Moving Average Verrückt

Erstellen eines einfachen Bewegens Dies ist einer der folgenden drei Artikel zur Zeitreihenanalyse in Excel Überblick über den gleitenden Durchschnitt Der gleitende Durchschnitt ist ein statistisches Verfahren, das verwendet wird, um kurzfristige Schwankungen in einer Reihe von Daten auszugleichen, um länger leichter erkennen zu können - Trends oder Zyklen. Der gleitende Durchschnitt wird manchmal als ein rollender Durchschnitt oder ein laufender Durchschnitt bezeichnet. Ein gleitender Durchschnitt ist eine Reihe von Zahlen, die jeweils den Durchschnitt eines Intervalls einer bestimmten Anzahl von vorherigen Perioden darstellen. Je größer das Intervall, desto mehr Glättung erfolgt. Je kleiner das Intervall, desto mehr gleicht der gleitende Durchschnitt den tatsächlichen Datenreihen. Gleitende Mittelwerte führen die folgenden drei Funktionen aus: Glättung der Daten, was bedeutet, die Anpassung der Daten an eine Zeile zu verbessern. Verringerung der Wirkung von temporären Variation und zufälligen Rauschen. Hervorhebung von Ausreißern über oder unter dem Trend. Der gleitende Durchschnitt ist eine der am häufigsten verwendeten statistischen Techniken in der Industrie, um Daten-Trends zu identifizieren. Beispielsweise sehen Verkaufsmanager häufig dreimonatige Bewegungsdurchschnitte von Verkaufsdaten. Der Artikel wird einen zweimonatigen, dreimonatigen und sechsmonatigen einfachen gleitenden Durchschnitt der gleichen Verkaufsdaten vergleichen. Der gleitende Durchschnitt wird sehr häufig in der technischen Analyse von Finanzdaten wie Aktienrenditen und in der Volkswirtschaft verwendet, um Tendenzen in makroökonomischen Zeitreihen wie Beschäftigung zu lokalisieren. Es gibt eine Anzahl von Variationen des gleitenden Durchschnitts. Die am häufigsten verwendeten sind der einfache gleitende Durchschnitt, der gewichtete gleitende Durchschnitt und der exponentielle gleitende Durchschnitt. Die Durchführung jeder dieser Techniken in Excel wird im Detail in separaten Artikeln in diesem Blog behandelt werden. Hier ist ein kurzer Überblick über jede dieser drei Techniken. Simple Moving Average Jeder Punkt in einem einfachen gleitenden Durchschnitt ist der Durchschnitt einer bestimmten Anzahl von vorherigen Perioden. Dieser Blog-Artikel liefert eine ausführliche Erläuterung der Implementierung dieser Technik in Excel. Die gewichteten gleitenden Durchschnittspunkte im gewichteten gleitenden Durchschnitt repräsentieren ebenfalls den Durchschnitt einer vorgegebenen Anzahl vorheriger Perioden. Der gewichtete gleitende Durchschnitt bezieht sich auf eine unterschiedliche Gewichtung auf bestimmte vorhergehende Perioden, oft werden die jüngeren Perioden größeres Gewicht gegeben. Ein Link zu einem anderen Artikel in diesem Blog, der eine detaillierte Erläuterung der Implementierung dieser Technik in Excel bereitstellt, ist wie folgt: Exponential Moving Average Punkte im exponentiellen gleitenden Durchschnitt repräsentieren ebenfalls einen Durchschnitt einer bestimmten Anzahl von vorherigen Perioden. Exponentielle Glättung setzt Gewichtungsfaktoren auf frühere Perioden, die exponentiell abnehmen und niemals Null erreichen. Als Ergebnis berücksichtigt die exponentielle Glättung alle vorherigen Perioden anstelle einer bestimmten Anzahl früherer Perioden, die der gewichtete gleitende Durchschnitt aufweist. Ein Link zu einem anderen Artikel in diesem