이동 평균법 예측

이동 평균 예측. 소개 당신이 추측 할 수 있듯이 우리는 예측에 대한 가장 원시적 인 접근법 중 일부를보고 있습니다. 그러나 이것은 적어도 스프레드 시트에서 예측을 구현하는 것과 관련된 일부 컴퓨팅 문제에 대한 가치있는 소개 일 것입니다. 이 경우 우리는 처음부터 시작하여 이동 평균 예측으로 작업을 시작하십시오. 이동 평균 예측 모든 사람들은 그들이 믿는 지 여부에 관계없이 이동 평균 예측에 익숙합니다. 모든 대학생들이 항상 그 일을합니다. 진행할 코스에서 시험 점수를 생각해보십시오. 4 학기 동안 시험을 치러야합니다. 첫 번째 시험에서 85 점이라고 가정합시다. 두 번째 시험 점수를 어떻게 예측할 것입니까? 당신의 선생님이 다음 시험 성적에 대해 어떻게 예측할 것이라고 생각하십니까. 친구들이 예측할 수 있다고 생각합니까? 다음 시험 성적을 위해. 부모님이 다음 시험 성적에 대해 어떻게 예측 하시는지 생각해보십시오. 귀하가 귀하의 fr에 할 수있는 모든 모방에 상관없이 부모님들과 부모님들, 선생님과 선생님은 당신이 방금 얻은 85의 영역에서 뭔가를 얻을 것을 기대할 가능성이 큽니다. 이제, 당신의 친구들에게 당신의 자기 승진에도 불구하고, 당신 자신을 과대 평가한다고 가정합시다. 두 번째 테스트에서 더 적은 수를 공부하면 73 점을 얻을 수 있습니다. 이제 걱정 스럽거나 걱정하지 않는 것이 무엇인지 예상하여 세 번째 테스트를 시작하게 될 것입니다. 그들이 너와 나눌 지 말지. 그들은 스스로에게 말할지도 모른다. 이 남자는 항상 그의 영리에 대해 연기를 불고있다. 그가 운이 좋다면 73 세를 더 가질 것이다. 어쩌면 부모가 더지지하고 말하기를 시도 할 것이다. 음. 지금까지 85와 73을 얻었습니다. 85 73 2 79 알지 못합니다. 만약 파티가 덜하고 집집마다 족제비를 흔들지 않았다면 더 많이 공부하면 더 높은 점수를 얻을 수 있습니다. 이 두 견적은 모두 실제입니다. 이동 평균 예측. 첫 번째는 가장 최근의 점수 만 사용하여 미래의 실적을 예측합니다. 이것은 한 기간의 데이터를 사용하는 이동 평균 예측이라고합니다. 두 번째는 이동 평균 예측이지만 두 기간의 데이터를 사용합니다. 당신의 위대한 마음에 파문을 가진이 사람들은 모두 당신을 화나게하고 당신은 당신의 동맹국 앞에서 높은 점수를두기 위해 세 번째 시험에서 잘하기로 결정합니다. 시험을 치고 점수는 실제로 89 자신을 포함한 모든 사람들이 감명받습니다. 그래서 이제 학기말 테스트가 끝납니다. 평소처럼 모든 사람들이 마지막 테스트에서 어떻게 할 것인가에 대한 예측을 할 필요가 있다고 느낍니다. 패턴입니다. 자, 이제 패턴을 볼 수 있습니다. 가장 정확하다고 믿습니다. 우리가 일하는 동안 지금 우리는 일하는 동안 호각이라고 불리는 이분의 여동생이 시작한 새로운 청소 회사로 돌아갑니다. 과거 판매 데이터가 있습니다. 스프레드 시트에서 다음 섹션으로 표시됩니다. 우리는 먼저 3 기간 이동 평균 예측에 대한 데이터를 제시합니다. 셀 C6에 대한 항목이 있어야합니다. 이제이 셀 수식을 다른 셀 C7에서 C11까지 복사 할 수 있습니다. 평균 이동 방식을 알려줍니다. 가장 최근의 과거 데이터를 사용하지만 각 예측에 사용할 수있는 가장 최근의 세 기간을 정확하게 사용합니다. 