Qm vägda glidande medelvärde

Tidsserieprognoser med QM för Windows. Sidan 690 fortsatte. Tidsserieprognoser Användning av QM för Windows. QM för Windows har möjlighet att utföra prognoser för alla tidsserier som vi hittills har beskrivit QM för Windows har moduler för att flytta medelvärden, exponentiell utjämning och justerad exponentiell utjämning och linjär regression. För att visa prognosförmågan hos QM för Windows genererar vi exponentiell utjämning av en 30 prognos som beräknas manuellt för PM Computer Services Tabell 15 4 Lösningsutmatningen visas i Exhibit 15 6.Exhibit 15 6. Denna artikel visas på sidan 691 i utskriftsversionen. Notera att lösningssammanfattningen inkluderar prognosen per period och prognosen för nästa period 13, samt tre mätningar av prognosnoggrannhet medelfel bias, medelvärde absolut avvikelse MAD och genomsnittlig kvadratfel MSE. The least Kvadrera modulen eller den enkla linjära regressionsmodulen i QM för Windows kan användas för att utveckla en linjär trendlinjeprognos. Med minsta kvadratmodulen används solu Sammanfattning av den linjära trendlinjeprognosen vi utvecklade för PM Computer Services visas i Exhibit 15 7.Exhibit 15 7. Page 691 continued. Regression Methods. Tidsserierna för exponentiell utjämning och glidande medel avser en enda variabel som prognostiseras, t. ex. efterfrågan på tid I ​​motsats härtill är regression en prognosteknik som mäter förhållandet mellan en variabel till en eller flera andra variabler. Om vi ​​till exempel vet att något har orsakat produktbehovet att uppträda på ett visst sätt tidigare, kanske vi identifiera det förhållandet Om samma sak händer igen i framtiden kan vi sedan förutse vilken efterfrågan som ska vara. Till exempel finns det ett välkänt samband mellan ökad efterfrågan i nya bostäder och lägre räntor På motsvarande sätt är en hel myriad av byggprodukter och Tjänster visar ökad efterfrågan om nya bostäder börjar öka På samma sätt resulterar en ökning av försäljningen av DVD-spelare i en ökning av efterfrågan på DVD-skivor. Det enklaste f regimens reglering är linjär regression som du kommer att komma ihåg vi tidigare använde för att utveckla en linjär trendlinje för prognoser I följande avsnitt kommer vi att visa hur man utvecklar en regressionsmodell för variabler relaterade till andra objekt än tid. Linje regression. Simple linjär regression relaterar en beroende variabel till en oberoende variabel i form av en linjär ekvation. Linjär regression relaterar efterfrågan beroende variabel till en oberoende variabel. För att utveckla den linjära ekvationen måste lutningen, b och avskiljningen a först beräknas med hjälp av följande minsta kvadrater formler. Vi kommer att överväga regression inom ramen för ett exempel Statens Universitet idrottsavdelningen vill utveckla sin budget för det kommande året, med en prognos för fotbolls närvaro Fotbolls närvaro står för den största delen av sina intäkter och idrottschefen tror närvaro är direkt relaterat till antalet vinnningar av laget. Företagsledaren har ackumulerat totalt årliga närvaro siffror för de senaste 8 åren. Given antalet återkommande nybörjare och styrkan i schemat, tror atletisk regissören laget kommer att vinna minst sju matcher nästa år Han vill utveckla en enkel regression ekvation för dessa data för att prognostisera närvaro för den här nivån av framgång. Beräkningarna som är nödvändiga för att beräkna a och b med minsta kvadratiska formlerna sammanfattas i tabell 15 10 Observera att y-storleken har reducerats för att göra manuell beräkning enklare. Tabell 15 10 Minsta kvadrater beräkningar. y närvaro , 1000. Utbyte av dessa värden för a och b till linjär ekvationslinje har vi. Tus för x 7 vinner är prognosen för närvaro. y 18 46 4 06 7 46 88 eller 46 880. Datapunkterna med regressionen Linjen visas i figur 15 6. Det observeras att regressionslinjen i förhållande till datapunkterna tyder på att data följer en uppåtriktad linjär trend, vilket skulle indikera att prognosen borde vara relativt exakt. AD-värdet för denna prognosmodell är 1 41, vilket föreslår en exakt prognos. Förhållandet i en linjär regressionsekvation är ett mått på styrkan i förhållandet mellan de oberoende och beroende variablerna. Formeln för