Prognosvägda Glidande Medelvärde Excel

Hur man beräknar vägda rörliga medeltal i Excel med hjälp av exponentiell utjämning Excel-dataanalys för dummies, 2: a utgåva Exponentiell utjämning i Excel beräknar glidande medelvärdet. Exponentiell utjämning väger emellertid värdena som ingår i de glidande medelberäkningarna så att de senaste värdena har större effekt på medelberäkningen och gamla värden har en mindre effekt. Denna viktning åstadkommes genom en utjämningskonstant. För att illustrera hur verktyget för exponentiell utjämning fungerar, antar att du8217re ser igen på den genomsnittliga dagtemperaturinformationen. För att beräkna vägda glidmedel med hjälp av exponentiell utjämning, gör följande steg: För att beräkna ett exponentiellt jämnt glidande medelvärde, klicka först på kommandoknappen Data tab8217s dataanalys. När Excel visar dialogrutan Dataanalys väljer du alternativet Exponentiell utjämning från listan och klickar sedan på OK. Excel visar dialogrutan Exponentiell utjämning. Identifiera data. För att identifiera de data som du vill beräkna ett exponentiellt jämn glidande medelvärde för, klickar du i textrutan Inmatningsområde. Identifiera sedan ingångsintervallet, antingen genom att skriva in en arbetsbladets intervalladress eller genom att välja arbetsbladets intervall. Om ditt inmatningsområde innehåller en textetikett för att identifiera eller beskriva dina data markerar du kryssrutan Etiketter. Ge utjämningskonstanten. Ange utjämningskonstantvärdet i textrutan Dämpningsfaktor. Excel-hjälpfilen föreslår att du använder en utjämningskonstant på mellan 0,2 och 0,3. Förmodligen, om du använder det här verktyget, har du egna idéer om vad den korrekta utjämningskonstanten är. (Om you8217re clueless om utjämningskonstanten, kanske du shouldn8217t använda det här verktyget.) Berätta Excel var du placerar de exponentiellt jämnaste glidande genomsnittliga data. Använd textrutan Utmatningsområde för att identifiera det arbetsarksintervall som du vill placera den rörliga genomsnittsdata för. I exemplet på arbetsbladet placerar du exempelvis den glidande genomsnittliga data i arbetsarkets intervall B2: B10. (Valfritt) Diagram Exponentially smoothed data. För att kartlägga exponentiellt jämna data, markera kryssrutan Diagramutmatning. (Valfritt) Anger att du vill beräkna standard felinformation. För att beräkna standardfel markerar du kryssrutan Standardfel. Excel placerar standardfelvärden bredvid de exponentiellt jämnaste glidande medelvärdena. När du är klar med att ange vilken glidande medelinformation du vill ha beräknad och var du vill placera den, klicka på OK. Excel beräknar glidande medelvärde. Skapa ett vägt rörligt medelvärde i 3 steg Översikt över rörlig genomsnitts Det rörliga genomsnittsvärdet är en statistisk metod som används för att släta ut kortsiktiga fluktuationer i en serie data för att lättare kunna känna igen långsiktiga trender eller cykler. Det rörliga genomsnittet kallas ibland som ett rullande medelvärde eller ett löpande medelvärde. Ett rörligt medelvärde är en serie siffror, som var och en representerar medelvärdet av ett intervall av specificerat antal tidigare perioder. Ju större intervallet desto mer utjämning uppstår. Ju mindre intervallet desto mer är det glidande medlet liknar den faktiska dataserien. Flytta medelvärden utföra följande tre funktioner: Utjämning av data, vilket innebär att dataens passform anpassas till en rad. Minskar effekten av tillfällig variation och slumpmässigt brus. Markera outliers över eller under trenden. Det rörliga genomsnittet är en av de mest använda statistiska teknikerna inom industrin för att identifiera datatrender. Till exempel ser försäljningscheferna vanligtvis tre månaders glidande medelvärden av försäljningsdata. Artikeln kommer att jämföra två månaders, tre månaders och sex månaders enkla glidande medelvärden av samma försäljningsdata. Det rörliga genomsnittet används ganska ofta i