Suavização Exponencial Explicada. Cópia Copyright. O conteúdo do InventoryOps é protegido por direitos de autor e não está disponível para republicação. Quando as pessoas primeiro encontro o termo suavização exponencial podem pensar que soa como um inferno de um lote de suavização. Seja qual for a suavização. Eles então começam a imaginar um cálculo matemático complicado que provavelmente requer um grau em matemática para entender, e espero que haja uma função embutida do Excel disponível se eles precisam fazer isso. A realidade da suavização exponencial é muito menos dramática e muito menos traumática. A verdade é, suavização exponencial é um cálculo muito simples que realiza uma tarefa bastante simples. Ele só tem um nome complicado porque o que tecnicamente acontece como resultado deste cálculo simples é realmente um pouco complicado. Para entender a suavização exponencial, ajuda a começar com o conceito geral de alisamento e um par de outros métodos comuns usados para obter suavização. O que é suavização A suavização é um processo estatístico muito comum. De fato, nós encontramos regularmente dados alisados em várias formas em nossas vidas do dia-a-dia. Toda vez que você usar uma média para descrever algo, você está usando um número suavizado. Se você pensar sobre porque você usa uma média para descrever algo, você compreenderá rapidamente o conceito do alisamento. Por exemplo, nós apenas experimentamos o inverno mais quente no registro. Como somos capazes de quantificar este Bem, começamos com conjuntos de dados das temperaturas altas e baixas diárias para o período que chamamos de Inverno para cada ano na história registrada. Mas isso nos deixa com um monte de números que saltam um pouco (não é como todos os dias este inverno foi mais quente do que os dias correspondentes de todos os anos anteriores). Precisamos de um número que elimine tudo isso pulando em torno dos dados para que possamos mais facilmente comparar um inverno para o próximo. Removendo o salto em torno dos dados é chamado de suavização, e neste caso, podemos apenas usar uma média simples para realizar a suavização. Na previsão de demanda, usamos suavização para remover a variação aleatória (ruído) de nossa demanda histórica. Isso nos permite identificar melhor os padrões de demanda (principalmente tendência e sazonalidade) e os níveis de demanda que podem ser usados para estimar a demanda futura. O ruído na demanda é o mesmo conceito que o saltar diário dos dados da temperatura. Não é de surpreender que a forma mais comum de as pessoas removerem o ruído da história de demanda seja usar uma média simples ou mais especificamente uma média móvel. Uma média móvel apenas usa um número predefinido de períodos para calcular a média, e esses períodos se movem com o passar do tempo. Por exemplo, se eu estou usando uma média móvel de 4 meses, e hoje é 01 de maio, estou usando uma média de demanda que ocorreu em janeiro, fevereiro, março e abril. No dia 1º de junho, estarei usando a demanda de fevereiro, março, abril e maio. Média móvel ponderada. Ao usar uma média, estamos aplicando a mesma importância (peso) a cada valor no conjunto de dados. Na média móvel de 4 meses, cada mês representava 25 da média móvel. Ao usar o histórico de demanda para projetar a demanda futura (e especialmente a tendência futura), é lógico chegar à conclusão de que você gostaria que a história mais recente tivesse um impacto maior em sua previsão. Podemos adaptar nosso cálculo de média móvel para aplicar vários pesos a cada período para obter os resultados desejados. Nós expressamos esses pesos como porcentagens eo total de todos os pesos para todos os períodos deve somar 100. Portanto, se decidimos que queremos aplicar 35 como o peso para o período mais próximo em nossa média móvel ponderada de 4 meses, podemos Subtrair 35 de 100 para encontrar temos 65 restantes para dividir sobre os outros 3 períodos. Por exemplo, podemos terminar com uma ponderação de 15, 20, 30 e 35, respectivamente, para os 4 meses (15 20 30 35 100). Suavização exponencial. Se voltarmos ao conceito de aplicar um peso ao período mais recente (como 35 no exemplo anterior) e espalhar o peso restante (calculado subtraindo o peso do período mais recente de 35 de 100 para obter 65), temos Os blocos de construção básicos para o nosso cálculo de suavização exponencial. A entrada de controle do cálculo de suavização exponencial é conhecida como o fator de suavização (também chamado de constante de suavização). Representa essencialmente a ponderação aplicada aos períodos mais recentes de procura. Então, onde usamos 35 como ponderação para o período mais recente no cálculo da média móvel ponderada, também poderíamos escolher usar 35 como o fator de suavização em nosso cálculo de suavização exponencial para obter um efeito semelhante. A diferença com o cálculo de suavização exponencial é que, em vez de termos que calcular também quanto peso aplicar a cada período anterior, o fator de suavização é usado para fazer isso