare.) Notera att de långsiktiga prognoserna från SMA-modellen är en horisontell rak linje, precis som i slumpmässig promenad modell. Således antar SMA-modellen att det inte finns någon trend i data. Men medan prognoserna från den slumpmässiga promenadmodellen helt enkelt motsvarar det senast observerade värdet är prognoserna från SMA-modellen lika med ett vägt genomsnitt av de senaste värdena. De konfidensbegränsningar som beräknas av Statgraphics för de långsiktiga prognoserna för det enkla glidande genomsnittet blir inte större eftersom prognostiseringshorisonten ökar. Det här är uppenbarligen inte korrekt Tyvärr finns det ingen underliggande statistisk teori som berättar hur förtroendeintervallen borde utvidgas för denna modell. Det är dock inte så svårt att beräkna empiriska uppskattningar av konfidensgränserna för prognosen för längre tid. Du kan till exempel konfigurera ett kalkylblad där SMA-modellen skulle användas för att prognostisera två steg framåt, 3 steg framåt etc. i det historiska dataprov. Därefter kan du beräkna felfunktionens avvikelser vid varje prognoshorisont och sedan konstruera konfidensintervaller för längre siktprognoser genom att lägga till och subtrahera multiplar med lämplig standardavvikelse. Om vi ​​försöker ett 9-sikt enkelt glidande medelvärde får vi ännu smidigare prognoser och mer av en långsammare effekt: Medelåldern är nu 5 perioder (91) 2). Om vi ​​tar ett 19-årigt glidande medel ökar medeltiden till 10: Observera att prognoserna nu försvinner nu bakom vändpunkter med cirka 10 perioder. Vilken mängd utjämning är bäst för denna serie Här är en tabell som jämför deras felstatistik, inklusive ett 3-siktigt genomsnitt: Modell C, det 5-åriga glidande medlet, ger det lägsta värdet av RMSE med en liten marginal över 3 - term och 9-medeltal, och deras andra statistik är nästan identiska. Så, bland modeller med mycket liknande felstatistik kan vi välja om vi föredrar lite mer respons eller lite mer jämnhet i prognoserna. (Tillbaka till början av sidan.) Browns Simple Exponential Smoothing (exponentiellt vägd glidande medelvärde) Den enkla glidande medelmodellen beskriven ovan har den oönskade egenskapen som den behandlar de senaste k-observationerna lika och fullständigt ignorerar alla föregående observationer. Intuitivt bör tidigare data diskonteras på ett mer gradvis sätt - till exempel bör den senaste observationen få lite mer vikt än 2: a senast, och den 2: a senaste bör få lite mer vikt än den 3: e senaste, och så vidare. Den enkla exponentiella utjämningens (SES) - modellen åstadkommer detta. Låt 945 beteckna en quotsmoothing constantquot (ett tal mellan 0 och 1). Ett sätt att skriva modellen är att definiera en serie L som representerar den nuvarande nivån (dvs lokal medelvärde) för serien som uppskattad från data fram till idag. Värdet på L vid tiden t beräknas rekursivt från sitt eget tidigare värde som detta: Således är det nuvarande utjämnade värdet en interpolation mellan det tidigare jämnda värdet och den aktuella observationen, där 945 styr närheten av det interpolerade värdet till den senaste observation. Prognosen för nästa period är helt enkelt det nuvarande släta värdet: Likvärdigt kan vi uttrycka nästa prognos direkt i form av tidigare prognoser och tidigare observationer, i någon av följande ekvivalenta versioner. I den första versionen är prognosen en interpolation mellan föregående prognos och tidigare observation: I den andra versionen erhålls nästa prognos genom att justera föregående prognos i riktning mot det föregående felet med en bråkdel av 945. Är felet gjort vid tid t. I den tredje versionen är prognosen ett exponentiellt vägt (dvs. rabatterat) glidande medelvärde med rabattfaktor 1-945: Interpolationsversionen av prognosformuläret är det enklaste att använda om du genomför modellen på ett kalkylblad: det passar in i en encell och innehåller cellreferenser som pekar på föregående prognos, föregående observation och cellen där värdet 945 lagras. Observera att om 945 1 motsvarar SES-modellen en slumpmässig gångmodell (utan tillväxt). Om 945 0 motsvarar SES-modellen den genomsnittliga modellen, förutsatt att det första släta värdet sätts lika med medelvärdet. (Återgå till början av sidan.) Medelåldern för data i prognosen för enkel exponentiell utjämning är 1 945 i förhållande till den period som prognosen beräknas för. (Det här är inte tänkt att vara uppenbart, men det kan enkelt visas genom att utvärdera en oändlig serie.) Den enkla, snabba genomsnittliga prognosen tenderar därför att ligga bakom vändpunkter med cirka 1 945 perioder. Till exempel, när 945 0,5 är fördröjningen 2 perioder när 945 0,2 är fördröjningen 5 perioder när 945 0,1 är fördröjningen 10 perioder, och så vidare. För en given medelålder (dvs mängden fördröjning) är prognosen för enkel exponentiell utjämning (SES) något överlägsen SMA-prognosen (Simple Moving Average) eftersom den lägger relativt större vikt vid den senaste observationen, dvs. det är något mer