korrelationskoefficienten är. Korrelationen är ett mått på styrkan i förhållandet mellan oberoende och beroende variabler. Värdet av r varierar mellan 1 00 och 1 00, med ett värde av 1 00 som indikerar ett starkt linjärt förhållande mellan variablerna Om r 1 00, då kommer en ökning av den oberoende variabeln att resultera i en motsvarande linjär ökning av den beroende variabeln Om r 00 kommer en ökning av den beroende variabeln att resultera i en linjär minskning av den beroende variabeln. Ett värde av r nära noll innebär att det finns litet eller inget linjärt förhållande mellan variabler. Figur 15 6 Linjär regressionslinje. Vi kan bestämma korrelationskoefficienten för den linjära regressionsekvationen bestämd i vårt exemplar av State University genom subs titulerar de flesta av de termer som beräknas för minsta kvadrareformeln med undantag för S y 2 i formeln för r. Detta värde för korrelationskoefficienten ligger mycket nära ett, vilket indikerar ett starkt linjärt förhållande mellan antalet segrar och hemmavision. En annan åtgärd av styrkan i förhållandet mellan variablerna i en linjär regression ekvation är bestämningskoefficienten Det beräknas genom att helt enkelt kvadrera värdet av r Det indikerar procentandelen av variationen i den beroende variabeln som är ett resultat av oberoende beteende hos den oberoende variabel I vårt exempel är r 948 bestämningskoefficienten. Bestämningskoefficienten är procentandelen av variationen i den beroende variabeln som härrör från den oberoende variabeln. Detta värde för bestämningskoefficienten betyder att 89 9 av mängden Av variation i närvaro kan hänföras till antalet vinster från laget med resterande 10 1 på grund av andra oförklarliga faktorer, såsom väder, bra eller dålig start, publicitet osv. Ett värde på en eller 100 skulle indikera att närvaro helt beror på vinster Men eftersom 10 1 av variationen är ett resultat av andra faktorer kan en viss mängd prognosfel väntas. Management Science Application Prognos Daglig efterfrågan inom gasindustrin. Vermont Gas Systems är ett naturgasverktyg som tjänar cirka 26 000 företag, industri och privatkunder i 13 städer i nordvästra Vermont. Efterfrågan är en kritisk del av Vermont Gas Systems s leverantörskedja som sträcker sig över Kanada från leverantörer i västra Kanada till lagringsanläggningar längs TransCanada-rörledningen till Vermont Gas Systems pipeline Gasordningar måste anges till leverantörer minst 24 timmar i förväg Vermont Gas Systems har lagringskapacitet tillgängligt endast för buffertinventarier 1 timmars gasanvändning, så en korrekt daglig prognos för gasbehov är avgörande. Vermont Gas Systems använder regression för att prognostisera dail gasbehov I sin prognosmodell är efterfrågan på gas den beroende variabeln, och faktorer som väderinformation och industriell kundbehov är oberoende variabler. Under vintern använder kunderna mer gas för värme, vilket gör en exakt väderprognos en mycket viktig faktor Detaljerad 3 - Dags väderprognoser tillhandahålls Vermont Gas Systems fem gånger per dag från en väderprognostjänst. Individuella regressionsprognoser utvecklas för 24 stora användande industriella och kommunala kunder, till exempel fabriker, sjukhus och skolor. Slutanvändningsbehov är den totala potentiella kapaciteten av alla naturgasapparater i systemet Det ändras dagligen, eftersom nya kunder flyttar in i ett nytt hus, lägenhet eller företag, lägger till nya apparater eller utrustning i systemet. Verktyget använder endast de senaste 30 dagarna av efterfrågadata för att utveckla sin prognos modeller, och uppdaterar modellerna varje vecka Vermont Gas Systems tolkar resultaten av prognosmodellen och kompletterar dem med sin individuella kunskap om distributionskedjan och kundanvändningen för att utveckla en övergripande och korrekt daglig prognos för gasbehovet. Kolumbia Gas Company i Ohio, ett dotterbolag till Virginia-baserade Columbia Energy Group, är det största naturgasverktyget i Ohio med nästan 1 3 miljoner kunder i mer än 1000 samhällen Columbia använder två typer av dagliga prognoser för designdagprognosen och den dagliga operativa prognosen. Designdagens prognos används för att bestämma hur mycket gasförsörjning, transportkapacitet och lagringskapacitet