Blog, der eine ausführliche Erläuterung der Implementierung dieser Technik in Excel bereitstellt, ist wie folgt: Im folgenden wird der dreistufige Prozess zum Erstellen eines einfachen gleitenden Durchschnitts von Zeitreihendaten in Excel beschrieben Die ursprünglichen Daten in einem Zeitreihen-Diagramm Das Liniendiagramm ist das am häufigsten verwendete Excel-Diagramm, um Zeitreihendaten zu grafisch darstellen. Ein Beispiel für ein solches Excel-Diagramm, das verwendet wird, um 13 Perioden von Verkaufsdaten zu plotten, wird wie folgt gezeigt: Schritt 2 8211 Erstellen des gleitenden Mittelwertes in Excel Excel bietet das Werkzeug "Gleitender Durchschnitt" im Menü Datenanalyse. Das Tool Moving Average erzeugt einen einfachen gleitenden Durchschnitt aus einer Datenreihe. Das Dialogfeld "Gleitender Durchschnitt" sollte wie folgt ausgefüllt werden, um für jeden Datenpunkt einen gleitenden Durchschnitt der vorhergehenden 2 Datenperioden zu erzeugen. Die Ausgabe des 2-Perioden-Bewegungsdurchschnitts wird zusammen mit den Formeln, die verwendet wurden, um den Wert jedes Punktes im gleitenden Durchschnitt zu berechnen, wie folgt gezeigt. Schritt 3 8211 Die verschiebende durchschnittliche Serie zum Diagramm hinzufügen Diese Daten sollten nun dem Diagramm hinzugefügt werden, das die ursprüngliche Zeitlinie der Verkaufsdaten enthält. Die Daten werden einfach als eine weitere Datenreihe in das Diagramm aufgenommen. Um dies zu tun, klicken Sie mit der rechten Maustaste irgendwo auf dem Diagramm und ein Menü wird Pop-up. Hit Select Data, um die neue Datenreihe hinzuzufügen. Die gleitende mittlere Reihe wird hinzugefügt, indem das Dialogfeld Edit-Serie wie folgt ergänzt wird: Das Diagramm, das die ursprüngliche Datenreihe enthält, und das 2-Intervall-einfacher gleitender Durchschnitt wird wie folgt gezeigt. Beachten Sie, dass die gleitende mittlere Linie ein wenig glatter ist und die Rohdatenabweichungen oberhalb und unterhalb der Trendlinie deutlich sichtbarer sind. Auch der Gesamttrend ist deutlich sichtbarer. Ein gleitender 3-Intervall-Durchschnitt kann mit dem gleichen Verfahren wie folgt erstellt und auf dem Diagramm platziert werden: Es ist interessant zu bemerken, dass der einfache gleitende 2-Intervall-Durchschnitt einen glatteren Graphen als den einfachen gleitenden Durchschnitt von 3 Intervallen erzeugt. In diesem Fall kann der 2-Intervall-einfache gleitende Durchschnitt um so wünschenswerter sein als der 3-Intervall-gleitende Durchschnitt. Zum Vergleich wird ein einfacher 6-Intervall-Durchschnitt berechnet und dem Diagramm in der gleichen Weise wie folgt hinzugefügt: Wie erwartet, ist der 6-Intervall-einfacher gleitender Durchschnitt signifikant glatter als die einfachen 2- oder 3-Intervall-Durchschnittswerte. Ein glatterer Graph paßt genau auf eine gerade Linie. Analysieren der Prognosegenauigkeit Die Genauigkeit kann als Güte der Anpassung beschrieben werden. Die beiden Komponenten der Prognosegenauigkeit sind die folgenden: Prognosevorhersage 8211 Die Tendenz einer Prognose, konsequent höher oder niedriger als tatsächliche Werte einer Zeitreihe zu sein. Die Prognosevorspannung ist die Summe aller Fehler, geteilt durch die Anzahl der Perioden, wie folgt: Eine positive Bias gibt eine Tendenz zur Unterprognose an. Eine negative Vorspannung gibt eine Tendenz zur Überprognose an. Bias misst nicht die Genauigkeit, da positiver und negativer Fehler sich