การคาดการณ์ ที่มี การย้าย ค่าเฉลี่ย ตัวอย่างเช่น

OR-Notes เป็นชุดของบันทึกเบื้องต้นในหัวข้อที่อยู่ภายใต้หัวข้อกว้างของเขตข้อมูลของการวิจัยการดำเนินงาน (OR) พวกเขาถูกใช้โดยฉันในเบื้องต้นหรือหลักสูตรที่ฉันให้ที่อิมพีเรียลคอลเลจ ตอนนี้พวกเขาพร้อมสำหรับการใช้งานโดยนักเรียนและครูผู้สนใจในหรือภายใต้เงื่อนไขดังต่อไปนี้ คุณสามารถดูหัวข้อทั้งหมดที่มีอยู่ใน OR-Notes ได้ที่นี่ ตัวอย่างการคาดการณ์ตัวอย่างการคาดการณ์ตัวอย่าง 1996 UG ความต้องการผลิตภัณฑ์ในแต่ละ 5 เดือนล่าสุดแสดงไว้ด้านล่าง ใช้ค่าเฉลี่ยเคลื่อนที่สองเดือนเพื่อสร้างการคาดการณ์สำหรับความต้องการในเดือน 6 ​​ใช้การปรับให้เรียบแบบเสวนากับค่าคงที่ที่ราบเรียบเป็น 0.9 เพื่อสร้างการคาดการณ์สำหรับความต้องการสำหรับความต้องการในเดือนที่ 6 ซึ่งจากทั้งสองการคาดการณ์ที่คุณชอบและทำไมการย้ายสองเดือน ค่าเฉลี่ยสำหรับเดือนที่สองถึงห้าจะได้รับโดย: การคาดการณ์สำหรับเดือนที่หกเป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือน 5 m 5 2350 การใช้การเพิ่มความล้าสมัยโดยมีค่าคงที่ที่ราบเรียบของ 0.9 เราได้รับ: การคาดการณ์สำหรับเดือนที่หกเป็นเพียงค่าเฉลี่ยสำหรับเดือน 5 M 5 2386 เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณค่าเฉลี่ยเบี่ยงเบนความเบี่ยงเบน (MSD) ถ้าเราทำเช่นนี้เราจะพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่ของ MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16.67 และสำหรับค่าเฉลี่ยที่ได้รับความราบเรียบแบบเรียงลำดับด้วยค่าคงที่ที่ราบเรียบเท่ากับ 0.9 MSD (13 - 17) sup2 (16.60 - 19) sup2 (18.76 - 23) sup2 (22.58 - 24) sup24 10.44 โดยรวมแล้วเราจะเห็นว่าการทำให้เรียบเป็นทวีคูณดูเหมือนจะให้การคาดการณ์ล่วงหน้าหนึ่งเดือนที่ดีที่สุดเนื่องจากมี MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 2386 ที่ได้รับการผลิตโดยการทำให้เรียบแบบทวีคูณ การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปี 2537 ตารางด้านล่างแสดงถึงความต้องการใช้เครื่องโกนหนวดใหม่ในร้านในช่วง 7 เดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สองถึงเจ็ด อะไรคือการคาดการณ์ของคุณสำหรับความต้องการในเดือนที่แปดใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.1 เพื่อคาดการณ์สำหรับความต้องการในเดือนที่แปด การคาดการณ์ใดในสองเดือนที่แปดที่คุณชอบและเหตุใดผู้ดูแลร้านจึงเชื่อว่าลูกค้าจะเปลี่ยนมาใช้ผลิตภัณฑ์หลังการขายใหม่จากแบรนด์อื่น ๆ อภิปรายเกี่ยวกับวิธีการสร้างแบบจำลองพฤติกรรมการสลับนี้และระบุข้อมูลที่คุณต้องการเพื่อยืนยันว่าการสลับนี้เกิดขึ้นหรือไม่ ค่าเฉลี่ยเคลื่อนที่สองเดือนสำหรับเดือนที่สองถึงเจ็ดจะได้รับโดย: การคาดการณ์สำหรับเดือนที่แปดเป็นเพียงค่าเฉลี่ยเคลื่อนที่สำหรับเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือนที่ 7 m 7 46 ใช้การคำนวณหากำไรให้เรียบโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.1 รับ: เป็นก่อนที่การคาดการณ์สำหรับเดือนแปดเป็นเพียงค่าเฉลี่ยสำหรับเดือน 7 7 7 31.11 (ที่เราไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับความราบรื่นแบบจำลองที่มีค่าคงที่ที่ราบเรียบเท่ากับ 0.1 โดยรวมแล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สองเดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สองเดือน เพื่อตรวจสอบการเปลี่ยนเราจะต้องใช้รูปแบบกระบวนการ Markov ที่แบรนด์รัฐและเราจะต้องมีข้อมูลสถานะเบื้องต้นและความน่าจะเป็นของลูกค้าเปลี่ยน (จากการสำรวจ) เราจำเป็นต้องใช้แบบจำลองข้อมูลย้อนหลังเพื่อดูว่าเรามีความเหมาะสมระหว่างแบบจำลองและพฤติกรรมทางประวัติศาสตร์หรือไม่ การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปี 2535 ตารางด้านล่างแสดงความต้องการใช้มีดโกนเฉพาะในร้านค้าสำหรับแต่ละช่วง 9 เดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สามเดือนสำหรับเดือนที่สามถึงเก้า สิ่งที่คาดหวังของคุณสำหรับความต้องการในเดือนสิบใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.3 เพื่อคาดการณ์สำหรับความต้องการในเดือนสิบ การคาดการณ์ใดในเดือนที่สิบสองที่คุณชอบและเหตุผลที่ค่าเฉลี่ยเคลื่อนที่ 3 เดือนสำหรับเดือนที่ 3 ถึง 9 จะได้จาก: การคาดการณ์สำหรับเดือน 10 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่สำหรับเดือน 9 เมตร 9 20.33 ดังนั้นการคาดการณ์สำหรับเดือนที่ 10 คือ 20. ใช้การคำนวณหาค่าเฉลี่ยแบบเสวนาโดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.3 ที่เราได้รับ: ก่อนที่การคาดการณ์สำหรับเดือน 10 จะเป็นค่าเฉลี่ยสำหรับเดือนที่ 9 M 9 18.57 19 (ตามที่เรา ไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยมีค่าคงที่ที่ราบเรียบของ 0.3 โดยรวมแล้วเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่ 3 เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 20 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สามเดือน การคาดการณ์ตัวอย่างเช่นการทดสอบ UG ในปีพ. ศ. 2534 ตารางด้านล่างแสดงถึงความต้องการเครื่องแฟกซ์เฉพาะในห้างสรรพสินค้าในแต่ละสิบสองเดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่สี่เดือนสำหรับเดือนที่ 4 ถึง 12 ปีการคาดการณ์ของคุณสำหรับความต้องการในเดือนที่ 13 ใช้การปรับให้เรียบแบบเสวนาโดยมีค่าคงที่ที่ราบเรียบ 0.2 เพื่อพยากรณ์ความต้องการในเดือนที่ 13 ซึ่งจะมีการคาดการณ์สองเดือน 13 คุณชอบและทำไมปัจจัยอื่น ๆ ที่ไม่ได้พิจารณาในการคำนวณข้างต้นอาจมีผลต่อความต้องการเครื่องแฟกซ์ในเดือนที่ 