Statistische Vorhersage-Methoden Mehrere Regressionsanalyse: Wird verwendet, wenn zwei oder mehr unabhängige Faktoren beteiligt sind - weit verbreitet für die Zwischenzeit-Prognose verwendet. Dient zur Beurteilung, welche Faktoren einzubeziehen sind und welche auszuschließen sind. Kann verwendet werden, um alternative Modelle mit verschiedenen Faktoren zu entwickeln. Nichtlineare Regression: Gibt nicht eine lineare Beziehung zwischen Variablen an - häufig verwendet, wenn Zeit die unabhängige Variable ist. Trendanalyse: Verwendet lineare und nichtlineare Regression mit der Zeit als die erklärende Variable verwendet, wo Muster im Laufe der Zeit. Zerlegungsanalyse: Wird verwendet, um mehrere Muster zu identifizieren, die gleichzeitig in einer Zeitreihe auftauchen, die jedes Mal verbraucht wird, wenn es verwendet wird - auch verwendet, um eine Serie zu entschlüsseln. Mittlere Analyse: Einfache Bewegungsdurchschnitte - Prognostiziert zukünftige Werte basierend auf einem gewichteten Mittelwert von vergangenen Werten - Einfach zu aktualisieren. Weighted Moving Averages: Sehr kraftvoll und wirtschaftlich. Sie sind weit verbreitet, wenn wiederholte Prognosen erforderlich sind - nutzt Methoden wie zweistellige und Trendanpassungsmethoden. Adaptive Filterung. Eine Art von gleitendem Durchschnitt, die eine Methode des Lernens aus vergangenen Fehlern enthält, kann auf Veränderungen in der relativen Bedeutung von Trend-, Saison - und Zufallsfaktoren reagieren. Exponentielle Glättung: Eine gleitende Durchschnittsform der Zeitreihenvorhersage - effizient in der Verwendung mit saisonalen Mustern - leicht anpassbar für frühere Fehler - einfache Vorbereitung von Folgeprognosen - ideal für Situationen, in denen viele Prognosen vorbereitet werden müssen Bei Vorliegen von Trend - oder zyklischen Schwankungen. Hodrick-Prescott-Filter: Dies ist ein Glättungsmechanismus, der verwendet wird, um eine langfristige Trendkomponente in einer Zeitreihe zu erhalten. Es ist eine Möglichkeit, eine gegebene Serie in stationäre und nichtstationäre Komponenten so zu zerlegen, daß die Summe von Quadraten der Reihe von der nichtstationären Komponente minimal ist, mit einer Strafe auf Änderungen der Ableitungen der nichtstationären Komponente. Modellierung und Simulation: Modell beschreibt die Situation durch eine Reihe von Gleichungen - ermöglicht die Prüfung der Auswirkungen von Änderungen in verschiedenen Faktoren - wesentlich zeitaufwendiger zu konstruieren - im Allgemeinen erfordert Benutzerprogrammierung oder Kauf von Paketen wie SIMSCRIPT. Kann sehr leistungsfähig in der Entwicklung und Test-Strategien sonst nicht offensichtlich. Gewährleistungsmodelle geben nur höchstwahrscheinliche Ergebnisse - fortgeschrittene Kalkulationstabellen können verwendet werden, um zu tun, was eine ifquot-Analyse - oft z. B. Mit computergestützten Kalkulationstabellen. Probabilistische Modelle Verwenden Sie Monte-Carlo-Simulationstechniken, um mit Unsicherheit umzugehen - gibt eine Reihe von möglichen Ergebnissen für jede Gruppe von Ereignissen. Prognosefehler: Alle Prognosemodelle haben entweder eine implizite oder explizite Fehlerstruktur, wobei der Fehler als die Differenz zwischen der Modellvorhersage und dem Quottruequot-Wert definiert wird. Zusätzlich müssen viele Daten-Snooping-Methoden im Statistikbereich auf Daten angewendet werden, die einem Prognosemodell zugeführt werden. Auch eine Diagnoseprüfung, wie sie im Statistikbereich definiert ist, ist für jedes Modell erforderlich, das Daten verwendet. Unter Verwendung einer beliebigen Methode zur Prognose muss eine Leistungsmessung verwendet werden, um die Qualität der Methode zu beurteilen. Mittlere