gegenseitig aufheben. Prognosefehler 8211 Die Differenz zwischen Istwerten einer Zeitreihe und den prognostizierten Werten der Prognose. Die gebräuchlichsten Maßnahmen des Prognosefehlers sind die folgenden: MAD 8211 Mean Absolute Deviation MAD berechnet den durchschnittlichen Absolutwert des Fehlers und wird mit folgender Formel berechnet: Die Mittelung der Absolutwerte der Fehler eliminiert den Abbruch von positiven und negativen Fehlern. Je kleiner der MAD, desto besser ist das Modell. MSE 8211 Mean Squared Error MSE ist ein beliebtes Maß für den Fehler, der die Abbruchwirkung von positiven und negativen Fehlern beseitigt, indem die Quadrate des Fehlers mit folgender Formel summiert werden: Große Fehlerterme tendieren dazu, MSE zu übertreiben, da die Fehlerterme alle quadriert sind. RMSE (Root Square Mean) reduziert dieses Problem, indem es die Quadratwurzel von MSE nimmt. MAPE 8211 Mittlerer absoluter Prozentfehler MAPE eliminiert auch den Abbrechen von positiven und negativen Fehlern durch Summieren der Absolutwerte der Fehlerterme. MAPE berechnet die Summe der prozentualen Fehlerterme mit folgender Formel: Durch Summieren von prozentualen Fehlertermen kann MAPE verwendet werden, um Prognosemodelle, die unterschiedliche Maßstäbe verwenden, zu vergleichen. Berechnen von Bias, MAD, MSE, RMSE und MAPE in Excel Für die Simple Moving Average Bias werden MAD, MSE, RMSE und MAPE in Excel berechnet, um das 2-Intervall-, 3-Intervall - und 6-Intervall-einfache Bewegen zu evaluieren Durchschnittliche Prognose in diesem Artikel erhalten und wie folgt dargestellt: Der erste Schritt ist die Berechnung von E t. E t 2. E t, E t Y t-act. Und können dann wie folgt berechnet werden: Bias, MAD, MSE, MAPE und RMSE können wie folgt berechnet werden: Es werden nun die gleichen Berechnungen durchgeführt, um Bias, MAD, MSE, MAPE und RMSE für den einfachen gleitenden Durchschnitt von 3 Intervallen zu berechnen. Die gleichen Berechnungen werden nun durchgeführt, um Bias, MAD, MSE, MAPE und RMSE für den 6-Intervall-einfachen gleitenden Durchschnitt zu berechnen. Bias, MAD, MSE, MAPE und RMSE sind für die 2-Intervall-, 3-Intervall - und 6-Intervall-einfachen Bewegungsdurchschnitte wie folgt zusammengefasst. Das 3-Intervall einfach gleitenden Durchschnitt ist das Modell, das am ehesten passt, dass tatsächliche Daten. 160 Excel Master Series Blog Verzeichnis Statistische Themen und Artikel in jedem Topic In der Praxis wird der gleitende Durchschnitt eine gute Schätzung des Mittelwerts der Zeitreihe liefern, wenn der Mittelwert konstant ist oder sich langsam ändert. Im Fall eines konstanten Mittelwertes wird der grßte Wert von m die besten Schätzungen des zugrunde liegenden Mittels liefern. Ein längerer Beobachtungszeitraum wird die Effekte der Variabilität ausmachen. Der Zweck der Bereitstellung eines kleineren m ist es, die Prognose auf eine Änderung in dem zugrunde liegenden Prozess zu ermöglichen. Um zu veranschaulichen, schlagen wir einen Datensatz vor, der Änderungen im zugrundeliegenden Mittel der Zeitreihen enthält. Die Abbildung zeigt die Zeitreihen für die Darstellung zusammen mit der mittleren Nachfrage, aus der die Serie erzeugt wurde. Der Mittelwert beginnt als eine Konstante bei 10. Ab dem Zeitpunkt 21 erhöht er sich um eine Einheit in jeder Periode, bis er zum Zeitpunkt 30 den Wert von 20 erreicht. Dann wird er wieder konstant. Die Daten werden simuliert, indem