13 ค่าเฉลี่ยเคลื่อนที่ 4 เดือนสำหรับเดือนที่ 4 ถึง 12 จะได้จาก: m 4 (23 19 15 12) 4 17.25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24.75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30.5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35.75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46.25 การคาดการณ์ในเดือนที่ 13 เป็นเพียงค่าเฉลี่ยเคลื่อนที่ของเดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ เดือน 12 ม. 12 46.25 ดังนั้นตามที่คาดการณ์ไว้สำหรับเดือนที่ 13 คือ 46 ใช้ค่าความละเอียดที่เป็นลําชี้โดยมีค่าคงที่ที่ราบเรียบเท่ากับ 0.2 เราได้รับ: ก่อนหน้าการคาดการณ์สำหรับเดือนที่ 13 เป็นเพียงค่าเฉลี่ยสำหรับเดือนที่ 12 M 12 38.618 39 (ตามที่เรา ไม่สามารถมีความต้องการเศษ) เมื่อต้องการเปรียบเทียบสองการคาดการณ์เราจะคำนวณส่วนเบี่ยงเบนเฉลี่ย (MSD) ถ้าเราทำเช่นนี้เราพบว่าสำหรับค่าเฉลี่ยเคลื่อนที่และค่าเฉลี่ยที่ได้รับการทำให้เรียบโดยมีค่าคงที่ที่ราบเรียบจาก 0.2 โดยรวมเราจะเห็นว่าค่าเฉลี่ยเคลื่อนที่สี่เดือนมีแนวโน้มที่ดีที่สุดในการคาดการณ์ล่วงหน้าหนึ่งเดือนเนื่องจากมีค่า MSD ที่ต่ำลง ดังนั้นเราจึงชอบการคาดการณ์ของ 46 ที่ได้รับการผลิตโดยค่าเฉลี่ยเคลื่อนที่สี่เดือน ความต้องการตามฤดูกาลการเปลี่ยนแปลงราคาโฆษณาทั้งแบรนด์นี้และยี่ห้ออื่น ๆ สถานการณ์ทางเศรษฐกิจทั่วไปเทคโนโลยีใหม่การพยากรณ์เช่นการทดสอบ UG ในปี 1989 ตารางด้านล่างแสดงความต้องการใช้เตาไมโครเวฟในห้างสรรพสินค้าเฉพาะในแต่ละสิบสองเดือนที่ผ่านมา คำนวณค่าเฉลี่ยเคลื่อนที่ 6 เดือนสำหรับแต่ละเดือน สิ่งที่จะคาดการณ์สำหรับความต้องการในเดือน 13 ใช้เรียบเรียงชี้แจงด้วยค่าคงที่ราบเรียบของ 0.7 เพื่อคาดการณ์ความต้องการในเดือน 13 ซึ่งจากสองคาดการณ์สำหรับเดือน 13 ที่คุณชอบและทำไมตอนนี้เราไม่สามารถคำนวณหก เดือนจนกว่าเราจะมีข้อสังเกตอย่างน้อย 6 ข้อกล่าวคือเราสามารถคำนวณค่าเฉลี่ยดังกล่าวได้ตั้งแต่เดือนที่ 6 เป็นต้นไปเท่านั้น ดังนั้นเราจึงมี: m 6 (34 32 30 29 31 27) 6 30.50 m 7 (36 34 32 30 29 31) 6 32.00 m 8 (35 36 34 32 30 29) 6 32.67 m 9 (37 35 36 34 32 30) 6 34.00 m 10 (39 37 35 36 34 32) 6 35.50 m 11 (40 39 37 35 36 34) 6 36.83 m 12 (42 40 39 37 35 36) 6 38.17 ประมาณการสําหรับเดือนที่ 13 เปนคาเฉลี่ยเคลื่อนที่สําหรับ เดือนก่อนหน้านั่นคือค่าเฉลี่ยเคลื่อนที่ของเดือน 12 ม. 12 38.17 (เช่นที่เราไม่สามารถมีความต้องการเศษ) การคาดการณ์สำหรับเดือน 13 เป็น 38 ใช้เรียบเรียงเรียบด้วยค่าคงที่เรียบของ 0.7 เราได้รับ: A ตัวอย่างการคำนวณการพยากรณ์อากาศ A.1 วิธีการคำนวณพยากรณ์พยากรณ์อากาศมีอยู่ 12 วิธีในการคำนวณการคาดการณ์ วิธีการเหล่านี้ส่วนใหญ่มีไว้สำหรับการควบคุมผู้ใช้ที่ จำกัด ตัวอย่างเช่นอาจมีการระบุน้ำหนักที่วางไว้ในข้อมูลทางประวัติศาสตร์ล่าสุดหรือช่วงวันที่ของข้อมูลประวัติที่ใช้ในการคำนวณ ตัวอย่างต่อไปนี้แสดงขั้นตอนการคำนวณสำหรับแต่ละวิธีการคาดการณ์ที่พร้อมใช้งานโดยให้ข้อมูลประวัติที่เหมือนกัน ตัวอย่างต่อไปนี้ใช้ข้อมูลการขายแบบเดียวกันสำหรับปีพ. ศ. 2547 และ 2548 เพื่อสร้างยอดขายในปี 2549 นอกเหนือจากการคาดการณ์แล้วแต่ละตัวอย่างจะมีการคาดการณ์ในปีพ. ศ. 2548 สำหรับระยะเวลาการระงับสามเดือน (ตัวเลือกการประมวลผล 19 3) ซึ่งใช้แล้วสำหรับเปอร์เซ็นต์ความถูกต้องและการคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย (ยอดขายจริงเทียบกับการคาดการณ์แบบจำลอง) A.2 เกณฑ์การประเมินประสิทธิภาพพยากรณ์พยากรณ์ขึ้นอยู่กับตัวเลือกการประมวลผลของคุณและแนวโน้มและรูปแบบที่มีอยู่ในข้อมูลการขายวิธีการคาดการณ์บางอย่างจะทำงานได้ดีกว่าข้อมูลอื่นที่มีอยู่ในอดีต วิธีการพยากรณ์อากาศที่เหมาะสมสำหรับผลิตภัณฑ์หนึ่งอาจไม่เหมาะสมสำหรับผลิตภัณฑ์อื่น นอกจากนี้ยังไม่น่าเป็นไปได้ว่าวิธีการคาดการณ์ที่ให้ผลลัพธ์ที่ดีในขั้นตอนหนึ่งของวงจรชีวิตของผลิตภัณฑ์จะยังคงเหมาะสมตลอดทั้งวงจรชีวิต คุณสามารถเลือกระหว่างสองวิธีเพื่อประเมินประสิทธิภาพปัจจุบันของวิธีการคาดการณ์ ค่าเบี่ยงเบนสัมบูรณ์ (MAD) และเปอร์เซ็นต์ความถูกต้อง (POA) ทั้งสองวิธีการประเมินผลการปฏิบัติงานเหล่านี้ต้องใช้ข้อมูลการขายในอดีตสำหรับผู้ใช้ที่ระบุไว้ในช่วงเวลา ระยะเวลานี้เรียกว่าระยะเวลา holdout หรือช่วงเวลาที่เหมาะสม (PBF) ข้อมูลในช่วงนี้ใช้เป็นเกณฑ์ในการแนะนำวิธีการคาดการณ์ที่จะใช้ในการคาดการณ์การคาดการณ์ต่อไป คำแนะนำนี้มีไว้สำหรับแต่ละผลิตภัณฑ์และอาจมีการเปลี่ยนแปลงจากรุ่นที่คาดการณ์ไปหนึ่งรุ่นต่อไป ทั้งสองวิธีการประเมินผลการคาดการณ์จะแสดงในหน้าเว็บตามตัวอย่างของสิบสองวิธีการคาดการณ์ A.3 วิธีที่ 1 - เปอร์เซ็นต์ที่ระบุในปีที่ผ่านมาวิธีนี้จะคูณข้อมูลการขายจากปีที่แล้วโดยผู้ใช้ที่ระบุเช่น 1.10 สำหรับการเพิ่มขึ้น 10 ครั้งหรือ 0.97 สำหรับการลดลง 3 ครั้ง ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนผู้ใช้ที่ระบุช่วงเวลาสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) A.4.1 ช่วงการคาดการณ์ของประมาณการประวัติการขายเพื่อใช้ในการคำนวณปัจจัยการเติบโต (ตัวเลือกการประมวลผล 2a) 3 ในตัวอย่างนี้ รวมสามเดือนสุดท้ายของปี 2548: 114 119 137 370 รวม 3 เดือนของปีก่อน 123 139 133 395 คำนวณตามปัจจัย 370395 0.9367 คำนวณการคาดการณ์ยอดขายในเดือนมกราคม 2548 128 0.9367 119.8036 หรือประมาณ 120 กุมภาพันธ์ 2548 ยอดขาย 117 0.9367 109.5939 หรือประมาณ 110 มีนาคม 2548 ยอดขาย 115 