Previsão por técnicas de suavização Este site faz parte dos objetos de aprendizado de E-Labs JavaScript para a tomada de decisões. Outro JavaScript nesta série é categorizado em diferentes áreas de aplicativos na seção MENU nesta página. Uma série de tempo é uma seqüência de observações que são ordenadas no tempo. Inerente à coleta de dados obtidos ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. As técnicas amplamente utilizadas são o alisamento. Essas técnicas, quando aplicadas corretamente, revelam mais claramente as tendências subjacentes. Digite as séries temporais em ordem de linha em sequência, a partir do canto superior esquerdo e o (s) parâmetro (s), e clique no botão Calcular para obter uma previsão em um período de antecedência. As caixas em branco não estão incluídas nos cálculos, mas os zeros são. Ao inserir seus dados para mover de célula para célula na matriz de dados, use a tecla Tab na seta ou entre as chaves. Características das séries temporais, que podem ser reveladas examinando seu gráfico. Com os valores previstos, e o comportamento residual, modelagem de previsão de condição. Médias móveis: as médias médias classificam-se entre as técnicas mais populares para o pré-processamento de séries temporais. Eles são usados para filtrar o ruído branco aleatório dos dados, para tornar as séries temporais mais suaves ou mesmo para enfatizar certos componentes informativos contidos nas séries temporais. Suavização exponencial: Este é um esquema muito popular para produzir uma série de tempo suavizada. Considerando que, nas Médias móveis, as observações passadas são ponderadas de forma igual, Suavização exponencial atribui pesos exponencialmente decrescentes à medida que a observação envelhece. Em outras palavras, as observações recentes recebem relativamente mais peso na previsão do que as observações mais antigas. O Suavizado Exponencial Duplo é melhor nas tendências de manuseio. O Suavização Exponencial Triplo é melhor em lidar com as tendências da parábola. Uma média móvel ponderada exponencialmente com uma constante de suavização a. Corresponde aproximadamente a uma média móvel simples de comprimento (isto é, período) n, onde a e n estão relacionados por: a 2 (n1) OR n (2 - a) a. Assim, por exemplo, uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,1 corresponderia aproximadamente a uma média móvel de 19 dias. E uma média móvel simples de 40 dias corresponderia aproximadamente a uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,04878. Holmes Linear Exponential Suavização: Suponha que as séries temporais não sejam sazonais, mas que mostram a tendência de exibição. O método Holts estima tanto o nível atual quanto a tendência atual. Observe que a média móvel simples é um caso especial do suavização exponencial, definindo o período da média móvel para a parte inteira de (2-Alpha) Alpha. Para a maioria dos dados empresariais, um parâmetro Alpha menor que 0.40 geralmente é eficaz. No entanto, pode-se realizar uma busca em grade do espaço dos parâmetros, com 0,1 a 0,9, com incrementos de 0,1. Então, o melhor alfa tem o menor erro absoluto médio (erro MA). Como comparar vários métodos de suavização: Embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais ampla é o uso de comparação visual de várias previsões para avaliar a precisão e escolher entre os vários métodos de previsão. Nesta abordagem, um deve traçar (usando, por exemplo, Excel) no mesmo gráfico, os valores originais de uma variável de séries temporais e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as Previsões passadas por técnicas de suavização JavaScript para obter os valores de previsão passados com base em técnicas de suavização que usam apenas um único parâmetro. Os métodos Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ideais ótimos, ou mesmo próximos, por testes e erros para os parâmetros. O alisamento exponencial único enfatiza a perspectiva de curto alcance que define o nível para a última observação e baseia-se na condição de que não haja nenhuma tendência. A regressão linear, que se adapta a uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa o longo alcance, que está condicionado à tendência básica. O alisamento exponencial linear Holts captura informações sobre a tendência recente. Os parâmetros no modelo Holts são níveis-parâmetro que devem ser diminuídos quando a quantidade de variação de dados é grande e as tendências-parâmetro devem ser aumentadas se a direção recente da tendência é suportada pelos fatores causais. Previsão de curto prazo: observe que cada JavaScript nesta página fornece uma previsão de um passo a frente. Para obter uma previsão em duas etapas. Simplesmente adicione o valor previsto ao final de seus dados da série temporal e clique no mesmo botão Calcular. Você pode repetir este processo por algumas vezes para obter as previsões de curto prazo necessárias. Métodos da Série Temporária Os métodos da série temporal são técnicas estatísticas que usam dados históricos acumulados ao longo de um período de tempo. Os métodos de séries temporais assumem que o que ocorreu no passado continuará a ocorrer no futuro. Como sugere o nome da série temporal, esses métodos relacionam a previsão com apenas um fator - tempo. Eles incluem a média móvel, suavização exponencial e linha de tendência linear e estão entre os métodos mais populares para previsão de curto alcance entre empresas de serviços e fabricação. Esses métodos assumem que os padrões ou tendências históricas identificáveis na demanda ao longo do tempo se repetirão. Média móvel Uma previsão de séries temporais pode ser tão simples como usar a demanda no período atual para prever a demanda no próximo período. Isso às vezes é chamado de previsão ingênua ou intuitiva. 