Métodos de Previsão Estatística Análise de Regressão Múltipla: Usada quando dois ou mais fatores independentes estão envolvidos - amplamente utilizados para previsão de termo intermediário. Usado para avaliar quais fatores incluir e qual excluir. Pode ser usado para desenvolver modelos alternativos com diferentes fatores. Regressão não linear: não assume uma relação linear entre variáveis - freqüentemente usado quando o tempo é a variável independente. Análise da tendência: usa regressão linear e não linear com o tempo como variável explicativa - utilizada onde padrão ao longo do tempo. Análise de decomposição: usado para identificar vários padrões que aparecem simultaneamente em uma série de tempo que consome tempo cada vez que é usado - também usado para dessazonalizar uma série Análise de média móvel: Médias móveis simples - prevê valores futuros com base em uma média ponderada de valores passados - Fácil de atualizar. Médias móveis ponderadas: muito poderosas e econômicas. Eles são amplamente utilizados onde as previsões repetidas requerem - usa métodos como a soma dos dígitos e os métodos de ajuste da tendência. Filtração Adaptativa. Um tipo de média móvel que inclui um método de aprendizagem de erros passados - pode responder a mudanças na importância relativa de fatores de tendência, sazonal e aleatória. Suavização exponencial: uma forma média móvel de previsão de séries temporais - eficiente para usar com padrões sazonais - fácil de ajustar para erros passados - fácil de preparar previsões de seguimento - ideal para situações em que muitas previsões devem ser preparadas - várias formas diferentes são usadas dependendo Na presença de tendências ou variações cíclicas. Filtro Hodrick-Prescott: trata-se de um mecanismo de suavização usado para obter um componente de tendência de longo prazo em uma série temporal. É uma forma de decompor uma determinada série em componentes estacionários e não estacionários de tal forma que a soma dos quadrados da série do componente não estacionário é mínima com uma penalidade nas mudanças nas derivadas do componente não estacionário. Modelagem e Simulação: o modelo descreve a situação através de séries de equações - permite testar o impacto de mudanças em vários fatores - substancialmente mais demorado para construir - geralmente requer programação do usuário ou compra de pacotes como SIMSCRIPT. Pode ser muito poderoso no desenvolvimento e teste de estratégias de outra forma não evidentes. Os modelos de certidão dão apenas as planilhas de resultado avançadas mais prováveis podem ser utilizadas para fazer qua seja a análise de ifqut, muitas vezes realizada, por exemplo, Com planilhas baseadas em computador. Modelos probabilísticos Use técnicas de simulação de Monte Carlo para lidar com a incerteza - fornece uma série de possíveis resultados para cada conjunto de eventos. Erro de previsão: todos os modelos de previsão têm uma estrutura de erro implícita ou explícita, onde o erro é definido como a diferença entre a previsão do modelo eo valor quottruequot. Além disso, muitas metodologias de snooping de dados no campo das estatísticas precisam ser aplicadas aos dados fornecidos a um modelo de previsão. Além disso, a verificação de diagnóstico, conforme definido no campo das estatísticas, é necessária para qualquer modelo que use dados. Usando qualquer método para prever um deve usar uma medida de desempenho para avaliar a qualidade do método. Mean Absolute Deviation (MAD), e Variance são as medidas mais úteis. No entanto, o MAD não se presta a usar mais as inferências, mas sim o erro padrão. Para fins de análise de erro, a variação é preferida, uma vez que variâncias de erros independentes (não correlacionados) são aditivos. MAD não é aditivo. Média móvel alterada no exemplo 1 da Previsão média móvel simples. Os pesos dados aos três valores anteriores eram todos iguais. Consideramos agora o caso em que esses pesos podem ser diferentes. Este tipo de previsão é denominado média móvel ponderada. Aqui, nós atribuímos m pesos w 1. , W m. Onde w 1. W m 1, e defina os valores previstos como segue Exemplo 1. Refazer o Exemplo 1 de Previsão Médica de Movimento Simples onde assumimos que as observações mais recentes são ponderadas mais do que observações mais antigas, usando os pesos w 1 .6, w 2 .3 e w 3 .1 (como mostrado no intervalo G4: G6 da Figura 1 ). Figura 1 Médias móveis ponderadas As fórmulas da Figura 1 são as mesmas da Figura 1 da Previsão Médica de Movimento Simples. Exceto para os valores de y previstos na coluna C. E. g. A fórmula na célula C7 é agora SUMPRODUCT (B4: B6, G4: G6). A previsão para o próximo valor na série temporal é agora 81.3 (célula C19), usando a fórmula SUMPRODUCT (B16: B18, G4: G6). Ferramenta de análise de dados de estatísticas reais. O Excel não fornece uma ferramenta de análise de dados de média móvel ponderada. Em vez disso, você pode usar a ferramenta de análise de dados de médias móveis ponderadas das estatísticas reais. Para usar esta ferramenta para o Exemplo 1, pressione Ctr-m. Escolha a opção Time Series no menu principal e, em seguida, na opção Basic forecasting methods da caixa de diálogo que aparece. Preencha a caixa de diálogo que aparece como mostrado na Figura 5 da Previsão Médica de Movimento Simples. Mas desta vez escolha a opção de média móvel ponderada e preencha o intervalo de pesos com G4: G6 (observe que nenhum título de coluna está incluído para o intervalo de pesos). Nenhum dos valores dos parâmetros é usado (essencialmente de Lags será o número de linhas no intervalo de pesos e de Estações e das Previsões será padrão para 1). O resultado será semelhante à saída na Figura 2 da Previsão Médica de Movimento Simples. Exceto que os pesos serão usados no cálculo dos valores de previsão. Exemplo 2. Use o Solver para calcular os pesos que produzem o menor erro quadrático médio MSE. Usando as fórmulas da Figura 1, selecione Data gt AnalysisSolver e preencha a caixa de diálogo como mostrado na Figura 2. Figura 2 Caixa de diálogo do Solver Observe que precisamos restringir a soma dos pesos a 1, o que fazemos clicando no Botão Adicionar. Isso traz a caixa de diálogo Adicionar restrição, que preenchemos como mostrado na Figura 3 e, em seguida, clique no botão OK. Figura 3 Caixa de diálogo Adicionar restrição Fazemos o próximo clique no botão Resolver (na Figura 2), que modifica os dados na Figura 1 como mostrado na Figura 4. Figura 4 Otimização do Solver Como pode ser visto na Figura 4, o Solver altera os pesos para 0 223757 e .776243 para minimizar o valor de MSE. Como você pode ver, o valor minimizado de 184.688 (célula E21 da Figura 4) é pelo menos menor do que o valor MSE de 191.366 na célula E21 da Figura 2). Para bloquear esses pesos, você precisa clicar no botão OK da caixa de diálogo Resultados do Solver mostrada na Figura 4.
No comments:
Post a Comment