Vooruitskatting met tydreeksanalise Wat voorspel voorspelling is 'n metode wat op groot skaal gebruik word in tydreeksanalise 'n reaksie veranderlike, soos maandelikse wins, voorraad prestasie, of werkloosheidsyfers voorspel, vir 'n bepaalde tydperk. Voorspellings is gebaseer op patrone in bestaande data. Byvoorbeeld, kan 'n pakhuis bestuurder model hoeveel produk te bestel vir die volgende 3 maande gebaseer op die vorige 12 maande van bestellings. Jy kan 'n verskeidenheid van tydreekse metodes, soos tendens analise, ontbinding, of enkele eksponensiële gladstryking gebruik om patrone in die data te modelleer en ekstrapoleer diegene patrone vir die toekoms. Kies 'n ontleding metode of die patrone is staties (konstant oor tyd) of dinamies (verander met verloop van tyd), die aard van die tendens en seisoenale komponente, en hoe ver vooruit wat jy wil om te voorspel. Voordat die vervaardiging van voorspellings, pas verskeie kandidaat modelle om die data te bepaal watter model is die mees stabiele en akkurate. Voorspellings vir 'n bewegende gemiddelde ontleding Die toegerus waarde op tydstip t is die uncentered bewegende gemiddelde op tydstip t -1. Die vooruitskattings is die ingeboude waardes by die vooruitsig oorsprong. As jy voor voorspel 10 tydeenhede, sal die voorspelde waarde vir elke keer as die ingeboude waarde by die oorsprong wees. Data tot die oorsprong word gebruik vir die berekening van die bewegende gemiddeldes. Jy kan die lineêre gebruik bewegende gemiddeldes metode deur die berekening van agtereenvolgende bewegende gemiddeldes. Die lineêre bewegende gemiddeldes metode word dikwels gebruik wanneer daar 'n tendens in die data. Eerstens, bereken en stoor die bewegende gemiddelde van die oorspronklike reeks. Dan, te bereken en stoor die bewegende gemiddelde van die voorheen gestoor kolom om 'n tweede bewegende gemiddelde te verkry. In naïef vooruitskatting, die voorspelling vir die tyd t is die datawaarde op tydstip t -1. Die gebruik van bewegende gemiddelde prosedure met 'n bewegende gemiddelde lengte een gee naïef vooruitskatting. Voorspellings vir 'n enkele eksponensiële gladstryking analise Die toegerus waarde op tydstip t is die reëlmatige waarde op tydstip t-1. Die vooruitskattings is die ingeboude waarde aan die voorspelling oorsprong. As jy voor voorspel 10 tydeenhede, sal die voorspelde waarde vir elke keer as die ingeboude waarde by die oorsprong wees. Data tot die oorsprong word gebruik vir die smoothing. In naïef vooruitskatting, die voorspelling vir die tyd t is die datawaarde op tydstip t-1. Voer enkele eksponensiële gladstryking met 'n gewig van een tot naïef vooruitskatting te doen. Voorspellings vir 'n dubbele eksponensiële gladstryking ontleding Double eksponensiële gladstryking gebruik die vlak en tendens komponente om voorspellings te genereer. Die voorspelling vir m tydperke voor van 'n punt op tydstip t is L t mT t. waar L t is die vlak en T t is die tendens op tydstip t. Data tot die voorspelling oorsprong tyd sal gebruik word vir die smoothing. Voorspellings vir Winters metode Winters metode maak gebruik van die vlak, tendens, en seisoenale komponente om voorspellings te genereer. Die voorspelling vir m tydperke voor van 'n punt op tydstip t is: waar L t is die vlak en T t is die tendens op tydstip t, vermenigvuldig met (of bygevoeg vir 'n toevoeging model) die seisoenale komponent vir dieselfde tydperk van die vorige jaar. Winters metode gebruik data tot die voorspelling oorsprong tyd om die forecasts. R.13 tydreekse Ontleding genereer Soos hierdie studie gestel Skep 'n gratis rekening om dit te verlos. Sluit aan by 'n rekening skep 'n rekening verskil tussen lineêre en log-lineêre tendens modelle interpretasie van die helling koëffisiënt b 'n Lineêre tendens model voorspel dat y sal groei met 'n konstante hoeveelheid (b) elke tydperk. bv As b 0.1, sal y groei met 0,1 in elke tydperk 'n log-lineêre tendens model voorspel dat ln y sal groei met 'n konstante hoeveelheid (b) in elke tydperk. Dit beteken dat y self sal getuig van 'n konstante groei koers van e - 1 in elke tydperk. bv As b 0.1 dan die voorspelde groeikoers van y in elke tydperk e - 1 0,001005 of 0,10005 Toets vir gekorreleer foute in die tendens modelle, twee metodes 1- Inspekteer die plot van die residue. As foute lyk aanhoudend in 'n lineêre regressie (dit wil sê die residue bo of onder die tendens lyn vir 'n lang tydperk van die tyd bly) te wees, hulle kan 'n positiewe volgorde korreleer. 