Moving Average Forecasting Introducción. Como usted podría adivinar, estamos estudiando algunos de los enfoques más primitivos para la predicción. Pero espero que estas sean al menos una introducción valiosa a algunos de los problemas de computación relacionados con la implementación de pronósticos en hojas de cálculo. En este sentido, continuaremos comenzando desde el principio y comenzando a trabajar con las previsiones de Media móvil. Pronósticos de media móvil. Todo el mundo está familiarizado con los pronósticos de promedio móvil, independientemente de si creen que son. Todos los estudiantes universitarios lo hacen todo el tiempo. Piense en los resultados de su examen en un curso en el que va a tener cuatro pruebas durante el semestre. Supongamos que tienes un 85 en tu primera prueba. ¿Qué predecirías para tu segundo puntaje de prueba? ¿Qué crees que tu maestro predijo para tu siguiente puntaje de prueba? ¿Qué crees que tus amigos podrían predecir para tu siguiente puntaje de prueba? ¿Qué crees que tus padres podrían predecir para tu próximo puntaje de prueba? Todo el blabbing que usted puede hacer a sus amigos y padres, él y su profesor son muy probables esperar que usted consiga algo en el área de los 85 que usted acaba de conseguir. Bueno, ahora vamos a suponer que a pesar de su autopromoción a sus amigos, se sobrevaloran a sí mismos y la figura que puede estudiar menos para la segunda prueba y por lo que se obtiene un 73. Ahora lo que todos los interesados y despreocupado va a Anticipar que usted conseguirá en su tercer examen Hay dos acercamientos muy probables para que desarrollen una estimación sin importar si lo compartirán con usted. Pueden decir a sí mismos: "Este tipo siempre está soplando el humo de su inteligencia. Hes va a conseguir otro 73 si hes suerte. Tal vez los padres tratarán de ser más solidarios y decir: "Bueno, hasta ahora has conseguido un 85 y un 73, por lo que tal vez debería figura en obtener sobre un (85 73) / 2 79. No sé, tal vez si usted hizo menos Fiesta y werent meneando la comadreja en todo el lugar y si usted comenzó a hacer mucho más estudiando que podría obtener una puntuación más alta. quot Ambos de estos estimados son en realidad las previsiones de promedio móvil. El primero es usar sólo su puntaje más reciente para pronosticar su rendimiento futuro. Esto se denomina pronóstico de media móvil utilizando un período de datos. El segundo es también un pronóstico de media móvil, pero utilizando dos períodos de datos. Vamos a asumir que todas estas personas estallando en su gran mente tienen tipo de molesto y usted decide hacer bien en la tercera prueba por sus propias razones y poner una puntuación más alta en frente de sus quotalliesquot. Usted toma la prueba y su puntuación es en realidad un 89 Todos, incluido usted mismo, está impresionado. Así que ahora tiene la prueba final del semestre que viene y como de costumbre se siente la necesidad de incitar a todos a hacer sus predicciones acerca de cómo youll hacer en la última prueba. Bueno, espero que veas el patrón. Ahora, espero que puedas ver el patrón. ¿Cuál crees que es el silbido más preciso mientras trabajamos? Ahora volvemos a nuestra nueva compañía de limpieza iniciada por su hermana separada llamada Whistle While We Work. Usted tiene algunos datos de ventas anteriores representados en la siguiente sección de una hoja de cálculo. Primero presentamos los datos para un pronóstico de media móvil de tres periodos. La entrada para la celda C6 debe ser Ahora puede copiar esta fórmula de celda abajo a las otras celdas C7 a C11. Observe cómo el promedio se mueve sobre los datos históricos más recientes, pero utiliza exactamente los tres períodos más recientes disponibles para cada predicción. También debe notar que realmente no necesitamos hacer las predicciones para los períodos pasados con el fin de desarrollar nuestra predicción más reciente. Esto es definitivamente diferente del modelo de suavizado exponencial. He incluido las predicciones anteriores porque las usaremos en la siguiente página web para medir la validez de la predicción. Ahora quiero presentar los resultados análogos para un pronóstico de media móvil de dos periodos. La entrada para la celda C5 debe ser Ahora puede copiar esta fórmula de celda abajo a las otras celdas C6 a C11. Observe cómo ahora sólo se usan las dos más recientes piezas de datos históricos para cada predicción. Nuevamente he incluido las predicciones anteriores para fines ilustrativos y para uso posterior en la validación de pronósticos. Algunas otras cosas que son importantes de notar. Para una predicción de promedio móvil del período m sólo se usan los m valores de datos más recientes para hacer la predicción. Nada más es necesario. Para una predicción media móvil del período m, al hacer predicciones quotpast, observe que la primera predicción ocurre en el período m 1. Ambas cuestiones serán muy significativas cuando desarrollemos nuestro código. Desarrollo de la función de media móvil. Ahora necesitamos desarrollar el código para el pronóstico del promedio móvil que se puede usar con más flexibilidad. El código sigue. Observe que las entradas son para el número de períodos que desea utilizar en el pronóstico y la matriz de