Médias móveis Médias móveis Com conjuntos de dados convencionais, o valor médio é frequentemente o primeiro, e um dos mais úteis, estatísticas de resumo a calcular. Quando os dados estão na forma de uma série temporal, a média da série é uma medida útil, mas não reflete a natureza dinâmica dos dados. Os valores médios calculados em períodos em curto, anteriores ao período atual ou centrados no período atual, são freqüentemente mais úteis. Como esses valores médios variam ou se movem, à medida que o período atual se move a partir do tempo t 2, t 3, etc., eles são conhecidos como médias móveis (Mas). Uma média móvel simples é (tipicamente) a média não ponderada de k valores anteriores. Uma média móvel exponencialmente ponderada é essencialmente a mesma que uma média móvel simples, mas com contribuições para a média ponderada pela sua proximidade com o tempo atual. Como não existe uma, mas toda uma série de médias móveis para qualquer série, o conjunto de Mas pode ser plotado em gráficos, analisado como uma série e usado na modelagem e previsão. Uma gama de modelos pode ser construída usando médias móveis, e estes são conhecidos como modelos MA. Se tais modelos forem combinados com modelos autorregressivos (AR), os modelos compostos resultantes são conhecidos como modelos ARMA ou ARIMA (o I é para integrado). Médias móveis simples Uma vez que uma série temporal pode ser considerada como um conjunto de valores, t 1,2,3,4, n a média destes valores pode ser calculada. Se assumimos que n é bastante grande, e selecionamos um inteiro k que é muito menor que n. Podemos calcular um conjunto de médias de bloco, ou médias móveis simples (de ordem k): Cada medida representa a média dos valores de dados sobre um intervalo de k observações. Observe que a primeira MA possível de ordem k gt0 é aquela para t k. De forma mais geral, podemos descartar o subíndice extra nas expressões acima e escrever: Isto indica que a média estimada no tempo t é a média simples do valor observado no instante t e os intervalos de tempo anteriores k-1. Se forem aplicados pesos que diminuam a contribuição de observações que estão mais distantes no tempo, a média móvel é dita ser suavizada exponencialmente. As médias móveis são frequentemente utilizadas como uma forma de previsão, pelo que o valor estimado para uma série no tempo t 1, S t 1. É tomado como o MA para o período até e incluindo o tempo t. por exemplo. A estimativa de hoje é baseada em uma média de valores anteriores registrados até e inclusive ontem (para dados diários). As médias móveis simples podem ser vistas como uma forma de suavização. No exemplo ilustrado abaixo, o conjunto de dados sobre poluição atmosférica mostrado na introdução deste tópico foi aumentado por uma linha de média móvel de 7 dias, mostrada aqui em vermelho. Como pode ser visto, a linha de MA suaviza os picos e depressões nos dados e pode ser muito útil na identificação de tendências. A fórmula padrão de cálculo de forward significa que os primeiros k -1 pontos de dados não têm nenhum valor de MA, mas depois os cálculos se estendem até o ponto de dados final da série. Uma razão para calcular médias móveis simples da maneira descrita é que ela permite que os valores sejam calculados para todos os intervalos de tempo desde o tempo tk até o presente, e Como uma nova medição é obtida para o tempo t 1, o MA para o tempo t 1 pode ser adicionado ao conjunto já calculado. Isso fornece um procedimento simples para conjuntos de dados dinâmicos. No entanto, existem alguns problemas com esta abordagem. É razoável argumentar que o valor médio nos últimos 3 períodos, digamos, deve ser localizado no tempo t -1, não no tempo t. E para um MA sobre um número par de períodos, talvez ele deve ser localizado no ponto médio entre dois intervalos de tempo. Uma solução para esse problema é usar cálculos centralizados de MA, nos quais o MA no tempo t é a média de um conjunto simétrico de valores em torno de t. Apesar de seus méritos óbvios, esta abordagem não é geralmente usada porque exige que os dados estejam disponíveis para eventos futuros, o que pode não ser o caso. Em casos onde a análise é inteiramente de uma série existente, o uso de Mas centralizado pode ser preferível. As médias móveis