dem Mittelwert ein Zufallsrauschen aus einer Normalverteilung mit Nullmittelwert und Standardabweichung 3 zugeführt wird. Die Ergebnisse der Simulation werden auf die nächste Ganzzahl gerundet. Die Tabelle zeigt die simulierten Beobachtungen für das Beispiel. Wenn wir die Tabelle verwenden, müssen wir bedenken, dass zu einem gegebenen Zeitpunkt nur die letzten Daten bekannt sind. Die Schätzwerte des Modellparameters, für drei verschiedene Werte von m, werden zusammen mit dem Mittelwert der Zeitreihen in der folgenden Abbildung gezeigt. Die Abbildung zeigt die gleitende durchschnittliche Schätzung des Mittelwerts zu jedem Zeitpunkt und nicht die Prognose. Die Prognosen würden die gleitenden Durchschnittskurven nach Perioden nach rechts verschieben. Eine Schlussfolgerung ergibt sich unmittelbar aus der Figur. Für alle drei Schätzungen liegt der gleitende Durchschnitt hinter dem linearen Trend, wobei die Verzögerung mit m zunimmt. Die Verzögerung ist der Abstand zwischen dem Modell und der Schätzung in der Zeitdimension. Wegen der Verzögerung unterschätzt der gleitende Durchschnitt die Beobachtungen, während der Mittelwert zunimmt. Die Vorspannung des Schätzers ist die Differenz zu einer bestimmten Zeit im Mittelwert des Modells und dem Mittelwert, der durch den gleitenden Durchschnitt vorhergesagt wird. Die Vorspannung, wenn der Mittelwert zunimmt, ist negativ. Bei einem abnehmenden Mittelwert ist die Vorspannung positiv. Die Verzögerung in der Zeit und die Bias in der Schätzung eingeführt sind Funktionen von m. Je größer der Wert von m. Desto größer ist die Größe der Verzögerung und der Vorspannung. Für eine stetig wachsende Serie mit Trend a. Die Werte der Verzögerung und der Vorspannung des Schätzers des Mittelwerts sind in den folgenden Gleichungen gegeben. Die Beispielkurven stimmen nicht mit diesen Gleichungen überein, da das Beispielmodell nicht kontinuierlich zunimmt, sondern als Konstante beginnt, sich in einen Trend ändert und dann wieder konstant wird. Auch die Beispielkurven sind vom Rauschen betroffen. Die gleitende Durchschnittsprognose der Perioden in die Zukunft wird durch die Verschiebung der Kurven nach rechts dargestellt. Die Verzögerung und die Vorspannung nehmen proportional zu. Die nachstehenden Gleichungen zeigen die Verzögerung und die Vorspannung von Prognoseperioden in die Zukunft im Vergleich zu den Modellparametern. Diese Formeln sind wiederum für eine Zeitreihe mit einem konstanten linearen Trend. Wir sollten dieses Ergebnis nicht überraschen. Der gleitende Durchschnittsschätzer basiert auf der Annahme eines konstanten Mittelwerts, und das Beispiel hat einen linearen Trend im Mittel während eines Teils des Studienzeitraums. Da Realzeitreihen den Annahmen eines Modells nur selten gehorchen, sollten wir auf solche Ergebnisse vorbereitet sein. Wir können auch aus der Figur schließen, dass die Variabilität des Rauschens den größten Effekt für kleinere m hat. Die Schätzung ist viel volatiler für den gleitenden Durchschnitt von 5 als der gleitende Durchschnitt von 20. Wir haben die widerstrebenden Wünsche, m zu erhöhen, um den Effekt der Variabilität aufgrund des Rauschens zu verringern und um m zu verringern, um die Prognose besser auf Veränderungen anzupassen Im Mittel. Der Fehler ist die Differenz zwischen den tatsächlichen Daten und dem prognostizierten Wert. Wenn die Zeitreihe wirklich ein konstanter Wert ist, ist der