0.9367 107.7205 หรือประมาณ 108 A.4.2 การคำนวณพยากรณ์แบบจำลองรวม 3 เดือนของปี 2548 ก่อนระยะเวลาการระงับ (กรกฎาคมสิงหาคมกันยายน): 129 140 131 400 รวมสามเดือนสำหรับ ปีที่แล้ว: 141 128 118 387 ค่าที่คำนวณได้ 400387 1.033591731 คำนวณการคาดการณ์แบบจำลอง: ตุลาคม 2547 ยอดขาย 123 1.033591731 127.13178 พฤศจิกายน 2547 ยอดขาย 139 1.033591731 143.66925 ธันวาคม 2547 ยอดขาย 133 1.033591731 137.4677 A.4.3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง POA (127.13178 143.66925 137.4677) (114 119 137) 100 408.26873 370 100 110.3429 A.4.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เที่ยงตรงหมายถึง MAD (127.13178 - 114 143.66925 - 119 137.4677 - 137) 3 (13.13178 24.66925 0.4677) 3 12.75624 A.5 วิธีที่ 3 - ปกอนถึงปนี้วิธีการนี้ทําการคัดลอกขอมูลการขายจากปกอนไปเปนปหนา ประวัติการขายที่ต้องการ: หนึ่งปีสำหรับการคำนวณการคาดการณ์บวกจำนวนของช่วงเวลาที่ระบุไว้สำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) A.6.1 การพยากรณ์การคาดการณ์จำนวนรอบที่จะรวมอยู่ในค่าเฉลี่ย (ตัวเลือกการประมวลผล 4a) 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์โดยเฉลี่ยแล้วข้อมูลสามเดือนก่อนหน้า ประมาณการมกราคม: 114 119 137 370, 370 3 123.333 หรือ 123 การคาดการณ์ในเดือนกุมภาพันธ์: 119 137 123 379, 379 3 126.333 หรือ 126 รายงานประจำเดือนมีนาคม: 137 123 126 379, 386 3 128.667 หรือ 129 A.6.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2548 (129 (131,333 128.3333 121.3333) (114 119 137) 100 103.513 A.6.4 Mean Absolute (ค่าสัมบูรณ์ที่คำนวณได้) การคำนวณค่าเบี่ยงเบน MAD (133.3333 - 114 128.3333 - 119 121.3333 - 137) 3 14.7777 A.7 วิธีที่ 5 - การประมาณค่าเชิงเส้นเส้นประมาณเชิงเส้นคำนวณแนวโน้มตามจุดข้อมูลการขายสองจุด จุดที่สองกำหนดเส้นแนวโน้มตรงที่คาดการณ์ไว้ในอนาคต ใช้วิธีนี้ด้วยความระมัดระวังเนื่องจากการคาดการณ์ในระยะยาวจะใช้ประโยชน์จากการเปลี่ยนแปลงเพียงเล็กน้อยในสองจุดข้อมูล ประวัติการขายที่ต้องการ: จำนวนงวดที่จะรวมไว้ในการถดถอย (ตัวเลือกการประมวลผล 5a) บวก 1 บวกจำนวนช่วงเวลาสำหรับการประเมินประสิทธิภาพการคาดการณ์ (ตัวเลือกการประมวลผล 19) (ตัวประมวลผลการประมวลผล 6a) 3 ในตัวอย่างนี้สำหรับแต่ละเดือนของการคาดการณ์เพิ่มการเพิ่มหรือลดลงในช่วงเวลาที่ระบุก่อนช่วงเวลา holdout รอบระยะเวลาก่อนหน้า ค่าเฉลี่ยของช่วง 3 เดือนก่อนหน้า (114 119 137) 3 123.