quotresponsivequot för förändringar som inträffade under det senaste förflutna. Till exempel har en SMA-modell med 9 villkor och en SES-modell med 945 0,2 båda en genomsnittlig ålder på 5 för data i sina prognoser, men SES-modellen lägger mer vikt på de senaste 3 värdena än SMA-modellen och vid samtidigt som det inte helt 8220forget8221 om värden som är mer än 9 perioder gamla, vilket visas i det här diagrammet. En annan viktig fördel med SES-modellen över SMA-modellen är att SES-modellen använder en utjämningsparameter som kontinuerligt varierar, så att den lätt kan optimeras genom att använda en kvotsolverquot-algoritm för att minimera det genomsnittliga kvadratfelet. Det optimala värdet på 945 i SES-modellen för denna serie visar sig vara 0,2961, vilket visas här: Medelåldern för data i denna prognos är 10,2961 3,4 perioder, vilket liknar det för ett 6-sikt enkelt glidande medelvärde. De långsiktiga prognoserna från SES-modellen är en horisontell rak linje. som i SMA-modellen och den slumpmässiga promenadmodellen utan tillväxt. Observera dock att de konfidensintervaller som beräknas av Statgraphics avviker nu på ett rimligt sätt, och att de är väsentligt smalare än konfidensintervallet för slumpmässig promenadmodell. SES-modellen förutsätter att serien är något mer förutsägbar än den slumpmässiga promenadmodellen. En SES-modell är egentligen ett speciellt fall av en ARIMA-modell. så ger den statistiska teorin om ARIMA-modeller en bra grund för beräkning av konfidensintervaller för SES-modellen. I synnerhet är en SES-modell en ARIMA-modell med en icke-säsongsskillnad, en MA (1) term och ingen konstant term. annars känd som en quotARIMA (0,1,1) modell utan constantquot. MA (1) - koefficienten i ARIMA-modellen motsvarar kvantiteten 1-945 i SES-modellen. Om du till exempel passar en ARIMA-modell (0,1,1) utan konstant till serien som analyseras här, uppskattas den uppskattade MA (1) - koefficienten vara 0,7029, vilket är nästan exakt en minus 0,2961. Det är möjligt att lägga till antagandet om en icke-noll konstant linjär trend till en SES-modell. För att göra detta, ange bara en ARIMA-modell med en icke-säsongsskillnad och en MA (1) term med en konstant, dvs en ARIMA (0,1,1) modell med konstant. De långsiktiga prognoserna kommer då att ha en trend som är lika med den genomsnittliga trenden som observerats under hela estimeringsperioden. Du kan inte göra detta i samband med säsongsjustering, eftersom säsongsjusteringsalternativen är inaktiverade när modelltypen är inställd på ARIMA. Du kan dock lägga till en konstant långsiktig exponentiell trend till en enkel exponentiell utjämningsmodell (med eller utan säsongsjustering) genom att använda inflationsjusteringsalternativet i prognosproceduren. Den lämpliga quotinflationen (procentuell tillväxt) per period kan uppskattas som lutningskoefficienten i en linjär trendmodell som är anpassad till data i samband med en naturlig logaritmtransformation, eller det kan baseras på annan oberoende information om långsiktiga tillväxtutsikter . (Return to top of page.) Browns Linjär (dvs dubbel) Exponentiell utjämning SMA-modellerna och SES-modellerna antar att det inte finns någon trend av något slag i data (vilket vanligtvis är OK eller åtminstone inte för dåligt för 1- stegprognoser när data är relativt bullriga), och de kan modifieras för att införliva en konstant linjär trend som visas ovan. Vad sägs om kortsiktiga trender Om en serie visar en växande växthastighet eller ett cykliskt mönster som står klart ut mot bruset, och om det finns behov av att prognostisera mer än en period framåt, kan uppskattningen av en lokal trend också vara en fråga. Den enkla exponentiella utjämningsmodellen kan generaliseras för att erhålla en linjär exponentiell utjämning (LES) - modell som beräknar lokala uppskattningar av både nivå och trend. Den enklaste tidsvarierande trendmodellen är Browns linjära exponentiella utjämningsmodell, som använder två olika slätmade serier som centreras vid olika tidpunkter. Prognosformeln baseras på en extrapolering av en linje genom de två centra. (En mer sofistikerad version av denna modell, Holt8217s, diskuteras nedan.) Den algebraiska formen av Brown8217s linjär exponentiell utjämningsmodell, som den enkla exponentiella utjämningsmodellen, kan uttryckas i ett antal olika men likvärdiga former. Den här kvotens kvotstandardkvot uttrycks vanligtvis enligt följande: Låt S beteckna den singeljämnade serien som erhållits genom att använda enkel exponentiell utjämning till serie Y. Dvs, värdet av S vid period t ges av: (Minns att, under enkel exponentiell utjämning, detta skulle vara prognosen för Y vid period t1.) Låt sedan Squot beteckna den dubbelsidiga serien erhållen genom att använda enkel exponentiell utjämning (med samma 945) till serie S: Slutligen prognosen för Y tk. för vilken kgt1 som helst, ges av: Detta ger e 1 0 (det vill säga lura lite och låt den första prognosen motsvara den faktiska första observationen) och e 2 Y 2 8211 Y 