Double Moving Average Forecasting Ppt

MOVIMENTAÇÃO DE MEDIÇÕES E LISO EXPONENCIAL. Métodos de previsão: métodos de média. Observações igualmente ponderadas, métodos de suavização exponencial. Desigual. Apresentação no tema: MOVIMENTAÇÃO DE PROMOÇÕES E LISO EXPONENCIAL. Métodos de previsão: métodos de média. Observações igualmente ponderadas, métodos de suavização exponencial. Desigual. Transcrição de apresentação: 2 Métodos de previsão: Métodos de média. Observações igualmente ponderadas, métodos de suavização exponencial. Conjunto desigual de pesos para dados passados, onde os pesos se deterioram exponencialmente dos pontos de dados mais recentes para os mais distantes. Esses parâmetros (com valores entre 0 e 1) determinarão os pesos desiguais a serem aplicados aos dados passados. Introdução 3 Métodos de média Se uma série de tempo é gerada por um processo constante sujeito a erro aleatório, então a média é uma estatística útil e pode ser usada como uma previsão para o próximo período. Os métodos de média são adequados para dados de séries temporais estacionárias onde a série está em equilíbrio em torno de um valor constante (a média subjacente) com uma variância constante ao longo do tempo. Introdução 4 Métodos de suavização exponencial O método de suavização exponencial mais simples é o método de suavização única (SES) em que apenas um parâmetro precisa ser estimado. O método Holts utiliza dois parâmetros diferentes e permite a previsão de séries com tendência. O método Holt-Winters envolve três parâmetros de suavização para suavizar os dados, a tendência e o índice sazonal. Introdução 5 A Média Usa a média de todos os dados históricos como a previsão Quando novos dados se tornam disponíveis, a previsão do tempo t2 é a nova média, incluindo os dados observados anteriormente mais essa nova observação. Este método é apropriado quando não há tendência notável ou sazonalidade. Métodos de média 6 A média móvel do período de tempo t é a média das k observações mais recentes. O número constante k é especificado no início. Quanto menor o número k, mais peso é dado aos períodos recentes. Quanto maior o número k, menor peso é dado a períodos mais recentes. Métodos de média 7 Um grande k é desejável quando há flutuações largas e infreqüentes na série. Um pequeno k é mais desejável quando há mudanças repentinas no nível das séries. Para dados trimestrais, uma média móvel de quatro quartos, MA (4), elimina ou projeta efeitos sazonais. Médias móveis únicas 8 Para dados mensais, uma média móvel de 12 meses, MA (12), elimina ou mede o efeito sazonal. Pesos iguais são atribuídos a cada observação usada na média. Cada novo ponto de dados está incluído na média à medida que fica disponível e o ponto de dados mais antigo é descartado. Médias móveis simples 9 Uma média móvel da ordem k, MA (k) é o valor de k observações consecutivas. K é o número de termos na média móvel. O modelo de média móvel não manipula a tendência ou a sazonalidade muito bem, embora possa fazer melhor do que a média total. Médias móveis simples 10 Exemplo: vendas semanais de lojas de departamento Os números de vendas semanais (em milhões de dólares) apresentados na tabela a seguir são usados ​​por uma grande loja de departamento para determinar a necessidade de pessoal de vendas temporário. 12 Use uma média móvel de três semanas (k3) para as vendas de lojas de departamento a prever para a semana 24 e 26. O erro de previsão é Exemplo: Vendas semanais de lojas de departamento 16 Procedimento de previsão média dupla: Usando média móvel única no tempo t ( S t) Ajuste: a diferença entre a média móvel única ea média dupla em movimento no tempo t (S t S t) Ajuste: tendência do período t para o período t1 (ou para o período tm se quisermos prever o período m) 17 Média móvel dupla Geralmente, o procedimento de média móvel dupla dada como abaixo: MOVIMENTAÇÃO MÉDIA E LISO EXPONENCIAL. Métodos de previsão: métodos de média. Observações igualmente ponderadas, métodos de suavização exponencial. Desigual. Apresentação no tema: MOVIMENTAÇÃO DE PROMOÇÕES E LISO EXPONENCIAL. Métodos de previsão: métodos de média. Observações igualmente ponderadas, métodos de suavização exponencial. Desigual. Transcrição de apresentação: 2 Métodos de previsão: Métodos de média. Observações igualmente ponderadas, métodos de suavização exponencial. Conjunto desigual de pesos para dados passados, onde os pesos se deterioram exponencialmente dos pontos de dados mais recentes para os mais distantes. Esses parâmetros (com valores entre 0 e 1) determinarão os pesos desiguais a serem aplicados aos dados passados. Introdução 3 Métodos de média Se uma série de tempo é gerada por um processo constante sujeito a erro aleatório, então a média é uma estatística útil e pode ser usada como uma previsão para o próximo período. Os métodos de média são adequados para dados de séries temporais estacionárias onde a série está em equilíbrio em torno de um valor constante (a média subjacente) com uma variância constante ao longo do tempo. Introdução 4 Métodos de suavização exponencial O método de suavização exponencial