4 Por exemplo, se a demanda é de 100 unidades nesta semana, a previsão para a próxima semana, a demanda é de 100 unidades, se a demanda for de 90 unidades, então a demanda de semanas a seguir é de 90 unidades, e assim por diante. Este tipo de método de previsão não leva em consideração o comportamento da demanda histórica, ele depende apenas da demanda no período atual. Ele reage diretamente aos movimentos normais e aleatórios na demanda. O método de média móvel simples usa vários valores de demanda durante o passado recente para desenvolver uma previsão. Isso tende a atenuar ou suavizar os aumentos e diminuições aleatórias de uma previsão que usa apenas um período. A média móvel simples é útil para prever a demanda que é estável e não exibe nenhum comportamento de demanda pronunciado, como uma tendência ou padrão sazonal. As médias móveis são calculadas para períodos específicos, como três meses ou cinco meses, dependendo de quanto o antecessor deseja suavizar os dados da demanda. Quanto maior o período médio móvel, mais suave será. A fórmula para calcular a média móvel simples é a Computação de uma Média Móvel Simples O Instant Paper Clip Office Supply Company vende e entrega suprimentos de escritório para empresas, escolas e agências dentro de um raio de 50 milhas de seu armazém. O negócio de suprimentos de escritório é competitivo e a capacidade de entregar ordens prontamente é um fator para obter novos clientes e manter os antigos. (Os escritórios geralmente não efetuam pedidos quando são baixos os suprimentos, mas quando eles estão completamente esgotados. Como resultado, eles precisam de suas ordens imediatamente). O gerente da empresa quer ter certeza de que drivers e veículos estão disponíveis para entregar ordens prontamente e Eles têm inventário adequado em estoque. Portanto, o gerente quer ser capaz de prever o número de pedidos que ocorrerão no próximo mês (ou seja, para prever a demanda por entregas). A partir dos registros das ordens de entrega, a administração acumulou os seguintes dados nos últimos 10 meses, dos quais pretende calcular as médias móveis de 3 e 5 meses. Vamos assumir que é o final de outubro. A previsão resultante da média móvel de 3 ou 5 meses é tipicamente para o próximo mês na seqüência, que neste caso é novembro. A média móvel é calculada a partir da demanda por pedidos para os 3 meses anteriores na seqüência de acordo com a seguinte fórmula: A média móvel de 5 meses é calculada a partir dos dados anteriores de demanda de 5 meses da seguinte forma: Os 3 e 5 meses As previsões médias móveis para todos os meses de dados da demanda são mostradas na tabela a seguir. Na verdade, apenas a previsão de novembro com base na demanda mensal mais recente seria usada pelo gerente. No entanto, as previsões anteriores para meses anteriores nos permitem comparar a previsão com a demanda real para ver quão preciso é o método de previsão - ou seja, o quão bem ele faz. Médias de três e cinco meses Ambas as previsões da média móvel na tabela acima tendem a suavizar a variabilidade que ocorre nos dados reais. Este efeito de suavização pode ser observado na figura a seguir em que as médias de 3 meses e 5 meses foram sobrepostas a um gráfico dos dados originais: a média móvel de 5 meses na figura anterior suaviza as flutuações em maior medida do que A média móvel de 3 meses. No entanto, a média de 3 meses reflete melhor os dados mais recentes disponíveis para o gerente de suprimentos de escritório. Em geral, as previsões que usam a média móvel de longo prazo são mais lentas para reagir às mudanças recentes na demanda do que as feitas com médias móveis de menor período. Os períodos extras de dados amortecem a velocidade com que a previsão responde. Estabelecer o número apropriado de períodos para usar em uma previsão média móvel geralmente requer alguma quantidade de experimentação de tentativa e erro. A desvantagem do método da média móvel é que ele não reage às variações que ocorrem por uma razão, como ciclos e efeitos sazonais. Os fatores que causam alterações são geralmente ignorados. É basicamente um método mecânico, que reflete os dados históricos de forma consistente. No entanto, o método da média móvel tem a vantagem de ser fácil de usar, rápido e relativamente barato. Em geral, esse método pode fornecer uma boa previsão para o curto prazo, mas não deve ser empurrado para o futuro. Média Variável Ponderada O método da média móvel pode ser ajustado para refletir mais adequadamente as flutuações nos dados. No método da média móvel ponderada, os pesos são atribuídos aos dados mais recentes de acordo com a seguinte fórmula: Os dados de demanda para PM Computer Services (mostrado na tabela para o Exemplo 10.3) parecem seguir uma tendência linear crescente. A empresa quer calcular uma linha de tendência linear para ver se ela é mais precisa do que o