1. varefter prognoser genereras med hjälp av ekvationen ovan. Detta ger samma monterade värden som formeln baserad på S och S om de senare startades med användning av S1S1Y1. Denna version av modellen används på nästa sida som illustrerar en kombination av exponentiell utjämning med säsongsjustering. Holt8217s linjär exponentiell utjämning Brown8217s LES-modell beräknar lokala uppskattningar av nivå och trend genom att utjämna de senaste uppgifterna, men det faktum att det gör det med en enda utjämningsparameter ställer en begränsning på de datamönster som den kan passa: nivån och trenden får inte variera till oberoende priser. Holt8217s LES-modell tar upp problemet genom att inkludera två utjämningskonstanter, en för nivån och en för trenden. När som helst, t som i Brown8217s modell, finns det en uppskattning L t på lokal nivå och en uppskattning T t av den lokala trenden. Här rekryteras de rekursivt från värdet av Y observerat vid tiden t och de tidigare uppskattningarna av nivån och trenden med två ekvationer som applicerar exponentiell utjämning till dem separat. Om den beräknade nivån och trenden vid tiden t-1 är L t82091 och T t-1. respektive prognosen för Y tshy som skulle ha gjorts vid tid t-1 är lika med L t-1 T t-1. När det verkliga värdet observeras beräknas den uppdaterade uppskattningen av nivån rekursivt genom interpolering mellan Y tshy och dess prognos L t-1 T t 1 med vikter av 945 och 1- 945. Förändringen i beräknad nivå, nämligen L t 8209 L t82091. kan tolkas som en bullrig mätning av trenden vid tiden t. Den uppdaterade uppskattningen av trenden beräknas sedan rekursivt genom interpolering mellan L t 8209 L t82091 och den tidigare uppskattningen av trenden T t-1. Användning av vikter av 946 och 1-946: Tolkningen av trendutjämningskonstanten 946 är analog med den för nivåutjämningskonstanten 945. Modeller med små värden av 946 förutsätter att trenden ändras endast mycket långsamt över tiden, medan modeller med större 946 antar att det förändras snabbare. En modell med en stor 946 tror att den avlägsna framtiden är väldigt osäker, eftersom fel i trendberäkning blir ganska viktiga vid prognoser mer än en period framåt. (Återgå till början av sidan.) Utjämningskonstanterna 945 och 946 kan uppskattas på vanligt sätt genom att minimera medelkvadratfelet i de 1-stegs-prognoserna. När detta görs i Statgraphics visar uppskattningarna att vara 945 0.3048 och 946 0.008. Det mycket lilla värdet på 946 innebär att modellen antar mycket liten förändring i trenden från en period till nästa, så i grunden försöker denna modell att uppskatta en långsiktig trend. I analogi med begreppet medelålder för de data som används för att uppskatta den lokala nivån i serien, är medelåldern för de data som används för att uppskatta den lokala trenden proportionell mot 1 946, men inte exakt lika med den . I det här fallet visar sig att vara 10.006 125. Detta är ett mycket exakt nummer eftersom precisionen av uppskattningen av 946 är verkligen 3 decimaler, men den har samma generella storleksordning som provstorleken på 100, så att denna modell är medeltal över ganska mycket historia för att uppskatta trenden. Prognosplotten nedan visar att LES-modellen beräknar en något större lokal trend i slutet av serien än den ständiga trenden som beräknas i SEStrend-modellen. Det uppskattade värdet på 945 är också nästan identiskt med det som erhållits genom att montera SES-modellen med eller utan trend, så det här är nästan samma modell. Nu ser dessa ut som rimliga prognoser för en modell som ska beräkna en lokal trend. Om du 8220eyeball8221 ser den här tomten ser den ut som om den lokala trenden har vänt sig nedåt i slutet av serien. Vad har hänt Parametrarna i denna modell har uppskattats genom att minimera det kvadrerade felet i 1-stegs-prognoser, inte längre prognoser, i vilket fall trenden gör inte en stor skillnad. Om allt du tittar på är 1 steg framåt, ser du inte den större bilden av trender över (säg) 10 eller 20 perioder. För att få denna modell mer i linje med vår ögonbolls extrapolering av data kan vi manuellt justera trendutjämningskonstanten så att den använder en kortare baslinje för trendberäkning. Om vi ​​till exempel väljer att ställa in 946 0,1, är medelåldern för de data som används vid uppskattning av den lokala trenden 10 perioder, vilket betyder att vi medeltar trenden över de senaste 20 perioderna eller så. Here8217s hur prognosplotet ser ut om vi sätter 946 0,1 medan ni håller 945 0.3. Detta ser intuitivt rimligt ut för denna serie, men det är troligen farligt att extrapolera denna trend mer än 10 perioder i framtiden. Vad sägs om felstatistik Här är en modelljämförelse för de två modellerna ovan och tre SES-modeller. Det optimala värdet på 945. För SES-modellen är ungefär 0,3, men liknande resultat (med något mer eller mindre responsivitet) erhålls med 0,5 och 0,2. (A) Hål linjär exp. utjämning med alfa 0,3048 och beta 0,008 (B) Hål linjär exp. utjämning med alfa 0,3 och beta 0,1 (C) Enkel