valores históricos. Puede guardarlo en cualquier libro que desee. Función MovingAverage (Histórica, NumberOfPeriods) Como única Declaración e inicialización de variables Dim Item como variante Dim Contador como Entero Dim Acumulación como único Dim HistoricalSize As Entero Inicialización de variables Counter 1 Acumulación 0 Determinación del tamaño del historial HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Acumulación del número apropiado de los valores observados anteriormente más recientes Acumulación Acumulación Histórica (HistoricalSize - NumberOfPeriods Counter) MovingAverage Acumulación / NumberOfPeriods El código se explicará en la clase. Usted desea colocar la función en la hoja de cálculo para que el resultado de la computación aparece donde se debe como lo siguiente. La manera misteriosa de un promedio móvil hurones la tendencia de una masa de mediciones confusas se puede ver mediante el trazado de la media móvil de 10 días a lo largo Con los pesos diarios originales, demostrados como pequeños diamantes. Los promedios móviles que usamos hasta ahora dan igual significación a todos los días en el promedio. Esto no es necesario. Si piensa en ello, no tiene mucho sentido, especialmente si está interesado en usar un promedio móvil a largo plazo para suavizar los golpes aleatorios en la tendencia. Supongamos que está utilizando una media móvil de 20 días. ¿Por qué debería su peso hace casi tres semanas ser considerado igualmente relevante para la tendencia actual como su peso esta mañana? Se han desarrollado varias formas de medias móviles ponderadas para abordar esta objeción. En lugar de simplemente sumar las mediciones para una secuencia de días y dividir por el número de días, en un promedio móvil ponderado cada medida se multiplica primero por un factor de peso que difiere de día a día. La suma final se divide, no por el número de días, sino por la suma de todos los factores de peso. Si se utilizan factores de peso mayores para los días más recientes y factores más pequeños para mediciones más atrás en el tiempo, la tendencia será más sensible a los cambios recientes sin sacrificar el suavizado que proporciona un promedio móvil. Un promedio móvil no ponderado es simplemente un promedio móvil ponderado con todos los factores de peso igual a 1. Puede utilizar cualquier factor de peso que le guste, pero un conjunto particular con el jawbreaking monicker Exponentially Smoothed Moving Average ha demostrado ser útil en aplicaciones que van desde radar de defensa aérea Al comercio del mercado de vientre de cerdo de Chicago. Vamos a ponerlo a trabajar en nuestros vientres también. Este gráfico compara los factores de peso para una media móvil movida exponencialmente de 20 días con una media móvil simple que pesa todos los días igualmente. El suavizado exponencial da a la medida de hoy dos veces la significación que el promedio simple le asignaría, la medida de ayer un poco menos que eso, y cada día sucesivo menos que su predecesor con el día 20 contribuyendo sólo 20 tanto al resultado como a una media móvil simple. Los factores de peso en una media móvil móvil suavizada exponencialmente son potencias sucesivas de un número llamado constante de suavizado. Un promedio móvil suavizado exponencialmente con una constante de suavizado de 1 es idéntico a un promedio móvil simple, ya que 1 a cualquier potencia es 1. Las constantes de suavización menores que 1 pesan los datos recientes más pesadamente, con el sesgo hacia las mediciones más recientes aumentando a medida que el suavizado La constante disminuye hacia cero. Si la constante de suavizado es superior a 1, los datos más antiguos se ponderan más intensamente que las mediciones recientes. Esta gráfica muestra los factores de peso que resultan de diferentes valores de la constante de suavizado. Observe cómo los factores de peso son todos 1 cuando la constante de suavizado es 1. Cuando la constante de suavizado está entre 0,5 y 0,9, el peso dado a los datos antiguos cae tan rápidamente comparado con mediciones más recientes que no hay necesidad de restringir la media móvil a Un número específico de días podemos hacer la media de todos los datos que tenemos, desde el principio, y dejar que los factores de peso calculados a partir de la constante de suavizado automáticamente descartar los datos antiguos, ya que se vuelve irrelevante para la tendencia actual. Exponencialmente ponderada media móvil Resumen El artículo proporciona un desarrollo sistemático de las expresiones de pronóstico para exponencial ponderado promedios móviles. Se examinan los métodos para series sin tendencias, o tendencia aditiva o multiplicativa. De manera similar, los métodos abarcan series no estacionales y estacionales con estructuras de error aditivo o multiplicativo. El documento es una versión reimpresa del informe de 1957 a la Oficina de Investigación Naval (ONR 52) y está siendo publicado aquí para proporcionar una mayor accesibilidad. Palabras clave Suavizado exponencial Pronóstico Estacionalidad local Tendencias locales Copyright copy 2004 Publicado por Elsevier B. V. Biografía: Charles C. HOLT es Profesor de Gestión Emérito en la Escuela de Posgrado de Negocios de la Universidad de Texas en Austin. Su investigación actual