Flyttande medelprognos Inledning. Som du kan gissa vi tittar på några av de mest primitiva tillvägagångssätten för prognoser. Men förhoppningsvis är dessa åtminstone en värdefull introduktion till några av de datorproblem som är relaterade till att implementera prognoser i kalkylblad. I den här venen fortsätter vi med att börja i början och börja arbeta med Moving Average prognoser. Flyttande medelprognoser. Alla är bekanta med att flytta genomsnittliga prognoser oavsett om de tror att de är. Alla studenter gör dem hela tiden. Tänk på dina testresultat i en kurs där du ska ha fyra tester under semestern. Låt oss anta att du fick en 85 på ditt första test. Vad skulle du förutse för ditt andra testresultat Vad tycker du att din lärare skulle förutsäga för nästa testresultat Vad tycker du att dina vänner kan förutsäga för nästa testresultat Vad tror du att dina föräldrar kan förutsäga för nästa testresultat Oavsett om alla blabbing du kan göra för dina vänner och föräldrar, de och din lärare är mycket troliga att vänta på att du får något i området 85 du bara fick. Nåväl, nu kan vi anta att trots din egen marknadsföring till dina vänner överskattar du dig själv och räknar att du kan studera mindre för det andra testet och så får du en 73. Nu är vad alla berörda och oroade kommer att Förutse att du kommer att få ditt tredje test Det finns två väldigt troliga metoder för att utveckla en uppskattning oavsett om de kommer att dela den med dig. De kan säga till sig själva: "Den här killen sprider alltid rök om hans smarts. Hes kommer att få ytterligare 73 om han är lycklig. Kanske kommer föräldrarna att försöka vara mer stödjande och säga, Quote, hittills har du fått en 85 och en 73, så kanske du ska räkna med att få en (85 73) 2 79. Jag vet inte, kanske om du gjorde mindre fester och werent vaggar vassan överallt och om du började göra mycket mer studerar kan du få en högre poäng. quot Båda dessa uppskattningar flyttade faktiskt genomsnittliga prognoser. Den första använder endast din senaste poäng för att förutse din framtida prestanda. Detta kallas en rörlig genomsnittlig prognos med en period av data. Den andra är också en rörlig genomsnittlig prognos men använder två dataperioder. Låt oss anta att alla dessa människor bråkar på ditt stora sinne, har gett dig en puss och du bestämmer dig för att göra det bra på det tredje testet av dina egna skäl och att lägga ett högre poäng framför din quotalliesquot. Du tar testet och din poäng är faktiskt en 89 Alla, inklusive dig själv, är imponerade. Så nu har du det sista testet av terminen som kommer upp och som vanligt känner du behovet av att ge alla till att göra sina förutsägelser om hur du ska göra på det sista testet. Jo, förhoppningsvis ser du mönstret. Nu kan du förhoppningsvis se mönstret. Vilken tror du är den mest exakta visselpipan medan vi arbetar. Nu återvänder vi till vårt nya rengöringsföretag som startas av din främmande halvsyster, kallad Whistle While We Work. Du har några tidigare försäljningsdata som representeras av följande avsnitt från ett kalkylblad. Vi presenterar först data för en treårs glidande medelprognos. Posten för cell C6 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C7 till och med C11. Lägg märke till hur genomsnittet rör sig över de senaste historiska data men använder exakt de tre senaste perioderna som finns tillgängliga för varje förutsägelse. Du bör också märka att vi inte verkligen behöver göra förutsägelser för de senaste perioderna för att utveckla vår senaste förutsägelse. Detta är definitivt annorlunda än exponentiell utjämningsmodell. Ive inkluderade quotpast predictionsquot eftersom vi kommer att använda dem på nästa webbsida för att mäta förutsägelse validitet. Nu vill jag presentera de analoga resultaten för en tvåårs glidande medelprognos. Posten för cell C5 ska vara Nu kan du kopiera den här cellformeln ner till de andra cellerna C6 till och med C11. Lägg märke till hur nu endast de två senaste bitarna av historiska