2-Gebruik die Durbin-Watson (DW) toets Nota: As 'n regressiemodel korrek vermeld, sal die regressie fout vir 'n tydperk ongekorreleerd met die regressie foute vir ander tydperke outoregressiewe tydreeks modelle wees: Tolking resultate van 'n gemiddelde terugkeer toets 1-as 'n tydreeks is tans op sy gemiddelde-terugzet vlak, die model voorspel dat die waarde daarvan in die volgende tydperk sal onveranderd bly 2-as 'n tydreeks is tans bo sy gemiddelde-terugzet vlak, die model voorspel dat die waarde daarvan sal afneem in die volgende tydperk 3-as 'n tydreeks is tans onder sy gemiddelde-terugzet vlak, die model voorspel dat die waarde daarvan sal toeneem in die volgende tydperk outoregressiewe tydreeks modelle: Watter tydreekse het beperkte gemiddelde-omkeer vlakke Alle kovariansie stilstaande tydreekse het 'n beperkte gemiddelde-terugkeer vlak. Let wel: 'n motor regressie tydreekse sal 'n beperkte gemiddelde-terugzet vlak as die absolute waarde van die lag koëffisiënt, b, is minder as 1. outoregressiewe tydreeks modelle: kettingreël van vooruitskatting, definieer 'n vooruitskatting proses waarin die volgende period039s waarde soos voorspel BT die vooruitskatting vergelyking vervang in die regterkant van die vergelyking van 'n voorspelde waarde twee periodes voor Let gee: die kettingreël van vooruitskatting is gebaseer op 'n outoregressiewe tydreeks model outoregressiewe tydreeks modelle: Buite-monster voorspel prestasie van outoregressiemodelle geëvalueer aan die hand van. Buite-monster vooruitskatting prestasie van outoregressiemodelle geëvalueer op grond van hulle wortel-gemiddelde-kwadraat fout (RMSE) vir elke model wat oorweeg word bereken op grond van buite-steekproefdata Die model met die laagste RMSE het die laagste VOORSPELLING FOUT en het die mees voorspellende krag outoregressiewe tydreeks modelle: Onstabiliteit van regressiekoëffisiënte, monster periodes 1-regressie skat van tydreeksmodelle op grond van verskillende sAMPLE tydperke kan heel anders 2-regressie skattings verkry van modelle wat gebaseer is op die langer sAMPLE tydperke kan nogal anders skattings van modelle wat gebaseer is op korter monster tydperke outoregressiewe tydreeks modelle: lengte van die monster tydperke Daar is geen duidelike reëls wat 'n ideale lengte vir die monster tydperk definieer. Ontleders kyk na periodes monster te definieer as tye waartydens belangrike onderliggende ekonomiese toestande onveranderd Models gebly is slegs geldig indien die tydreeks is kovariansie STATIONARY bv data uit 'n tydperk toe wisselkoerse is vasgestel moet nie gekombineer word met die data van 'n tydperk toe hulle swaai as die variansie van die wisselkoers verskil onder die twee regimes outoregressiewe tydreeks modelle sou wees: ewekansige loop, definieer 'n ewekansige loop, eenvoudig ewekansige loop of ewekansige loop sonder 'n drif, is 'n tydreeks waarin die waarde van die reeks in een tydperk gelyk aan die waarde daarvan in die vorige tydperk plus 'n onvoorspelbare ewekansige fout, waar die fout het 'n konstante stryd en is ongekorreleerd met die waarde daarvan in vorige tydperke Wat die eerste model eerste beteken breukmetodes breukmetodes modelle die verandering in die waarde van die afhanklike veranderlike eerder as die waarde van die veranderlike self (xx - x-) Let wel: as gevolg van die verwagte waarde van die foutterm, is 0, die beste voorspelling van y is 0. dit beteken dat daar geen verandering in die waarde van die huidige tyd reeks x - Eerste-differenced veranderlike, drie kenmerke 1-kovariansie stilstaande 2-met 'n eindige gemiddelde-terugzet vlak 3-met beperkte variansie Daarom sal wees kan ons lineêre regressie te gebruik om die eerste-differenced reeks stappe in tydreeks vooruitskatting model: STAP 3 As jy nie 'n beduidende seisoenaliteit of verandering in die gemiddelde of afwyking Óf 'n lineêre tendens of 'n eksponensiële tendens vind voldoende sou wees. 'n Stel vas of 'n lineêre of expontial tendens blyk mees resonable gewoonlik deur die plot die reeks. b-Skat die tendens c-Bereken die residue d-Gebruik die Durbin-Watson toets om te bepaal of die residue 'n beduidende korrelasie. As hulle don039t sou die tendens model voldoende is om die dinamika van die tydreeks te vang en jy kan die model vir vooruitskatting Stappe in tydreeks vooruitskatting gebruik: STAP 4 as jy beduidende korrelasie vind in die residue Gebruik 'n meer aggressiewe model, soos as 'n outoregressiewe model. Kyk eers wat die tydreeks is kovariansie stilstaande reg te stel vir die skending van stasionariteit: gtgtif die tydreeks het 'n liniêre tendens, eerste verskil die tydreeks