Méthode De La Moyenne Mobile À 4 Périodes

Lors du calcul d'une moyenne mobile courante, placer la moyenne dans la période de temps moyenne a un sens Dans l'exemple précédent, nous avons calculé la moyenne des 3 premières périodes et l'avons placé à côté de la période 3. Nous aurions pu placer la moyenne au milieu de la Intervalle de temps de trois périodes, c'est-à-dire, à côté de période 2. Cela fonctionne bien avec des périodes de temps impaires, mais pas aussi bien pour des périodes de temps même. Alors, où placer la première moyenne mobile lorsque M 4 Techniquement, la moyenne mobile tomberait à t 2,5, 3,5. Pour éviter ce problème, nous lisser les MA en utilisant M 2. Ainsi, nous lisser les valeurs lissées Si nous avons un nombre pair de termes, nous devons lisser les valeurs lissées. Le tableau suivant montre les résultats en utilisant M 4.La méthode la plus simple serait de Prenez la moyenne de Janvier à Mars et utilisez cela pour estimer les ventes d'avril 8217: (129 134 122) 3 128.333 Par conséquent, en fonction des ventes de Janvier à Mars, vous prédire que les ventes en avril sera 128333. Une fois que les ventes réelles d'avril sont arrivées, vous calculez ensuite la prévision pour mai, cette fois en février à avril. Vous devez être cohérent avec le nombre de périodes que vous utilisez pour la prévision moyenne mobile. Le nombre de périodes que vous utilisez dans vos prévisions de moyenne mobile est arbitraire, vous pouvez utiliser seulement deux périodes, ou cinq ou six périodes de votre volonté pour générer vos prévisions. L'approche ci-dessus est une moyenne mobile simple. Parfois, les ventes plus récentes8217 peuvent être plus influentes des ventes du mois à venir, donc vous voulez donner à ces mois plus près plus de poids dans votre modèle de prévision. Il s'agit d'une moyenne mobile pondérée. Et tout comme le nombre de périodes, les poids que vous assignez sont purement arbitraires. Let8217s dire que vous vouliez donner March8217s ventes 50 poids, Février8217s 30 poids et Janvier8217s 20. Ensuite, votre prévision pour avril sera 127.000 (122.50) (134.30) (129.20) 127. Limites des méthodes de moyenne mobile Les moyennes mobiles sont considérées comme une technique de prévision 8220smoothing8221. Parce que vous êtes en train de prendre une moyenne au fil du temps, vous adouciez (ou lissage) les effets des occurrences irrégulières dans les données. Par conséquent, les effets de la saisonnalité, des cycles économiques et d'autres événements aléatoires peuvent considérablement augmenter les erreurs de prévision. Jetez un coup d'oeil à une année pleine de données 8217s, et comparer une moyenne mobile de 3 périodes et une moyenne mobile de 5 périodes: Notez que dans ce cas que je n'ai pas créé des prévisions, mais plutôt centré les moyennes mobiles. La première moyenne mobile sur trois mois est pour février, et elle est la moyenne de janvier, février et mars. J'ai aussi fait semblable pour la moyenne sur 5 mois. Maintenant, jetez un oeil sur le graphique suivant: Qu'est-ce que vous voyez n'est pas la moyenne de trois mois de la série moyenne beaucoup plus lisse que la série de ventes réelles Et comment environ la moyenne mobile de cinq mois It8217s encore plus lisse. Par conséquent, plus vous utilisez de périodes dans votre moyenne mobile, le plus lisse votre série chronologique. Par conséquent, pour les prévisions, une moyenne mobile simple peut ne pas être la méthode la plus précise. Les méthodes moyennes mobiles se révèlent très précieuses lorsque l'on essaie d'extraire les composantes saisonnières, irrégulières et cycliques d'une série chronologique pour des méthodes de prévision plus avancées, comme la régression et l'ARIMA, et l'utilisation de moyennes mobiles pour décomposer une série chronologique sera traitée plus tard dans la serie. Détermination de l'exactitude d'un modèle de moyenne mobile En général, vous voulez une méthode de prévision qui a le moins d'erreur entre les résultats réels et prédits. L'une des mesures les plus courantes de l'exactitude des prévisions est l'écart absolu moyen (MAD). Dans cette approche, pour chaque période de la série chronologique pour laquelle vous avez généré une prévision, vous prenez la valeur absolue de la différence entre les valeurs réelles et prévisionnelles de cette période (la déviation). Ensuite, vous faites la moyenne de ces écarts absolus et vous obtenez une mesure de MAD. MAD peut être utile pour décider du nombre de périodes que vous faites en moyenne, ou de la quantité de poids que vous placez sur chaque période. Généralement, vous choisissez celui qui donne le MAD le plus bas. Voici un exemple de la façon dont MAD est calculé: MAD est simplement la moyenne de 8, 1 et 3. Moyennes mobiles: Recap En utilisant les moyennes mobiles pour la prévision, n'oubliez pas: Les moyennes mobiles peuvent être simples ou pondérées Le nombre de périodes que vous utilisez pour votre Moyenne et tous les poids que vous assignez à chacun sont strictement arbitraires Moyennes mobiles lissent les motifs irréguliers dans les séries chronologiques données plus le nombre de périodes utilisées pour chaque point de données, plus l'effet de lissage En raison de lissage, la prévision des ventes du mois prochain 8217s basé sur le Les plus récentes ventes de mois de mai 8217s peuvent entraîner de grands écarts en raison de la saisonnalité, cyclique, et les modèles irréguliers dans les données et les capacités de lissage d'une méthode de moyenne mobile peut être utile pour décomposer une série chronologique pour les méthodes de prévision plus avancées. Semaine suivante: Exponential Smoothing Dans la semaine prochaine 8217s Prévision vendredi. Nous allons discuter des méthodes de lissage exponentielle, et vous verrez qu'ils peuvent être bien supérieurs à la moyenne mobile des méthodes de prévision. 