data används för varje förutsägelse. Återigen har jag inkluderat quotpast predictionsquot för illustrativa ändamål och för senare användning i prognosvalidering. Några andra saker som är viktiga att märka. För en m-period som rör genomsnittlig prognos används endast de senaste datavärdena för att göra förutsägelsen. Inget annat är nödvändigt. För en m-period rörande genomsnittlig prognos, när du gör quotpast predictionsquot, märka att den första förutsägelsen sker i period m 1. Båda dessa problem kommer att vara väldigt signifikanta när vi utvecklar vår kod. Utveckla den rörliga genomsnittsfunktionen. Nu behöver vi utveckla koden för den glidande medelprognosen som kan användas mer flexibelt. Koden följer. Observera att inmatningarna är för antalet perioder du vill använda i prognosen och en rad historiska värden. Du kan lagra den i vilken arbetsbok du vill ha. Funktion MovingAverage (Historical, NumberOfPeriods) Som enstaka deklarering och initialisering av variabler Dim-objekt som variant Dim-teller som integer Dim-ackumulering som enstaka Dim HistoricalSize som heltal Initialiserande variabler Counter 1 ackumulering 0 Bestämning av storleken på Historisk matris Historisk storlek Historisk. Count för Counter 1 till NumberOfPeriods Ackumulera lämpligt antal senast tidigare observerade värden ackumulering ackumulering historisk (historicalSize - numberOfPeriods Counter) MovingAverage Accumulation NumberOfPeriods Koden förklaras i klassen. Du vill placera funktionen i kalkylbladet så att resultatet av beräkningen visas där det ska gälla följande. I praktiken ger det glidande medelvärdet en bra uppskattning av medelvärdet av tidsserierna om medelvärdet är konstant eller långsamt ändrat. Vid konstant medelvärde kommer det största värdet av m att ge de bästa uppskattningarna av det underliggande genomsnittet. En längre observationsperiod kommer att medeltala effekterna av variationen. Syftet med att tillhandahålla en mindre m är att tillåta prognosen att svara på en förändring av den underliggande processen. För att illustrera föreslår vi en dataset som innehåller förändringar i underliggande medelvärden av tidsserierna. Figuren visar tidsserierna som används för illustration tillsammans med den genomsnittliga efterfrågan från vilken serien genererades. Medelvärdet börjar som en konstant vid 10. Börjar vid tidpunkten 21, ökar den med en enhet i varje period tills den når värdet 20 vid tiden 30. Sedan blir det konstant igen. Uppgifterna simuleras genom att lägga till i genomsnitt ett slumpmässigt brus från en normalfördelning med nollvärde och standardavvikelse 3. Resultaten av simuleringen avrundas till närmaste heltal. Tabellen visar de simulerade observationer som används för exemplet. När vi använder bordet måste vi komma ihåg att vid varje given tidpunkt endast endast tidigare data är kända. Uppskattningarna av modellparametern, för tre olika värden på m visas tillsammans med medelvärdet av tidsserierna i figuren nedan. Figuren visar den genomsnittliga rörliga genomsnittliga beräkningen av medelvärdet vid varje tidpunkt och inte prognosen. Prognoserna skulle flytta de glidande medelkurvorna till höger av perioder. En slutsats framgår omedelbart av figuren. För alla tre uppskattningar ligger det rörliga genomsnittet bakom den linjära trenden, där fördröjningen ökar med m. Lagen är avståndet mellan modellen och uppskattningen i tidsdimensionen. På grund av fördröjningen underskattar det rörliga genomsnittet observationerna som medelvärdet ökar. Estimatorns förspänning är skillnaden vid en viss tidpunkt i modellens medelvärde och medelvärdet förutspått av det rörliga genomsnittet. Förspänningen när medelvärdet ökar är negativt. För ett minskande medelvärde är förspänningen positiv. Fördröjningen i tid och den bias som införs i uppskattningen är funktionerna i m. Ju större värdet av m. desto större är storleken på fördröjning och förspänning. För en kontinuerligt ökande serie med trend a. värdena för fördröjning och