gtgtif die tydreeks het 'n eksponensiële tendens, neem die natuurlike log van die reeks en die eerste verskil dit gtgtif die tydreeks verskuif aansienlik gedurende die monster tydperk, skat verskillende tydreeksmodelle voor en na die drif gtgtif die reeks het beduidende seisoenaliteit, sluit in 'n seisoenale lag Stappe in tydreeks vooruitskatting: STAP 5 besluit watter outoregressiewe model te gebruik na die transformasie van 'n rou tydreeks in 'n kovariansie-stasionêre tydreekse 1-Skat n AR (1) model 2-toets om te sien of die residue van die model 'n beduidende korrelasie 3-as daar geen beduidende korrelasie kan jy die AR (1) model gebruik om voorspelling Stappe in tydreeks vooruitskatting: STAP 6 as jy vind beduidende korrelasie in die residue in die AR (1) model gebruik 'n AR (2) model en toets vir beduidende korrelasie van die residue gtgtIf geen korrelasie gebruik die AR (2 ) model gtgtif beduidende korrelasie hou die verhoging van die orde van die AR model totdat die oorblywende korrelasie is nie meer beduidende stappe in tydreeks vooruitskatting: STAP 7 Check vir seisoenaliteit (twee benaderings) Gaan vir seisoenaliteit 1-Graph die data en kyk vir gereelde seisoenale patrone 2-Ondersoek die data om te sien of die seisoenale outokorrelasies van die residue van 'n AR-model is beduidende reg te stel vir die seisoen, voeg 'n seisoenale lag van die tydreeks na die model Stappe in tydreeks vooruitskatting: STAP 8 toets of die residue het outoregressiewe voorwaardelike heterskedasticity. Om te toets vir ARCH (1) foute gtgtregress die kwadraat residue van jou tyd-reeks model op 'n vertraagde waarde van die kwadraat oorblywende gtgttest of die koëffisiënt op die kwadraat uitgestel oorblywende aansienlik verskil van 0 gtgtIf die koëffisiënt op die kwadraat uitgestel oorblywende verskil nie beduidend van 0, die oorblywende don039t vertoning ARCH en jy kan staatmaak op die standaard foute van jou tyd-reeks skattings gtgtif die koëffisiënt op die kwadraat uitgestel oorblywende beteken aansienlik verskil van 0, gebruik veralgemeen kleinste kwadrate of ander metodes om reg te vir ARCHChapter 3: vooruitskatting Soos hierdie studie stel Skep 'n gratis rekening om dit te verlos. Sluit aan by 'n rekening skep 'n rekening Hoekom voorspel belangrik Baie besluite bestuursbeplanning besluite vir die toekoms. - Forecasts Verwag toekoms - Forecasts verminder onsekerheid voorspellings is die basis van korporatiewe beplanning (om behoorlike beplanning te maak wat jy nodig het om te verwag die toekoms en onsekerheid te verminder) - Long termyn (produkte, dienste, toe te rus, prosesse.) - Short / Intermediêre termyn: operasies beplanning, aankope, voorraad vlakke, arbeidsmag vlakke. ) Beplanning besluite deurlopend gemaak --gt dieselfde vir voorspelling Bedryf Beplanning hiërargie Wat is die kenmerke van vooruitskatting - Assumes kousale stelsel wat bestaan het in die verlede en sal dit doen in die toekoms (daar is 'n gedrag wat veroorsaak word deur 'n rede (afgelope data) wat kan e gereproduseer) - Forecasts word selde quotperfectquot as gevolg van ewekansigheid - Forecasts is meer akkuraat vir groepe vs individuele items. - Forecast Akkuraatheid afneem soos wat die tyd horison verhoog Goeie vooruitskatting: tydige, akkurate en betroubare Wat is die stappe in die vooruitskatting proses 1) Bepaal die doel van die voorspelling 2) Stel 'n tyd horison 3) Versamel en ontleed data (die relevante) 4 ) Kies 'n vooruitskatting tegniek (wat gebaseer is op die beskikbare data) 5) Berei die voorspelling 6) Monitor die voorspelling Wat is die verskille tussen subjektiewe en doelwitte vooruitskattingstegnieke - Subjective vooruitskatting staatmaak slegs op beoordelings en menings kenners. Gebruik wanneer data nie beskikbaar is nie - Objective vooruitskatting saamgestel deur 2 modelle 1) tydreeksmodel: gebruik historiese data na die toekoms te voorspel (probeer om die patroon van data vind) 2) Assosiatiewe / oorsaaklike modelle: gebruik verklarende veranderlikes na die toekoms te voorspel (verstaan waarom ons hierdie patroon) Subjektiewe voorspellings van toepassing wanneer daar geen tyd om data in te samel, data is nie meer geldig of data nie beskikbaar is nie (vir nuwe produkte) veroordelend metodes sluit in uitvoerende menings, sales force saamgestelde, verbruikersopnames, buite menings (kenners ) en menings van bestuurders en personeel (Delphi-tegniek) Tydreeksanalise - A chronologiese reeks waarnemings geneem met verloop van tyd. Gebruik om die gedrag van die verlede data te kyk vir