automaticamente. Então aqui vem a parte exponencial. Se usarmos 35 como o fator de alisamento, a ponderação dos períodos mais recentes exigirá 35. A ponderação dos próximos períodos mais recentes demanda (o período antes do mais recente) será 65 de 35 (65 vem de subtrair 35 de 100). Isso equivale a 22,75 ponderação para esse período, se você fizer a matemática. Os próximos períodos mais recentes demanda será de 65 de 65 de 35, o que equivale a 14,79. O período antes disso será ponderado como 65 de 65 de 65 de 35, o que equivale a 9,61, e assim por diante. E isso vai de volta através de todos os seus períodos anteriores todo o caminho de volta para o início do tempo (ou o ponto em que você começou a usar suavização exponencial para esse item específico). Você provavelmente está pensando que está olhando como um monte de matemática. Mas a beleza do cálculo de suavização exponencial é que, ao invés de ter que recalcular cada período anterior cada vez que você recebe uma nova demanda de períodos, basta usar a saída do cálculo de suavização exponencial do período anterior para representar todos os períodos anteriores. Você está confuso ainda Isso fará mais sentido quando olharmos para o cálculo real Normalmente nos referimos à saída do cálculo de suavização exponencial como a próxima previsão de período. Na realidade, a previsão final precisa de um pouco mais de trabalho, mas para os propósitos deste cálculo específico, nós nos referiremos a ele como a previsão. O cálculo de suavização exponencial é o seguinte: Os períodos mais recentes demandam multiplicado pelo fator de suavização. PLUS Previsão dos períodos mais recentes multiplicada por (um menos o factor de suavização). D os períodos mais recentes exigem S o fator de suavização representado em forma decimal (então 35 seria representado como 0,35). F os períodos mais recentes previstos (a saída do cálculo de suavização do período anterior). OR (assumindo um fator de suavização de 0,35) (D 0,35) (F 0,65) Não é muito mais simples do que isso. Como você pode ver, tudo o que precisamos para entradas de dados aqui são os períodos mais recentes de demanda e os períodos mais recentes previstos. Aplicamos o fator de suavização (ponderação) aos períodos mais recentes exigir da mesma forma que faria no cálculo da média móvel ponderada. Aplicamos então a ponderação restante (1 menos o factor de alisamento) aos períodos mais recentes previstos. Uma vez que a previsão de períodos mais recente foi criada com base na demanda de períodos anteriores e nos períodos anteriores, que se baseou na demanda do período anterior e na previsão para o período anterior, baseada na demanda do período anterior E a previsão para o período anterior, que se baseou no período anterior. Bem, você pode ver como todos os períodos anteriores demanda são representados no cálculo sem realmente voltar e recalcular qualquer coisa. E isso é o que levou a popularidade inicial de suavização exponencial. Não era porque fêz um trabalho melhor de suavização do que a média móvel ponderada, era porque era mais fácil de calcular em um programa de computador. E, porque você não precisa pensar sobre o que ponderar para dar períodos anteriores ou quantos períodos anteriores para usar, como você faria na média móvel ponderada. E, porque soava mais frio do que a média móvel ponderada. Na verdade, pode-se argumentar que a média móvel ponderada proporciona maior flexibilidade, uma vez que você tem mais controle sobre a ponderação dos períodos anteriores. A realidade é que qualquer um destes pode fornecer resultados respeitáveis, então por que não ir com soar mais fácil e mais fresco. Suavização exponencial no Excel Permite ver como isso seria realmente olhar em uma planilha com dados reais. Cópia Copyright. O conteúdo do InventoryOps é protegido por direitos de autor e não está disponível para republicação. Na Figura 1A, temos uma planilha Excel com 11 semanas de demanda, e uma previsão exponencial suavizada calculada a partir dessa demanda. Eu usei um fator de suavização de 25 (0,25 na célula C1). A célula ativa atual é Cell M4 que contém a previsão para semana 12. Você pode ver na barra de fórmula, a fórmula é (L3C1) (L4 (1-C1)). Portanto, as únicas entradas diretas a esse cálculo são a demanda de períodos anteriores (célula L3), os períodos prévios previstos (célula L4) e o fator de suavização (célula C1, mostrada como referência de célula absoluta C1). Quando começamos um cálculo de suavização exponencial, precisamos conectar manualmente o valor da 1ª previsão. Assim, na célula B4, em vez de uma fórmula, acabamos de digitar a demanda a partir do mesmo período que a previsão. Na Célula C4 temos o nosso primeiro cálculo exponencial de suavização (B3C1) (B4 (1-C1)). Podemos então copiar Célula C4 e colá-lo em Células D4 através de M4 para preencher o resto de nossas células de previsão. Agora você pode clicar duas vezes em qualquer célula de previsão para ver se é baseado na célula de previsão de períodos anteriores e na célula de demanda