es sobre métodos de decisión cuantitativa, sistemas de apoyo a la toma de decisiones y pronóstico financiero. Anteriormente ha hecho investigación y enseñanza en M. I.T. Carnegie Mellon University, la London School of Economics, la Universidad de Wisconsin y el Urban Institute. Ha estado activo en aplicaciones informáticas desde 1947, y ha realizado investigaciones sobre el control automático, la simulación de sistemas económicos, la programación de la producción, el empleo y los inventarios, y la dinámica de la inflación y el desempleo. Computadoras para el control de inventario mecanizado y la planificación de la producción ha traído consigo la necesidad de pronósticos explícitos de las ventas y el uso de productos y materiales individuales. Estas previsiones deben hacerse de forma rutinaria para miles de productos, de modo que deben hacerse rápidamente y, a la vez en términos de tiempo de computación y almacenamiento de información, a bajo costo deben responder a las condiciones cambiantes. El documento presenta un método de previsión de ventas que tiene estas características deseables, y que en términos de capacidad de pronóstico se compara favorablemente con otros métodos más tradicionales. Se presentan varios modelos del sistema de pronóstico exponencial, junto con varios ejemplos de aplicación. Si experimenta problemas al descargar un archivo, compruebe si tiene la aplicación adecuada para verla primero. En caso de problemas adicionales, lea la página de ayuda de IDEAS. Tenga en cuenta que estos archivos no están en el sitio IDEAS. Por favor, sea paciente, ya que los archivos pueden ser grandes. La manera misteriosa de un promedio móvil hurones de la tendencia de una masa de mediciones confusas se puede ver mediante el trazado de la media móvil de 10 días junto con los pesos diarios originales, mostrados como pequeños diamantes. Los promedios móviles que usamos hasta ahora dan igual significación a todos los días en el promedio. Esto no es necesario. Si piensa en ello, no tiene mucho sentido, especialmente si está interesado en usar un promedio móvil a largo plazo para suavizar los golpes aleatorios en la tendencia. Supongamos que está utilizando una media móvil de 20 días. ¿Por qué debería su peso hace casi tres semanas ser considerado igualmente relevante para la tendencia actual como su peso esta mañana? Se han desarrollado varias formas de medias móviles ponderadas para abordar esta objeción. En lugar de simplemente sumar las mediciones para una secuencia de días y dividir por el número de días, en un promedio móvil ponderado cada medida se multiplica primero por un factor de peso que difiere de día a día. La suma final se divide, no por el número de días, sino por la suma de todos los factores de peso. Si se utilizan factores de peso mayores para los días más recientes y factores más pequeños para mediciones más atrás en el tiempo, la tendencia será más sensible a los cambios recientes sin sacrificar el suavizado que proporciona un promedio móvil. Un promedio móvil no ponderado es simplemente un promedio móvil ponderado con todos los factores de peso igual a 1. Puede utilizar cualquier factor de peso que le guste, pero un conjunto particular con el jawbreaking monicker Exponentially Smoothed Moving Average ha demostrado ser útil en aplicaciones que van desde radar de defensa aérea Al comercio del mercado de vientre de cerdo de Chicago. Vamos a ponerlo a trabajar en nuestros vientres también. Este gráfico compara los factores de peso para una media móvil movida exponencialmente de 20 días con una media móvil simple que pesa todos los días igualmente. El suavizado exponencial da a la medida de hoy dos veces la significación que el promedio simple le asignaría, la medida de ayer un poco menos que eso, y cada día sucesivo menos que su predecesor con el día 20 contribuyendo sólo 20 tanto al resultado como a una media móvil simple. Los factores de peso en una media móvil móvil suavizada exponencialmente son potencias sucesivas de un número llamado constante de suavizado. Un promedio móvil suavizado exponencialmente con una constante de suavizado de 1 es idéntico a un promedio móvil simple, ya que 1 a cualquier potencia es 1. Las constantes de suavización menores que 1 pesan los datos recientes más pesadamente, con el sesgo hacia las mediciones más recientes aumentando a medida que el suavizado La constante disminuye hacia cero. Si la constante de suavizado es superior a 1, los datos más antiguos se ponderan más intensamente que las mediciones recientes. Esta gráfica muestra los factores de peso que resultan de diferentes valores de la constante de suavizado. Observe cómo los factores de peso son todos 1 cuando la constante de suavizado es 1. Cuando la constante de suavizado está entre 0,5 y 0,9, el peso dado a los datos antiguos cae tan rápidamente comparado con mediciones más recientes que no hay necesidad de restringir la media móvil a Un número específico de días podemos hacer la media de todos los datos que tenemos, desde el principio, y dejar que los factores de peso calculados a partir de la constante de suavizado automáticamente descartar los datos antiguos, ya que se vuelve irrelevante para la tendencia actual.
No comments:
Post a Comment