patrone. - hulle Aanvaar dat toekomstige waardes kan bereken word slegs uit die verlede data. - In Vraag vooruitskatting, is verlede data op aanvraag gebruik word om toekomstige vraag te voorspel. -5 Komponente: vlak, tendens, seisoenaliteit, cyclival, toevalsveranderlikes Eenvoudige bewegende gemiddelde - Forecasts is gladder as werklike en lag werklike vraag waardes - Less tydperk: meer reageer op werklike veranderinge, minder gladde voorspellings. - Een Nadeel: oudste afgelope data het dieselfde gewig as die mees onlangse oneOR-notas of-Notes is 'n reeks van inleidende notas oor onderwerpe wat onder die breë opskrif van die veld van operasionele navorsing (OR) val. Hulle is oorspronklik gebruik deur my op 'n inleidende of kursus gee Ek aan die Imperial College. Hulle is nou beskikbaar vir gebruik deur enige studente en onderwysers wat belangstel in of onderworpe aan die volgende voorwaardes. 'N Volledige lys van die beskikbare in OF-Notes onderwerpe kan hier gevind word. Vooruitskatting Inleiding vooruitskatting is die skatting van die waarde van 'n veranderlike (of stel veranderlikes) op 'n sekere toekomstige tydstip. In hierdie nota sal ons 'n paar metodes vir voorspelling oorweeg. 'N vooruitskatting oefening word gewoonlik uit om 'n hulpmiddel om besluitneming te voorsien en in die beplanning van die toekoms gedra. Tipies al sulke oefeninge werk op die veronderstelling dat as ons kan voorspel wat die toekoms sal wees soos ons ons gedrag nou kan verander word in 'n beter posisie as wat ons andersins sou gewees het, wanneer die toekoms arriveer. Aansoeke vir vooruitskatting sluit in: voorraadbeheer / produksie beplanning - voorspel die vraag na 'n produk in staat stel om die voorraad van grondstowwe en klaarprodukte beheer, beplan die produksie skedule, ens beleggingsbeleid - voorspel finansiële inligting soos rentekoerse, wisselkoerse, aandeelpryse, die prys van goud, ens Dit is 'n gebied waar niemand 'n betroubare (akkurate) vooruitskatting tegniek nog ontwikkel (of ten minste as hulle hulle havent het enige iemand) ekonomiese beleid - voorspel ekonomiese inligting soos die groei in die ekonomie, werkloosheid, die inflasiekoers, ens is noodsaaklik beide die regering en besigheid in die beplanning vir die toekoms. Dink vir 'n oomblik, dink die goeie fee verskyn voordat jy en jou vertel dat as gevolg van jou vriendelikheid, hoofde en kuisheid (goed - dit is 'n sprokie) hulle besluit het om u drie voorspellings gee. Watter drie dinge in jou persoonlike / besigheid lewe sou jy die graagste wou Persoonlik voorspel ek sou kies (in dalende volgorde van belangrikheid): die datum van my dood die wen nommers op die volgende Britse nasionale lotery die wen nommers op die Britse nasionale lotery na dat 'n mens Soos jy kan sien uit my lys 'n paar voorspellings het die lewe of die dood gevolge. Ook is dit duidelik dat sekere voorspellings te maak, bv die datum van my dood, ons kon (in die afwesigheid van die goeie fee om ons te help) in te samel 'n paar data na 'n meer ingeligte in staat te stel, en dus hopelik meer akkuraat, na verwagting gemaak word. Byvoorbeeld kan ons kyk na die lewensverwagting vir middeljarige Britse manlike akademici (Nie-roker, drinker, nooit oefeninge). Ons kan ook mediese toetse. Die punt hier beklemtoon is dat die invordering van data kan lei tot 'n beter skatting. Natuurlik is dit dalk nie, ek kon gewees het oor wat deur 'n motor op die dag ná die geskrewe en dus reeds dood wees. Inderdaad 'n persoonlike noot dink ek (nee voorspelling) wat maatskappye bied Web (digitale) onsterflikheid 'n groot besigheid groei area in die vroeë deel van die 21ste eeu sal wees. Onthou jy dit gesien het hier die eerste Tipe vooruitskatting probleme / metodes Een manier om die klassifikasie van vooruitskatting probleme is om die tydskaal wat betrokke is by die vooruitsig maw hoe ver vorentoe in die toekoms sal ons probeer om te voorspel oorweeg. Kort-, medium - en langtermyn is die gewone kategorieë, maar die werklike betekenis van elk wissel na gelang van die situasie wat bestudeer, bv in vooruitskatting vraag na energie om kragstasies te bou 5-10 jaar sou kort termyn wees en 50 jaar sal wees langtermyn, terwyl in vooruitskatting verbruikersvraag in baie sake situasies tot 6 maande sou kort termyn wees en oor 'n paar jare langtermyn. Die tabel hieronder toon die tydskaal wat verband hou met sakebesluite. Die basiese rede vir die bogenoemde klassifikasie is dat verskillende vooruitskatting toe te pas in elke situasie, bv 'n vooruitskatting metode wat geskik is vir