som Columbia behöver möta dess kundbehov Det är väldigt viktigt att designdagprognosen är korrekt om det inte är så kan Columbia inte avtala för tillräckligt med gas från sina leverantörer vilket kan skapa brister och riskera sina kunder. Den dagliga operativa prognosen används för att säkerställa att det planeras Leveranserna balanseras med prognostiserade krav under nästa 5-dagarsperiod. Det används för att balansera utbud och efterfrågan dagligen e prognosprocessen är liknande för de två typerna av prognoser Columbia använder flera regressionsanalyser baserat på den dagliga efterfrågan på 2 år och flera väderrelaterade oberoende variabler för att utveckla parametrarna för en prognosmodell för tidsserie för dagdagsprognosen och det dagliga operativ prognos. Källa M Flock, Prognos Vinter Daglig Gas Efterfrågan på Vermont Gas Systems, Journal of Business Prognoser 13, Nr 1 Våren 1994 2 och H Catron, Daglig Efterfrågan Prognos vid Columbia Gas, Tidskrift för Business Prognos 19, Nr 2 Sommar 2000 105.Regression Analys med Excel. Exhibit 15 8 visar ett kalkylblad inställt för att utveckla den linjära regressionsprognosen för vårt statliga universitets idrottsavdelningsexempel. Observera att Excel beräknar lutningen direkt med formeln SLOPE B5 B12, A5 A12 inmatad i cell E7 och visad på Formelraden längst upp i kalkylbladet Formeln för avlyssningen i cell E6 är INTERCEPT B5 B12, A5 A12 Värdena för lutningen och avlyssningen är sub Följt av varandra i cellerna E9 och G9 för att bilda den linjära regressionsekvationen Korrelationskoefficienten i cell E13 beräknas med användning av formeln CORREL B5 B12, A5A12. Även om det inte visas på kalkylbladet kan bestämningskoefficienten r2 beräknas av med hjälp av formeln RSQ B5 B12, A5 A12.Exhibit 15 8. Denna artikel visas på sidan 696 i utskriftsversionen. Den samma linjära regressionsekvationen kunde beräknas i Excel om vi hade utvecklat och matat in de matematiska formlerna för beräkning av sluttningen och avlyssna vi utvecklade i föregående avsnitt, även om det skulle ha varit mer tidskrävande och tråkigt. Det är också möjligt att utveckla ett scatterdiagram över våra exempeldata som liknar diagrammet som visas i Figur 15 6 med hjälp av diagramguiden i Excel först , täcka exempeldata i cellerna A5 B12 på kalkylbladet i Exhibit 15 8 Nästa klicka på Infoga på verktygsfältet längst upp i kalkylbladet Detta resulterar i menyn som visas i Exhibit 15 9.Exhibit 15 9.Selec t Diagram från den här menyn, vilken kommer att komma till fönstret Diagramguiden I fönstret Diagramguiden väljer du XY-scatterdiagrammet från Diagramtyp-menyn, som visas i bild 15 10. Klicka på Nästa på fönstret i Diagram 15 10 diagram av exempeldata Om du glömde att täcka dina exemplet dataceller tidigare, kommer du att bli ombedd att göra så här är detta intervallet A5 B12 Klicka på Nästa gör att du kan lägga till eller ta bort diagramlegenden, titeln diagrammet och axlar och anpassar i allmänhet ditt diagram. När du klickar på Slutför visas diagrammet i kalkylbladet så att du kan placera det, minska det, expandera det eller arbeta lite mer. Utställning 15 11 visar vårt kalkylblad med scatterdiagrammet för vårt exempel data. Exhibit 15 10.Exhibit 15 11. En linjär regression prognos kan också utvecklas direkt med Excel med hjälp av alternativet Data Analysis från Verktyg-menyn som vi tidigare fick att utveckla en exponentiellt jämn prognos. Utställning 15 12 visar Regr Ession urvalet i fönstret Data Analysis och Exhibit 15 13 visar regressionsfönstret. Vi matar in cellerna från Exhibit 15 8 som inkluderar y-värdena för närvaro, B5 B12. Nästa matar vi in ​​x-värdecellerna A5 A12. Utmatningsområdet är plats i kalkylbladet där du vill lägga ut resultat Resultatet måste vara stort 18 celler med 9 celler och får inte överlappa med något annat på kalkylbladet När du klickar på OK kommer det att resultera i kalkylbladet som visas i Figur 15 14 Observera att sammanfattningen Utgångssektionen har ändrats något och flyttats runt så att alla resultat skulle kunna inkluderas på skärmen i bild 15 14.Exhibit 15 12.Exhibit 15 13.Exhibit 15 14. Denna artikel visas på sidan 699 i utskriftsversionen. Sammanfattning Utgångssektionen i utställning 15 14 ger en stor mängd