Экспоненциальное сглаживание
Экспоненциальное сглаживание – более сложный метод взвешенного среднего. Каждый новый прогноз основан на предыдущем прогнозе плюс процент разницы между этим прогнозом и фактическим значением ряда в этой точке.
Ft= Ft-1 + (At-1 - Ft-1 )(2)
Где: Ft– прогноз для периода t
Ft-1– прогноз для периода t-1
– сглаживающая константа
At-1 – фактический спрос или продажи для периода t-1
Константа сглаживания представляет собой процент от ошибки прогноза. Каждый новый прогноз равен предыдущему прогнозу плюс процент от предыдущей ошибки.
Чувствительность корректировки прогноза к ошибке определена константой сглаживания , чем ближе её значение к 0 , тем медленнее прогноз будет приспосабливаться к ошибкам прогноза (т.е. тем больше степень сглаживания). Наоборот, чем ближе значение к 1,0 , тем выше чувствительность и меньше сглаживание.
Выбор константы сглаживания – в основном вопрос свободного выбора или метода проб и ошибок. Цель состоит в том, чтобы выбрать такую константу сглаживания, чтобы, с одной стороны, прогноз остался достаточно чувствительным к реальным изменениям данных временного ряда, а с другой – хорошо сглаживал скачки, вызванные случайными факторами. Обычно используемые значения находятся в диапазоне от 0,05 до 0,50.
Экспоненциальное сглаживание – один из наиболее широко используемых методов прогнозирования, частично из – за минимальных требований по хранению данных и легкости вычисления, а частично из-за той лёгкости, с которой система коэффициентов значимости может быть изменена простым изменением значения .
Таблица 3. Экспоненциальное сглаживание
Период
| Фактический спрос
| α= 0,1
| α = 0,4
| прогноз
| ошибка
| прогноз
| ошибка
|
| 10 000
| -
| -
| -
| -
|
| 11 200
| 10 000
| 11 200-10 000=1 200
| 10 000
| 11 200-10 000=1 200
|
| 11 500
| 10 000+0,1(11 200-10 000)=10 120
| 11 500-10 120=1 380
| 10 000+0,4(11 200-10 000)=10 480
| 11 500-10 480=1 020
|
| 13 200
| 10 120+0,1(11 500-10 120)=10 258
| 13 200-10 258=2 942
| 10 480+0,4(11 500-10 480)=10 888
| 13 200-10 888=2 312
|
| 14 500
| 10 258+0,1(13 200-10 258)=10 552
| 14 500-10 552=3 948
| 10 888+0,4(13 200-10 888)=11 813
| 14 500-11 813=2 687
|
| -
| 10 552+0,1(14 500-10 552)=10 947
| -
| 11 813+0,4(14 500-11 813)=12 888
| -
|
Методы для тенденции
Существует два важных метода, которые можно использовать для разработки прогнозов, когда присутствует тенденция. Один из них предполагает использование уравнения тенденции; другой – расширение экспоненциального сглаживания.
Уравнение тенденции:
Линейное уравнение тенденции имеет следующий вид:
Yt= a + δ∙ t (3)
Где: t– определённое число периодов времени от t= 0;
Yt– прогноз периода t;
α– значение Yt при t=0
δ – наклон линии.
Коэффициенты прямой α и δ, могут быть вычислены из статистических данных за определённый период, с использованием следующих двух уравнений:
δ= , (4)
α = , (5)
Где: n – число периодов,
y– значение временного ряда
Таблица 3. Уровень тенденции.
Период (t)
| Год
| Уровень продаж (y)
| t∙y
| t2
|
|
| 10 000
| 10 000
|
|
|
|
| 11 200
| 22 400
|
|
|
|
| 11 500
| 34 500
|
|
|
|
| 13 200
| 52 800
|
|
|
|
| 14 500
| 72 500
|
| Итого:
|
| -
| 60 400
| 192 200
|
|
Вычислим коэффициенты линии тенденции:
δ=
α =
Таким образом, линия тенденции Yt = α + δ ∙ t
В нашем случае, Yt = 43 900+1 100 ∙t ,
Где t = 0 для периода 0.
Составим уравнение для периода 6 (2015 год) и 7 (2016 год):
– прогноз на 2015 год.
Y7 = 43 900+1 100*7= 51 600
Построим график:
Экспоненциальное сглаживание тенденций
Разновидность простого экспоненциального сглаживания может использоваться, когда временной ряд выявляет тенденцию. Эта разновидность называется экспоненциальным сглаживание, учитывающим тенденцию или, иногда, двойным сглаживанием. Оно отличается от простого экспоненциального сглаживания, которое используется только тогда, когда данные изменяются вокруг некоторого среднего значения или имеют скачкообразные или постепенные изменения.
Если ряд выявляет тенденцию и при этом используется простое экспоненциальное сглаживание, то все прогнозы будут запаздывать по отношению к тенденции. Например, если данные увеличиваются, то каждый прогноз будет занижен. Наоборот, уменьшение данных даёт завышенный прогноз. Графическое отображение данных может показать, когда двойное сглаживание будет предпочтительнее, чем простое.
Скорректированный тенденцией прогноз (TAF) состоит из двух элементов: сглаженной ошибки и фактора тенденции.
TAF t +1 = St + Tt , (6)
Где: St – сглаженный прогноз;
Tt – оценка текущей тенденции
И St = TAFt + α1 ( At - TAFt), (7)
Tt= Tt-1 + α2 ( TAFt –TAFt-1 – Tt-1) (8)
Где α 1, α2 – сглаживающие константы.
Чтобы использовать этот метод, нужно выбрать значения α1, α2 (обычным путём подбора) и сделать начальный прогноз и оценку тенденций.
Таблица 4. Экспоненциальное сглаживание тенденции.
| Период (t)
| Год
| Фактический уровень (At)
| St = TAFt + α1 ( At - TAFt),
| Tt=Tt-1 + α2 × (TAFt –TAFt-1 – Tt-1)
| Развитие модели
|
|
| 10 000
11 200
11 500
13 200
| Оценка тенденции:
=1 067
Начальный прогноз: 13 200+1 067=14 267
| Использование модели
|
|
| 14 500
Прогноз
| 14 267+0,4(14 500-14 267)=14 360
| 1 067+0,3(0)=1 067
| 14 360+1 067=15 427
| 1 067+0,3(15 427-14 267)=1 095
|
Не нашли, что искали? Воспользуйтесь поиском по сайту:
©2015 - 2024 stydopedia.ru Все материалы защищены законодательством РФ.
|