vooruitskatting verkope is volgende maand ( 'n korttermyn-voorspelling) sou waarskynlik 'n onvanpaste metode vir die voorspelling verkope in vyf jaar tyd ( 'n langtermyn-vooruitskatting) wees. In die besonder boodskap hier is dat die gebruik van getalle (data) om watter kwantitatiewe tegnieke toegepas wissel tipies van baie hoog vir kort termyn vooruitskatting tot baie lae vir 'n lang termyn vooruitskatting wanneer ons te doen het met die maatskappy se situasies. Vooruitskatting metodes kan geklassifiseer word in verskillende kategorieë: kwalitatiewe metodes - waar daar geen formele wiskundige model, dikwels omdat die beskikbare word nie gedink data te verteenwoordigend van die toekoms (langtermyn voorspelling) regressie metodes wees - 'n verlenging van lineêre regressie waar 'n veranderlike is vermoedelik lineêr verband hou met 'n aantal ander onafhanklike veranderlikes verskeie vergelyking metodes - waar daar is 'n aantal afhanklike veranderlikes wat in wisselwerking met mekaar deur middel van 'n reeks van vergelykings (soos in ekonomiese modelle) tydreekse metodes - waar ons 'n enkele veranderlike wat verander met tyd en waarvan die toekomstige waardes verwant is in een of ander manier om sy verlede waardes. Ons sal elkeen van hierdie metodes op sy beurt beskou. Kwalitatiewe metodes Metodes van hierdie tipe word hoofsaaklik gebruik in situasies waar daar geoordeel geen relevante afgelope data (getalle) waarop 'n voorspelling gebaseer kan word en gewoonlik betrekking op die langtermyn voorspelling wees. Een benadering van hierdie soort is die Delphi-tegniek. Die antieke Grieke het 'n baie logiese benadering tot vooruitskatting en het gedink dat die beste mense om te vra oor die toekoms was bonatuurlike wesens, gode. Op die binneste vertrek van Delphi in antieke Griekeland vrae aan die gode was nie deur middel van 'n vrou meer as vyftig wat afgesien van haar man gewoon en geklee in 'n uitgesoekte meisies klere. As jy wil jou vraag beantwoord wat jy het om: 'n mate koek voorsien 'n dier bring om te offer en bad met die medium in 'n fontein. Daarna het die medium sou sit op 'n driepoot in 'n kelder kamer in die tempel, kou lourier blare en beantwoord jou vraag (dikwels in dubbelsinnige vers). Dit is dus wettig om te vra of, in die dieptes van 'n kelder kamer iewers is daar 'n lourier blaar kou regering dienaar wat in diens is om ekonomiese groei, verkiesing sukses, ens voorspel Miskien is daar Dink vir 'n oomblik, glo jy dat maak voorspellings op die wyse wat by Delphi lei tot akkurate voorspellings of nie Onlangse wetenskaplike ondersoek (New Scientist, 1 September 2001) dui aan dat die medium mag gewees het quothighquot as gevolg van die inaseming van koolwaterstof gasse, spesifiek etileen, wat voortspruit uit 'n geologiese breuk onder die tempel. Vandag is die Delphi-tegniek het 'n ander betekenis. Dit behels vra 'n liggaam van kundiges te kom by 'n konsensus mening oor wat die toekoms inhou. Onderliggend aan die idee van die gebruik kundiges is die oortuiging dat hulle siening van die toekoms beter as dié van nie-deskundiges sal wees (soos mense na willekeur gekies in die straat). Oorweeg - watter tipe kundiges sou jy kies as jy probeer om te voorspel wat die wêreld sal wees soos in 50 jaar keer in 'n Delphi studie die kundiges is almal afsonderlik geraadpleeg word om 'n paar van die vooroordeel wat kan lei was hulle almal bymekaar gebring vermy, bv oorheersing deur 'n sterk wou individuele, uiteenlopende (maar geldig) sienings nie uitgedruk vrees vir vernedering. 'N Tipiese vraag kan quotIn watter jaar (indien ooit) verwag jy outomatiese snelvervoerstelsel gemeenskaplike geword in die groot stede in Europequot. Die antwoorde word saamgestel in die vorm van 'n verspreiding van jare, met kommentaar aangeheg, en hersirkuleer om hersiene skattings verskaf. Hierdie proses word herhaal totdat 'n konsensus-siening na vore. Duidelik so 'n metode het baie tekortkominge, maar aan die ander kant is daar 'n beter manier om 'n siening van die toekoms as ons nie oor die relevante data (getalle) wat nodig sou wees as ons 'n paar van die meer kwantitatiewe tegnieke as van toepassing voorbeeld hiervan was daar 'n Delphi studie gepubliseer in Science Journal in Oktober 1967, wat probeer het om na uit te sien in die toekoms (nou, natuurlik, ons is baie jare afgelope 1967 sodat ons kan sien hoe goed hulle voorspel). Baie vrae is gevra oor wanneer iets kan gebeur en 'n seleksie van hierdie vrae word hieronder gegee. Vir elke vraag gee ons die boonste kwartiel antwoord, die tyd