statistisk information, förklaringen och användningen av dem ligger utanför ramen för denna text. De väsentliga punkterna som intresserar oss är avlyssningen och lutningen märkt X Variabel 1 i E-koefficienterna längst ner i kalkylbladet och multipel R - eller korrelationskoefficientvärdet som visas under regressionsstatistiken. Notera att Excel QM också har ett kalkylbladsmakro för regressionsanalys som kan nås på samma sätt som den exponentiellt jämna prognosen i bild 15 15.Exhibit 15 15.Regressionsanalys med QM för Windows. QM för Windows har förmågan att utföra linjär regression, vilket visats tidigare. För att demonstrera denna programmodul, använder vi vår idrottsavdelning för Statens Universitet. Exempel Programutmatningen, inklusive linjär ekvation och korrelationskoefficient , visas i Exhibit 15 15.Multiple Regression with Excel. En annan orsaksmetod för prognoser är multipelregression en mer kraftfull förlängning av linjär regression. Linjär regression relaterar en beroende variabel, såsom efterfrågan på en annan oberoende variabel, medan multipel regression återspeglar förhållandet mellan en beroende variabel och två eller flera oberoende variabler A Multipel regressionsmodell har följande generella form. Vi kommer att använda alternativet Data Analysis-alternativet från Verktyg-menyn längst upp i kalkylbladet som vi använde i föregående avsnitt för att utveckla vår linjära regressionsekvation och sedan använder vi regressionen alternativ från menyn Data Analysis Det resulterande kalkylbladet, med multipelregressionsstatistiken, visas i bild 15 16.Exhibit 15 16. Denna artikel visas på sidan 701 i utskriftsversionen. Observera att uppgifterna måste ställas in på kalkylblad så att x-variablerna ligger i angränsande kolumner i det här fallet, kolumnerna A och B Då går vi in ​​i Input x-räckvidden som A4 B12 som visas i bild 15 17 Observera att vi också har inkluderat cellerna A4, B4 och C4 som inkluderar Våra variabla rubriker, dvs vinster, marknadsföring och närvaro, i ingångsområdena Genom att klicka på etiketter kan rubriker läggas på vårt kalkylblad i cellerna A27 och A28. Exhibit 15 17. Denna artikel visas på sidan 701 i utskriftsversionen. regressionskoefficienten ents för våra x-variabler, vinster och befordran visas i cellerna B27 och B28 i utställning 15 16 Således formuleras multipel regression ekvationen som. y 19.094 42 3.560 99 x 1 0368 x 2.Denna ekvation kan nu användas för att prognos närvaro baserad på både projicerade fotbollsvinster och marknadsföringsutgifter. Om exempelvis idrottsavdelningen förväntar sig laget att vinna sju matcher och planerar att spendera 60 000 på marknadsföring och reklam, är den prognostiserade närvaroMoving Average Forecasting. Introduction Som du kanske antar att vi är titta på några av de mest primitiva tillvägagångssätten för prognoser Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I denna ven fortsätter vi med att börja i början och börja arbeta med Moving Average prognoser. Moving Average Forecasts Alla är bekanta med att flytta genomsnittliga prognoser, oavsett om de tror att de är Alla studenter gör dem alla t Ime Tänk på dina testresultat i en kurs där du kommer att ha fyra tester under termin. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutse för din andra testresultat. Vad tycker du att din lärare skulle förutsäga för din nästa testpoäng. Vad tycker du att dina vänner kan förutsäga för din nästa testresultat. Vad tycker du att dina föräldrar kan förutsäga för nästa testresultat. Oavsett vad du kan göra för dina vänner och föräldrar, de och de din lärare förväntas mycket troligt att du får något i det område du har fått 85. Nu, låt oss antar att trots din egen marknadsföring till dina vänner överskattar du dig själv och räknar du kan studera mindre för det andra testet och så får du en 73. Nu vad är alla berörda och oroade kommer att förutse att du kommer att få på ditt tredje test Det finns två mycket troliga metoder för att utveckla en uppskattning oavsett om de kommer att dela den med Du kan säga till th Det här är den här killen som alltid blåser rök om hans smarts. Han kommer att få ytterligare 73 om han är lycklig. Föräldrarna kommer att försöka vara mer stödjande och säga, ja, så