simples podem ser consideradas como uma forma de suavização, removendo alguns componentes de alta freqüência de uma série de tempo e destacando (mas não removendo) as tendências de forma semelhante à noção geral de filtragem digital. De fato, as médias móveis são uma forma de filtro linear. É possível aplicar um cálculo da média móvel a uma série que já tenha sido suavizada, isto é, suavizar ou filtrar uma série já suavizada. Por exemplo, com uma média móvel de ordem 2, podemos considerá-la como sendo calculada usando pesos, então a MA em x 2 0,5 x 1 0,5 x 2. Da mesma forma, a MA em x 3 0,5 x 2 0,5 x 3. Se nós Aplicar um segundo nível de suavização ou filtragem, temos 0,5 x 2 0,5 x 3 0,5 (0,5 x 1 0,5 x 2) 0,5 (0,5 x 2 0,5 x 3) 0,25 x 1 0,5 x 2 0,25 x 3 ou seja, a filtragem de 2 estádios Processo (ou convolução) produziu uma média móvel simétrica ponderada variável, com pesos. Várias circunvoluções podem produzir médias móveis ponderadas bastante complexas, algumas das quais foram encontradas de uso particular em campos especializados, como nos cálculos de seguros de vida. As médias móveis podem ser usadas para remover efeitos periódicos se computadas com o comprimento da periodicidade como um conhecido. Por exemplo, com os dados mensais as variações sazonais podem frequentemente ser removidas (se este for o objetivo) por aplicar uma média móvel simétrica de 12 meses com todos os meses ponderados igualmente, exceto o primeiro e o último que são ponderados por 12. Isto é porque haverá Ser de 13 meses no modelo simétrico (tempo atual, t. - 6 meses). O total é dividido por 12. Procedimentos semelhantes podem ser adotados para qualquer periodicidade bem definida. Médias móveis exponencialmente ponderadas (EWMA) Com a fórmula da média móvel simples: todas as observações são igualmente ponderadas. Se chamássemos esses pesos iguais, alfa t. Cada um dos k pesos seria igual a 1 k. Então a soma dos pesos seria 1, ea fórmula seria: Já vimos que múltiplas aplicações desse processo resultam em pesos variando. Com médias móveis ponderadas exponencialmente, a contribuição para o valor médio das observações que são mais removidas no tempo é deliberada reduzida, enfatizando os eventos mais recentes (locais). Essencialmente um parâmetro de suavização, 0lt alfa lt1, é introduzido, ea fórmula revisada para: Uma versão simétrica desta fórmula seria da forma: Se os pesos no modelo simétrico são selecionados como os termos dos termos da expansão binomial, (1212) 2q. Eles somarão a 1, e quando q se tornar grande, aproximar-se-á da distribuição Normal. Esta é uma forma de ponderação do kernel, com o Binomial agindo como a função do kernel. A convolução de dois estágios descrita na subseção anterior é precisamente esta disposição, com q 1, produzindo os pesos. Em suavização exponencial é necessário usar um conjunto de pesos que somam 1 e que reduzem em tamanho geometricamente. Os pesos usados são tipicamente da forma: Para mostrar que esses pesos somam 1, considere a expansão de 1 como uma série. Podemos escrever e expandir a expressão entre parênteses usando a fórmula binomial (1-x) p. Onde x (1-) e p -1, o que dá: Isso então fornece uma forma de média móvel ponderada da forma: Esta soma pode ser escrita como uma relação de recorrência: o que simplifica muito a computação e evita o problema de que o regime de ponderação Deve ser estritamente infinito para os pesos a somar a 1 (para pequenos valores de alfa, isso normalmente não é o caso). A notação utilizada por diferentes autores varia. Alguns usam a letra S para indicar que a fórmula é essencialmente uma variável suavizada e escrevem: enquanto a literatura da teoria de controle usa freqüentemente Z em vez de S para os valores exponencialmente ponderados ou suavizados (ver, por exemplo, Lucas e Saccucci, 1990, LUC1 , Eo site do NIST para mais detalhes e exemplos trabalhados). As fórmulas citadas acima derivam do trabalho de Roberts (1959, ROB1), mas Hunter (1986, HUN1) usa uma expressão da forma: que pode ser mais apropriada para uso em alguns procedimentos de controle. Com alfa 1, a estimativa média é simplesmente o seu valor medido (ou o valor do item de dados anterior). Com 0,5 a estimativa é a média móvel simples das medições atuais e