teknisk analys av finansiella data som aktieavkastning och ekonomi för att lokalisera trender i makroekonomiska tidsserier såsom anställning. Det finns ett antal variationer av det rörliga genomsnittet. De vanligaste anställda är det enkla glidande medlet, det vägda glidande medlet och det exponentiella glidande medlet. Att utföra varje av dessa tekniker i Excel kommer att beskrivas i detalj i separata artiklar i den här bloggen. Här är en kort översikt över var och en av dessa tre tekniker. Enkelt rörligt medelvärde Varje punkt i ett enkelt glidande medelvärde är medelvärdet av ett angivet antal tidigare perioder. En länk till en annan artikel i den här bloggen, som ger en detaljerad förklaring av genomförandet av denna teknik i Excel, är enligt följande: Viktad Flyttande medelpoäng i det vägda glidande genomsnittet representerar också ett genomsnitt av ett visst antal tidigare perioder. Det vägda glidande medlet applicerar olika viktning till vissa tidigare perioder, ganska ofta får de senaste perioderna större vikt. Denna bloggartikel kommer att ge en detaljerad förklaring av genomförandet av denna teknik i Excel. Exponentiella rörliga medelpunkter i exponentiell glidande medelvärde representerar också ett genomsnitt av ett specificerat antal tidigare perioder. Exponentiell utjämning gäller viktningsfaktorer till tidigare perioder som minskar exponentiellt och når aldrig noll. Som ett resultat tar exponentiell utjämning hänsyn till alla tidigare perioder istället för ett angivet antal tidigare perioder som det vägda glidande medlet gör. En länk till en annan artikel i den här bloggen, som ger en detaljerad förklaring av genomförandet av denna teknik i Excel, är följande: Nedan beskrivs 3-stegs processen för att skapa ett viktat glidande medelvärde av tidsseriedata i Excel: Steg 1 8211 Gradera de ursprungliga data i en tidsserieplot Linjediagrammet är det vanligaste Excel-diagrammet för att gradera tidsseriedata. Ett exempel på ett sådant Excel-diagram som används för att plotta 13 perioder av försäljningsdata visas på följande sätt: Steg 2 8211 Skapa det viktade rörliga genomsnittet med formler i Excel Excel tillhandahåller inte verktyget Flyttande medel inom menyn Data Analysis så formlerna måste vara konstrueras manuellt. I detta fall skapas ett 2-intervallviktat glidande medelvärde genom att ange en vikt av 2 till den senaste perioden och en vikt av 1 till perioden före det. Formeln i cell E5 kan kopieras ner till cell E17. Steg 3 8211 Lägg till den viktade rörliga genomsnittsserien till diagrammet. Dessa data ska nu läggas till i diagrammet som innehåller den ursprungliga tidslinjen för försäljningsdata. Uppgifterna kommer helt enkelt att läggas till som en ytterligare dataserie i diagrammet. För att göra det, högerklicka var som helst på diagrammet och en meny kommer dyka upp. Hit Välj data för att lägga till den nya serien av data. Den glidande genomsnittsserien kommer att läggas till genom att fylla i dialogrutan Redigera serier enligt följande: Diagrammet som innehåller originaldataserien och den data8217s 2-intervallet vägd glidande medelvärde visas som följer. Observera att den glidande medellinjen är ganska lite jämnare och råa data8217s avvikelser över och under trendlinjen är mycket tydligare. Den övergripande trenden är nu också mycket tydligare. Ett 3-intervall glidande medelvärde kan skapas och placeras på diagrammet med nästan samma procedur som följer. Observera att den senaste perioden tilldelas vikten 3, perioden före den tilldelade och vikten 2 och perioden före den tilldelas en vikt av 1. Dessa data ska nu läggas till i diagrammet som innehåller originalet tidslinje för försäljningsdata tillsammans med 2-intervallserien. Uppgifterna kommer helt enkelt att läggas till som en ytterligare dataserie i diagrammet. För att göra det, högerklicka var som helst på diagrammet och en meny kommer dyka upp. Hit Välj data för att lägga till den nya