långt har du fått en 85 och en 73, så kanske du borde räkna med att få en 85 73 2 79 Jag vet inte, kanske om du gjorde mindre fester och var inte att väga väsen överallt och om du började göra mycket mer studerar kan du få en högre poäng. Dessa uppskattningar beror faktiskt på genomsnittliga prognoser. Den första använder endast din senaste poäng för att prognostisera din framtida prestation. Detta kallas en glidande genomsnittlig prognos med en dataperiod. Den andra är också en rörlig genomsnittlig prognos men med två dataperioder. Låt oss anta att alla dessa människor bråkar på ditt stora sinne, har slags pissed off och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga ett högre poäng framför dina allierade. Du tar testet och din poäng är faktiskt en 89 alla, inklusive dig själv , är imponerad. Så nu har du det sista testet av terminen som kommer upp och som vanligt känner du behovet av att ge alla förutse vad de ska göra på det senaste testet. Förhoppningsvis ser du mönstret. Nu, förhoppningsvis du kan se mönstret Vilket tror du är mest exakt. Whistle medan vi arbetar Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande syster som heter Whistle While we Work Du har några tidigare försäljningsdata som representeras av följande avsnitt från en kalkylblad Vi presenterar först data för en treårs glidande medelprognos. Inträdet för cell C6 borde vara. Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Notera hur genomsnittet rör sig över de senaste historiska data men Använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt d Ifferent från exponentiell utjämningsmodell Jag har inkluderat de tidigare förutsägelserna eftersom vi kommer att använda dem på nästa webbsida för att mäta prediktionsgiltighet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Inträdet för cell C5 borde vara . Nu kan du kopiera den här cellformeln ner till de andra cellerna C6 till och med C11. Notera hur nu används bara de två senaste bitarna av historisk data för varje förutsägelse. Igen har jag inkluderat tidigare förutsägelser för illustrativa ändamål och för senare användning i prognos Validering. Några andra saker som är av betydelse för att notera. För en m-period som rör genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-period som rör genomsnittlig prognos när man gör sig förbi Förutsägelser märker att den första förutsägelsen sker i period m 1.But av dessa problem kommer att vara väldigt signifikant när vi utvecklar vår kod. Utveckling av rörlig genomsnittsfunktion Nu behöver vi utveckla kod för det rörliga genomsnittliga prognosen som kan användas mer flexibelt Koden följer Observera att ingångarna är för antalet perioder du vill använda i prognosen och i en rad historiska värden. Du kan lagra den i vilken arbetsbok du vill. Funktionen MovingAverage Historiska, NumberOfPeriods Som Single Declaration och initialisering av variabler Dim Item Som variant Dim Counter som integer Dim ackumulering som Single Dim HistoricalSize som heltal. Initialiserande variabler Counter 1 Accumulation 0. Bestämning av storleken på Historical array HistoricalSize. For Counter 1 till NumberOfPeriods. Ackumulera lämpligt antal senast tidigare observerade värden. Akkumuleringsackumulering Historisk historisk storlek - AntalOfPeriods Counter. MovingAverage Accumulation NumberOfPeriods. Koden kommer att förklaras i klassen. Du vill placera funktionen på kalkylbladet så att resultatet av beräkningen visas där den ska som följande. Slideshare använder cookies för att förbättra funktionalitet och prestanda och att ge dig relevant reklam Om du fortsätter att surfa på webbplatsen godkänner du användningen av cookies på den här webbplatsen Se vår användaravtal och Privacy Policy. Slideshare använder cookies för att förbättra funktionalitet och prestanda och att ge dig relevant reklam Om du fortsätter att surfa på webbplatsen godkänner du användningen av cookies på den här webbplatsen Se vår sekretesspolicy och användaravtal för detaljer. Exponera alla dina favoritämnen i SlideShare-appen Få SlideShare app för att spara till senare, även offline. Fortsätt till mobilplatsen. Dubbelklicka på för att zooma ut. Ba 3274 qm vecka 6 del 2 prognoser. Dela detta SlideShare. LinkedIn Corporation 2017.