mais simples é o método de suavização única (SES) em que apenas um parâmetro precisa ser estimado. O método Holts utiliza dois parâmetros diferentes e permite a previsão de séries com tendência. O método Holt-Winters envolve três parâmetros de suavização para suavizar os dados, a tendência e o índice sazonal. Introdução 5 A Média Usa a média de todos os dados históricos como a previsão Quando novos dados se tornam disponíveis, a previsão do tempo t2 é a nova média, incluindo os dados observados anteriormente mais essa nova observação. Este método é apropriado quando não há tendência notável ou sazonalidade. Métodos de média 6 A média móvel do período de tempo t é a média das k observações mais recentes. O número constante k é especificado no início. Quanto menor o número k, mais peso é dado aos períodos recentes. Quanto maior o número k, menor peso é dado a períodos mais recentes. Métodos de média 7 Um grande k é desejável quando há flutuações largas e infreqüentes na série. Um pequeno k é mais desejável quando há mudanças repentinas no nível das séries. Para dados trimestrais, uma média móvel de quatro quartos, MA (4), elimina ou projeta efeitos sazonais. Médias móveis únicas 8 Para dados mensais, uma média móvel de 12 meses, MA (12), elimina ou mede o efeito sazonal. Pesos iguais são atribuídos a cada observação usada na média. Cada novo ponto de dados está incluído na média à medida que fica disponível e o ponto de dados mais antigo é descartado. Médias móveis simples 9 Uma média móvel da ordem k, MA (k) é o valor de k observações consecutivas. K é o número de termos na média móvel. O modelo de média móvel não manipula a tendência ou a sazonalidade muito bem, embora possa fazer melhor do que a média total. Médias móveis simples 10 Exemplo: vendas semanais de lojas de departamento Os números de vendas semanais (em milhões de dólares) apresentados na tabela a seguir são usados ​​por uma grande loja de departamento para determinar a necessidade de pessoal de vendas temporário. 12 Use uma média móvel de três semanas (k3) para as vendas de lojas de departamento a prever para a semana 24 e 26. O erro de previsão é Exemplo: Vendas semanais de lojas de departamento 16 Procedimento de previsão média dupla: Usando média móvel única no tempo t ( S t) Ajuste: a diferença entre a média móvel única ea média dupla em movimento no tempo t (S t S t) Ajuste: tendência do período t para o período t1 (ou para o período tm se quisermos prever o período m) 17 Média móvel dupla Geralmente, o procedimento de média móvel dupla dada abaixo: Previsão de negócios Capítulo 5 Previsão com técnicas de suavização. 2 Capítulo Tópicos Introdução Nave Modelos de Previsão com Modelos de Média Média: Modelo Média Simpático Modelo Médio Médio Modelo Movimento Médio Médio Suavização Exponencial: Suavização Exponencial Dupla 3 Suavização Exponencial (Continuação) Método Holts Triplo Exponencial Alisamento Suavizante Sazonal Exponencial Sazonal 4 Introdução Os modelos estatísticos elaborados não são sempre Necessário para desenvolver previsões precisas. O princípio da parcimônia sugere que quanto mais simples for o modelo, melhor. A principal vantagem dos modelos simples é que eles servem de referência para avaliar a aplicabilidade, a confiabilidade e a necessidade dos modelos mais sofisticados. 5 Introdução Estes modelos de séries temporais são boas ferramentas na previsão de eventos de curto prazo. A premissa cardinal subjacente a todos os modelos de séries temporais é que o padrão histórico da variável dependente pode ser usado como base para o desenvolvimento de previsões. Nestes modelos, os dados históricos da variável de previsão são analisados ​​na tentativa de discernir qualquer (s) padrão (s) subjacente (s). 6 Introdução As séries temporais ou os modelos de previsão autoregressiva serão mais úteis quando se espera que as condições econômicas permaneçam relativamente estáveis. A dependência de modelos de séries temporais sobre análise e extrapolação de padrões históricos traz várias implicações importantes em relação à seleção de técnicas: 7 Introdução 1. As séries temporais são melhores quando aplicadas a previsões de curto prazo. 2. Os modelos das séries temporais mostram-se mais satisfatórios quando os dados históricos não contêm nenhum padrão sistemático de dados ou quando as mudanças estão ocorrendo muito devagar ou consistentemente. 3. Os requisitos de dados e a facilidade de implementação são uma função da técnica de série temporal específica selecionada. 8 Nave Model Usa o passado recente como o melhor indicador do futuro. O erro associado a este modelo é calculado como: 10 Exemplo para o modelo de nave WeekSales (em 1.000) ForecastErrorAbsolute Error Squared Erro 111 Sum21230 Mean0.3325 11 Exemplo para o modelo Nave O que você deve ter em mente é que, embora MAD seja freqüentemente usado Como medida de erro na avaliação de uma previsão, um critério alternativo é o MSE. Note-se que a diferença entre MAD e MSE é que o último penaliza uma previsão muito mais para desvios extremos do que para pequenos. 