exponentiell utjämning med alfa 0,5 (D) Enkel exponentiell utjämning med alfa 0,3 (E) Enkel exponentiell utjämning med alfa 0,2 Deras statistik är nästan identisk, så vi kan verkligen göra valet på grundval av prognosfel i 1 steg före proverna. Vi måste falla tillbaka på andra överväganden. Om vi ​​starkt tror att det är vettigt att basera den nuvarande trendberäkningen på vad som hänt under de senaste 20 perioderna eller så kan vi göra ett ärende för LES-modellen med 945 0,3 och 946 0,1. Om vi ​​vill vara agnostiska om det finns en lokal trend, kan en av SES-modellerna vara enklare att förklara och skulle också ge fler mitten av vägtrafikprognoserna för de kommande 5 eller 10 perioderna. (Tillbaka till början av sidan.) Vilken typ av trend-extrapolation är bäst: Horisontell eller linjär. Empiriska bevis tyder på att om uppgifterna redan har justerats (om det behövs) för inflationen, kan det vara osäkert att extrapolera kortsiktiga linjära trender mycket långt in i framtiden. Tendenser som uppenbaras idag kan sänkas i framtiden på grund av olika orsaker som produktförstörning, ökad konkurrens och konjunkturnedgångar eller uppgångar i en bransch. Av denna anledning utför enkel exponentiell utjämning ofta bättre ur prov än vad som annars skulle kunna förväntas, trots sin kvotiv kvot horisontell trend extrapolering. Dämpade trendmodifieringar av den linjära exponentiella utjämningsmodellen används också i praktiken för att införa en konservatismedel i dess trendprognoser. Den demoniserade trenden LES-modellen kan implementeras som ett speciellt fall av en ARIMA-modell, i synnerhet en ARIMA-modell (1,1,2). Det är möjligt att beräkna konfidensintervaller kring långsiktiga prognoser som produceras av exponentiella utjämningsmodeller, genom att betrakta dem som speciella fall av ARIMA-modeller. (Var försiktig: inte all mjukvara beräknar konfidensintervaller för dessa modeller korrekt.) Bredden på konfidensintervallet beror på (i) modellens RMS-fel, (ii) utjämningstypen (enkel eller linjär) (iii) värdet (er) av utjämningskonstanten (erna) och (iv) antalet perioder framåt du prognoserar. I allmänhet sprids intervallet snabbare, eftersom 945 blir större i SES-modellen och de sprider sig mycket snabbare när linjär snarare än enkel utjämning används. Detta ämne diskuteras vidare i avsnittet ARIMA-modeller i anteckningarna. (Återgå till början av sidan.) En prognosberäkningsexempel A.1 Prognosberäkningsmetoder Tolv metoder för beräkning av prognoser är tillgängliga. De flesta av dessa metoder ger begränsad användarkontroll. Exempelvis kan vikten på senaste historiska data eller datumintervallet för historiska data som används i beräkningarna anges. Följande exempel visar beräkningsförfarandet för var och en av de tillgängliga prognosmetoderna, med en identisk uppsättning historiska data. Följande exempel använder samma försäljningsdata 2004 och 2005 för att producera en 2006-prognos för försäljning. Utöver prognosberäkningen innehåller varje exempel en simulerad 2005-prognos för en tre månaders hållbarhetsperiod (bearbetningsalternativ 19 3) som sedan används för procent av noggrannhet och genomsnittliga absoluta avvikelsesberäkningar (faktisk försäljning jämfört med simulerad prognos). A.2 Prognos Prestationsutvärderingskriterier Beroende på ditt val av bearbetningsalternativ och de trender och mönster som finns i försäljningsdata, kommer vissa prognosmetoder att fungera bättre än andra för en given historisk dataset. En prognosmetod som är lämplig för en produkt kanske inte är lämplig för en annan produkt. Det är också osannolikt att en prognosmetod som ger goda resultat i ett skede av en livscykel för produkterna kommer att förbli lämplig under hela livscykeln. Du kan välja mellan två metoder för att utvärdera nuvarande prestanda för prognosmetoderna. Dessa är genomsnittlig absolut avvikelse (MAD) och procent av noggrannhet (POA). Båda dessa prestationsbedömningsmetoder kräver historiska försäljningsdata för en användardefinierad tidsperiod. Denna tidsperiod kallas en uthållningsperiod eller perioder som passar bäst (PBF). Uppgifterna under denna period används som utgångspunkt för att rekommendera vilken av prognosmetoderna som ska användas vid nästa prognosprojektion. Denna rekommendation är specifik för varje produkt och kan ändras från en prognosproduktion till nästa. De två prognosutvärderingsmetoderna visas på sidorna efter exempel på de tolv prognosmetoderna. A.3 Method 1 - Specified Percent Over Last Year This method multiplies sales data from the previous year by a user specified factor for example, 1.10 for a 10 increase, or 0.97 for a 3 decrease. Required sales history: One year for calculating the forecast plus the user specified number of time periods for evaluating forecast performance (processing option 19). A.4.1 Forecast Calculation Range of sales history to use in calculating growth factor (processing option 2a) 3 in this example. Sum the final three months of 2005: 114 119 137 