anteriores. Nos modelos de previsão, o valor, S t. É freqüentemente usado como estimativa ou valor de previsão para o próximo período de tempo, ou seja, como a estimativa para x no tempo t 1. Assim, temos: Isto mostra que o valor da previsão no tempo t 1 é uma combinação da média móvel exponencial ponderada anterior Mais um componente que representa o erro de previsão ponderado, epsilon. No tempo t. Supondo que uma série temporal é dada e uma previsão é necessária, um valor para alfa é necessário. Isto pode ser estimado a partir dos dados existentes, avaliando a soma dos erros de predição quadrados obtidos com valores variáveis de alfa para cada t 2,3. Definindo a primeira estimativa como sendo o primeiro valor de dados observado, x 1. Em aplicações de controle, o valor de alfa é importante na medida em que é usado na determinação dos limites de controle superior e inferior e afeta o comprimento médio de execução (ARL) esperado Antes que esses limites de controle sejam quebrados (sob o pressuposto de que as séries temporais representam um conjunto de variáveis independentes, aleatoriamente distribuídas, com variância comum). Nestas circunstâncias, a variância da estatística de controlo é (Lucas e Saccucci, 1990): Os limites de controlo são usualmente definidos como múltiplos fixos desta variância assintótica, e. - 3 vezes o desvio padrão. Se alfa 0,25, por exemplo, e os dados sendo monitorados forem assumidos como tendo uma distribuição Normal, N (0,1), quando em controle, os limites de controle serão - 1,134 e o processo atingirá um ou outro limite em 500 passos na média. Lucas e Saccucci (1990 LUC1) derivam os ARLs para uma ampla gama de valores alfa e sob várias suposições usando procedimentos de Cadeia de Markov. Eles tabulam os resultados, incluindo o fornecimento de ARLs quando a média do processo de controle foi deslocada por algum múltiplo do desvio padrão. Por exemplo, com um deslocamento 0,5 com alfa 0,25 o ARL é menos de 50 etapas de tempo. As abordagens descritas acima são conhecidas como suavização exponencial única. Uma vez que os procedimentos são aplicados uma vez à série temporal e, em seguida, análises ou processos de controlo são realizados no conjunto de dados suavizado resultante. Se o conjunto de dados incluir uma tendência e / ou componentes sazonais, o alisamento exponencial de dois ou três estágios pode ser aplicado como um meio de remover (explicitamente modelar) esses efeitos (veja a seção sobre Previsão abaixo e o exemplo trabalhado pelo NIST). CHA1 Chatfield C (1975) A Análise da Série de Tempos: Teoria e Prática. Chapman e Hall, Londres HUN1 Hunter J S (1986) A média móvel exponencialmente ponderada. J of Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) Esquemas de controlo da média móvel ponderada exponencialmente: propriedades e melhoramentos. Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) Testes de gráficos de controle baseados em médias móveis geométricas. Technometrics, 1, 239-250 Métodos da série temporal Os métodos da série temporal são técnicas estatísticas que fazem uso de dados históricos acumulados ao longo de um período de tempo. Os métodos da série temporal assumem que o que ocorreu no passado continuará a ocorrer no futuro. Como sugere a série temporal de nomes, esses métodos relacionam a previsão a apenas um fator - tempo. Eles incluem a média móvel, suavização exponencial e linha de tendência linear e estão entre os métodos mais populares para a previsão de curto prazo entre as empresas de serviços e de fabricação. Esses métodos pressupõem que padrões históricos identificáveis ou tendências para a demanda ao longo do tempo se repetirão. Média móvel Uma previsão de séries de tempo pode ser tão simples como usar a demanda no período atual para prever a demanda no próximo período. Isso às vezes é chamado de previsão ingênua ou intuitiva. 