가장 최근의 예측을 개발하기 위해 과거 기간에 대한 예측을 실제로 수행 할 필요가 없음을 알아야합니다. 지수 평활화 모델 저는 예측 결과를 다음 웹 페이지에서 사용하여 예측 유효성을 측정하기 때문에 과거 예측을 포함 시켰습니다. 이제는 2 기간 이동 평균 예측에 대한 유사한 결과를 제시하고자합니다. 셀 C5에 대한 항목이 있어야합니다. 이 셀 수식을 다른 셀 C6에서 C11까지 복사 할 수 있습니다. 이제는 가장 최근의 두 가지 기록 데이터 만 각 예측에 사용됩니다. 다시 말하지만 예측을 검증하기 위해 나중에 사용하기 위해 과거 예측을 사용합니다. 주목해야 할 다른 중요한 사항입니다. m - 기간 이동 평균 예측의 경우 가장 최근의 데이터 값만이 예측을 수행하는 데 사용됩니다. . m - 기간 이동 평균 예측에 대해 과거 예측을 할 때 첫 번째 예측이 m1 기간에 발생 함을 주목하십시오. 우리가 코드를 개발할 때이 두 문제 모두 매우 중요합니다. 이동 평균 기능 개발 이제는 보다 유연하게 사용할 수있는 이동 평균 예측을위한 코드 코드는 다음과 같습니다. 예측은 예측에서 사용하려는 기간 수와 기록 값 배열에 대한 것입니다. 원하는 통합 문서에 저장할 수 있습니다. 기능 MovingAverage Historical, NumberOfPeriods 단일 변수로 선언 및 초기화 함 Dim 항목으로 Variant Dim 카운터를 정수로 희석 Accumulation으로 Single Dim HistoricalSize Integer로. 변수 초기화 중 카운터 1 누계 0. 기록 배열 크기 HistoricalSize. For 카운터 1 For NumberOfPeriods. 가장 최근에 이전에 관측 된 값 중 적절한 수를 누적합니다. 누적 누적 기록 이력 - 크기 누적 횟수 카운터. 이동중 누적 누적 누적 횟수입니다. 코드가 클래스로 설명됩니다. 계산 결과가 필요한 위치에 표시되도록 스프레드 시트에 함수를 배치하려고합니다. 여러 연속 된 시간과 동일한 시간 간격으로 시계열 데이터 관측의 의미 새로운 데이터가 사용 가능 해짐에 따라 지속적으로 다시 계산되기 때문에 이동 호출 됨 초기 값을 삭제하고 최신 값을 추가하여 진행합니다. 예를 들어, 6 개월 매출의 이동 평균은 1 월에서 6 월까지의 평균 매출을 취한 다음 2 월에서 7 월까지, 3 월부터 8 월까지의 평균 판매를 계산하여 계산할 수 있습니다. 이동 평균 1은 임시 변동의 영향을 줄입니다. 데이터, 2 라인에 데이터의 적합성을 향상시킵니다. learly, 그리고 trend의 위 또는 아래의 값을 강조 표시합니다. 매우 높은 분산을 가진 무언가를 계산하는 경우 이동 평균을 계산하는 것이 가장 좋습니다. 이동 평균이 데이터의 것인지, 그래서 나는 우리가하고있는 일에 대해 더 잘 이해하게 될 것입니다. 자주 변화하는 숫자를 알아 내려고 할 때, 당신이 할 수있는 최선의 방법은 이동 평균과 지수 평활을 계산하는 것입니다. 가장 간단한 접근법은 1 월의 평균을 취하는 것입니다. 4 월 판매량을 추정하기 위해이를 사용합니다. 129 134 122 3 128 333.Hence는 1 월에서 3 월까지의 매출을 기준으로 4 월의 매출이 128,333이 될 것이라고 예측합니다. 