370 Sum the same three months for the previous year: 123 139 133 395 The calculated factor 370395 0.9367 Calculate the forecasts: January, 2005 sales 128 0.9367 119.8036 or about 120 February, 2005 sales 117 0.9367 109.5939 or about 110 March, 2005 sales 115 0.9367 107.7205 or about 108 A.4.2 Simulated Forecast Calculation Sum the three months of 2005 prior to holdout period (July, Aug, Sept): 129 140 131 400 Sum the same three months for the previous year: 141 128 118 387 The calculated factor 400387 1.033591731 Calculate simulated forecast: October, 2004 sales 123 1.033591731 127.13178 November, 2004 sales 139 1.033591731 143.66925 December, 2004 sales 133 1.033591731 137.4677 A.4.3 Percent of Accuracy Calculation POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 Mean Absolute Deviation Calculation MAD (127.13178 - 114 143.66925 - 119 137.4677- 137) 3 (13.13178 24.66925 0.4677)3 12.75624 A.5 Method 3 - Last year to This Year This method copies sales data from the previous year to the next year. Required sales history: One year for calculating the forecast plus the number of time periods specified for evaluating forecast performance (processing option 19). A.6.1 Forecast Calculation Number of periods to be included in the average (processing option 4a) 3 in this example For each month of the forecast, average the previous three months data. January forecast: 114 119 137 370, 370 3 123.333 or 123 February forecast: 119 137 123 379, 379 3 126.333 or 126 March forecast: 137 123 126 379, 386 3 128.667 or 129 A.6.2 Simulated Forecast Calculation October 2005 sales (129 140 131)3 133.3333 November 2005 sales (140 131 114)3 128.3333 December 2005 sales (131 114 119)3 121.3333 A.6.3 Percent of Accuracy Calculation POA (133.3333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Absolute Deviation Calculation MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 Method 5 - Linear Approximation Linear Approximation calculates a trend based upon two sales history data points. Those two points define a straight trend line that is projected into the future. Use this method with caution, as long range forecasts are leveraged by small changes in just two data points. Required sales history: The number of periods to include in regression (processing option 5a), plus 1 plus the number of time periods for evaluating forecast performance (processing option 19). A.8.1 Forecast Calculation Number of periods to include in regression (processing option 6a) 3 in this example For each month of the forecast, add the increase or decrease during the specified periods prior to holdout period the previous period. Average of the previous three months (114 119 137)3 123.3333 Summary of the previous three months with weight considered (114 1) (119 2) (137 3) 763 Difference between the values 763 - 123.3333 (1 2 3) 23 Ratio (12 22 32) - 2 3 14 - 12 2 Value1 DifferenceRatio 232 11.5 Value2 Average - value1 ratio 123.3333 - 11.5 2 100.3333 Forecast (1 n) value1 value2 4 11.5 100.3333 146.333 or 146 Forecast 5 11.5 100.3333 157.8333 or 158 Forecast 6 11.5 100.3333 169.3333 or 169 A.8.2 Simulated Forecast Calculation October 2004 sales: Average of the previous three months (129 140 131)3 133.3333 Summary of the previous three months with weight considered (129 1) (140 2) (131 3) 802 Difference between the values 802 - 133.3333 (1 2 3) 2 Ratio (12 22 32) - 2 3 14 - 12 2 Value1 DifferenceRatio 22 1 Value2 Average - value1 ratio 133.3333 - 1 2 131.3333 Forecast (1 n) value1 value2 4 1 131.3333 135.3333 November 2004 sales Average of the previous three months (140 131 114)3 128.3333 Summary of the previous three months with weight considered (140 1) (131 2) (114 3) 744 Difference between the values 744 - 128.3333 (1 2 3) -25.9999 Value1 DifferenceRatio -25.99992 -12.9999 Value2 Average - value1 ratio 128.3333 - (-12.9999) 2 154.3333 Forecast 4 -12.9999 154.3333 102.3333 December 2004 sales Average of the previous three months (131 114 119)3 121.3333 Summary of the previous three months with weight considered (131 1) (114 2) (119 3) 716 Difference between the values 716 - 121.3333 (1 2 3) -11.9999 Value1 DifferenceRatio -11.99992 -5.9999 Value2 Average - value1 ratio 121.3333 - (-5.9999) 2 133.3333 Forecast 4 (-5.9999) 133.3333 109.3333 A.8.3 Percent of Accuracy Calculation POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 Mean Absolute Deviation Calculation MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 Method 7 - Secon d Degree Approximation Linear Regression determines values for a and b in the forecast formula Y a bX with the objective of fitting a straight line to the sales history data. Second Degree Approximation is similar. However, this method determines values for a, b, and c in the forecast formula Y a bX cX2 with the objective of fitting a curve to the sales history data. This method may be useful when a product is in the transition between stages of a life cycle. For example, when a new product