de períodos anteriores. Assim, cada subsequente cálculo de suavização exponencial herda a saída do cálculo de suavização exponencial anterior. É assim que cada demanda de períodos anteriores é representada no cálculo dos períodos mais recentes, mesmo que esse cálculo não faça referência direta a esses períodos anteriores. Se você quiser obter fantasia, você pode usar Excels trace antecedentes função. Para fazer isso, clique em Célula M4 e, em seguida, na barra de ferramentas da faixa de opções (Excel 2007 ou 2010), clique na guia Fórmulas e, em seguida, clique em Rastrear precedentes. Ele irá desenhar linhas de conector para o primeiro nível de precedentes, mas se você continuar clicando em Trace Precedents, desenhará linhas de conector para todos os períodos anteriores para mostrar os relacionamentos herdados. Agora vamos ver o que suavização exponencial fez por nós. A Figura 1B mostra um gráfico linear de nossa demanda e previsão. Você pode ver como a previsão exageradamente suavizada remove a maior parte do jaggedness (saltando ao redor) da demanda semanal, mas ainda consegue seguir o que parece ser uma tendência ascendente na demanda. Você também notará que a linha de previsão suavizada tende a ser menor do que a linha de demanda. Isso é conhecido como atraso de tendência e é um efeito colateral do processo de alisamento. Toda vez que você usar suavização quando uma tendência está presente sua previsão ficará atrás da tendência. Isto é verdade para qualquer técnica de suavização. De fato, se continuássemos esta planilha e começássemos a inserir números de demanda mais baixos (fazendo uma tendência descendente), veríamos a queda da linha de demanda ea linha de tendência se mover acima dela antes de começar a seguir a tendência descendente. É por isso que eu mencionei anteriormente a saída do cálculo exponencial suavização que chamamos de uma previsão, ainda precisa de algum trabalho mais. Há muito mais a previsão do que apenas alisar as colisões na demanda. Precisamos fazer ajustes adicionais para coisas como defasagem de tendência, sazonalidade, eventos conhecidos que podem afetar a demanda, etc. Mas tudo isso está além do escopo deste artigo. Provavelmente, você também corre em termos como suavização exponencial dupla e suavização tripla exponencial. Esses termos são um pouco enganador, uma vez que você não está re-suavização da demanda várias vezes (você poderia se você quiser, mas isso não é o ponto aqui). Estes termos representam o uso de suavização exponencial em elementos adicionais da previsão. Assim, com a suavização exponencial simples, você está suavizando a demanda básica, mas com a suavização exponencial dupla você está suavizando a demanda base mais a tendência e com a suavização exponencial tripla você está suavizando a demanda base mais a tendência mais a sazonalidade. A outra pergunta mais comumente questionada sobre a suavização exponencial é onde faço para obter o meu fator de suavização Não há nenhuma resposta mágica aqui, você precisa testar vários fatores de suavização com seus dados de demanda para ver o que você recebe os melhores resultados. Existem cálculos que podem definir automaticamente (e alterar) o fator de suavização. Estes se enquadram no termo alisamento adaptativo, mas você precisa ter cuidado com eles. Simplesmente não há uma resposta perfeita e você não deve aplicar cegamente qualquer cálculo sem testes minuciosos e desenvolver uma compreensão completa do que esse cálculo faz. Você também deve executar cenários de ocorrência para ver como esses cálculos reagem às mudanças de demanda que talvez não existam atualmente nos dados de demanda que você está usando para testes. O exemplo de dados que eu usei anteriormente é um bom exemplo de uma situação em que você realmente precisa testar alguns outros cenários. Esse exemplo de dados particulares mostra uma tendência ascendente um tanto consistente. Muitas grandes empresas com software de previsão muito caro entrou em grande problema no passado não tão distante quando suas configurações de software que foram ajustadas para uma economia em crescimento não reagiram bem quando a economia começou a estagnar ou encolher. Coisas como esta acontecem quando você não entende o que seus cálculos (software) está realmente fazendo. Se eles entendessem seu sistema de previsão, eles teriam sabido que precisavam pular e mudar algo quando havia mudanças súbitas e dramáticas em seus negócios. Então, você tem o básico de suavização exponencial explicado. Quer saber mais sobre o uso de suavização exponencial em uma previsão real, confira o meu livro Inventory Management Explained. Cópia Copyright. O conteúdo do InventoryOps é protegido por direitos de autor e não está disponível para republicação. Dave Piasecki. É owneroperator de Inventário Operations Consulting LLC. Uma empresa de consultoria que presta serviços relacionados à gestão de inventário, manuseio de materiais e operações de armazém. Possui mais de 25 anos de experiência em gestão de operações e