이동 평균 예측 모델의 문제점 및 단점

간단한 이동 평균. 간단한 이동 평균을 예측 도구로 사용하는 문제. 이동 평균은 실제 데이터를 추적하지만 그 뒤에서는 항상 뒤떨어져 있습니다. 이동 평균은 실제 데이터의 최고점이나 최저점에 결코 도달하지 않습니다. 데이터. 미래에 관해서는 많이 알려주지 않습니다. 그러나 이것은 이동 평균을 쓸모 없게 만들지는 않습니다. 단지 문제를 인식하고 있어야합니다. 요약 설명. 오디오 변환. 간단하게 이동 평균 또는 단일 이동 평균을 사용하면 간단한 이동 평균을 예측 도구로 사용하는 데 몇 가지 문제가 발생했습니다. 이동 평균은 실제 데이터를 추적하지만 그 뒤에 항상 뒤떨어져 있습니다. 이동 평균은 실제 데이터의 정점이나 계곡에 결코 도달하지 않습니다 그 데이터는 미래에 대해 정말로 알려주지 않습니다. 왜냐하면 단순히 한 기간을 미리 예측하고 있기 때문에 그 예측은 미래 기간 동안 최고의 가치를 나타내는 것으로 가정됩니다. 한 기간은 광고에서 vance, 그러나 그것을 넘어서는 것을 알려주지는 않습니다. 단순한 이동 평균은 쓸모 없게 만듭니다. 실제로는 단순한 이동 평균을 볼 수 없습니다. 클래스 MovingAverageModel. A 이동 평균 예측 모델은 인위적으로 구성된 시계열을 기반으로합니다. 주어진 시간주기의 값이 해당 값의 평균 및 이전 및 이후의 특정 기간 수에 대한 값으로 대체됩니다. 설명에서이 모델은 시계열 데이터, 즉 시간이 지남에 따라 변하는 데이터에 가장 적합합니다. 예를 들어, 주식 시장의 개별 주식 차트에서는 추세를 보여주는 방법으로 20, 50, 100 또는 200 일 이동 평균을 표시합니다. 특정 기간에 대한 예측 값은 이전 기간의 평균이므로 예측은 항상 관찰 된 종속 값의 증가 또는 감소보다 지연되는 것처럼 보입니다. 예를 들어 데이터 시리즈가 눈에 able만한 상승 경향을 갖는 경우 이동 평균 예측은 일반적으로 종속 변수의 가치를 과소 평가합니다. 이동 평균법은 최고점과 최고점을 부드럽게한다는 점에서 다른 예측 모델에 비해 이점이 있습니다 거칠기 또는 계곡을 관찰 세트에서 계산할 수 있지만 몇 가지 단점이 있습니다. 특히이 모델은 실제 방정식을 생성하지 않습니다. 따라서 중거리 예측 도구로 유용하지는 않습니다. 이동 평균 모델은보다 일반적인 가중 이동 평균의 특수한 경우입니다. 단순 이동 평균에서는 모든 가중치가 동일합니다. 0 3 작성자 Steven R Gould. class. MovingAverageModel에서 상속받은 필드 new moving average forecasting model. MovingAverageModel int period 지정된 period. getForecastType을 사용하여 새로운 이동 평균 예측 모델을 생성합니다. 이 유형의 예측 모델에 대해 하나 또는 두 개의 단어 이름을 반환합니다. init DataSet dataSet 이동 평균 model. toString을 초기화하는 데 사용됩니다. 가능한 경우 파생 된 매개 변수가 사용 된 경우를 포함하여 현재 예측 모델에 대한 텍스트 설명을 제공하기 위해 재정의됩니다. 상속 된 메소드 새로운 이동 평균 예측 모델을 구축합니다. 유효한 모델을 생성하려면 init을 호출하고 독립 변수를 식별하기 위해 time 변수가 초기화 된 일련의 데이터 요소를 포함하는 데이터 집합을 전달해야합니다. 새로운 이동 평균 예측을 구성합니다. 모델. 독립 변수로 지정된 이름을 사용합니다. 매개 변수 independentVariable - 이 모델에서 사용할 독립 변수의 이름입니다. 지정된 기간을 사용하여 새로운 이동 평균 예측 모델을 구성합니다. 유효한 모델을 생성하려면 init 독립 변수를 식별하기 위해 시간 변수가 초기화 된 일련의 데이터 요소를 포함하는 데이터 세트를 전달하십시오. 기간 값은 이동 평균을 계산하는 데 사용되는 관측 수를 결정하는 데 사용됩니다. 예를 들어, 50 일 데이터 포인트가 일별 관측치 인 이동 평균은 기간을 50으로 설정해야합니다. 이 기간은 미래 기간 t 모자를 효과적으로 예측할 수 있습니다. 50 일 이동 평균을 사용하면 데이터를 사용할 수있는 마지막 기간보다 50 일 이상 예측할 수있는 합리적 정확성이 없습니다. 이는 10 일의 기간보다 더 유용 할 수 있습니다. 