12 Exemplo para o modelo Nave Quando um gerente avalia técnicas de previsão alternativas em termos de precisão, é necessário ir além da computação de erro. Os gerentes geralmente estão preocupados com duas formas de precisão: Precisão da técnica na predição dos padrões subjacentes ou relacionamento de dados passados. Precisão das mudanças no padrão. Ou seja, quão rápido o procedimento de previsão pode responder a essa mudança básica. (Vamos discutir isso em capítulos posteriores.) 13 Modelos de média A premissa básica desses modelos é que uma média ponderada de observações passadas pode ser usada para suavizar as flutuações nos dados no curto prazo. Modelo Padrão Simples Similar ao modelo da nave, esse modelo usa parte dos dados históricos para fazer uma previsão. 15 Modelo de média móvel As observações recentes desempenham um papel importante na previsão. À medida que novas observações se tornam disponíveis, uma nova média é calculada. A escolha de usar um número menor ou maior de observações tem implicações para a previsão. 16 Modelo de média dupla Usado quando temos uma tendência linear nos dados. Duas médias móveis diferentes são calculadas neste modelo. A idéia é remover a tendência. 17 Modelo Médio Médio Mínimo Modelo WeekSales (em 1.000) Previsão Média Movente Simples Diminuição da Média Mínima 18 Modelo de Suavização Exponencial O modelo baseia-se no pressuposto de que os dados estão estacionários. As observações mais recentes desempenham um papel mais importante do que o passado distante. 19 Modelo de suavização exponencial O modelo depende de três dados: a mais recente previsão mais recente constante de suavização. O valor de alfa atribuído como uma constante de suavização é crítico para a previsão. O melhor alfa deve ser escolhido com base na soma mínima de erro ao quadrado. 20 Modelo de Suavização Exponencial Várias abordagens são seguidas na seleção da constante de suavização. Se uma grande quantidade de suavização for desejada, um pequeno alfa deve ser escolhido. A escolha do alfa é afetada pelas características das séries temporais. Se os altos e baixos são notados nos dados, a melhor constante de suavização é 0,1. Isso é alfa escolhido deve ser igual a 0,1. Se os dados mostrem que o passado é muito diferente do presente, então o alfa de 0.9 é apropriado. 21 Modelo de Suavização Exponencial O alisamento exponencial é usado para a previsão de vendas de rotina de inventário, produção, distribuição e planejamento de varejo. 22 Modelo de Suavização Exponencial Duplo Similar ao modelo de média dupla em movimento. Também conhecido como modelo de suavização exponencial dupla de Browns. 23 Modelo de Suavização Exponencial Dupla O modelo é representado como: valor de previsão x períodos no futuro a diferença entre os valores simples e os valores de flexões duplas em uma série de tempo X número de períodos adiante a serem previstos 24 Modelo de Suavização Exponencial Duplo Para calcular a diferença entre Simples e duplos valores suavizados: 25 Modelo de Suavização Exponencial Duplo Uma vez que calculamos os valores simples e duplos alisados, calculamos a intercepção e a inclinação da linha de previsão da seguinte forma: A equação de previsão é: 26 Holts Modelo de Suavização Exponencial Para lidar com linear Tendência, semelhante ao Método Browns. A diferença é que, nesse método, suavizamos a tendência e a inclinação na série temporal usando diferentes constantes para cada uma. Como encontramos a melhor combinação de constante de suavização Os valores baixos de alfa e beta devem ser usados ​​quando há flutuações aleatórias freqüentes nos dados. Valores altos de alfa e beta devem ser usados ​​quando houver um padrão como a tendência nos dados. 27 Holts Modelo de Suavização Exponencial As seguintes equações são usadas ao aplicar o método Holts: 28 Modelo de Suavização Exponencial Tripla Quando confrontado com padrão não linear nos dados, este modelo fornece uma boa previsão. O modelo de ciclo de vida de produtos e estruturas de custos são ambientes onde o alisamento exponencial triplo deve ser usado. A equação de previsão é: 29 Modelo de Suavização Exponencial Tripla Neste modelo, temos que calcular três coeficientes: a, b e c. Cada um dos coeficientes é calculado da seguinte maneira: 30 Modelo de Suavização Exponencial Triplo Você notará que a estimativa dos coeficientes (a, b e c) exige que nós calculemos três valores de suavização. 31 Winters Seasonal Exponential Suavização Permite que ambos os padrões de tendência e sazonal sejam levados em consideração. Esta é uma extensão do método Holts de suavização. Ao calcular a previsão, adicionamos uma equação para a sazonalidade como índice. O modelo de previsão é: 32 Winters Suavidade exponencial sazonal O modelo Winters possui os seguintes componentes: Valor de suavização Estimativa da tendência Estimativa da sazonalidade 33 Resumo do capítulo Discutiu como o modelo da nave é usado na previsão. Elaborado no modelo de médias móveis, que incluiu a média móvel simples e a média móvel dupla. Discutiu os modelos exponenciais de suavização de Brown, Holt e Winters. Identificou os critérios para usar os vários modelos.