suavização exponencial e as previsões de alívio exponencial ajustadas desenvolvidas nos Exemplos 10.3 e 10.4. Os valores necessários para os cálculos de mínimos quadrados são os seguintes: usando esses valores, os parâmetros para a linha de tendência linear são calculados da seguinte forma: Portanto, a equação linear da linha de tendência é Para calcular uma previsão para o período 13, vamos x 13 na linear Linha de tendência: o gráfico a seguir mostra a linha de tendência linear em comparação com os dados reais. A linha de tendência parece refletir de perto os dados reais - isto é, para ser um bom ajuste - e, portanto, seria um bom modelo de previsão para esse problema. No entanto, uma desvantagem da linha de tendência linear é que ela não se ajustará a uma mudança na tendência, pois os métodos de previsão de suavização exponencial serão, é assumido que todas as previsões futuras seguirão uma linha reta. Isso limita o uso desse método para um período de tempo mais curto em que você pode estar relativamente certo de que a tendência não mudará. Ajustes sazonais Um padrão sazonal é um aumento repetitivo e diminuição da demanda. Muitos itens de demanda exibem comportamento sazonal. As vendas de roupas seguem padrões sazonais anuais, com demanda de roupas quentes aumentando no outono e no inverno e diminuindo na primavera e no verão, à medida que a demanda por roupas mais frescas aumenta. A demanda por muitos itens de varejo, incluindo brinquedos, equipamentos esportivos, roupas, eletroeletrônicos, presuntos, perus, vinho e frutas, aumentam durante a temporada de férias. A demanda do cartão de felicitações aumenta em conjunto com dias especiais, como Dia dos Namorados e Dia das Mães. Padrões sazonais também podem ocorrer de forma mensal, semanal ou mesmo diária. Alguns restaurantes têm maior demanda na noite do que no almoço ou nos fins de semana, em oposição aos dias da semana. O tráfego - daí as vendas - nos shoppings começa na sexta e sábado. Existem vários métodos para refletir padrões sazonais em uma previsão de séries temporais. Descreveremos um dos métodos mais simples usando um fator sazonal. Um fator sazonal é um valor numérico que é multiplicado pela previsão normal para obter uma previsão ajustada sazonalmente. Um método para desenvolver uma demanda por fatores sazonais é dividir a demanda por cada período sazonal pela demanda anual total, de acordo com a seguinte fórmula: Os fatores sazonais resultantes entre 0 e 1,0 são, de fato, a parcela da demanda anual total atribuída a Cada estação. Esses fatores sazonais são multiplicados pela demanda prevista anual para produzir previsões ajustadas para cada estação. Computação de uma previsão com ajustes sazonais O Wishbone Farms cresce perus para vender a uma empresa de processamento de carne ao longo do ano. No entanto, sua época alta é, obviamente, durante o quarto trimestre do ano, de outubro a dezembro. A Wishbone Farms experimentou a demanda por perus nos últimos três anos, mostrada na tabela a seguir: por ter três anos de dados da demanda, podemos calcular os fatores sazonais dividindo a demanda trimestral total por três anos pela demanda total em todos os três anos : Em seguida, queremos multiplicar a demanda prevista para o próximo ano, 2000, por cada um dos fatores sazonais para obter a demanda prevista para cada trimestre. Para realizar isso, precisamos de uma previsão de demanda para 2000. Nesse caso, uma vez que os dados de demanda na tabela parecem exibir uma tendência geralmente crescente, calculamos uma linha de tendência linear para os três anos de dados na tabela para obter um impacto Estimativa de previsão: assim, a previsão para 2000 é 58.17, ou 58.170 perus. Com esta previsão anual da demanda, as previsões corrigidas sazonalmente, SF i, para 2000, estão comparando essas previsões trimestrais com os valores reais da demanda na tabela, eles pareceriam relativamente boas estimativas de previsão, refletindo as variações sazonais nos dados e A tendência geral para cima. 10-12. Como é o método da média móvel semelhante ao suavização exponencial 10-13. O efeito sobre o modelo de suavização exponencial aumentará a constante de suavização de 10 a 14. Como o alinhamento exponencial ajustado difere do alisamento exponencial 10-15. O que determina a escolha da constante de suavização para a tendência em um modelo de suavização exponencial ajustado 10-16. Nos exemplos de capítulo para métodos de séries temporais, a previsão inicial foi sempre assumida como a mesma que a demanda real no primeiro período. Sugira outras maneiras de que a previsão inicial possa ser derivada no uso real. 10-17. Como o modelo de previsão da linha de tendência linear difere de um modelo de regressão linear para a previsão de 10-18. Dos modelos de séries temporais apresentados neste capítulo, incluindo a média móvel e média móvel ponderada, suavização exponencial e alisamento exponencial ajustado, e linha de tendência linear, qual você considera o melhor Porquê 10-19. Quais vantagens o alinhamento exponencial ajustado tem sobre uma linha de tendência linear para a demanda prevista que exibe uma tendência 4 K. B. Kahn e J. T. Mentzer, Previsão em Mercados de Consumidores e Industriais, The Journal of Business Forecasting 14, no. 2 (verão de 1995): 21-28.
No comments:
Post a Comment