erwartete Wert des Fehlers Null und die Varianz des Fehlers besteht aus einem Term, der eine Funktion von und ein zweiter Term ist, der die Varianz des Rauschens ist. Der erste Term ist die Varianz des Mittelwertes mit einer Stichprobe von m Beobachtungen, vorausgesetzt, die Daten stammen aus einer Population mit einem konstanten Mittelwert. Dieser Begriff wird minimiert, indem man m so groß wie möglich macht. Ein großes m macht die Prognose auf eine Änderung der zugrunde liegenden Zeitreihen unempfänglich. Um die Prognose auf Veränderungen anzupassen, wollen wir m so klein wie möglich (1), aber dies erhöht die Fehlerabweichung. Praktische Voraussage erfordert einen Zwischenwert. Prognose mit Excel Das Prognose-Add-In implementiert die gleitenden Durchschnittsformeln. Das folgende Beispiel zeigt die Analyse des Add-In für die Beispieldaten in Spalte B. Die ersten 10 Beobachtungen sind mit -9 bis 0 indexiert. Im Vergleich zur obigen Tabelle werden die Periodenindizes um -10 verschoben. Die ersten zehn Beobachtungen liefern die Startwerte für die Schätzung und werden verwendet, um den gleitenden Durchschnitt für die Periode 0 zu berechnen. Die Spalte MA (10) zeigt die berechneten Bewegungsdurchschnitte. Der gleitende Mittelwert m ist in Zelle C3. Die Fore (1) Spalte (D) zeigt eine Prognose für einen Zeitraum in die Zukunft. Das Prognoseintervall ist in Zelle D3. Wenn das Prognoseintervall auf eine größere Zahl geändert wird, werden die Zahlen in der Spalte Vorwärts verschoben. Die Err (1) - Spalte (E) zeigt die Differenz zwischen der Beobachtung und der Prognose. Zum Beispiel ist die Beobachtung zum Zeitpunkt 1 6. Der prognostizierte Wert, der aus dem gleitenden Durchschnitt zum Zeitpunkt 0 gemacht wird, beträgt 11,1. Der Fehler ist dann -5.1. Die Standardabweichung und mittlere mittlere Abweichung (MAD) werden in den Zellen E6 beziehungsweise E7 berechnet. Weight Moving Average Vorhersage Methoden: Vor-und Nachteile Hallo, LOVE Ihre Post. Ich frage mich, ob Sie weiter ausarbeiten könnte. Wir verwenden SAP. In ihm gibt es eine Auswahl, die Sie wählen können, bevor Sie Ihre Prognose ausführen, die Initialisierung genannt wird. Wenn Sie diese Option aktivieren, erhalten Sie ein Prognoseergebnis, wenn Sie die Prognose erneut im gleichen Zeitraum ausführen und die Initialisierung nicht auf die Ergebnisänderung überprüfen. Ich kann nicht herausfinden, was diese Initialisierung tut. Ich meine, mathematisch. Welches Prognoseergebnis am besten zu speichern und zu nutzen ist. Die Änderungen zwischen den beiden sind nicht in der prognostizierten Menge, sondern in der MAD und Fehler, Sicherheitsbestand und ROP-Mengen. Nicht sicher, ob Sie SAP verwenden. Hallo danke für die erklärung so effeciently seine zu gd. Thanks again Jaspreet Hinterlasse eine Antwort Antworten abbrechen Beliebte Beiträge Über Shmula Pete Abilla ist der Gründer von Shmula und der Charakter, Kanban Cody. Er hat Unternehmen wie Amazon, Zappos, eBay, Backcountry und andere helfen, Kosten zu senken und die Kundenerfahrung zu verbessern. Er tut dies durch eine systematische Methode zur Identifizierung von Schmerzen, die Auswirkungen auf den Kunden und das Geschäft, und fördert eine breite Beteiligung der Mitarbeiter des Unternehmens, um ihre eigenen Prozesse zu verbessern. Diese Website ist eine Sammlung seiner Erfahrungen, die er mit Ihnen teilen möchte. Erste Schritte mit kostenlosen Downloads