4 Por exemplo, se a demanda é de 100 unidades esta semana, a previsão para as próximas semanas demanda é de 100 unidades, se a demanda acaba por ser 90 unidades, em seguida, as semanas seguintes demanda é de 90 unidades, e assim por diante. Esse tipo de método de previsão não leva em conta o comportamento histórico da demanda, que se baseia apenas na demanda no período corrente. Ele reage diretamente aos movimentos normais, aleatórios na demanda. O método de média móvel simples usa vários valores de demanda durante o passado recente para desenvolver uma previsão. Isso tende a atenuar, ou suavizar, os aumentos aleatórios e diminuições de uma previsão que usa apenas um período. A média móvel simples é útil para prever a demanda que é estável e não exibe qualquer comportamento de demanda pronunciado, como uma tendência ou padrão sazonal. As médias móveis são calculadas para períodos específicos, como três meses ou cinco meses, dependendo de quanto o meteorologista deseja suavizar os dados da demanda. Quanto mais longo for o período de média móvel, mais suave será. A fórmula para computar a média móvel simples é computar uma média movente simples A empresa instantânea da fonte do escritório do grampo do papel vende e entrega materiais de escritório às companhias, às escolas, e às agências dentro de um raio de 50 milhas de seu armazém. O negócio de suprimentos de escritório é competitivo, ea capacidade de entregar ordens prontamente é um fator para obter novos clientes e manter os antigos. (Os escritórios geralmente não exigem quando eles correm baixos suprimentos, mas quando eles acabam completamente fora. Como resultado, eles precisam de suas ordens imediatamente.) O gerente da empresa quer ser determinados drivers e veículos estão disponíveis para entregar ordens prontamente e Eles têm estoque adequado em estoque. Portanto, o gerente quer ser capaz de prever o número de pedidos que ocorrerão durante o próximo mês (ou seja, para prever a demanda por entregas). A partir de registros de ordens de entrega, a gerência acumulou os seguintes dados para os últimos 10 meses, a partir do qual pretende calcular média móvel de 3 e 5 meses. Vamos supor que é o fim de outubro. A previsão resultante da média móvel de 3 ou 5 meses é tipicamente para o próximo mês na seqüência, que neste caso é novembro. A média móvel é calculada a partir da demanda por ordens para os 3 meses anteriores na seqüência de acordo com a seguinte fórmula: A média móvel de 5 meses é calculada a partir dos dados de demanda de 5 meses anteriores como segue: A média móvel de 3 e 5 meses As projeções de média móvel para todos os meses de demanda são mostradas na tabela a seguir. Na verdade, apenas a previsão para novembro com base na demanda mensal mais recente seria usada pelo gerente. No entanto, as previsões anteriores para meses anteriores nos permitem comparar a previsão com a demanda real para ver quão preciso é o método de previsão - ou seja, quão bem ele faz. Médias de três e cinco meses As previsões de média móvel na tabela acima tendem a suavizar a variabilidade que ocorre nos dados reais. Este efeito de alisamento pode ser observado na seguinte figura em que as médias de 3 meses e 5 meses foram sobrepostas em um gráfico dos dados originais: A média móvel de 5 meses na figura anterior suaviza as flutuações em maior extensão do que A média móvel de 3 meses. No entanto, a média de 3 meses reflete mais de perto os dados mais recentes disponíveis para o gerente de suprimentos de escritório. Em geral, as previsões usando a média móvel de longo prazo são mais lentas para reagir às mudanças recentes na demanda do que aquelas feitas usando médias móveis de período mais curto. Os períodos extras de dados atenuam a velocidade com a qual a previsão responde. Estabelecer o número apropriado de períodos para usar em uma média móvel de previsão muitas vezes requer alguma quantidade de experimentação de tentativa e erro. A desvantagem do método da média móvel é que não reage a variações que ocorrem por uma razão, tais como ciclos e efeitos sazonais. Os fatores que causam mudanças são geralmente ignorados. É basicamente um método mecânico, que reflete dados históricos de forma consistente. No entanto, o método da média móvel tem a vantagem de ser fácil de usar, rápido e relativamente barato. Em geral, este método pode fornecer uma boa previsão para o curto prazo, mas não deve ser empurrado demasiado longe no futuro. Média Móvel Ponderada O método da média móvel pode ser ajustado para refletir mais de perto flutuações nos dados. No método da média móvel ponderada, os pesos são atribuídos aos dados mais