계절 조정 및 지수 평활의 스프레드 시트 구현. 계절 조정을 수행하고 Excel을 사용하여 지수 평활화 모델을 맞 춥니 다. 아래의 화면 이미지 및 차트는 스프레드 시트에서 취해지며, 계절 스프레드 시트에서 곱셈 계절 조정 및 선형 지수 평활을 보여줍니다. 아웃 보드 마린 (Outboard Marine)의 분기 별 판매 데이터를 따르십시오. 스프레드 시트 파일 자체를 얻으려면 여기를 클릭하십시오. 데모 용으로 여기에 사용되는 선형 지수 평활화 버전은 Brown의 버전입니다. 단 하나의 열 수식의 단 하나의 평활 상수가 있습니다. 일반적으로 레벨 및 추세에 대해 별도의 평활 상수가있는 Holt 버전을 사용하는 것이 좋습니다. 예측 프로세스는 다음과 같이 진행됩니다. 먼저 데이터를 계절적으로 조정합니다. ii 예측은 선형 지수 평활화 및 iii 핀을 통한 계절적으로 조정 된 데이터 계절별 조정 예측은 원래 시리즈의 예측을 얻기 위해 재사용됩니다. 계절 조정 프로세스는 열 D에서 G까지에서 수행됩니다. 계절 조정의 첫 번째 단계는 여기 열 D에서 수행 된 가운데 이동 평균을 계산하는 것입니다. 서로에 대해 한주기만큼 상쇄 된 두 개의 1 년 전체 평균의 평균을 취함 계절의 수가 짝수 일 때 센터링 목적을 위해 단일 평균이 아닌 두 개의 오프셋 평균을 조합해야합니다. 다음 단계는 이동 평균에 대한 비율 - 원래 데이터를 각 기간의 이동 평균으로 나눈 값 - 열 E에서 수행됩니다. 이는 추세 및 비즈니스주기 효과가있을 수있는 한 패턴의 경향 순환 구성 요소라고도합니다. 1 년 동안의 평균 데이터를 평균 한 후에 남은 모든 것으로 간주 될 수 있습니다 물론 계절적 요인으로 인한 것이 아닌 월간 변화는 다른 많은 요인에 의해 결정될 수 있습니다 12 개월 평균은 대폭 향상됩니다. 각 시즌의 예상 계절 지수는 AVERAGEIF 공식을 사용하여 셀 G3-G6에서 수행되는 해당 특정 시즌의 모든 비율을 먼저 평균하여 계산됩니다. 평균 비율 셀 H3-H6에서 수행되는 시즌의 수 또는이 경우 400의 정확히 100 배가되도록 재조정됩니다. 열 F 아래에서 VLOOKUP 수식을 사용하여 적절한 계절 인덱스 값을 데이터 테이블의 각 행은 해당 연도의 분기에 따라 계산됩니다. 가운데 이동 평균과 계절적으로 조정 된 데이터는 이렇게 보입니다. 이동 평균은 일반적으로 계절적으로 조정 된 시리즈의 더 부드러운 버전처럼 보입니다. 동일한 Excel 파일의 다른 워크 시트는 계절적으로 조정 된 데이터에 대한 선형 지수 평활화 모델의 적용을 보여 주며, 평활화 상수에 대한 GA 값 열은 en입니다. 여기에 H9 셀의 예측 열 위에 위치하며 편의를 위해 범위 이름 Alpha가 지정됩니다. 이름 삽입 삽입 명령을 사용하여 이름이 지정됩니다. LES 모델은 첫 번째 두 예측을 계절적으로 첫 번째 실제 값과 동일하게 설정하여 초기화됩니다 조정 된 계열 여기서 LES 예측에 사용 된 수식은 Brown s 모델의 단일 방정식 재귀 형식입니다. 이 수식은 세 번째 기간의 셀 H15에 입력되고 거기에서 복사됩니다. 현재 기간은 이전의 두 관측치와 앞선 두 가지 예측 오차 및 알파 값을 참조합니다. 따라서 행 15의 예측 수식은 행 14 이하에서 사용 가능한 데이터만을 나타냅니다. 물론 우리가 선형 지수 평활화 대신 간단히 사용하면 대신 SES 공식을 대신 사용할 수 있습니다. 대신 Browns LES 모델보다는 Holt s를 사용할 수도 있습니다. 이 모델에서는 formu 예측에서 사용 된 수준과 추세를 계산합니다. 오류는 실제 값에서 예측을 뺀 다음 열 J에서 다음 열에서 계산됩니다. 평균 제곱 오류는 분산의 제곱근으로 계산됩니다. 