pode ser alcançado através de seu website (inventoryops), onde mantém informações adicionais relevantes. My BusinessFORECASTING Fator Sazonal - a porcentagem da demanda média trimestral que ocorre em cada trimestre. Previsão anual para o ano 4 é de 400 unidades. A previsão média por trimestre é de 4004 100 unidades. Previsão Trimestral Previsão do fator sazonal. MÉTODOS DE PREVIDÊNCIA CAUSAL métodos de previsão causal são baseados em uma relação conhecida ou percebida entre o fator a ser previsto e outros fatores externos ou internos 1. regressão: equação matemática relaciona uma variável dependente com uma ou mais variáveis independentes que se acredita que influenciam a variável dependente 3. modelos econométricos: sistema de equações de regressão interdependentes que descrevem algum setor da atividade econômica. 3. modelos de insumo-produto: descreve os fluxos de um setor da economia para outro, e assim prevê os insumos necessários para produzir resultados em outro setor. Modelagem de simulação MEDIÇÃO DE ERROS DE PREVISÃO Há dois aspectos dos erros de previsão a se preocupar - Bias e precisão Bias - Uma previsão é tendenciosa se errar mais em uma direção do que na outra - O método tende a sub-previsões ou sobre-previsões. Precisão - Previsão de precisão refere-se à distância das previsões de demanda real ignorar a direção desse erro. Exemplo: Para seis períodos, as projeções ea demanda real foram monitoradas. A tabela a seguir apresenta a demanda real Dt ea demanda prevista Ft para seis períodos: soma cumulativa de erros de previsão (CFE) -20 desvio absoluto médio (MAD) 170 6 28,33 média quadrada Erro (MPE) 5150 6 858,33 desvio padrão dos erros de previsão 5150 6 29,30 erro médio absoluto de porcentagem (MAPE) 83,4 6 13,9 Que informação cada previsão tem tendência a superestimar o erro médio de demanda por previsão foi de 28,33 unidades, ou 13,9 de A distribuição de amostragem de demanda real dos erros de previsão tem desvio padrão de 29,3 unidades. CRITÉRIOS PARA A SELECÇÃO DE UM MÉTODO DE PREVISÃO Objectivos: 1. Maximizar a Precisão e 2. Minimizar as Regras Potenciais de Bias para seleccionar um método de previsão de séries temporais. Selecione o método que dá o menor viés, medido pelo erro de previsão cumulativo (CFE) ou dá o menor desvio absoluto médio (MAD) ou dá o menor sinal de rastreamento ou suporta gerências crenças sobre o padrão subjacente da demanda ou outros. Parece óbvio que alguma medida de exatidão e viés deve ser usada em conjunto. Como e quanto ao número de períodos a serem amostrados se a demanda for inerentemente estável, sugere-se valores baixos de e e valores mais elevados de N se a demanda for inerentemente instável, valores altos e menores de N são sugeridos PRÉVIA DE FOCO quotfocus forecastingquot refere-se a Uma abordagem para a previsão que desenvolve as previsões por várias técnicas, em seguida, escolhe a previsão que foi produzido pelo quotbestquot destas técnicas, onde quotbestquot é determinado por alguma medida de erro de previsão. FOCO DE PREVISÃO: EXEMPLO Para os primeiros seis meses do ano, a demanda por um item de varejo foi de 15, 14, 15, 17, 19 e 18 unidades. Um varejista usa um sistema de previsão de foco baseado em duas técnicas de previsão: uma média móvel de dois períodos e um modelo de suavização exponencial ajustado à tendência com 0,1 e 0,1. Com o modelo exponencial, a previsão para janeiro foi de 15 ea média de tendência no final de dezembro foi de 1. O varejista usa o desvio absoluto médio (MAD) nos últimos três meses como critério para escolher qual modelo será usado para prever Para o próximo mês. uma. Qual será a previsão para julho e qual modelo será usado b. Você responderia à Parte a. Ser diferente se a demanda para maio tivesse sido 14 em vez de 19Moving média e modelos de suavização exponencial Como um primeiro passo para ir além de modelos de média, modelos randômicos aleatórios e tendências lineares, padrões não-sazonais e tendências podem ser extrapolados usando uma média móvel ou Modelo de suavização. A suposição básica por trás dos modelos de média e suavização é que a série temporal é estacionária localmente com uma média lentamente variável. Assim, tomamos uma média móvel (local) para estimar o valor atual da média e, em seguida, usá-lo como a previsão para o futuro próximo. Isto pode ser considerado como um compromisso entre o modelo médio eo modelo randômico-sem-deriva. A mesma estratégia pode ser usada para estimar e extrapolar uma tendência local. Uma média móvel é chamada frequentemente uma versão quotsmoothedquot da série original porque a média de curto prazo tem o efeito de alisar para fora os solavancos na série original. Ajustando o grau de suavização (a largura da média móvel), podemos esperar encontrar algum tipo de equilíbrio ótimo entre o desempenho dos modelos de caminhada média e aleatória. O tipo mais simples de modelo de média é o. Média Móvel Simples (igualmente ponderada): A previsão para o valor de Y no tempo t1 que é feita no tempo t é