Previsão com análise de séries temporais O que está pregando A previsão é um método que é amplamente utilizado na análise de séries temporais para prever uma variável de resposta, como lucros mensais, desempenho de ações ou números de desemprego, por um período de tempo especificado. As previsões são baseadas em padrões em dados existentes. Por exemplo, um gerenciador de armazém pode modelar quanto produto a pedido para os 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 (constante ao longo do tempo) ou dinâmicos (mudança ao longo do tempo), a natureza da tendência e os componentes sazonais, e até que ponto você pretende prever. 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 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 da previsão. Se você prevê 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 calcular as médias móveis. Você pode usar o método das médias móveis contínuas calculando as médias móveis consecutivas. O método das médias móveis contínuas 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 armazenada anteriormente para obter uma segunda média móvel. Na previsão ingênua, a previsão de tempo t é o valor dos dados no tempo t -1. Usando o procedimento de média móvel com uma média móvel de comprimento, um fornece uma previsão ingênua. Previsões para uma única análise de suavização exponencial O valor ajustado no tempo t é o valor suavizado no tempo t-1. As previsões são o valor ajustado na origem da previsão. Se você prevê 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 do tempo t é o valor dos dados no tempo t-1. Execute um alisamento exponencial único com um peso de um para fazer previsão ingênua. Previsões para uma análise de suavização exponencial dupla Suavização exponencial dupla utiliza componentes de nível e tendência para gerar previsões. A previsão para m períodos de antecedência 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 da previsão serão usados para o alisamento. Método Previsões para Invernos Método Winters usa os componentes de nível, tendência e sazonal para gerar previsões. A previsão para os períodos m a partir de um ponto no tempo t é: onde L t é o nível e T t é a tendência no tempo t, multiplicado por (ou adicionado a um modelo aditivo) o componente sazonal para o mesmo período a partir do ano anterior. Winters Method usa dados até o tempo de origem da previsão para gerar as previsões. Forecasting by Smoothing Techniques Este site é uma parte dos objetos de aprendizado do JavaScript E-E para fins de tomada de decisão. Outro JavaScript nesta série é categorizado em diferentes áreas de aplicações na seção MENU nesta página. Uma série temporal é uma sequência de observações que são ordenadas a tempo. Inerente à coleta de dados obtidos ao longo do tempo é alguma forma de variação aleatória. Existem métodos para reduzir o cancelamento do efeito devido a variação aleatória. As técnicas amplamente utilizadas são o alisamento. Essas técnicas, quando aplicadas corretamente, revelam mais claramente as tendências subjacentes. Digite as séries temporais em ordem de linha em sequência, a partir do canto superior esquerdo e o (s) parâmetro (s), e clique no botão Calcular para obter uma previsão em um período de antecedência. As caixas em branco não estão incluídas nos cálculos, mas os zeros são. Ao inserir seus dados para mover de célula para célula na matriz de dados, use a tecla Tab, sem seta ou digite as chaves. Características das séries temporais, que podem ser reveladas examinando seu gráfico. Com os valores previstos e o comportamento dos resíduos, modelagem de previsão de condições. Médias móveis: as médias médias classificam as técnicas mais populares para o pré-processamento de séries temporais. Eles são usados para filtrar o ruído branco aleatório dos dados, para tornar as séries temporais mais suaves ou mesmo para enfatizar certos componentes informativos contidos nas séries temporais. Suavização exponencial: Este é um esquema muito popular para produzir uma série de tempo suavizada. Considerando que, nas Médias móveis, as observações passadas são ponderadas de forma igual, Suavização exponencial atribui pesos exponencialmente decrescentes à medida que a observação envelhece. Em outras palavras, as observações recentes recebem relativamente mais peso na previsão do que as observações mais antigas. O Suavizado Exponencial Duplo é melhor nas tendências de manuseio. O Triple Exponential Suavização é melhor no manuseio de tendências da parábola. Uma média móvel ponderada exponencialmente com uma constante de suavização a. Corresponde aproximadamente a uma média móvel simples de comprimento (isto é, período) n, onde a e n estão relacionados por: a 2 (n1) OR n (2 - a) a. Assim, por exemplo, uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,1 corresponderia aproximadamente a uma média móvel de 19 dias. E uma média móvel simples de 40 dias corresponderia aproximadamente a uma média móvel ponderada exponencialmente com uma constante de suavização igual a 0,04878. Holst Linear Exponential Suavização: Suponha que as séries temporais não sejam sazonais, mas que mostram a tendência de exibição. O método Holts estima tanto o nível atual como a atual tendência. Observe que a média móvel simples é um caso especial do alisamento exponencial, definindo o período da média móvel para a parte inteira de (2-Alpha) Alpha. Para a maioria dos dados de negócios, um parâmetro Alpha menor que 0.40 geralmente é efetivo. No entanto, pode-se