오류 플러스 평균의 제곱 수학 공식에서 따름 MSE VARIANCE 오류 평균 오류 2이 공식에서 오류의 평균 및 분산을 계산할 때 모델이 실제로 세 번째 기간까지 예측을 시작하지 않기 때문에 처음 두 기간은 제외됩니다 스프레드 시트의 15 번째 행 알파의 최적 값은 최소 RMSE가 발견 될 때까지 알파를 수동으로 변경하거나 솔버를 사용하여 정확한 최소화를 수행하여 찾을 수 있습니다. 해 찾기에서 찾은 알파 값은 여기에 표시됩니다. 알파 0 471. 일반적으로 변환 된 단위로 모델의 오차를 플롯하고 1 계절까지의 시차로 자기 상관을 계산하고 플롯하는 것이 좋습니다. 여기에 시계열이 있습니다 오류 자동 상관 관계는 CORREL 함수를 사용하여 오류의 상관 관계를 계산하여 하나 이상의 기간에 뒤떨어져 계산됩니다. 자세한 내용은 스프레드 시트 모델에 나와 있습니다. 다음은 자동 상관 관계의 플롯입니다. 1에서 3까지의 래그 (lag)에서의 자기 상관은 0에 매우 가깝지만 래그 4에서의 값이 0 35 인 스파이크는 약간 번잡하다. 이는 계절 조정 프로세스가 성공적으로 완료되지 않았 음을 암시한다. 자기 상관이 0과 현저하게 다른지 여부를 테스트하기위한 95 개의 중요 밴드는 대략 ± 2 SQRT nk이며, 여기서 n은 샘플 크기이고 k는 지연입니다. 여기서 n은 38이고 k는 1에서 5이므로, 제곱근의 n-minus-k는 모두 약 6이므로, 0에서의 편차의 통계적 유의성을 테스트하기위한 한계는 대략 ± 2 6 또는 0 33입니다. If 당신은 이 Excel 모델에서 손으로 알파 값을 사용하면 실수의 시계열 및 자기 상관 플롯에 대한 영향은 물론 아래에서 설명 할 제곱근 오차에 대한 영향을 관찰 할 수 있습니다. 스프레드 시트의 맨 아래 실제 데이터가 부족한 지점, 즉 미래가 시작되는 시점에서 실제 값에 대한 예측을 단순히 대체함으로써 예측 공식이 미래에 부트 스트랩됩니다. 즉, 미래의 데이터 값이 발생할 각 셀에서 셀 참조 그 기간 동안 만들어진 예측을 가리키는 단어가 삽입됩니다. 다른 모든 수식은 단순히 위에서 아래로 복사됩니다. 미래의 예측에 대한 오류는 모두 0으로 계산됩니다. 이는 실제 오류가 0이 아니라 오히려 0이 될 것이라는 의미는 아닙니다 예측의 목적을 위해 미래의 데이터가 예측치와 동일 할 것이라는 가정을 반영합니다. 계절적으로 조정 된 데이터에 대한 LES 예측 결과는 다음과 같습니다. 이 특정 값 e를 1 기간 앞당기 예보에 대해 최적 인 경우 예상 된 경향은 지난 2 년 동안 관찰 된 지역 추세를 반영하여 약간 상향 조정됩니다. 다른 알파 값의 경우 매우 다른 추세 예측이 얻어 질 수 있습니다 단기 예측에 가장 적합한 값이 반드시 먼 미래를 예측하는 데 가장 좋은 값이 아니기 때문에 알파가 다양 할 때 장기 추세 예측에 어떤 현상이 발생하는지 보는 것이 좋습니다. 예를 들어, 여기 알파 값을 수동으로 0으로 설정하면 얻은 결과입니다. 25 예상되는 장기 경향은 이제 양수보다 음수입니다. 알파 값이 낮을수록 모델은 이전 데이터에 더 많은 가중치를 부여합니다. 현재 수준과 추세 및 장기 예측은 최근의 상승 추세보다는 오히려 지난 5 년 동안 관찰 된 하락 추세를 반영합니다. 이 도표는 알파 값이 더 낮은 모델이 어떻게 더 느린지를 명확하게 보여줍니다 따라서 데이터의 전환점에 응답하여 많은 기간 동안 동일한 부호의 오류를 만드는 경향이 있습니다. 1 단계 앞선 예측 오류는 평균보다 RMSE가 344보다 작고 평균보다 더 큽니다. 강하게 긍정적으로 자기 상관 0 56의 lag-1 자동 상관은 0에서 통계적으로 유의미한 편차에 대해 위에 계산 된 0 33의 값을 크게 초과합니다. 장기 예측에보다 보수주의를 도입하기 위해 알파의 가치를 낮추는 대안으로 예측 경향 모델을 구축하는 마지막 단계는 적절한 계절별 지표를 곱하여 LES 예측을 합리화하는 것입니다. 따라서 재분석 된 예측 열 I의 열은 단순히 열 F의 계절 지수와 열 H의 계절 조정 LES 예측의 산물입니다. 