igual à média simples das observações m mais recentes: (Aqui e em outro lugar usarei o símbolo 8220Y-hat8221 para ficar Para uma previsão da série de tempo Y feita o mais cedo possível antes de um determinado modelo). Esta média é centrada no período t (m1) 2, o que implica que a estimativa da média local tende a ficar aquém do verdadeiro Valor da média local em cerca de (m1) 2 períodos. Dessa forma, dizemos que a idade média dos dados na média móvel simples é (m1) 2 em relação ao período para o qual a previsão é calculada: é a quantidade de tempo que as previsões tendem a ficar atrás de pontos de viragem nos dados . Por exemplo, se você estiver calculando a média dos últimos 5 valores, as previsões serão cerca de 3 períodos atrasados em responder a pontos de viragem. Observe que se m1, o modelo de média móvel simples (SMA) é equivalente ao modelo de caminhada aleatória (sem crescimento). Se m é muito grande (comparável ao comprimento do período de estimação), o modelo SMA é equivalente ao modelo médio. Como com qualquer parâmetro de um modelo de previsão, é costume ajustar o valor de k para obter o melhor quotfitquot aos dados, isto é, os erros de previsão mais baixos em média. Aqui está um exemplo de uma série que parece apresentar flutuações aleatórias em torno de uma média de variação lenta. Primeiro, vamos tentar encaixá-lo com um modelo de caminhada aleatória, o que equivale a uma média móvel simples de um termo: O modelo de caminhada aleatória responde muito rapidamente às mudanças na série, mas ao fazê-lo ele escolhe grande parte do quotnoise no Dados (as flutuações aleatórias), bem como o quotsignalquot (a média local). Se preferirmos tentar uma média móvel simples de 5 termos, obtemos um conjunto de previsões mais suaves: a média móvel simples de 5 períodos produz erros significativamente menores do que o modelo de caminhada aleatória neste caso. A idade média dos dados nessa previsão é 3 ((51) 2), de modo que ela tende a ficar atrás de pontos de viragem em cerca de três períodos. (Por exemplo, uma desaceleração parece ter ocorrido no período 21, mas as previsões não virar até vários períodos mais tarde.) Observe que as previsões de longo prazo do modelo SMA são uma linha reta horizontal, assim como na caminhada aleatória modelo. Assim, o modelo SMA assume que não há tendência nos dados. No entanto, enquanto as previsões a partir do modelo de caminhada aleatória são simplesmente iguais ao último valor observado, as previsões do modelo SMA são iguais a uma média ponderada de valores recentes. Os limites de confiança calculados pela Statgraphics para as previsões de longo prazo da média móvel simples não se alargam à medida que o horizonte de previsão aumenta. Isto obviamente não é correto Infelizmente, não há uma teoria estatística subjacente que nos diga como os intervalos de confiança devem se ampliar para este modelo. No entanto, não é muito difícil calcular estimativas empíricas dos limites de confiança para as previsões de longo prazo. Por exemplo, você poderia configurar uma planilha na qual o modelo SMA seria usado para prever 2 passos à frente, 3 passos à frente, etc. dentro da amostra de dados históricos. Você poderia então calcular os desvios padrão da amostra dos erros em cada horizonte de previsão e então construir intervalos de confiança para previsões de longo prazo adicionando e subtraindo múltiplos do desvio padrão apropriado. Se tentarmos uma média móvel simples de 9 termos, obteremos previsões ainda mais suaves e mais de um efeito retardado: A idade média é agora de 5 períodos ((91) 2). Se tomarmos uma média móvel de 19 períodos, a idade média aumenta para 10: Observe que, de fato, as previsões estão ficando atrás de pontos de inflexão por cerca de 10 períodos. A quantidade de suavização é melhor para esta série Aqui está uma tabela que compara suas estatísticas de erro, incluindo também uma média de 3-termo: Modelo C, a média móvel de 5-termo, rende o menor valor de RMSE por uma pequena margem sobre o 3 E médias de 9-termo, e suas outras estatísticas são quase idênticas. Assim, entre modelos com estatísticas de erro muito semelhantes, podemos escolher se preferiríamos um pouco mais de resposta ou um pouco mais de suavidade nas previsões. O modelo de média móvel simples descrito acima tem a propriedade indesejável de tratar as últimas k observações de forma igual e ignora completamente todas as observações anteriores. (Voltar ao início da página.) Browns Simple Exponential Smoothing (média ponderada exponencialmente ponderada) Intuitivamente, os dados passados devem ser descontados de forma mais gradual - por exemplo, a observação mais recente deve ter um pouco mais de peso que a segunda mais recente, ea segunda mais recente deve ter um pouco mais de peso do que a 3ª mais recente, e em breve. O modelo de suavização exponencial simples (SES) realiza isso. Vamos 945 denotar uma constante quotsmoothingquot (um número entre 0 e 1). Uma maneira de escrever o modelo é definir uma série L que represente o