waarop 75 van die kenners geglo iets sou gebeur. Outomatiese snelvervoerstelsel, boonste kwartiel antwoord 1985, dit wil sê 75 van die kenners gevra in 1967 gedink dat teen 1985 sal daar wydverspreide outomatiese snelvervoerstelsel in die meeste stedelike gebiede wees, vertel dat enigiemand wat in Londen wydverspreide gebruik van gesofistikeerde onderrig masjiene, boonste kwartiel woon antwoord 1990, dit wil sê 75 van die vra in 1967 kenners het gedink dat teen 1990 sal daar wydverspreide gebruik van gesofistikeerde onderrig masjiene wees, sê dat om iemand wat in 'n Britse skool / universiteit wydverspreide gebruik van die robot dienste, boonste kwartiel antwoord 1995, dit wil sê 75 van die vra in 1967 kenners het gedink dat deur 1995 sou daar wydverspreide gebruik van die robot dienste Dit is duidelik dat hierdie voorspellings, ten minste, was baie verkeerd. Inderdaad kyk oor die volledige stel van die voorspellings baie van die 25 voorspellings gemaak (ongeveer alle aspekte van die lewe / die samelewing in die toekoms na 1967) was wild onakkurate. Dit bring ons by ons eerste belangrike punt, ons is geïnteresseerd in die verskil tussen die oorspronklike voorspelling en die finale uitslag, dit wil sê in vooruitsig fout. Maar terug in 1967 toe hierdie Delphi studie is gedoen, wat ander alternatiewe benadering het ons het as ons wou op hierdie vrae in baie opsigte beantwoord die kwessie wat ons nodig het aan te spreek met betrekking tot vooruitskatting is nie of 'n bepaalde metode gee goeie (akkurate) voorspellings maar of dit die beste beskikbare metode - al is dit dan wat keuse het ons oor die gebruik van dit dit bring ons by ons tweede belangrike punt moet ons die mees geskikte (beste) vooruitskatting metode gebruik, selfs al weet ons dat (histories ) dit nie akkurate voorspellings te gee. Regressie metodes Jy het waarskynlik reeds vergader lineêre regressie waar 'n reguit lyn van die vorm y is 'n bX om data toegerus. Dit is moontlik om die metode te hanteer meer as een onafhanklike veranderlike X Gestel ons het k onafhanklike veranderlikes X 1 brei. X 2. X k dan kan ons die regressielyn te pas Hierdie uitbreiding na die basiese lineêre regressie tegniek staan bekend as meervoudige regressie. Duidelik weet wat die regressielyn stel ons in staat om Y gegee waardes voorspel vir die X i i1,2. k. Meervoudige vergelyking metodes Metodes van hierdie tipe word dikwels gebruik in ekonomiese modellering (ekonometrie) waar daar baie afhanklike veranderlikes wat in wisselwerking met mekaar deur middel van 'n reeks van vergelykings, die vorm van wat gegee word deur ekonomiese teorie. Dit is 'n belangrike punt. Ekonomiese teorie gee ons 'n insig in die basiese strukturele verwantskappe tussen veranderlikes. Die presiese numeriese verhouding tussen veranderlikes moet dikwels afgelei word deur die ondersoek van data. As 'n voorbeeld kyk na die volgende eenvoudige model, laat: X persoonlike inkomste Y persoonlike besteding ek persoonlike belegging r rentekoers Van ekonomiese teorie veronderstel dat ons en die balansering vergelyking Hier het ons 3 vergelykings in 4 veranderlikes (X, Y, I, r ) en so op te los hierdie vergelykings een van die veranderlikes moet 'n waarde gegee word. Die so gekies is bekend as 'n eksogene veranderlike, omdat die waarde buite die stelsel van vergelykings, terwyl die oorblywende veranderlikes bepaal veranderlike genoem word endogene veranderlikes soos hul waardes word bepaal binne die stelsel van vergelykings, bv in ons model kan ons die rentekoers r as die eksogene veranderlike en belangstel in hoe X, Y en ek verander soos ons verander r. Gewoonlik is die konstante 'n 1, n 2, b 1, b 2 is nie presies bekend en moet beraam van data ( 'n komplekse proses). Let ook dat hierdie konstantes waarskynlik verskillend weer vir verskillende groepe mense sal wees, bv stedelike / landelike, mans / vroue, enkel / getroud, ens 'n Voorbeeld van 'n ekonometriese model van hierdie tipe is die Britse Tesourie model van die ekonomie wat baie veranderlikes bevat (elk met 'n tyd subscript), ingewikkelde vergelykings, en word gebruik om kyk na die uitwerking van rentekoerse veranderinge, belasting veranderinge, olieprys bewegings, ens byvoorbeeld die Britse Tesourie vergelyking New Scientist, 31 Oktober 1993 om te voorspel verbruikersbesteding lyk: t tydperk (kwartaal) betrokke D verandering in veranderlike tussen hierdie kwartaal en laaste kwartaal C verbruiker nie-duursame besteding vir die betrokke kwartaal U werkloosheidsyfer Y reële besteebare inkomste aangepas