Statistische Vorhersage-Methoden Mehrere Regressionsanalyse: Wird verwendet, wenn zwei oder mehr unabhängige Faktoren beteiligt sind - weit verbreitet für die Zwischenzeit-Prognose verwendet. Dient zur Beurteilung, welche Faktoren einzubeziehen sind und welche auszuschließen sind. Kann verwendet werden, um alternative Modelle mit verschiedenen Faktoren zu entwickeln. Nichtlineare Regression: Gibt nicht eine lineare Beziehung zwischen Variablen an - häufig verwendet, wenn Zeit die unabhängige Variable ist. Trendanalyse: Verwendet lineare und nichtlineare Regression mit der Zeit als die erklärende Variable verwendet, wo Muster im Laufe der Zeit. Zerlegungsanalyse: Wird verwendet, um mehrere Muster zu identifizieren, die gleichzeitig in einer Zeitreihe auftauchen, die jedes Mal verbraucht wird, wenn es verwendet wird - auch verwendet, um eine Serie zu entschlüsseln. Mittlere Analyse: Einfache Bewegungsdurchschnitte - Prognostiziert zukünftige Werte basierend auf einem gewichteten Mittelwert von vergangenen Werten - Einfach zu aktualisieren. Weighted Moving Averages: Sehr kraftvoll und wirtschaftlich. Sie sind weit verbreitet, wenn wiederholte Prognosen erforderlich sind - nutzt Methoden wie zweistellige und Trendanpassungsmethoden. Adaptive Filterung. Eine Art von gleitendem Durchschnitt, die eine Methode des Lernens aus vergangenen Fehlern enthält, kann auf Veränderungen in der relativen Bedeutung von Trend-, Saison - und Zufallsfaktoren reagieren. Exponentielle Glättung: Eine gleitende Durchschnittsform der Zeitreihenvorhersage - effizient in der Verwendung mit saisonalen Mustern - leicht anpassbar für frühere Fehler - einfache Vorbereitung von Folgeprognosen - ideal für Situationen, in denen viele Prognosen vorbereitet werden müssen Bei Vorliegen von Trend - oder zyklischen Schwankungen. Hodrick-Prescott-Filter: Dies ist ein Glättungsmechanismus, der verwendet wird, um eine langfristige Trendkomponente in einer Zeitreihe zu erhalten. Es ist eine Möglichkeit, eine gegebene Serie in stationäre und nichtstationäre Komponenten so zu zerlegen, daß die Summe der Quadrate der Reihe von der nichtstationären Komponente minimal ist, und zwar mit einer Strafe bei Änderungen der Ableitungen der nichtstationären Komponente. Modellierung und Simulation: Modell beschreibt die Situation durch eine Reihe von Gleichungen - ermöglicht die Prüfung der Auswirkungen von Änderungen in verschiedenen Faktoren - wesentlich zeitaufwendiger zu konstruieren - im Allgemeinen erfordert Benutzerprogrammierung oder Kauf von Paketen wie SIMSCRIPT. Kann sehr leistungsfähig in der Entwicklung und Test-Strategien sonst nicht offensichtlich. Gewährleistungsmodelle geben nur höchstwahrscheinliche Ergebnisse - fortgeschrittene Kalkulationstabellen können verwendet werden, um zu tun, was eine ifquot-Analyse - oft z. B. Mit computergestützten Kalkulationstabellen. Probabilistische Modelle Verwenden Sie Monte-Carlo-Simulationstechniken, um mit Ungewissheit umzugehen - gibt eine Reihe möglicher Ergebnisse für jede Gruppe von Ereignissen. Prognosefehler: Alle Prognosemodelle haben entweder eine implizite oder explizite Fehlerstruktur, wobei der Fehler als die Differenz zwischen der Modellvorhersage und dem Quottruequot-Wert definiert wird. Zusätzlich müssen viele Daten-Snooping-Methoden im Statistikbereich auf Daten angewendet werden, die einem Prognosemodell zugeführt werden. Auch eine Diagnoseprüfung, wie sie im Statistikbereich definiert ist, ist für jedes Modell erforderlich, das Daten verwendet. Unter Verwendung einer beliebigen Methode zur Prognose muss eine Leistungsmessung verwendet werden, um die Qualität der Methode zu beurteilen. Mittlere Absolute Deviation (MAD) und Variance sind die nützlichsten Maßnahmen. Allerdings eignet sich MAD nicht zur weiteren Verwendung von Schlussfolgerungen, sondern dass der Standardfehler tut. Für die Fehleranalyse wird Varianz bevorzugt, da Varianzen unabhängiger (unkorrelierter) Fehler additiv sind. MAD ist nicht additive. FORECASTING Saisonfaktor - der Prozentsatz der durchschnittlichen vierteljährlichen Nachfrage, die