nível atual (isto é, o valor médio local) da série, conforme estimado a partir dos dados até o presente. O valor de L no tempo t é calculado recursivamente a partir de seu próprio valor anterior como este: Assim, o valor suavizado atual é uma interpolação entre o valor suavizado anterior e a observação atual, onde 945 controla a proximidade do valor interpolado para o mais recente observação. A previsão para o próximo período é simplesmente o valor suavizado atual: Equivalentemente, podemos expressar a próxima previsão diretamente em termos de previsões anteriores e observações anteriores, em qualquer uma das seguintes versões equivalentes. Na primeira versão, a previsão é uma interpolação entre previsão anterior e observação anterior: Na segunda versão, a próxima previsão é obtida ajustando a previsão anterior na direção do erro anterior por uma fração 945. é o erro feito em Tempo t. Na terceira versão, a previsão é uma média móvel exponencialmente ponderada (ou seja, descontada) com o fator de desconto 1- 945: A versão de interpolação da fórmula de previsão é a mais simples de usar se você estiver implementando o modelo em uma planilha: ela se encaixa em um Célula única e contém referências de células que apontam para a previsão anterior, a observação anterior ea célula onde o valor de 945 é armazenado. Observe que se 945 1, o modelo SES é equivalente a um modelo de caminhada aleatória (sem crescimento). Se 945 0, o modelo SES é equivalente ao modelo médio, assumindo que o primeiro valor suavizado é definido igual à média. A idade média dos dados na previsão de suavização exponencial simples é de 1 945 em relação ao período para o qual a previsão é calculada. (Isso não é suposto ser óbvio, mas pode ser facilmente demonstrado pela avaliação de uma série infinita.) Portanto, a previsão média móvel simples tende a ficar para trás de pontos de viragem em cerca de 1 945 períodos. Por exemplo, quando 945 0,5 o atraso é 2 períodos quando 945 0,2 o atraso é de 5 períodos quando 945 0,1 o atraso é de 10 períodos, e assim por diante. Para uma determinada idade média (isto é, a quantidade de atraso), a previsão de suavização exponencial simples (SES) é um pouco superior à previsão de média móvel simples (SMA) porque coloca relativamente mais peso na observação mais recente - i. e. É ligeiramente mais quotresponsivequot às mudanças que ocorrem no passado recente. Por exemplo, um modelo SMA com 9 termos e um modelo SES com 945 0,2 têm uma idade média de 5 para os dados nas suas previsões, mas o modelo SES coloca mais peso nos últimos 3 valores do que o modelo SMA e no modelo SMA. Uma outra vantagem importante do modelo SES sobre o modelo SMA é que o modelo SES usa um parâmetro de suavização que é continuamente variável, de modo que pode ser otimizado com facilidade Usando um algoritmo quotsolverquot para minimizar o erro quadrático médio. O valor óptimo de 945 no modelo SES para esta série revela-se 0.2961, como mostrado aqui: A idade média dos dados nesta previsão é 10.2961 3.4 períodos, que é semelhante ao de uma média móvel simples de 6-termo. As previsões a longo prazo do modelo SES são uma linha reta horizontal. Como no modelo SMA e no modelo randômico sem crescimento. No entanto, note que os intervalos de confiança calculados por Statgraphics agora divergem de uma forma razoável, e que eles são substancialmente mais estreitos do que os intervalos de confiança para o modelo de caminhada aleatória. O modelo SES assume que a série é um tanto quotmore previsível do que o modelo de caminhada aleatória. Um modelo SES é realmente um caso especial de um modelo ARIMA. Assim a teoria estatística dos modelos ARIMA fornece uma base sólida para o cálculo de intervalos de confiança para o modelo SES. Em particular, um modelo SES é um modelo ARIMA com uma diferença não sazonal, um termo MA (1) e nenhum termo constante. Também conhecido como um modelo quotARIMA (0,1,1) sem constantequot. O coeficiente MA (1) no modelo ARIMA corresponde à quantidade 1-945 no modelo SES. Por exemplo, se você ajustar um modelo ARIMA (0,1,1) sem constante para a série aqui analisada, o coeficiente MA estimado (1) resulta ser 0,7029, que é quase exatamente um menos 0,2961. É possível adicionar a hipótese de uma tendência linear constante não-zero para um modelo SES. Para fazer isso, basta especificar um modelo ARIMA com uma diferença não sazonal e um termo MA (1) com uma constante, ou seja, um modelo ARIMA (0,1,1) com constante. As previsões a longo prazo terão então uma tendência que é igual à tendência média observada durante todo o período de estimação. Você não pode fazer isso em conjunto com o ajuste sazonal, porque as opções de ajuste sazonal são desativadas quando o tipo de modelo é definido como ARIMA. No entanto, você pode adicionar uma tendência exponencial de longo prazo constante a um modelo de suavização exponencial simples (com ou sem ajuste sazonal) usando a opção de ajuste de inflação no procedimento de Previsão. A taxa adequada de inflação (crescimento