serien av data. Den glidande genomsnittsserien kommer att läggas till genom att fylla i dialogrutan Redigera serier enligt följande: Som förväntat sker en lite mer utjämning med det 3-intervall viktade glidmedlet än med det 2-intervall viktade glidande medlet. Som jämförelse beräknas ett 6-intervallviktat rörligt medelvärde och läggas till i diagrammet på samma sätt som följer. Observera de gradvis minskande vikterna som tilldelas som perioder blir mer avlägsna tidigare. Dessa data ska nu läggas till i diagrammet som innehåller den ursprungliga tidslinjen för försäljningsdata tillsammans med serie 2 och 3. Uppgifterna kommer helt enkelt att läggas till som en ytterligare dataserie i diagrammet. För att göra det, högerklicka var som helst på diagrammet och en meny kommer dyka upp. Hit Välj data för att lägga till den nya serien av data. Den rörliga genomsnittsserien kommer att läggas till genom att fylla i dialogrutan Redigera serier enligt följande: Som förväntat är det 6-intervall viktade glidande medlet betydligt mjukare än de 2 eller 3-intervall viktade glidmedelvärdena. En mjukare graf passar bättre en rak linje. Analysera prognosnoggrannhet De två komponenterna i prognosnoggrannheten är följande: Prognos Bias 8211 Tendensen av en prognos att vara konsekvent högre eller lägre än de faktiska värdena för en tidsreaktion. Prognosförskjutning är summan av allt fel dividerat med antalet perioder enligt följande: En positiv bias indikerar en tendens att underskatta. En negativ bias indikerar en tendens att överskatta. Bias mäter inte noggrannhet eftersom positivt och negativt fel avbryter varandra. Prognosfel 8211 Skillnaden mellan de faktiska värdena för en tidsserie och de prognostiserade värdena för prognosen. De vanligaste åtgärderna för prognosfel är följande: MAD 8211 Mean Absolute Deviation MAD beräknar det genomsnittliga absoluta värdet av felet och beräknas med följande formel: Medelvärdet av felets absoluta värden eliminerar avbrytande effekten av positiva och negativa fel. Ju mindre MAD, desto bättre är modellen. MSE 8211 Mean Squared Error MSE är ett populärt mått på fel som eliminerar avbrytande effekten av positiva och negativa fel genom att summera kvadraterna för felet med följande formel: Stora felvillkor tenderar att överdriva MSE eftersom felvillkoren är alla kvadrerade. RMSE (Root Square Mean) reducerar detta problem genom att ta kvadratroten av MSE. MAPE 8211 Mean Absolute Percent Error MAPE eliminerar också avbrytande effekten av positiva och negativa fel genom att summera de absoluta värdena för felvillkoren. MAPE beräknar summan av procentuella felvillkor med följande formel: Genom att summera procentfelter kan MAPE användas för att jämföra prognosmodeller som använder olika måttmått. Beräkning av Bias, MAD, MSE, RMSE och MAPE i Excel För den vägda rörliga genomsnittliga biasen kommer MAD, MSE, RMSE och MAPE att beräknas i Excel för att utvärdera 2-intervallet, 3-intervallet och 6-intervallet vägd rörelse genomsnittlig prognos erhållen i denna artikel och visas som följer: Det första steget är att beräkna E t. E t 2. E t, E t Y t-act. och sedan summera så här: Bias, MAD, MSE, MAPE och RMSE kan beräknas enligt följande: Samma beräkningar görs nu för att beräkna Bias, MAD, MSE, MAPE och RMSE för det 3-intervall viktade glidande medlet. Bias, MAD, MSE, MAPE och RMSE kan beräknas enligt följande: Samma beräkningar görs nu för att beräkna Bias, MAD, MSE, MAPE och RMSE för det 6-intervall viktade glidande medlet. Bias, MAD, MSE, MAPE och RMSE kan beräknas enligt följande: Bias, MAD, MSE, MAPE och RMSE sammanfattas för 2-intervall, 3-intervall och 6-intervall viktade glidmedelvärden enligt följande. Det 2-intervall viktade rörliga genomsnittsvärdet är den modell som bäst passar den aktuella data, vilket skulle förväntas. 