recentes de acordo com a seguinte fórmula: Os dados de demanda para PM Computer Services (mostrados na tabela para o Exemplo 10.3) parecem seguir uma tendência linear crescente. A empresa quer calcular uma linha de tendência linear para ver se ela é mais precisa do que as previsões de suavização exponencial e de suavização exponencial ajustadas desenvolvidas nos Exemplos 10.3 e 10.4. Os valores necessários para os cálculos dos mínimos quadrados são os seguintes: Usando esses valores, os parâmetros para a linha de tendência linear são calculados da seguinte forma: Portanto, a equação da linha de tendência linear é: Para calcular uma previsão para o período 13, Linha de tendência: O gráfico a seguir mostra a linha de tendência linear em comparação com os dados reais. A linha de tendência parece refletir de perto os dados reais - isto é, ser um bom ajuste - e seria assim um bom modelo de previsão para esse problema. No entanto, uma desvantagem da linha de tendência linear é que ela não vai se ajustar a uma mudança na tendência, como os métodos de previsão de suavização exponencial, ou seja, é assumido que todas as previsões futuras seguirá uma linha reta. Isso limita o uso deste método para um período de tempo mais curto em que você pode ser relativamente certo de que a tendência não vai mudar. Ajustes Sazonais Um padrão sazonal é um aumento repetitivo e diminuição da demanda. Muitos itens de demanda apresentam comportamento sazonal. As vendas de vestuário seguem os padrões sazonais anuais, com a demanda por roupas quentes aumentando no outono e no inverno e diminuindo na primavera e no verão, à medida que aumenta a demanda por roupas mais frias. A demanda por muitos itens de varejo, incluindo brinquedos, equipamentos esportivos, vestuário, aparelhos eletrônicos, presuntos, perus, vinho e frutas, aumentam durante a temporada de férias. A demanda do cartão aumenta em conjunção com dias especiais como Dia dos Namorados e Dia das Mães. Padrões sazonais também podem ocorrer em uma base mensal, semanal ou mesmo diária. Alguns restaurantes têm demanda mais elevada na noite do que no almoço ou nos fins de semana ao contrário dos dias úteis. Tráfego - daí as vendas - em shopping centers pega na sexta-feira e sábado. Existem vários métodos para refletir padrões sazonais em uma previsão de séries temporais. Vamos descrever um dos métodos mais simples usando um fator sazonal. Um fator sazonal é um valor numérico que é multiplicado pela previsão normal para obter uma previsão ajustada sazonalmente. Um método para desenvolver uma demanda por fatores sazonais é dividir a demanda para cada período sazonal pela demanda anual total, de acordo com a seguinte fórmula: Os fatores sazonais resultantes entre 0 e 1,0 são, de fato, a parcela da demanda anual total atribuída a Cada estação. Esses fatores sazonais são multiplicados pela demanda anual prevista para produzir previsões ajustadas para cada estação. Calculando uma Previsão com Ajustes Sazonais A Wishbone Farms cria perus para vender a uma empresa de processamento de carne ao longo do ano. No entanto, sua alta temporada é obviamente durante o quarto trimestre do ano, de outubro a dezembro. A Wishbone Farms experimentou a demanda por perus nos últimos três anos, conforme mostrado na tabela a seguir: Como temos três anos de dados de demanda, podemos calcular os fatores sazonais dividindo a demanda trimestral total pelos três anos pela demanda total nos três anos : Em seguida, queremos multiplicar a demanda prevista para o próximo ano, 2000, por cada um dos fatores sazonais para obter a demanda prevista para cada trimestre. Para conseguir isso, precisamos de uma previsão de demanda para 2000. Nesse caso, uma vez que os dados de demanda na tabela parecem exibir uma tendência geralmente crescente, calculamos uma linha de tendência linear para os três anos de dados na tabela para obter uma Estimativa de previsão: Assim, a previsão para 2000 é 58.17, ou 58.170 perus. Usando esta previsão anual de demanda, as previsões ajustadas sazonalmente, SF i, para 2000 são comparando essas previsões trimestrais com os valores de demanda reais na tabela, eles pareceriam ser estimativas de previsão relativamente boas, refletindo tanto as variações sazonais nos dados e Tendência ascendente geral. 