여기서 우리는 마지막 기간 이후 10 일을 합리적으로 예측할 수있었습니다. 매개 변수 기간 - 이동 평균을 계산하는 데 사용되는 관측 수입니다. 주어진 이름을 독립 변수 및 지정된 기간으로 사용하여 새로운 이동 평균 예측 모델을 생성합니다. 변수 independentVariable - 이 모델에서 사용할 독립 변수의 이름 period - 이동 평균을 계산하는 데 사용되는 관측 수입니다. 이동 평균 모델을 초기화하는 데 사용됩니다. 이 메서드는 클래스의 다른 메서드보다 먼저 호출해야합니다. 이동 평균 모델은 예측을위한 방정식을 유도하지 않으며, 이 방법은 입력 데이터 세트를 사용하여 독립 ti의 모든 유효한 값에 대한 예측 값을 계산합니다 me 변수. 인터페이스 ForecastingModel의 init에 의해 지정 AbstractTimeBasedModel 클래스의 init를 오버라이드합니다. 매개 변수 dataSet - 예측 모델의 예측 매개 변수를 초기화하는 데 사용할 수있는 관측 데이터 집합입니다. 이 유형의 예측 모델 유형 중 하나 또는 두 개의 단어 이름을 반환합니다. 유지 이 Short 메소드는, toString 메소드로 구현할 필요가 있습니다. 가능한 경우, 사용 된 파생 파라미터를 포함한, 현재의 예측 모델의 텍스트 설명을 제공하기 위해서 (때문에) 오버라이드 (override) 할 필요가 있습니다. 인터페이스 ForecastingModel의 toString에 의해 지정된 WeightedMovingAverageModel의 toString를 오버라이드 (override)합니다. 현재 예측 모델의 문자열 표현 및 그 매개 변수. 시계열은주기적인 무작위 변수의 관찰 순서입니다. 예를 들어, 제품에 대한 월간 수요, 대학학과에서의 신입생 입학 및 강 시간 시리즈는 운영 연구에 중요합니다. 인벤토리 모델은 미래 수요에 대한 추정치를 필요로하며, 대학학과 일정 및 인력 모델에는 미래의 학생 유입에 대한 추정치가 필요하고, 강 유역의 인구에게 경고를 제공하기위한 모델은 강 시간 시리즈를 분석하여 미래 사건을 예측하기 위해 모델을 사용하는 도구를 제공합니다. 시계열을 모델링하는 것은 통계적 문제입니다. 관측 된 데이터가 계산 절차에 사용되어 추정 모델 모델은 관측치가 시간의 함수 인 기본 평균값에 대해 무작위로 변하는 것으로 가정합니다. 이러한 페이지에서 시간 종속 모델을 추정하기 위해 과거의 시계열 데이터를 사용하여주의를 제한합니다. 이 방법은 빈번한 자동, 단기 예측 시간 변이의 근본 원인이 챈이 아닌 곳에 사용 된 정보 역사적 데이터에서 얻을 수없는 정보를 통합 한 인간 분석가가 실제로 이러한 방법으로 얻은 예측을 수정합니다. 이 섹션의 주된 목적은 Forecasting add에 사용 된 네 가지 예측 방법에 대한 방정식을 제시하는 것입니다 이동 평균, 지수 평활화, 지수 평활화, 회귀 및 이중 지수 평활화 평활화 방법이라고합니다. 고려되지 않은 방법으로는 질적 예측, 다중 회귀 및 자동 회귀 분석법이 있습니다. ARIMA보다 광범위한 적용 범위에 관심이있는 사람들은 예측 원칙 사이트를 방문하거나 이 주제에 대한 훌륭한 책 우리는 Makridakis, Wheelwright and McGee, John Wiley Sons, 1983 년의 책 Forecasting을 사용했습니다. Excel Examples 워크 북을 사용하려면 Forecasting 애드 인이 설치되어 있어야합니다. Relink 명령을 선택하여 추가 링크를 설정하십시오 - in. 이 페이지는 간단한 예측 및 표기법 사용에 사용되는 모델을 설명합니다. d를 사용합니다. 이 가장 간단한 예측 방법은 이동 평균 예측입니다. 이 방법은 마지막 m 개의 관측치의 평균을 구합니다. 천천히 변화하는 평균을 갖는 시계열에 유용합니다. 이 방법은 과거의 전체 예측을 고려하지만 최근의 경험에 더 비중을 둡니다. 이전 기간 및 현재 데이터의 추정 만이 새 추정을 결정하기 때문에 계산이 간단합니다. 이 방법은 천천히 변화하는 평균을 갖는 시계열에 유용합니다. 이동 평균법은 다음과 같은 시계열에 잘 응답하지 않습니다. 시간에 따라 증가 또는 감소합니다. 여기에 선형 추세 항이 포함됩니다. 회귀 방정식은 마지막 m 관측치에 최소 제곱합을 제공하는 선형 방정식을 구성하여 모델을 근사합니다.