förspänning av estimatorn för medelvärdet ges i ekvationerna nedan. Exemplet kurvorna stämmer inte överens med dessa ekvationer eftersom exemplet modellen inte ständigt ökar, utan det börjar som en konstant, ändras till en trend och blir sedan konstant igen. Även kurvorna påverkas av bruset. Den glidande genomsnittliga prognosen för perioder i framtiden representeras genom att man ändrar kurvorna till höger. Fördröjningen och förskjutningen ökar proportionellt. Ekvationerna nedan anger fördröjningen och förspänningen av prognosperioder i framtiden jämfört med modellparametrarna. Återigen är dessa formler för en tidsserie med en konstant linjär trend. Vi borde inte bli förvånad över resultatet. Den glidande medelvärdesberäkaren baseras på antagandet om ett konstant medelvärde och exemplet har en linjär trend i medelvärdet under en del av studieperioden. Eftersom realtidsserier sällan exakt kommer att följa antagandena till en modell, bör vi vara beredda på sådana resultat. Vi kan också dra slutsatsen av att variationen i bruset har störst effekt för mindre m. Uppskattningen är mycket mer flyktig för det rörliga genomsnittet av 5 än det glidande medlet på 20. Vi har de motstridiga önskningarna att öka m för att minska effekten av variationer på grund av bullret och att minska m för att göra prognosen mer responsabel mot förändringar i medelvärdet. Felet är skillnaden mellan den faktiska data och det prognostiserade värdet. Om tidsserierna verkligen är ett konstant värde är det förväntade värdet av felet noll och variansen av felet består av en term som är en funktion av och en andra term som är brusets varians. Den första termen är medelvärdet av det medelvärde som uppskattas med ett urval av m-observationer, förutsatt att data kommer från en population med konstant medelvärde. Denna term minimeras genom att göra m så stor som möjligt. En stor m gör prognosen inte svarande mot en förändring i underliggande tidsserier. För att prognosen ska kunna reagera på förändringar, vill vi ha m så liten som möjligt (1), men detta ökar felvariationen. Praktisk prognos kräver ett mellanvärde. Prognoser med Excel Prognosen för prognoser implementerar de glidande medelformlerna. Exemplet nedan visar analysen som tillhandahålls av tillägget för provdata i kolumn B. De första 10 observationerna indexeras -9 till 0. Jämfört med tabellen ovan förskjuts periodindex med -10. De första tio observationerna ger startvärdena för uppskattningen och används för att beräkna det glidande medlet för period 0. MA (10) kolumnen (C) visar de beräknade glidande medelvärdena. Den rörliga genomsnittsparametern m är i cell C3. Fore (1) kolumnen (D) visar en prognos för en period framåt. Prognosintervallet ligger i cell D3. När prognosintervallet ändras till ett större antal flyttas numren i Fore-kolumnen nedåt. Err-kolumnen (E) visar skillnaden mellan observationen och prognosen. Till exempel är observationen vid tidpunkten 1 6. Det prognostiserade värdet som gjorts från det glidande medlet vid tidpunkten 0 är 11,1. Felet är då -5,1. Standardavvikelsen och medelvärdeavvikelsen (MAD) beräknas i cellerna E6 respektive E7. Faktorsperiodens rörliga genomsnittliga prognosprognos med femperiods rörande medelprognosprognos med exponentiell utjämning Da y Faktiskt kassaflödesprognos (N 5) Felprognos (0,40 ) Fel 1 110 000 2 120 000 3 115 000 4 122 000 5 126 000 6 124 000 118,60 0 5,40 0 118 600 5 400 7 129 000 121,40 0 7,60 0 120,760 8,240 8 133,000 123,20 0 9,80 0 124,056 8,944 9 132,000 126,80 0 5,20 0 127,634 4,366 Flyttande medelprognos Den glidande medelprognosen för dag 6 är: (110 000 120 000 115 000 122 000 126 000) 5 118 600 Denna förhandsvisning har avsiktligt suddiga avsnitt. Registrera dig för att se hela versionen. Exponentiell utjämning Prognos Exponentiell utjämning prognos börjar med dag 6 prognos på 118 600 initialt baserat på den glidande genomsnittliga prognosen. Därefter beräknas dag 7 prognos med hjälp av exponentiell utjämningsformeln och