realizar uma pesquisa em grade do espaço dos parâmetros, com 0,1 a 0,9, com incrementos de 0,1. Então, o melhor alfa tem o menor erro absoluto médio (erro MA). Como comparar vários métodos de suavização: embora existam indicadores numéricos para avaliar a precisão da técnica de previsão, a abordagem mais ampla é o uso de comparação visual de várias previsões para avaliar sua precisão e escolher entre os vários métodos de previsão. Nesta abordagem, é necessário traçar (usando, por exemplo, Excel), no mesmo gráfico, os valores originais de uma variável de séries temporais e os valores previstos de vários métodos de previsão diferentes, facilitando assim uma comparação visual. Você pode gostar de usar as previsões passadas por Smoothing Techniques JavaScript para obter os valores de previsão passados com base em técnicas de suavização que usam apenas um único parâmetro. Os métodos Holt e Winters usam dois e três parâmetros, respectivamente, portanto, não é uma tarefa fácil selecionar os valores ideais ótimos, ou mesmo próximos, por testes e erros para os parâmetros. O alisamento exponencial único enfatiza a perspectiva de curto alcance, ele define o nível para a última observação e baseia-se na condição de que não há nenhuma tendência. A regressão linear, que se adapta a uma linha de mínimos quadrados aos dados históricos (ou dados históricos transformados), representa o longo alcance, que está condicionado à tendência básica. Holder linear exponencial suavização capta informações sobre a tendência recente. Os parâmetros no modelo Holts são níveis-parâmetro que devem ser diminuídos quando a quantidade de variação de dados é grande e as tendências-parâmetro devem ser aumentadas se a direção da tendência recente for suportada pelos fatores causais. Previsão de curto prazo: observe que cada JavaScript nesta página fornece uma previsão de um passo a frente. Para obter uma previsão de duas etapas. Simplesmente adicione o valor previsto para o final de seus dados da série temporal e clique no mesmo botão Calcular. Você pode repetir este processo por algumas vezes para obter as previsões necessárias a curto prazo. Uma série de tempo é uma seqüência de observações de uma variável aleatória periódica. Exemplos são a demanda mensal de um produto, a matrícula anual em um departamento da universidade e o fluxo diário de um rio. As séries temporais são importantes para a pesquisa de operações, porque muitas vezes são os impulsionadores dos modelos de decisão. Um modelo de inventário requer estimativas de demandas futuras, um modelo de planejamento de cursos e de pessoal para um departamento universitário exige estimativas de fluxo de estudantes futuros e um modelo para fornecer avisos à população em uma bacia hidrográfica requer estimativas de fluxos de rios para o futuro imediato. A análise de séries temporais fornece ferramentas para selecionar um modelo que descreva a série temporal e usando o modelo para prever eventos futuros. A modelagem das séries temporais é um problema estatístico porque os dados observados são usados em procedimentos computacionais para estimar os coeficientes de um modelo suposto. Os modelos assumem que as observações variam aleatoriamente sobre um valor médio subjacente que é uma função do tempo. Nessas páginas, restringimos a atenção ao uso de dados históricos da série temporal para estimar um modelo dependente do tempo. Os métodos são apropriados para a previsão automática e de curto prazo de informações usadas com freqüência, onde as causas subjacentes da variação do tempo não estão mudando marcadamente no tempo. Na prática, as previsões derivadas por esses métodos são posteriormente modificadas por analistas humanos que incorporam informações não disponíveis a partir dos dados históricos. Nosso objetivo principal nesta seção é apresentar as equações para os quatro métodos de previsão usados no suplemento de Previsão: média móvel, alisamento exponencial, regressão e suavização exponencial dupla. Estes são chamados de métodos de suavização. Métodos não considerados incluem previsões qualitativas, regressão múltipla e métodos autorregressivos (ARIMA). Os interessados em uma cobertura mais extensa devem visitar o site dos Princípios de Previsão ou ler um dos vários livros excelentes sobre o assunto. Usamos o livro Forecasting. Por Makridakis, Wheelwright e McGee, John Wiley amp Sons, 1983. Para usar a pasta de exercícios Exemplos do Excel, você deve ter o suplemento Forecasting instalado. Escolha o comando Relink para estabelecer os links para o suplemento. Esta página descreve os modelos utilizados para a previsão simples e a notação utilizada para a análise. Este método de previsão mais simples é a previsão média móvel. O método é simplesmente uma média das últimas observações m. É útil para séries temporais com uma média que muda lentamente. Este método considera todo o passado em sua previsão, mas pesa mais recentemente a experiência recente do que menos recente. Os cálculos são simples porque apenas a estimativa do período anterior e os dados atuais determinam a nova estimativa. O método é útil para séries temporais com uma média que muda lentamente. O método de média móvel não responde bem a uma série de tempo que aumenta ou diminui com o tempo. Aqui, incluímos um termo de tendência linear no modelo. O método de regressão aproxima o modelo construindo uma equação linear que fornece os mínimos quadrados ajustados às últimas observações m.
No comments:
Post a Comment