10-12. Como o método da média móvel é semelhante ao alisamento exponencial 10-13. O efeito no modelo de suavização exponencial aumentará a constante de suavização 10-14. Como a suavização exponencial ajustada difere da suavização exponencial 10-15. O que determina a escolha da constante de suavização para a tendência em um modelo de suavização exponencial ajustado 10-16. Nos exemplos de capítulo para métodos de séries temporais, a previsão inicial foi sempre assumida como sendo a mesma da demanda real no primeiro período. Sugira outras maneiras de que a previsão inicial possa ser derivada no uso real. 10-17. Como o modelo de previsão da linha de tendência linear difere de um modelo de regressão linear para previsão 10-18. Dos modelos de séries temporais apresentados neste capítulo, incluindo a média móvel ea média móvel ponderada, a suavização exponencial ea suavização exponencial ajustada, ea linha de tendência linear, qual você considera o melhor Por que 10-19. Quais as vantagens que a suavização exponencial ajustada tem sobre uma linha de tendência linear para a demanda prevista que exibe uma tendência 4 K. B. Kahn e J. T. Mentzer, Forecasting in Consumer and Industrial Markets, The Journal of Business Forecasting 14, no. Na prática, a média móvel fornecerá uma boa estimativa da média das séries temporais se a média for constante ou mudar lentamente. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo medirá os efeitos da variabilidade. A finalidade de fornecer um m menor é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais. A figura mostra a série de tempo usada para ilustração juntamente com a demanda média a partir da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ele aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Então ele se torna constante novamente. Os dados são simulados adicionando à média um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que a qualquer momento, apenas os dados passados são conhecidos. As estimativas do parâmetro do modelo,, para três valores diferentes de m são mostradas juntamente com a média das séries temporais na figura abaixo. A figura mostra a estimativa média móvel da média em cada momento e não a previsão. As previsões mudariam as curvas de média móvel para a direita por períodos. Uma conclusão é imediatamente aparente a partir da figura. Para as três estimativas, a média móvel está aquém da tendência linear, com o atraso aumentando com m. O atraso é a distância entre o modelo ea estimativa na dimensão temporal. Devido ao atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um tempo específico no valor médio do modelo eo valor médio predito pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo eo viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior será a magnitude do atraso e do viés. Para uma série continuamente crescente com tendência a. Os valores de lag e viés do estimador da média são dados nas equações abaixo. As curvas de exemplo não correspondem a essas equações porque o modelo de exemplo não está aumentando continuamente, em vez disso, ele começa como uma constante, muda para uma tendência e, em seguida, torna-se constante novamente. Também as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada deslocando as curvas para a direita. O atraso e o viés aumentam proporcionalmente. As equações abaixo indicam o atraso e o viés de um período de previsão para o futuro quando comparado aos parâmetros do modelo. Novamente, estas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel é baseado no pressuposto de uma média constante, eo exemplo tem uma tendência linear na média durante uma porção do período de estudo. Como as séries de tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para tais resultados. Podemos também concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menor. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos os desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para fazer a previsão mais sensível às mudanças Em média. O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal é verdadeiramente um valor constante, o valor esperado do erro é zero ea variância do erro é composta por um termo que é uma função de e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo que os dados provêm de uma população com média constante. Este termo é minimizado tornando m o maior possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar a previsão responsiva às mudanças, queremos que m seja o menor possível (1), mas isso aumenta a variância do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de Previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo add-in para os dados da amostra na coluna B. As primeiras 10 observações são indexadas -9 a 0. Em comparação com a tabela acima, os índices de período são deslocados por -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usadas para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro de média móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto a partir da média móvel no tempo 0 é 11.1. O erro é então -5.1. O desvio padrão eo desvio médio médio (MAD) são calculados nas células E6 e E7 respectivamente. Previsão com análise de séries temporais O que é previsão A previsão é um método que é utilizado extensivamente na análise de séries temporais para prever uma variável de resposta, como lucros mensais, O desempenho das existências, ou os números de desemprego, por um período de tempo especificado. As previsões são baseadas em padrões em dados existentes. Por exemplo, um gerente de depósito pode modelar a quantidade de produtos a ser solicitada nos próximos 3 meses com base nos 12 meses anteriores de pedidos. Você pode usar uma variedade de métodos de séries temporais, como análise de tendências, decomposição ou suavização exponencial única, para modelar padrões nos dados e extrapolar esses padrões para o futuro. Escolha um método de análise se os padrões são estáticos (constantes ao longo do tempo) ou dinâmicos (alteração ao longo do tempo), a natureza da tendência e os componentes sazonais e até que ponto você pretende antecipar. Antes de produzir previsões, ajuste vários modelos de candidatos aos dados para determinar qual modelo é o mais estável e preciso. Previsões para uma análise de média móvel O valor ajustado no tempo t é a média móvel não centrada no tempo t -1. As previsões são os valores ajustados na origem prevista. Se você prever 10 unidades de tempo à frente, o valor previsto para cada tempo será o valor ajustado na origem. Os dados até a origem são utilizados para o cálculo das médias móveis. Você pode usar o método de médias móveis lineares calculando médias móveis consecutivas. O método das médias móveis lineares é freqüentemente usado quando há uma tendência nos dados. Primeiro, calcule e armazene a média móvel da série original. Em seguida, calcule e armazene a média móvel da coluna previamente armazenada para obter uma segunda média móvel. Na previsão ingênua, a previsão para o tempo t é o valor dos dados no tempo t -1. Usando o procedimento de média móvel com uma média móvel de comprimento um dá previsão ingênua. Previsões para uma única análise exponencial de suavização O valor ajustado no tempo t é o valor suavizado no tempo t-1. As previsões são o valor ajustado na origem prevista. Se você prever 10 unidades de tempo à frente, o valor previsto para cada tempo será o valor ajustado na origem. Os dados até a origem são usados para o alisamento. Na previsão ingênua, a previsão para o tempo t é o valor dos dados no tempo t-1. Execute a suavização exponencial única com um peso de um para fazer previsão ingênua. Previsões para uma análise de suavização exponencial dupla A suavização exponencial dupla utiliza os componentes de nível e tendência para gerar previsões. A previsão para m períodos à frente de um ponto no tempo t é L t mT t. Onde L t é o nível e T t é a tendência no tempo t. Os dados até o tempo de origem previsto serão utilizados para a suavização. Previsões para o método Winters O método Winters utiliza os componentes de nível, tendência e sazonal para gerar previsões. A previsão para m períodos à frente de um ponto no tempo t é: onde L t é o nível e T t é a tendência no tempo t, multiplicada por (ou adicionada para um modelo aditivo) a componente sazonal para o mesmo período do período ano anterior. O método Winters usa dados até o horário de origem previsto para gerar as previsões.
No comments:
Post a Comment