vir inflasie verlies op finansiële bates P inflasie-indeks vir die totale verbruikersbesteding NFW netto finansiële bates van die persoonlike sektor Staatsdrukkery bruto fisiese rykdom van die persoonlike sektor As jy kliek hier sal jy 'n model wat jou in staat stel om te speel met die Britse ekonomie te vind. Histories ekonometriese tegnieke / metodes is geneig om groot voorspelling foute wanneer voorspel nasionale ekonomieë in die medium termyn. Maar onthou een van ons belangrikste punte bo: ons moet die mees geskikte (beste) vooruitskatting metode gebruik, selfs al weet ons dat (histories) dit nie akkurate voorspellings te gee. Daar kan aangevoer word dat sulke tegnieke is die mees geskikte / beste manier om ekonomiese vooruitskattings. Tydreeks metodes / analise metodes van hierdie tipe het te doen met 'n veranderlike wat verander met verloop van tyd en wat kan gesê word om net berus op die huidige tyd en die vorige waardes wat dit geneem het (dit wil sê nie afhanklik van enige ander veranderlikes of eksterne faktore). As Y t is die waarde van die veranderlike op tydstip t dan die vergelyking vir Y t is maw die waarde van die veranderlike op tydstip t is suiwer 'n funksie van die vorige waardes en tyd, geen ander veranderlikes / faktore is van belang. Die doel van tydreeksanalise is om die aard van die funksie f ontdek en dus toelaat dat ons waardes vir Y t voorspel. Tydreeks metodes is veral goed vir 'n kort termyn vooruitskatting waar, binne perke, die afgelope gedrag van 'n bepaalde veranderlike is 'n goeie aanduiding van sy toekomstige gedrag, ten minste in die kort termyn. Die tipiese voorbeeld hier is kort termyn vraag vooruitskatting. Let op die verskil tussen die vraag en verkope - die vraag is wat kliënte wil hê - verkope is wat ons verkoop, en die twee kan anders wees. In grafiese terme die plot van Y t teen t is soos hieronder getoon. Die doel van die analise is 'n paar verhouding tussen die Y t waardes tot dusver waargeneem ten einde ons in staat stel om toekomstige Y t waardes voorspel onderskei. Ons sal gaan met twee tegnieke vir tydreeksanalise in detail en kortliks te noem 'n meer gesofistikeerde metode. Bewegende gemiddelde Een, baie eenvoudig, metode vir tydreekse vooruitskatting is om 'n bewegende gemiddelde (ook bekend as geweeg bewegende gemiddelde) neem. Die bewegende gemiddelde (m t) oor die afgelope L tydperke geëindig in tydperk t word bereken deur die gemiddeld van die waardes vir die tydperke t-L1, t-T2, t-V3. t-1, t sodat Om te voorspel met behulp van die bewegende gemiddelde ons sê dat die voorspelling vir alle periodes buite t is net mt (hoewel ons gewoonlik net voorspel vir een tydperk wat voorlê, afhangende van die bewegende gemiddelde as die werklike waarneming vir daardie tydperk beskikbaar is ). Kyk na die volgende voorbeeld: die vraag na 'n produk vir 6 maande word hieronder getoon - bereken die drie maande bewegende gemiddelde vir elke maand en voorspel die vraag na maand 7. Nou kan ons nie 'n drie maande bewegende gemiddelde bereken totdat ons het ten minste 3 Waarnemings - dit wil sê dit is slegs moontlik om so 'n gemiddelde bereken vanaf maand 3 af. Die bewegende gemiddelde vir maand 3 word gegee deur: m 3 (42 41 43) / 3 42 en die bewegende gemiddelde vir die ander maande word gegee deur: Ons gebruik m 6 as die voorspelling vir maand 7. Vandaar die vraag Voorspelling vir maand 7 is 3670 eenhede. Die pakket insette vir hierdie probleem word hieronder getoon. Die uitset van die pakket vir 'n drie maande bewegende gemiddelde word hieronder getoon. Die keuse tussen voorspellings Een probleem met hierdie voorspelling is eenvoudig - hoe goed is byvoorbeeld ons kon produseer ook 'n vraag Voorspelling vir maand 7 behulp van 'n twee maande bewegende gemiddelde. Sou hierdie voorspelling (m 6 3600 eenhede) wees beter as ons huidige vraag voorspelling van 3670 eenhede Eerder as om te probeer om te raai wat voorspel is beter ons kan die probleem logies te benader: Dit sal die volgende gee. Trouens, as sal duidelik onder geword, ons het reeds genoeg inligting om 'n logiese keuse tussen voorspellings te maak as ons kyk na die inligting toepaslik. In 'n poging om te besluit hoe goed 'n voorspelling is het ons die volgende logika. Kyk na die drie maande bewegende gemiddelde hierbo gegee en voorgee vir 'n oomblik dat ons moes net data vraag na die eerste drie maande, dan sal ons die bewegende gemiddelde vir maand 3 (m 3) as 42 bereken (sien hierbo). Dit sou ons voorspel vir maand 4. Maar in maand 4 die uitkoms is eintlik 38, so ons