moves from introduction to growth stages, the sales trend may accelerate. Because of the second order term, the forecast can quickly approach infinity or drop to zero (depending on whether coefficient c is positive or negative). Therefore, this method is useful only in the short term. Forecast specifications: The formulae finds a, b, and c to fit a curve to exactly three points. You specify n in the processing option 7a, the number of time periods of data to accumulate into each of the three points. In this example n 3. Therefore, actual sales data for April through June are combined into the first point, Q1. July through September are added together to create Q2, and October through December sum to Q3. The curve will be fitted to the three values Q1, Q2, and Q3. Required sales history: 3 n periods for calculating the forecast plus the number of time periods required for evaluating the forecast performance (PBF). Number of periods to include (processing option 7a) 3 in this example Use the previous (3 n) months in three-month blocks: Q1(Apr - Jun) 125 122 137 384 Q2(Jul - Sep) 129 140 131 400 Q3(Oct - Dec) 114 119 137 370 The next step involves calculating the three coefficients a, b, and c to be used in the forecasting formula Y a bX cX2 (1) Q1 a bX cX2 (where X 1) a b c (2) Q2 a bX cX2 (where X 2) a 2b 4c (3) Q3 a bX cX2 (where X 3) a 3b 9c Solve the three equations simultaneously to find b, a, and c: Subtract equation (1) from equation (2) and solve for b (2) - (1) Q2 - Q1 b 3c Substitute this equation for b into equation (3) (3) Q3 a 3(Q2 - Q1) - 3c c Finally, substitute these equations for a and b into equation (1) Q3 - 3(Q2 - Q1) (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2)2 The Second Degree Approximation method calculates a, b, and c as follows: a Q3 - 3(Q2 - Q1) 370 - 3(400 - 384) 322 c (Q3 - Q2) (Q1 - Q2)2 (370 - 400) (384 - 400)2 -23 b (Q2 - Q1) - 3c (400 - 384) - (3 -23) 85 Y a bX cX2 322 85X (-23)X2 January thru March forecast (X4): (322 340 - 368)3 2943 98 per period April thru June forecast (X5): (322 425 - 575)3 57.333 or 57 per period July thru September forecast (X6): (322 510 - 828)3 1.33 or 1 per period October thru December (X7) (322 595 - 11273 -70 A.9.2 Simulated Forecast Calculation October, November and December, 2004 sales: Q1(Jan - Mar) 360 Q2(Apr - Jun) 384 Q3(Jul - Sep) 400 a 400 - 3(384 - 360) 328 c (400 - 384) (360 - 384)2 -4 b (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 Percent of Accuracy Calculation POA (136 136 136) (114 119 137) 100 110.27 A.9.4 Mean Absolute Deviation Calculation MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 Method 8 - Flexible Method The Flexible Method (Percent Over n Months Prior) is similar to Method 1, Percent Over Last Year. Both methods multiply sales data from a previous time period by a user specified factor, then project that result into the future. In the Percent Over Last Year method, the projection is based on data from the same time period in the previous year. The Flexible Method adds the capability to specify a time period other than the same period last year to use as the basis for the calculations. Multiplication factor. For example, specify 1.15 in the processing option 8b to increase the previous sales history data by 15. Base period. For example, n 3 will cause the first forecast to be based upon sales data in October, 2005. Minimum sales history: The user specified number of periods back to the base period, plus the number of time periods required for evaluating the forecast performance (PBF). A.10.4 Mean Absolute Deviation Calculation MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 Method 9 - Weighted Moving Average The Weighted Moving Average (WMA) method is similar to Method 4, Moving Average (MA). However, with the Weighted Moving Average you can assign unequal weights to the historical data. The method calculates a weighted average of recent sales history to arrive at a projection for the short term. More recent data is usually assigned a greater weight than older data, so this makes WMA more responsive to shifts in the level of sales. However, forecast bias and systematic errors still do occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation. For example, specify n 3 in the processing option 9a to use the most recent three periods as the basis for the projection into the next time period. A large value for n (such as 12) requires more sales history. It results in a stable forecast, but will be slow to recognize shifts in the level of sales. On the other hand, a small value for n (such as 3) will respond quicker to shifts in the level of sales, but the forecast may fluctuate so widely that production can not respond to the variations. The weight assigned to each of the historical data periods. The assigned weights must total to 1.00. For example, when n 3, assign weights of 0.6, 0.3, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 Method 10 - Linear Smoothing