in jedem Quartal auftritt. Die jährliche Prognose für das Jahr 4 wird auf 400 Einheiten prognostiziert. Durchschnittliche Prognose pro Quartal ist 4004 100 Einheiten. Vierteljährliche Vorhersage Durchschn. Prognostiziert saisonale Faktor. Kausale Vorhersagemethoden Kausale Prognosemethoden basieren auf einer bekannten oder wahrgenommenen Beziehung zwischen dem zu prognostizierenden Faktor und anderen externen oder internen Faktoren 1. Regression: Die mathematische Gleichung bezieht sich auf eine abhängige Variable auf eine oder mehrere unabhängige Variablen, von denen angenommen wird, dass sie die abhängige Variable beeinflussen 2. ökonometrische Modelle: System von interdependenten Regressionsgleichungen, die einen Wirtschaftszweig beschreiben 3. Input-Output-Modelle: beschreibt die Ströme von einem Sektor der Wirtschaft zur anderen und sagt daher die Inputs vor, die zur Produktion von Outputs in einem anderen Sektor erforderlich sind 4. Simulationsmodellierung Es gibt zwei Aspekte von Prognosefehlern: Bias und Genauigkeit Bias - Eine Prognose ist voreingenommen, wenn sie mehr in eine Richtung als in der anderen Richtung irrt - die Methode neigt zu Unterprognosen oder Überprognosen. Genauigkeit - Prognosegenauigkeit bezieht sich auf die Entfernung der Prognosen von der tatsächlichen Nachfrage ignorieren die Richtung dieses Fehlers. Beispiel: Für sechs Perioden wurden die Prognosen und die tatsächliche Nachfrage nachverfolgt Die folgende Tabelle gibt die Ist-Nachfrage D t und die Prognose-Nachfrage F t für sechs Perioden an: kumulierte Summe der Prognosefehler (CFE) -20 mittlere absolute Abweichung (MAD) 170 6 28,33 mittlere quadriert Fehler (MSE) 5150 6 858.33 Standardabweichung der Prognosefehler 5150 6 29.30 Durchschnittlicher absoluter Prognosefehler (MAPE) 83.4 6 13.9 Welche Informationen prognostizieren prognostiziert, hat eine Tendenz zur Überschätzung der Nachfrage durchschnittlichen Fehler pro Prognose betrug 28,33 Einheiten oder 13,9 von Die tatsächliche Bedarfsabtastverteilung der Prognosefehler hat eine Standardabweichung von 29,3 Einheiten. KRITERIEN ZUR AUSWAHL EINES VORHABENMETHODES Ziele: 1. Maximieren Sie die Genauigkeit und 2. Minimieren Sie Vorspannungspotentialregeln für die Auswahl einer Zeitreihenvorhersagemethode. Wählen Sie die Methode aus, die mit dem kumulativen Vorhersagefehler (CFE) gemessen wird, oder gibt die kleinste mittlere absolute Abweichung (MAD) an oder gibt das kleinste Tracking-Signal oder unterstützt Management-Überzeugungen über das zugrunde liegende Bedarfsmuster oder andere. Es scheint offensichtlich, dass ein gewisses Maß an Genauigkeit und Bias zusammen verwendet werden sollte. Wie ist die Anzahl der zu untersuchenden Perioden, wenn die Nachfrage inhärent stabil ist, werden niedrige Werte von und und höhere Werte von N vorgeschlagen, wenn die Nachfrage inhärent instabil ist, werden hohe Werte von und und niedrigere Werte von N vorgeschlagen FOCUS FORECASTING quotfocus forecastingot bezieht sich auf Eine Annäherung zur Prognose, die Prognosen durch verschiedene Techniken entwickelt, dann wählt die Prognose aus, die durch den quotbestquot dieser Techniken produziert wurde, in denen quotbestquot durch irgendein Maß des Prognosefehlers bestimmt wird. FOKUSVORHERSAGE: BEISPIEL In den ersten sechs Monaten des Jahres betrug die Nachfrage nach einer Einzelhandelseinheit 15, 14, 15, 17, 19 und 18 Einheiten. Ein Händler nutzt ein Fokus-Prognosesystem, das auf zwei Prognosetechniken basiert: einem zweistufigen gleitenden Durchschnitt und einem trendgesteuerten exponentiellen Glättungsmodell mit 0,1 und 0,1. Bei dem exponentiellen Modell lag die Prognose für Januar bei 15 und das Trendmittel Ende Dezember war 1. Der Händler nutzt die mittlere absolute Abweichung (MAD) für die letzten drei Monate als Kriterium für die Auswahl des Modells, das zur Prognose verwendet wird Für den nächsten Monat. ein. Was wird die Prognose für Juli sein und welches Modell wird verwendet? Würden Sie auf Teil a antworten? Wenn die Nachfrage nach Mai 14 statt 19 gewesen wäre
No comments:
Post a Comment