het 'n verskil (fout) gedefinieer deur: Let hier dat ons ewe goed fout as uitkoms-voorspelling kan definieer. Dit sou net verander die teken van die foute, nie hul absolute waardes. Inderdaad hier daarop dat indien jy die pakket uitset inspekteer sal jy sien dat dit nie net dat. In maand 4 het ons 'n voorspelling vir maand 5 van m 4 40.7 maar 'n uitkoms vir maand 5 van 35 lei tot 'n fout van 40,7-35 5.7. In maand 5 het ons 'n voorspelling vir maand 6 van m 5 38.7 maar 'n uitkoms vir maand 6 van 37 lei tot 'n fout van 38,7-37 1.7. Vandaar kan ons die onderstaande tabel te bou: Konstruksie van dieselfde tafel vir die twee maande bewegende gemiddelde het ons: Vergelyk hierdie twee tafels kan ons sien dat die fout terme gee vir ons 'n aanduiding van hoe goed die voorspelling metodes (twee of drie maande bewegende gemiddelde) sou gewees het indien ons dit gebruik om een periode (maand) wat voorlê op die historiese data wat ons het voorspel. In 'n ideale wêreld sou ons graag 'n vooruitskatting metode waarvoor al die foute is nul, sou ons vertroue (waarskynlik 'n baie vertroue) dat ons voorspelling vir maand 7 waarskynlik korrek te wees gee. Ronduit in die werklike wêreld, ons is amper geneig om 'n situasie waar al die foute is nul kry. Dit is werklik moeilik om te kyk na (soos in hierdie geval) twee reekse van die dwaling terme en vergelyk kan word. Dit is baie makliker as ons 'n funksie van die fout terme te neem, maw verminder elke reeks 'n enkele (maklik begryp) nommer. Een geskikte funksie om te besluit hoe akkuraat 'n vooruitskatting metode is is: Die logika hier is dat ons deur kwadratuur foute verwyder die teken (of -) en diskrimineer teen groot foute (wat bedank om klein foute, maar om nadelige om groot foute). Die ideaal sou gemiddelde kwadraat fout nul (dit wil sê 'n perfekte voorspelling) wees. In elk geval verkies ons die vooruitskatting metode wat die laagste gemiddelde kwadraat fout gee. Ons het dit vir die drie maande bewegende gemiddelde: gemiddelde kwadraat fout 4sup2 5.7sup2 1.7sup2 / 3 17,13 en vir die twee maande bewegende gemiddelde: gemiddelde kwadraat fout (-1,5) sup2 4sup2 5.5sup2 (-0,5) sup2 / 4 12.19 Die laer van hierdie twee figure is wat verband hou met die twee maande bewegende gemiddelde en so ons verkies dat vooruitskatting metode (en dus verkies om die voorspelling van 3600 vir maand 7 geproduseer word deur die twee maande bewegende gemiddelde). Gemiddelde kwadraat fout is tegnies bekend as die gemiddelde kwadraat afwyking (MSD) of bedoel kwadraat fout (MSE). Let hier dat ons eintlik meer as onderskei tussen twee verskillende voorspellings (bv tussen twee maande en drie maande bewegende gemiddelde) gedoen. Ons het nou 'n kriteria vir die onderskeiding tussen voorspellings, maar hulle gegenereer - naamlik verkies ons die voorspelling wat deur die tegniek met die laagste MSD (histories die mees akkurate voorspelling tegniek op die data het ons dit toegepas het konsekwent oor tyd). Dit is belangrik aangesien ons weet dat selfs ons eenvoudige pakket bevat baie verskillende metodes vir tydreekse vooruitskatting - soos hieronder. Vraag - dink jy dat een van die bogenoemde voorspelling metodes gee altyd beter resultate as die ander of nie Enkellopend eksponensiële gladstryking Een nadeel van die gebruik bewegende gemiddeldes vir vooruitskatting is dat by die berekening van die gemiddelde al die waarnemings word ewe veel gewig (naamlik 1 / L ), terwyl ons sou verwag dat die meer onlangse waarnemings 'n beter aanduiding van die toekoms (en dienooreenkomstig moet gegee word 'n groter gewig). Ook in bewegende gemiddeldes ons net onlangse waarnemings te gebruik, miskien moet ons in ag neem al die vorige waarnemings. Een tegniek bekend as eksponensiële gladstryking (of, meer akkuraat, enkele eksponensiële gladstryking) gee 'n groter gewig meer onlangse waarnemings en in ag neem al die vorige waarnemings. Definieer 'n konstante mikro waar 0 LT mikro Dit 1 dan die (enkele) eksponensieel stryk bewegende gemiddelde vir tydperk t (M t sê) gegee word deur So kan jy hier sien dat die eksponensieel stryk bewegende gemiddelde in ag neem al die vorige waarnemings, vergelyk die bewegende gemiddelde bo waar slegs 'n paar van die vorige waarnemings in ag geneem is. Bogenoemde vergelyking is moeilik om numeries te gebruik, maar daarop dat: Vandaar die eksponensieel stryk bewegende gemiddelde vir tydperk t is 'n lineêre kombinasie van die huidige waarde (Y t) en die vorige eksponensieel stryk bewegende gemiddelde (M t-1). hier en hier.
No comments:
Post a Comment