This method is similar to Method 9, Weighted Moving Average (WMA). However, instead of arbitrarily assigning weights to the historical data, a formula is used to assign weights that decline linearly and sum to 1.00. The method then calculates a weighted average of recent sales history to arrive at a projection for the short term. As is true of all linear moving average forecasting techniques, forecast bias and systematic errors occur when the product sales history exhibits strong trend or seasonal patterns. This method works better for short range forecasts of mature products rather than for products in the growth or obsolescence stages of the life cycle. n the number of periods of sales history to use in the forecast calculation. This is specified in the processing option 10a. For example, specify n 3 in the processing option 10b to use the most recent three periods as the basis for the projection into the next time period. The system will automatically assign the weights to the historical data that decline linearly and sum to 1.00. For example, when n 3, the system will assign weights of 0.5, 0.3333, and 0.1, with the most recent data receiving the greatest weight. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). A.12.1 Forecast Calculation Number of periods to include in smoothing average (processing option 10a) 3 in this example Ratio for one period prior 3(n2 n)2 3(32 3)2 36 0.5 Ratio for two periods prior 2(n2 n)2 2(32 3)2 26 0.3333.. Ratio for three periods prior 1(n2 n)2 1(32 3)2 16 0.1666.. January forecast: 137 0.5 119 13 114 16 127.16 or 127 February forecast: 127 0.5 137 13 119 16 129 March forecast: 129 0.5 127 13 137 16 129.666 or 130 A.12.2 Simulated Forecast Calculation October 2004 sales 129 16 140 26 131 36 133.6666 November 2004 sales 140 16 131 26 114 36 124 December 2004 sales 131 16 114 26 119 36 119.3333 A.12.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 Method 11 - Exponential Smoothing This method is similar to Method 10, Linear Smoothing. In Linear Smoothing the system assigns weights to the historical data that decline linearly. In exponential smoothing, the system assigns weights that exponentially decay. The exponential smoothing forecasting equation is: Forecast a(Previous Actual Sales) (1 - a) Previous Forecast The forecast is a weighted average of the actual sales from the previous period and the forecast from the previous period. a is the weight applied to the actual sales for the previous period. (1 - a) is the weight applied to the forecast for the previous period. Valid values for a range from 0 to 1, and usually fall between 0.1 and 0.4. The sum of the weights is 1.00. a (1 - a) 1 You should assign a value for the smoothing constant, a. If you do not assign values for the smoothing constant, the system calculates an assumed value based upon the number of periods of sales history specified in the processing option 11a. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for a range from 0 to 1. n the range of sales history data to include in the calculations. Generally one year of sales history data is sufficient to estimate the general level of sales. For this example, a small value for n (n 3) was chosen in order to reduce the manual calculations required to verify the results. Exponential smoothing can generate a forecast based on as little as one historical data point. Minimum required sales history: n plus the number of time periods required for evaluating the forecast performance (PBF). A.13.1 Forecast Calculation Number of periods to include in smoothing average (processing option 11a) 3, and alpha factor (processing option 11b) blank in this example a factor for the oldest sales data 2(11), or 1 when alpha is specified a factor for the 2nd oldest sales data 2(12), or alpha when alpha is specified a factor for the 3rd oldest sales data 2(13), or alpha when alpha is specified a factor for the most recent sales data 2(1n), or alpha when alpha is specified November Sm. Avg. a(October Actual) (1 - a)October Sm. Avg. 1 114 0 0 114 December Sm. Avg. a(November Actual) (1 - a)November Sm. Avg. 23 119 13 114 117.3333 January Forecast a(December Actual) (1 - a)December Sm. Avg. 24 137 24 117.3333 127.16665 or 127 February Forecast January Forecast 127 March Forecast January Forecast 127 A.13.2 Simulated Forecast Calculation July, 2004 Sm. Avg. 22 129 129 August Sm. Avg. 23 140 13 129 136.3333 September Sm. Avg. 24 131 24 136.3333 133.6666 October, 2004 sales Sep Sm. Avg. 133.6666 August, 2004 Sm. Avg. 22 140 140 September Sm. Avg. 23 131 13 140 134 October Sm. Avg. 24 114 24 134 124 November, 2004 sales Sep Sm. Avg. 124 September 2004 Sm. Avg. 22 131 131 October Sm. Avg. 23 114 13 131 119.6666 November Sm. Avg. 24 119 24 119.6666 119.3333 December 2004 sales Sep Sm. Avg. 119.3333 A.13.3 Percent of Accuracy Calculation POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 Mean Absolute Deviation Calculation MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 