percentual) por período pode ser estimada como o coeficiente de declive num modelo de tendência linear ajustado aos dados em conjunto com uma transformação de logaritmo natural, ou pode basear-se em outra informação independente sobre as perspectivas de crescimento a longo prazo . (Voltar ao início da página.) Browns Linear (ie duplo) Suavização exponencial Os modelos SMA e SES assumem que não há tendência de qualquer tipo nos dados (o que normalmente é OK ou pelo menos não muito ruim para 1- Antecipadamente quando os dados são relativamente ruidosos), e podem ser modificados para incorporar uma tendência linear constante como mostrado acima. O que acontece com as tendências de curto prazo Se uma série exibir uma taxa de crescimento variável ou um padrão cíclico que se destaque claramente contra o ruído, e se houver uma necessidade de prever mais de um período à frente, a estimativa de uma tendência local também pode ser um problema. O modelo de suavização exponencial simples pode ser generalizado para obter um modelo linear de suavização exponencial (LES) que calcula as estimativas locais de nível e tendência. O modelo de tendência de variação de tempo mais simples é o modelo de alisamento exponencial linear de Browns, que usa duas séries suavizadas diferentes que são centradas em diferentes pontos do tempo. A fórmula de previsão é baseada em uma extrapolação de uma linha através dos dois centros. (Uma versão mais sofisticada deste modelo, Holt8217s, é discutida abaixo.) A forma algébrica do modelo de suavização exponencial linear de Brown8217s, como a do modelo de suavização exponencial simples, pode ser expressa em um número de formas diferentes mas equivalentes. A forma quotstandard deste modelo é usualmente expressa da seguinte maneira: Seja S a série de suavização simples obtida aplicando-se a suavização exponencial simples à série Y. Ou seja, o valor de S no período t é dado por: (Lembre-se que, Exponencial, esta seria a previsão para Y no período t1.) Então deixe Squot denotar a série duplamente-alisada obtida aplicando a suavização exponencial simples (usando o mesmo 945) à série S: Finalmente, a previsão para Y tk. Para qualquer kgt1, é dada por: Isto resulta em e 1 0 (isto é, enganar um pouco, e deixar a primeira previsão igual à primeira observação real) e e 2 Y 2 8211 Y 1. Após o que as previsões são geradas usando a equação acima. Isto produz os mesmos valores ajustados que a fórmula baseada em S e S se estes últimos foram iniciados utilizando S 1 S 1 Y 1. Esta versão do modelo é usada na próxima página que ilustra uma combinação de suavização exponencial com ajuste sazonal. Holt8217s Linear Exponential Smoothing Brown8217s O modelo LES calcula as estimativas locais de nível e tendência alisando os dados recentes, mas o fato de que ele faz isso com um único parâmetro de suavização coloca uma restrição nos padrões de dados que é capaz de ajustar: o nível ea tendência Não podem variar em taxas independentes. Holt8217s modelo LES aborda esta questão, incluindo duas constantes de alisamento, um para o nível e um para a tendência. Em qualquer momento t, como no modelo Brown8217s, existe uma estimativa L t do nível local e uma estimativa T t da tendência local. Aqui eles são calculados recursivamente a partir do valor de Y observado no tempo t e as estimativas anteriores do nível e tendência por duas equações que aplicam alisamento exponencial para eles separadamente. Se o nível estimado ea tendência no tempo t-1 são L t82091 e T t-1. Respectivamente, então a previsão para Y tshy que teria sido feita no tempo t-1 é igual a L t-1 T t-1. Quando o valor real é observado, a estimativa atualizada do nível é calculada recursivamente pela interpolação entre Y tshy e sua previsão, L t-1 T t-1, usando pesos de 945 e 1-945. A mudança no nível estimado, Nomeadamente L t 8209 L t82091. Pode ser interpretado como uma medida ruidosa da tendência no tempo t. A estimativa actualizada da tendência é então calculada recursivamente pela interpolação entre L t 8209 L t82091 e a estimativa anterior da tendência, T t-1. Usando pesos de 946 e 1-946: A interpretação da constante de suavização de tendência 946 é análoga à da constante de suavização de nível 945. Modelos com valores pequenos de 946 assumem que a tendência muda apenas muito lentamente ao longo do tempo, enquanto modelos com Maior 946 supor que está mudando mais rapidamente. Um modelo com um 946 grande acredita que o futuro distante é muito incerto, porque os erros na tendência-estimativa tornam-se completamente importantes ao prever mais de um período adiante. As constantes de suavização 945 e 946 podem ser estimadas da maneira usual minimizando o erro quadrático médio das previsões de 1 passo à frente. Quando isso é feito em Statgraphics, as estimativas se tornam 945 0,3048 e 946 0,008. O valor muito pequeno de 946 significa que o modelo assume muito pouca mudança na tendência de um período para o outro, então basicamente este modelo está tentando estimar uma tendência de longo