신뢰를 계산하는 것은 상대적으로 쉽습니다 이 모델에서 한 단계 앞선 예측을위한 간격은 먼저 MSE의 제곱근 인 RMSE 제곱 평균 오차를 계산 한 다음 2 배를 더하거나 뺀 값으로 계절 조정 예측의 신뢰 구간을 계산합니다 RMSE 일반적으로 한 기간 예측에 대한 95 신뢰 구간은 오차 분포가 대략 정상이며 표본 크기가 가정 된 예측 오차의 추정 표준 편차의 2 배 포인트 예측과 대략 같습니다. 예를 들어 20 또는 그 이상입니다. 여기에서 오류의 표본 표준 편차가 아닌 RMSE가 편차뿐 아니라 무작위 편차를 고려하기 때문에 향후 예측 오류의 표준 편차에 대한 최적 추정치입니다. 계절적 요인 조정 된 예측은 적절한 계절별 지수를 곱하여 예측과 함께 재사용됩니다. 이 경우 RMSE는 27 4와 같고 계절 조정 첫 번째 미래 기간에 대한 예측 12 월 93 일은 273 2이므로 계절적으로 조정 된 95 신뢰 구간은 273 2-2 27 4 218 4에서 273 2 2 27 4 328 0 12 월 계절 지수 인 68 61 12 월 93 포인트 예측 187 주변의 149 8 및 225 O의 신뢰 상한선의 하한 및 상한 4. 앞으로의 한 기간보다 많은 예측에 대한 신뢰 한계는 수준 및 추세에 대한 불확실성으로 인해 예측 지평선이 증가함에 따라 일반적으로 넓어 질 것입니다 계절성 요인으로 일반적으로 분석 방법으로 계산하기는 어렵다. LES 예측에 대한 신뢰 한계를 계산하는 적절한 방법은 ARIMA 이론을 사용하는 것이지만 계절 지수의 불확실성은 또 다른 문제이다. 예를 들어 경험적 방법을 사용하여 2 단계 예측의 신뢰 구간을 얻는 것이 가장 좋은 방법입니다. 한 단계 전진 예측을 부트 스트랩하여 각 기간에 대한 2 단계 사전 예측을 계산하는 스프레드 시트의 다른 열 다음 2 단계 사전 예측 오류의 RMSE를 계산하고이를 2 단계 - 앞으로의 신뢰 구간. 계절 지수는 무엇입니까? - 4/4 분기는 10 월에서 12 월 사이입니다. 아마 알다시피, 우리는 1 장의 비디오에서 4 분기 중에 어떤 제품보다 많은 상품을 판매하고 있다고 지적했습니다. 주로 휴가철 때문입니다. 이것은 계절성의 예입니다. 계절성 문제는 시계열의 미래 가치를 예측하기가 어렵다는 것을 의미합니다. 눈치 채 셨다면 지금까지 예측에서 수행 한 모든 예 계절성을 지니지 않았습니다. 그들은 매년 데이터 였지만, 이제는이 비디오의 나머지 두 장에서 계절성 문제를 해결할 준비가되었습니다. 이 비디오에서, 당신의 이해를 정말로 다듬을 수있는 정말로 중요한 개념은 계절 인덱스의 개념을 설명하고 나머지 장에서는 이동 평균법에 대한 비율을 가르쳐 줄 것입니다. 이 방법은 많은 기업에서 사용하는 예측에 계절성을 통합하는 간단하면서도 강력한 방법입니다. Q1부터 Q4까지이 4 가지 숫자를 가지고 있습니다. 계절별 지수라고합니다. 그렇다면이 의미는 무엇입니까? Q4 계절 지수가 3 인 것은 Q4에서이 회사는 평균 분기보다 30을 더 많이 판매하는 경향이 있음을 의미합니다. 그리고 Q1에서이 회사는 평균 분기보다 20 덜 팔았습니다. 0은 8을 의미합니다. 계절 지수는 특정 속성을 가져야합니다. 평균은 1로해야합니다. 즉, 평균보다 높은 분기는 평균보다 낮은 분기 그러나 계절성을 이해하지 못하면 분기 별 데이터 또는 월간 데이터에 대해 많은 예측을 할 수 없으며이 전체 장의 주요 주제가 될 것입니다. 그러나이 비디오에서는 당신에게 간단한 understa 줄 계절 색인의 발견. 그래서, 우리는 내가 회사에서 훈련 할 때 자주 사용하는 작은 뇌 맛보기를 가지고 있습니다. 뇌 맛을 제대로 맛보지 않는 사람은 거의 없습니다. 그래서 우리는 당신을 통해 일하게 될 것입니다. 계절성을 이해하십시오. 4 분기가 좋은 회사에서 일한다고 가정하십시오. 계절 지수는 2입니다. 그렇다면 그 의미는 무엇입니까? 4/4 분기에는 매출이 평균 분기의 두 배가되는 경향이 있습니다. 분기의 계절 지수는 0 5입니다. 