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 esse processo por algumas vezes para obter as previsões de curto prazo necessárias. Aqui, temos os coeficientes constante e de tendência estimados por suavização exponencial. Os parâmetros de previsão, para o termo constante e para o termo de tendência podem ser definidos de forma independente. Ambos os paremeters devem estar entre 0 e 1. A previsão do valor esperado para períodos futuros é a constante mais um termo linear que depende do número de períodos no futuro. Com um termo linear como parte da previsão, esse método acompanhará as tendências nas séries temporais. Usamos os mesmos dados que os outros métodos de previsão para ilustração. Repetimos os dados abaixo. Lembre-se de que os dados simulados começam com uma média constante de 10. No tempo 11, a média aumenta com uma tendência de 1 até o tempo 20 quando a média se torna uma constante novamente com valor 20. O ruído é simulado usando uma distribuição normal com média 0 e Desvio padrão 3. Os valores são arredondados para o inteiro mais próximo. A qualquer momento T. Apenas são necessárias três informações para calcular as estimativas, e. Nós ilustramos os cálculos para o tempo 20, usando os coeficientes estimados para o tempo 19 e os dados para o tempo 20. Os parâmetros são definidos com três valores diferentes como na tabela abaixo. As estimativas do modelo para três casos são mostradas em conjunto com a média das séries temporais na figura abaixo. A figura mostra a estimativa da média em cada momento e não a previsão. A estimativa com o maior valor segue a tendência com mais precisão, mas tem mais variabilidade. A previsão com o menor valor é consideravelmente mais suave, mas nunca corrige inteiramente a tendência. Comparado com o modelo de regressão, o método de suavização exponencial nunca esquece inteiramente qualquer parte do passado. Assim, pode demorar mais para se recuperar no caso de uma perturbação na média subjacente. Isto é ilustrado na figura abaixo, onde a variância do ruído é definida como 0. Previsão com o Excel O suplemento de Previsão implementa as fórmulas de suavização exponencial dupla. O exemplo abaixo mostra a análise fornecida pelo suplemento para os dados da amostra na coluna B. Utilizamos os parâmetros do segundo caso. As primeiras 10 observações são indexadas -9 a 0. Comparadas com a tabela acima, os índices do período são deslocados em -10. As primeiras dez observações fornecem os valores de inicialização para a previsão. Os valores dos coeficientes no momento 0 são determinados pelo método de regressão linear. O restante das estimativas de coeficientes nas colunas C e D é calculado com o alisamento duplo exponencial. A coluna Fore (1) (E) mostra uma previsão para um período no futuro. Os valores de e estão nas células C3 e D3, respectivamente. O intervalo de previsão está na célula E3. Quando o intervalo de previsão é alterado para um número maior, os valores na coluna Fore são deslocados para baixo. A coluna Err (1) (F) mostra a diferença entre a observação e a previsão. O desvio padrão eo desvio médio médio (MAD) são calculados nas células F6 e F7, respectivamente.
No comments:
Post a Comment