Method 12 - Exponential Smoothing with Trend and Seasonality This method is similar to Method 11, Exponential Smoothing in that a smoothed average is calculated. However, Method 12 also includes a term in the forecasting equation to calculate a smoothed trend. The forecast is composed of a smoothed averaged adjusted for a linear trend. When specified in the processing option, the forecast is also adjusted for seasonality. a the smoothing constant used in calculating the smoothed average for the general level or magnitude of sales. Valid values for alpha range from 0 to 1. b the smoothing constant used in calculating the smoothed average for the trend component of the forecast. Valid values for beta range from 0 to 1. Whether a seasonal index is applied to the forecast a and b are independent of each other. They do not have to add to 1.0. Minimum required sales history: two years plus the number of time periods required for evaluating the forecast performance (PBF). Method 12 uses two exponential smoothing equations and one simple average to calculate a smoothed average, a smoothed trend, and a simple average seasonal factor. A.14.1 Forecast Calculation A) An exponentially smoothed average MAD (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 Evaluating the Forecasts You can select forecasting methods to generate as many as twelve forecasts for each product. Each forecasting method will probably create a slightly different projection. When thousands of products are forecast, it is impractical to make a subjective decision regarding which of the forecasts to use in your plans for each of the products. The system automatically evaluates performance for each of the forecasting methods that you select, and for each of the products forecast. You can choose between two performance criteria, Mean Absolute Deviation (MAD) and Percent of Accuracy (POA). MAD is a measure of forecast error. POA is a measure of forecast bias. Both of these performance evaluation techniques require actual sales history data for a user specified period of time. This period of recent history is called a holdout period or periods best fit (PBF). To measure the performance of a forecasting method, use the forecast formulae to simulate a forecast for the historical holdout period. There will usually be differences between actual sales data and the simulated forecast for the holdout period. When multiple forecast methods are selected, this same process occurs for each method. Multiple forecasts are calculated for the holdout period, and compared to the known sales history for that same period of time. The forecasting method producing the best match (best fit) between the forecast and the actual sales during the holdout period is recommended for use in your plans. This recommendation is specific to each product, and might change from one forecast generation to the next. A.16 Mean Absolute Deviation (MAD) MAD is the mean (or average) of the absolute values (or magnitude) of the deviations (or errors) between actual and forecast data. MAD is a measure of the average magnitude of errors to expect, given a forecasting method and data history. Because absolute values are used in the calculation, positive errors do not cancel out negative errors. When comparing several forecasting methods, the one with the smallest MAD has shown to be the most reliable for that product for that holdout period. When the forecast is unbiased and errors are normally distributed, there is a simple mathematical relationship between MAD and two other common measures of distribution, standard deviation and Mean Squared Error: A.16.1 Percent of Accuracy (POA) Percent of Accuracy (POA) is a measure of forecast bias. When forecasts are consistently too high, inventories accumulate and inventory costs rise. When forecasts are consistently two low, inventories are consumed and customer service declines. A forecast that is 10 units too low, then 8 units too high, then 2 units too high, would be an unbiased forecast. The positive error of 10 is canceled by negative errors of 8 and 2. Error Actual - Forecast When a product can be stored in inventory, and when the forecast is unbiased, a small amount of safety stock can be used to buffer the errors. In this situation, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts. However in service industries, the above situation would be viewed as three errors. The service would be understaffed in the first period, then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors. When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100. Of course, it is impossible to be more than 100 accurate. When a forecast is unbiased, the POA ratio will be 100. Therefore, it is more desirable to be 95 accurate than to be 110 accurate. The POA criteria select the forecasting method that has a POA ratio closest to 100. Scripting on this page enhances content navigation, but does not change the content in any way.