Absolute Deviation (MAD) und Variance sind die nützlichsten Maßnahmen. Allerdings eignet sich MAD nicht zur weiteren Verwendung von Schlussfolgerungen, sondern dass der Standardfehler tut. Für die Fehleranalyse wird Varianz bevorzugt, da Varianzen von unabhängigen (unkorrelierten) Fehlern additiv sind. MAD ist nicht additiv. Weight Moving Average in Beispiel 1 von Simple Moving Average Forecast. Die Gewichte der vorherigen drei Werte waren alle gleich. Wir betrachten nun den Fall, wo diese Gewichte verschieden sein können. Diese Art der Prognose wird als gewichteter gleitender Durchschnitt bezeichnet. Hier weisen wir m Gewichte w 1 zu. , W m. Wobei w & sub1; W m 1 und definieren die prognostizierten Werte wie folgt Beispiel 1. Wiederholen Sie Beispiel 1 der Simple Moving Average Prognose, wobei wir annehmen, dass neuere Beobachtungen mehr als ältere Beobachtungen gewichtet werden, wobei die Gewichtungen w 1, 6, w 2, 3 und w 3 .1 (wie im Bereich G4: G6 von 1 gezeigt ist ). Abbildung 1 Gewichtete gleitende Mittelwerte Die Formeln in Abbildung 1 sind dieselben wie in Abbildung 1 der einfachen gleitenden Durchschnittsprognose. Mit Ausnahme der prognostizierten y-Werte in Spalte C. Z. B. Die Formel in Zelle C7 ist jetzt SUMPRODUCT (B4: B6, G4: G6). Die Prognose für den nächsten Wert in der Zeitreihe ist nun 81,3 (Zelle C19) unter Verwendung der Formel SUMPRODUCT (B16: B18, G4: G6). Echtes Statistik-Datenanalyse-Werkzeug. Excel bietet kein gewichtetes gleitendes Datenanalyse-Tool. Stattdessen können Sie das Datenanalyse-Tool "Real Statistics Weighted Moving Averages" verwenden. Um dieses Werkzeug für Beispiel 1 zu verwenden, drücken Sie Ctr-m. Wählen Sie die Option Time Series aus dem Hauptmenü und dann die Option Basic forecasting methods aus dem Dialogfeld, das angezeigt wird. Füllen Sie das Dialogfeld aus, das in Abbildung 5 von Simple Moving Average Forecast angezeigt wird. Aber dieses Mal wählen Sie die Option Gewichtete Bewegungsdurchschnitte und füllen Sie den Gewichtsbereich mit G4: G6 aus (beachten Sie, dass keine Spaltenüberschrift für den Gewichtsbereich enthalten ist). Keiner von Parameterwerten wird verwendet (im Wesentlichen von Lags wird die Anzahl der Zeilen im Gewichtsbereich und von Jahreszeiten und von Prognosen ist standardmäßig auf 1). Die Ausgabe sieht genau wie die Ausgabe in Abbildung 2 von Simple Moving Average Forecast aus. Außer daß die Gewichte bei der Berechnung der Prognosewerte verwendet werden. Beispiel 2. Verwenden Sie Solver, um die Gewichte zu berechnen, die den kleinsten mittleren quadratischen Fehler MSE erzeugen. Verwenden Sie die Formeln in Abbildung 1, wählen Sie Data gt AnalysisSolver und füllen Sie das Dialogfeld aus, wie in Abbildung 2 gezeigt. Abbildung 2 Dialogfeld "Solver" Beachten Sie, dass wir die Summe der Gewichte auf 1 beschränken müssen, was wir tun, indem Sie auf die Schaltfläche klicken Schaltfläche Hinzufügen. Daraufhin erscheint das Dialogfeld Add Constraint, das wir wie in Abbildung 3 gezeigt ausfüllen und dann auf OK klicken. Abbildung 3 Add Constraint-Dialogfeld Als nächstes klicken Sie auf die Schaltfläche Solve (in Abbildung 2), die die Daten in Abbildung 1 wie in Abbildung 4 dargestellt modifiziert. Abbildung 4 Solver-Optimierung Wie aus Abbildung 4 ersichtlich, ändert Solver die Gewichte auf 0 223757 und .776243, um den Wert von MSE zu minimieren. Wie Sie sehen können, ist der minimierte Wert von 184,688 (Zelle E21 von 4) mindestens geringer als der MSE-Wert von 191,366 in Zelle E21 von 2). Um diese Gewichte zu sperren, müssen Sie auf die Schaltfläche OK des Dialogfelds Solver-Ergebnisse klicken, das in Abbildung 4 gezeigt ist.
No comments:
Post a Comment