4 월 실제 판매가 들어 오면 이번 2 월에서 4 월까지 5 월에 대한 예측을 계산할 수 있습니다 이동 평균 예측에 사용하는 기간 수와 일치해야합니다. 이동 평균 예측에서 사용하는 기간 수는 임의로 지정되며 예측을 생성하고자하는 기간은 2 기간 또는 5 또는 6 기간 만 사용할 수 있습니다. 위의 접근법은 단순한 이동 평균입니다. 때로는 최근 달의 판매량이 다음 달 판매량의 영향력있는 요인 일 수 있으므로 예측 모델에서 더 가깝게 그 달을 더 가깝게하려고합니다. 이것은 가중 이동 평균입니다. 당신이 할당하는 가중치는 순전히 임의적입니다. 3 월의 판매량을 50으로, 2 월에 30을, 1 월에 20으로하고 싶다고합시다. 그러면 4 월에 대한 예측치는 127,000입니다. 122 50 134 30 129 20 127.L 이동 평균법의 모방 이동 평균은 평활화 예측 기법으로 간주됩니다. 시간이 지남에 따라 평균을 취하기 때문에 데이터 내의 불규칙한 발생의 효과를 부드럽게하거나 부드럽게합니다. 결과적으로 계절성, 비즈니스주기 및 기타 요인의 영향 임의의 이벤트로 인해 예측 오류가 급격히 증가 할 수 있습니다 전체 1 년 동안의 데이터를 살펴보고 3 기간 이동 평균과 5 기간 이동 평균을 비교하십시오. 이 예에서는 예측을 작성하지 않았지만 이동 평균 첫 3 개월 이동 평균은 2 월이고 평균은 1 월, 2 월 및 3 월입니다. 5 개월 평균에 대해서도 비슷합니다. 이제 다음 차트를 살펴보십시오. 3 개월 이동 평균 시리즈가 실제 판매 시리즈보다 훨씬 매끄럽지 않습니다. 그리고 5 개월 이동 평균은 어떻습니까? 더 부드럽습니다. 따라서 이동 평균에서 사용하는 기간이 길수록 시간이 더 부드럽습니다. 예측을 위해 간단한 이동 평균이 가장 정확한 방법이 아닐 수도 있습니다. 회귀와 같은 고급 예측 방법을 위해 시계열의 계절적, 불규칙적 및 순환 적 구성 요소를 추출하려고 할 때 이동 평균법이 매우 유용합니다. 및 ARIMA를 사용하고 시계열 분해에 이동 평균을 사용하는 방법에 대해서는이 시리즈의 뒷부분에서 다룹니다. 이동 평균 모델의 정확도 결정 일반적으로 실제 결과와 예측 결과 간의 오차가 가장 적은 예측 방법이 필요합니다. 예측 정확도의 가장 일반적인 척도는 Mean Absolute Deviation MAD입니다. 이 접근법에서 예측을 생성 한 시계열의 각 기간에 대해 해당 기간의 실제 값과 예측값의 차이 절대 값을 취합니다. 그런 다음 당신은 그 절대적인 편차를 평균합니다. 그리고 당신은 MAD의 측정 값을 얻습니다. MAD는 당신이 평균 한 기간 수를 결정하는데 도움이 될 수 있습니다. 당신이 각 기간에 두는 가중치 일반적으로, 가장 낮은 MAD를 얻는 결과를 선택합니다. MAD가 계산되는 방법의 예입니다. MAD는 단순히 8, 1 및 3의 평균입니다. 이동 평균 반복 요행 예측에 이동 평균을 사용하는 경우 기억하십시오. 이동 평균은 단순하거나 가중치가 될 수 있습니다. 평균에 사용하는 기간 수와 각 할당 가중치는 엄격하게 임의적입니다. 시계열 데이터의 불규칙 패턴을 부드럽게 평균화하면 사용 기간이 길어집니다. 각 데이터 요소가 많을수록 스무딩 효과가 커집니다. 매끄러운 작업 때문에 가장 최근의 몇 개월 동안의 판매를 기준으로 다음 달의 판매를 예측하면 데이터의 계절성, 주기적 및 불규칙한 패턴으로 인해 큰 편차가 발생할 수 있습니다. 