prazo. Por analogia com a noção de idade média dos dados que é utilizada na estimativa do nível local da série, a idade média dos dados que são utilizados na estimativa da tendência local é proporcional a 1 946, embora não exatamente igual a . Neste caso, isto é 10.006 125. Isto não é um número muito preciso, na medida em que a precisão da estimativa de 946 é realmente de 3 casas decimais, mas é da mesma ordem geral de magnitude que o tamanho da amostra de 100, portanto Este modelo está calculando a média sobre bastante muita história em estimar a tendência. O gráfico de previsão abaixo mostra que o modelo LES estima uma tendência local ligeiramente maior no final da série do que a tendência constante estimada no modelo SEStrend. Além disso, o valor estimado de 945 é quase idêntico ao obtido pela montagem do modelo SES com ou sem tendência, de modo que este é quase o mesmo modelo. Agora, eles parecem previsões razoáveis para um modelo que é suposto ser estimar uma tendência local Se você 8220eyeball8221 esse enredo, parece que a tendência local virou para baixo no final da série O que aconteceu Os parâmetros deste modelo Foram calculados minimizando o erro quadrático das previsões de um passo à frente, e não as previsões a mais longo prazo, caso em que a tendência não faz muita diferença. Se tudo o que você está olhando são 1-passo-frente erros, você não está vendo a imagem maior de tendências sobre (digamos) 10 ou 20 períodos. A fim de obter este modelo mais em sintonia com a nossa extrapolação do globo ocular dos dados, podemos ajustar manualmente a tendência de alisamento constante para que ele usa uma linha de base mais curto para a estimativa de tendência. Por exemplo, se escolhemos definir 946 0,1, então a idade média dos dados usados na estimativa da tendência local é de 10 períodos, o que significa que estamos fazendo a média da tendência ao longo dos últimos 20 períodos. Here8217s o que o lote de previsão parece se definimos 946 0,1, mantendo 945 0,3. Isso parece intuitivamente razoável para esta série, embora seja provavelmente perigoso para extrapolar esta tendência mais de 10 períodos no futuro. E sobre as estatísticas de erro Aqui está uma comparação de modelos para os dois modelos mostrados acima, assim como três modelos SES. O valor ótimo de 945 para o modelo SES é de aproximadamente 0,3, mas resultados semelhantes (com ligeiramente mais ou menos responsividade, respectivamente) são obtidos com 0,5 e 0,2. (A) Holts linear exp. Alisamento com alfa 0,3048 e beta 0,008 (B) Holts linear exp. Alisamento com alfa 0,3 e beta 0,1 (C) Suavização exponencial simples com alfa 0,5 (D) Suavização exponencial simples com alfa 0,3 (E) Suavização exponencial simples com alfa 0,2 Suas estatísticas são quase idênticas, portanto, realmente não podemos fazer a escolha com base De erros de previsão de 1 passo à frente dentro da amostra de dados. Temos de recorrer a outras considerações. Se acreditarmos firmemente que faz sentido basear a estimativa de tendência atual sobre o que aconteceu nos últimos 20 períodos, podemos fazer um caso para o modelo LES com 945 0,3 e 946 0,1. Se queremos ser agnósticos quanto à existência de uma tendência local, então um dos modelos do SES pode ser mais fácil de explicar e também dar mais previsões de médio-caminho para os próximos 5 ou 10 períodos. Evidências empíricas sugerem que, se os dados já tiverem sido ajustados (se necessário) para a inflação, então pode ser imprudente extrapolar os resultados lineares de curto prazo Muito para o futuro. As tendências evidentes hoje podem afrouxar no futuro devido às causas variadas tais como a obsolescência do produto, a competição aumentada, e os abrandamentos cíclicos ou as ascensões em uma indústria. Por esta razão, a suavização exponencial simples geralmente desempenha melhor fora da amostra do que poderia ser esperado, apesar de sua extrapolação de tendência horizontal quotnaivequot. Modificações de tendência amortecida do modelo de suavização exponencial linear também são freqüentemente usadas na prática para introduzir uma nota de conservadorismo em suas projeções de tendência. O modelo LES com tendência a amortecimento pode ser implementado como um caso especial de um modelo ARIMA, em particular, um modelo ARIMA (1,1,2). É possível calcular intervalos de confiança em torno de previsões de longo prazo produzidas por modelos exponenciais de suavização, considerando-os como casos especiais de modelos ARIMA. A largura dos intervalos de confiança depende de (i) o erro RMS do modelo, (ii) o tipo de suavização (simples ou linear) (iii) o valor (S) da (s) constante (s) de suavização e (iv) o número de períodos à frente que você está prevendo. Em geral, os intervalos se espalham mais rapidamente à medida que o 945 fica maior no modelo SES e eles se espalham muito mais rápido quando se usa linear ao invés de alisamento simples. Este tópico é discutido mais adiante na seção de modelos ARIMA das notas. (Voltar ao topo da página.)
No comments:
Post a Comment