ett antaget alfa (a) - värde på 0,40. F7 0.40 (124.000) (1 ndash 0.40) (118.600) 120.760 Detta resulterar i ett prognosfel på 8,240 (129,000 ndash 120,760) Utställning 10.8: Enkelt rörligt medelvärde och exponentiell utjämningsprognos De prognostiserade värdena finns på följande sätt: Nästa tidsperiodprognos (alfa) (aktuell period faktiskt) (1 ndash alfa) (nuvarande periodprognos) Denna formel kan uttryckas mer formellt som: där t tidsperiodsabonnemang (t aktuell period, t 1 nästa period etc.) F t1 kassaflödesprognos för nästa period (t 1) F t kassaflödesprognos för den aktuella perioden (t) utjämningskonstant (0 lt lt1) X t faktiskt kassaflöde för den aktuella perioden (t) Som med en enkel rörlig genomsnittlig prognos kommer exponentiell utjämning ger en prognos som slår en trend i serien. Om en trend i serien är mild, blir lag-effekten minimal eftersom, till skillnad från ett rörligt medelvärde, prognosen görs med värden från den senaste perioden. b. Korrelations - och regressionskorrelationsberäkningar innebär en statistisk identifiering av graden av koppling mellan ett kassaflöde och en annan variabel. När detta förhållande är etablerat kan kassaflödet prognostiseras baserat på det faktiska eller förväntade beteendet hos den andra variabeln. Regressionsanalys är en av de primära metoderna som kan användas för att projicera kassaflödet efter det att den kvantifierade korrelationen mellan kassaflödet och en annan variabel har upprättats. Regressionsanalys är en statistisk metod som kan användas för att bedöma den effekt som flera variabler (eller orsaker) har på ett värde eller ett resultat. Regression är en sofistikerad metod som kräver ganska stora mängder data och kunskap om methodrsquos fördelar och fallgropar. Den förklarande modellen som utvecklats med regression måste omprövas när de underliggande påverkan på kassaflödet ändras. VI. Prognostiserad slutande kontantposition De olika kontanthanteringsverktygen och metoderna som diskuteras i detta kapitel tjänar det dubbla syftet med att mobilisera medel för att komma fram till den slutliga kontantpositionen och tillhandahålla aktuella och korrekta rapporter för att optimera användningen av tillgängliga medel. En treasury-proffs kommer fram till den projicerade slutkundspositionen genom att ta in dagboksens öppningsbara bankbalanser, lägga till de förväntade bosättningarna i samlingen (lockbox, wire och ACH) och koncentrationsräkenskaper (förvaringsbanker) och genom att dra av det projicerade utbetalning totals. Information om kontroller i samband med insamling och ACH-krediter är tillgänglig från tidigare balansräkningsrapporter. Lockbox och kontrollerade utbetalnings totals redovisas samma dag. Denna förhandsvisning har avsiktligt suddiga avsnitt. Anmäl dig för att se hela versionen. Five-period och Tio-åriga rörliga medelprognoser Se bifogad fil. Kan någon lösa problemet nedan och se de bifogade xls: prognos för 5 termostatkrav (a) Utveckla en femårs glidande medelprognos för att förutse försäljningen för perioderna 6 till 66 och beräkna MAD. (b) Utveckla en tioårs glidande genomsnittsprognos för att förutsäga försäljningen under perioden 11 till 66 och beräkna MAD. Vilken prognos är mer exakt för perioden 66 Är prognosmetoderna lämpade för data Varför eller varför inte Vilken prognos är mjukare När en trend eller ett mönster kommer fram, skulle du använda en liten eller stor n Varför bifogar lösningen Förhandsvisning För 5-tiden och 10-års glidande medelprognoser, se bifogade kalkylarkfilen. Vilken prognos är mer exakt för period 66 Med minsta beräknade genomsnittliga absoluta avvikelse (MAD) på 44, 10-punkten. Lösningsöversikt Lösningen beräknar ett femårigt och tioårigt glidande medelvärde och en tioårig prognos. Den genomsnittliga absoluta avvikelsen beräknades för att identifiera den bästa prognosmetoden. Den detaljerade beräkningen gjordes i bifogade kalkylarkfilen. Lägg till lösning i kundvagnen Ta bort från varukorgen
No comments:
Post a Comment