이동 평균 방법의 더 나은 예측 방법에 대한 시계열을 분해하는 데 유용 할 수 있습니다. 다음주 지수 스무딩 다음 주에 예보 금요일 우리는 지수 평활화 방법 , 이동 평균 예측 방법보다 훨씬 뛰어날 수 있음을 알 수 있습니다. 그럼에도 불구하고 우리의 금요 금요일 게시물이 목요일에 나타나는 이유를 모르겠습니다. 내비게이션을 계속하십시오. 회신을 남겨주세요 답변을 취소하십시오. 나는 2 가지 질문을 가지고 있습니다 .1 당신은 할 수 있습니다. 중앙 집중식 MA 접근법을 사용하여 계절성을 예측하거나 단지 제거해야합니다 .2 간단한 t-1 t-2 tk k MA를 사용하여 한주기를 앞당기는 경우 1 기간 이상 예측할 수 있습니까? 고맙습니다. 정보와 당신의 설명을 사랑합니다. 블로그를 좋아해서 기쁩니다. 여러 분석가가 예측을 위해 중심의 MA 접근법을 사용했음을 확신합니다. 하지만 개인적으로는 그렇게하지 않았습니다. 양 측 관측의 상실 실제로 두 번째 질문과 관련이 있습니다. 일반적으로 간단한 MA를 사용하면 한 기간 만 예측할 수 있지만 많은 애널리스트와 나는 한 순간 예측을 한 입력으로 사용합니다. 두 번째 기간 앞서 예상보다 미래에 예측 오류가 발생할 확률이 높다는 것을 기억하는 것이 중요합니다. 따라서 예측 실패에 대한 예측을 위해 센터링 된 MA를 권장하지 않는 이유는 손실 된 관측치에 대한 예측에 의존해야한다는 것을 의미합니다. 예측 오류가 발생할 확률이 더 높습니다. 독자가 초대 한 독자가 여기에 무게를두기 위해 어떤 생각이나 제안이 있습니까? 브라이언, 블로그에 대한 의견 및 칭찬에 감사드립니다. 멋진 이니셔티브 및 좋은 설명 정말 도움이됩니다. 나는 어떤 예측도하지 않는 고객을 위해 맞춤형 인쇄 회로 기판을 예측합니다. 그러나 이동 평균을 사용했지만 업계가 위아래로 갈 수 있기 때문에 정확하지 않습니다. 여름에 배송 pcb가 끝나는 해가 끝날 때까지 우리는 올해 초에 속도가 느려지는 것을 보았습니다. 내 데이터로 어떻게 더 정확 해 질 수 있을지. 카트리나, 내게 말한대로, 당신의 인쇄 회로 기판 판매가 나타납니다. 계절별 요소를 가지고 있습니다. 다른 Forecast Friday posts의 일부에서 계절성 문제를 해결할 수 있습니다. 또 다른 접근법으로는 Holt-Winters 알고리즘을 사용할 수 있습니다. Holt-Winters 알고리즘은 계절성을 고려하여 여기에서 좋은 설명을 찾을 수 있습니다. 계절별 패턴이 곱셈 또는 덧셈인지 여부를 결정하는 알고리즘은 각기 약간 다릅니다. 몇 년 동안의 월별 데이터를 플롯하고 몇 년 동안의 계절 변동이 일정한 해를 보일 경우 계절성은 시간이 지남에 따라 계절적 변화가 증가하는 것처럼 보일 때 부가 적입니다. 그러면 계절성은 곱하기입니다. 대부분의 계절 시계열은 곱셈 적입니다. 의심스러운 경우 곱하기 행운을 빕니다. 저기에 그 방법들 사이에 Nave Forecasting 평균 이동 평균 길이 k 가중 이동 평균 길이 k 또는 지수 스무딩 예측 모델에 사용하는 업데이트 모델 중 어느 모델을 추천하십니까? t 데이터 내 생각에는 이동 평균에 대해 생각하고 있지만 명확하고 구조화 된 방법을 모릅니다. 실제로 보유한 데이터의 양과 품질, 장기 및 중기 예측 범위에 달려 있습니다. , 또는 단기.