이는 1 분기 매출액이 평균 분기의 절반 인 경향이 있음을 의미합니다. 이 가상의 회사에 대한 판매 데이터를 살펴 보겠습니다. 2014 년 4 사분기에 4 억 달러 상당의 2015 년 1 분기에 상품 2 억 달러를 팔았고 외부 컨설턴트로서 회사의 성과를 평가하라는 요구를 받았다. 그들은 더 잘하고 있는지, 악화하고 있는지 순진한 분석은 다음과 같다. 매출 감소 50 200은 50 4 개의 hund 빨간색이 회사는 진짜 문제가 있습니다. 당신이 생각하면 아주 훌륭한 컨설턴트가 아닙니다. 왜냐하면 당신이 계절성을 무시하기 때문입니다. 당신이해야 할 일은 정말로 판매를 deseasonalize하는 것입니다. 나는 종종 담수화라고 말하지만, deseasonalize합니다. 평균 분기의 관점에서 분기별로 실제로 발생한 결과입니다. 기본적으로 2014 년 4/4 분기이지만 계절별 지수는 2였습니다. 따라서 평균 분기에이 정도를 팔고 싶습니다. 계절별 지수로 나누십시오. 다시 말해, Q4의 400은 기본적으로 그 관찰에 기반한 시계열의 레벨이 4/4 분기에 200 이었음을 나타냅니다. 이제 2015 년 1 분기를 deseasonalize 할 때 , 당신은 0 5의 해당 분기에 대한 계절별 지수로 나눕니다. 평균 분기에 400을 얻습니다. 따라서 올바른 방법으로 보면 매출이 50으로 떨어졌음에도 데이터는 4/4 분기 매출액이 두 배가되었음을 나타냅니다 2014 ~ 2015 년 1 월에 아주 단순한 예를 들면, 계절성을 이해하지 못했다면, 회사가 실제로 환상적 일 때 더 나쁜 상황이라는 잘못된 결론을 이끌어 낼 수 있습니다. 다음 비디오에서는 이동 평균법에 비율을 사용할 것입니다. 계절 예측을 계절 예측에 통합 할 수 있습니다. 대본 자동 스크롤 작성. Wayne Winston 교수는 Fortune 500 대 기업에 20 년 이상 고급 예측 기술을 가르쳤습니다. 이 과정에서는 Excel을 사용하여 차트를 포함한 데이터 분석 도구를 사용하는 방법을 보여줍니다. , 수식 및 함수를 사용하여 정확하고 통찰력있는 예측을 작성하십시오. 시계열 데이터를 시각적으로 표시하는 방법에 대해 알아보십시오. 오류 및 바이어스를 계산하여 추세 및 이상 치 데이터 모델 성장이 계절성을 파악하고 알 수없는 변수를 식별합니다 다중 회귀 분석과 함께 진행되는 일련의 실습 과제는 기술을 테스트하고 작업을 비교하는 데 도움이됩니다. Wayne의 솔루션에. PMI Registered Education Provider이 과정은 전문 개발 단위 PDUs에 해당합니다. 이 과정의 활동 및 PDU 세부 정보를 보려면 여기를 클릭하십시오. PMI Registered Education Provider 로고는 Project Management Institute, Inc의 등록 상표입니다. 주제에는 다음이 포함됩니다. 이동 평균 차트 작성. 오류 및 편향에 대한 계산. 추세선 사용 및 해석. 지수 성장의 모델링. 복합 연간 성장률 CAGR 계산. 계절성 영향 분석. 비율 이동 평균법 소개 . 회귀 분석. 킬 레벨 중급. 슬라이더 셰어는 쿠키를 사용하여 기능 및 성능을 향상시키고 관련 광고를 제공합니다. 사이트를 계속 탐색하면이 웹 사이트에서 쿠키 사용에 동의하게됩니다. 사용자 계약 및 개인 정보 보호 정책보기 . 슬라이드 쉐어는 기능성과 성능을 향상시키고 관련 광고를 제공하기 위해 쿠키를 사용합니다. 사이트를 탐색 할 때이 웹 사이트에서 쿠키를 사용하는 것에 동의합니다. 자세한 내용은 개인 정보 취급 방침 및 사용자 계약을 참조하십시오. SlideShare 응용 프로그램에서 즐겨 찾는 항목을 모두 살펴보십시오. 나중에 오프라인으로 저장하기 위해 SlideShare 응용 프로그램을 가져옵니다. 모바일 사이트 계속 두 번 누르면 축소됩니다. 이 슬라이드 쉐어를 공유하십시오. LinkedIn Corporation 2017.
No comments:
Post a Comment