1) Pouvez-vous utiliser l'approche centrée MA pour prévoir ou tout simplement pour enlever la saisonnalité 2) Quand Vous utilisez la t simple (t-1t-2t-k) k MA pour prévoir une période à venir, est-il possible de prévoir plus d'une période à venir Je suppose que votre prévision serait l'un des points d'alimentation dans la prochaine. Merci. J'adore l'info et vos explications Je suis content que vous ayez aimé le blog I8217m sûr que plusieurs analystes ont utilisé l'approche centrée MA pour la prévision, mais personnellement je ne le ferais pas, puisque cette approche entraîne une perte d'observations aux deux extrémités. En fait, cela relie votre deuxième question. Généralement, un MA simple est utilisé pour prévoir une seule période à venir, mais de nombreux analystes 8211 et moi aussi parfois 8211 utiliseront ma prévision d'une période à venir comme l'une des entrées à la deuxième période à venir. Il est important de se rappeler que plus vous prévoyez de prévoir dans l'avenir, plus votre risque d'erreur de prévision est élevé. C'est la raison pour laquelle je ne recommande pas un MA centré pour la prévision 8211 la perte d'observations à la fin signifie avoir à compter sur les prévisions pour les observations perdues, ainsi que la période à venir, de sorte qu'il ya plus de chance d'erreur de prévision. Les lecteurs: vous êtes invités à peser dessus. Avez-vous des idées ou des suggestions sur ce Brian, merci pour votre commentaire et vos compliments sur le blog Nice initiative et une belle explication. It8217s vraiment utile. Je prévois des circuits imprimés personnalisés pour un client qui ne donne aucune prévision. J'ai utilisé la moyenne mobile, mais il n'est pas très précis que l'industrie peut monter et descendre. Nous voyons vers le milieu de l'été à la fin de l'année que l'expédition pcb8217s est en place. Ensuite, nous voyons au début de l'année ralentit. Comment puis-je être plus précis avec mes données Katrina, d'après ce que vous m'avez dit, il semble que vos ventes de circuits imprimés ont une composante saisonnière. Je ne saisir la saisonnalité dans certains des autres postes vendredi Prévisions. Une autre approche que vous pouvez utiliser, ce qui est assez facile, est l'algorithme Holt-Winters, qui tient compte de la saisonnalité. Vous pouvez trouver une bonne explication ici. Assurez-vous de déterminer si vos modèles saisonniers sont multiplicatifs ou additifs, car l'algorithme est légèrement différent pour chacun. Si vous tracer vos données mensuelles de quelques années et voir que les variations saisonnières à la même époque des années semblent être constante d'année en année, alors la saisonnalité est additive si les variations saisonnières au fil du temps semblent augmenter, alors la saisonnalité est Multiplicative. La plupart des séries chronologiques saisonnières seront multiplicatives. En cas de doute, supposer multiplicatif. Bonne chance Bonjour, Entre ces méthodes:. Prévision de la nef. Mise à jour de la moyenne. Moyenne mobile de longueur k. Moyenne mobile pondérée de longueur k OU Lissage exponentiel Lequel de ces modèles de mise à jour me recommandez-vous d'utiliser pour prévoir les données? À mon avis, je pense à la moyenne mobile. Mais je ne sais pas comment le rendre clair et structuré Cela dépend vraiment de la quantité et la qualité des données que vous avez et votre horizon de prévision (à long terme, à moyen terme ou à court terme) Slideshare utilise des cookies pour améliorer la fonctionnalité et la performance , Et de vous fournir la publicité appropriée. Si vous continuez à naviguer sur le site, vous acceptez l'utilisation de cookies sur ce site. Consultez notre Accord utilisateur et notre Politique de confidentialité. Slideshare utilise des cookies pour améliorer la fonctionnalité et les performances, et pour vous fournir de la publicité pertinente. Si vous continuez à naviguer sur le site, vous acceptez l'utilisation de cookies sur ce site. Consultez notre politique de confidentialité et notre contrat d'utilisation pour plus de détails. Explorez tous vos sujets favoris dans l'application SlideShare Téléchargez l'application SlideShare pour enregistrer pour plus tard, même en mode hors connexion Continuez vers le site mobile Upload Connexion Inscrivez-vous Appuyez deux fois pour effectuer un zoom arrière Méthode Moyenne mobile Partagez SlideShare