160 Excel Master Series Blog Directory Statistiska ämnen och artiklar i varje TopicWeighted Moving Average i Exempel 1 av Simple Moving Average Forecast. vikterna som gavs till de föregående tre värdena var alla lika. Vi överväger nu fallet där dessa vikter kan vara olika. Denna typ av prognos kallas vägt glidande medelvärde. Här tilldelar vi vikter w 1. , w m. var w 1 w m 1, och definiera de prognostiserade värdena enligt följande Exempel 1. Redo exempel 1 av Simple Moving Average Forecast där vi antar att de senaste observationerna vägs mer än äldre observationer, med hjälp av vikterna w 1, 6, w 2, 3 och w 3 .1 (som visas i intervall G4: G6 i figur 1 ). Figur 1 Viktiga rörliga medelvärden Formlerna i Figur 1 är desamma som de i Figur 1 i Simple Moving Average Forecast. förutom de prognostiserade y-värdena i kolumn C. Exempelvis formeln i cell C7 är nu SUMPRODUCT (B4: B6, G4: G6). Prognosen för nästa värde i tidsserierna är nu 81,3 (cell C19), genom att använda formeln SUMPRODUCT (B16: B18, G4: G6). Real Statistics Data Analysis Tool. Excel tillhandahåller inte ett viktat medelvärde för dataanalysverktyg. Istället kan du använda dataanalysverktyget Real Data Weighted Moving Averages. För att använda detta verktyg för exempel 1, tryck Ctr-m. välj alternativet Time Series från huvudmenyn och sedan alternativet Grundläggande prognosmetoder från dialogrutan som visas. Fyll i dialogrutan som visas som visas i Figur 5 i Simple Moving Average Forecast. men den här gången väljer du alternativet Viktigt rörande medelvärde och fyller in vikterområdet med G4: G6 (observera att ingen kolumnrubrik ingår i vikten). Ingen av parametervärdena används (i huvudsak av Lags blir antalet rader i vikten och årstider och prognoser kommer som standard till 1). Utsignalen kommer att se ut som utgången i Figur 2 i Simple Moving Average Forecast. förutom att vikterna kommer att användas vid beräkning av prognosvärdena. Exempel 2 Använd Solver för att beräkna de vikter som producerar det lägsta medelkvadratfelet MSE. Med hjälp av formlerna i Figur 1 väljer du Data gt AnalysisSolver och fyller i dialogrutan som visas i Figur 2. Figur 2 Solver dialogrutan Observera att vi måste begränsa summan av vikterna som 1, vilket vi gör genom att klicka på Lägg till knapp. Detta ger dialogrutan Add Constraint, som vi fyller i som visas i Figur 3 och sedan på OK-knappen. Figur 3 Lägg till begränsningsdialogrutan Vi klickar sedan på Solve-knappen (på figur 2) som ändrar data i Figur 1 som visas i Figur 4. Figur 4 Solveroptimering Såsom framgår av Figur 4 ändrar Solver vikterna till 0 . 223757 och .776243 för att minimera värdet av MSE. Som du kan se är det minimerade värdet 184 184 (cell E21 i figur 4) åtminstone mindre än MSE-värdet 191.366 i cell E21 i figur 2). För att låsa in i dessa vikter måste du klicka på OK-knappen i dialogrutan Solverresultat som visas i Figur 4.Vågat rörande medelprognos och MAD i EXCEL Problemet säger att chefen för Carpet City-utloppet måste göra en exakt prognos av Efterfrågan på Soft Shag matta (den största säljaren). Om chefen inte beställer tillräckligt mycket matta från mattan, kommer kunderna att köpa sina matta från en av Carpet City många konkurrenter. Chefen har samlat in följande efterfrågningsdata under de senaste åtta månaderna Månadens efterfrågan på mjuk shag Matta 1 000 m 1 8 2 12 3 7 4 9 5 15 6 11 7 10 8 12 Beräkna en 3 månaders glidande medelprognos för månad 4 till 9 Beräkna en vägd 3 månaders glidande medelprognos för månaderna 4 till 9. Tilldela vikter av .53. 33 och .12 till månaden i följd, från och med den senaste månaden. Jämför de två prognoserna med hjälp av MAD, vilken prognos tycks vara mer exakt. Lösningsförhandsvisning Vänligen se bilagan Solution. xlsx för arbets - och. Lösningsöversikt Ett 3 månaders rörligt medelprognos och ett annat 3 månadsviktat rörligt medelprognos, med olika utjämningsvägningsfaktorer, har utförts i Excel. Prognosfel (MAD) har beräknats och de två prognoserna har jämförts med dessa MAD-värden. Lägg till lösning i kundvagnen Ta bort från varukorgen