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (114 1) (119 2) (137 3) 763 ความแตกต่างระหว่างค่า 763 - 123.3333 (1 2 3) 23 อัตราส่วน ( 12 22 32) - 2 3 14 - 12 2 มูลคา 1 ความแตกตางระหวางการทํางาน 232 11.5 มูลคา 2 คาเฉลี่ย - value1 123.3333 - 11.5 2 100.3333 พยากรณ์ (1 n) คา 1 คา 2 4 11.5 100.3333 146.333 หรือ 146 การคาดการณ์ 5 11.5 100.3333 157.8333 หรือ 158 Forecast 6 11.5 100.3333 169.3333 หรือ 169 A.8.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2547: เฉลี่ย 3 เดือนก่อนหน้า (129 140 131) 3 133.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (129 1) (140 2) (131 3) 802 ความแตกต่างระหว่าง (1 22) - 2 3 14 - 12 2 Value1 ความแตกต่างRatio 22 1 Value2 Average - value1 ratio 133.3333 - 1 2 131.3333 Forecast (1 n) value1 value2 4 1 131.3333 135.3333 November 2004 ขาย ค่าเฉลี่ยของสามเดือนก่อนหน้า (140 131 114) 3 128.3333 สรุปช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (140 1) (131 2) (114 3) 744 ความแตกต่างระหว่างค่า 744 - 128.3333 (1 2 3) -25.9999 มูลค่า 1 (131 114 119) 3 121.3333 สรุปผลการดำเนินงานในช่วง 3 เดือนที่ผ่านมาโดยพิจารณาน้ำหนัก (3) ค่าใช้จ่ายในการดำเนินงาน 131 1) (114 2) (119 3) 716 ความแตกตางระหวางคา 716 - 121.3333 (1 2 3) -11.9999 คาที่ 1 ความแตกตางระหวาง -11.99992 -5.9999 มูลคา 2 คาเฉลี่ย 121.3333 - (-5.9999) 2 133.3333 พยากรณ์ 4 (-5.9999 ) 133.3333 109.3333 A.8.3 ร้อยละของการคำนวณความถูกต้อง POA (135.33 102.33 109.33) (114 119 137) 100 93.78 A.8.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย MAD (135.33 - 114 102.33 - 119 109.33 - 137) 3 21.88 A.9 วิธีที่ 7 - ซีคอน d การประมาณค่าระดับการถดถอยเชิงเส้นกำหนดค่าสำหรับ a และ b ในสูตรการคาดการณ์ Y a bX โดยมีวัตถุประสงค์เพื่อให้ตรงกับข้อมูลประวัติการขาย การประมาณปริญญาที่สองคล้ายกัน อย่างไรก็ตามวิธีนี้กำหนดค่าสำหรับ a, b และ c ในสูตรการคาดการณ์ Y a bX cX2 โดยมีวัตถุประสงค์เพื่อปรับเส้นโค้งให้สอดคล้องกับข้อมูลประวัติการขาย วิธีนี้อาจเป็นประโยชน์เมื่อผลิตภัณฑ์อยู่ในช่วงการเปลี่ยนผ่านระหว่างขั้นตอนของวงจรชีวิต ตัวอย่างเช่นเมื่อผลิตภัณฑ์ใหม่ย้ายจากช่วงแนะนำสู่ช่วงการเติบโตแนวโน้มการขายอาจเพิ่มขึ้น เนื่องจากลำดับที่สองการคาดการณ์สามารถหาอินฟินิตี้ได้อย่างรวดเร็วหรือลดลงเป็นศูนย์ (ขึ้นอยู่กับว่าสัมประสิทธิ์ c เป็นบวกหรือลบ) ดังนั้นวิธีนี้มีประโยชน์ในระยะสั้นเท่านั้น ข้อกำหนดการคาดการณ์: สูตรจะพบ a, b และ c ให้พอดีกับเส้นโค้งไปถึงสามจุด คุณระบุ n ในตัวเลือกการประมวลผล 7a จำนวนช่วงเวลาของข้อมูลที่จะสะสมลงในแต่ละจุดสามจุด ในตัวอย่างนี้ n 3 ดังนั้นข้อมูลการขายจริงสำหรับเดือนเมษายนถึงมิถุนายนจะรวมกันเป็นจุดแรก Q1 ตั้งแต่เดือนกรกฎาคมถึงเดือนกันยายนรวมกันเพื่อสร้างไตรมาสที่ 2 และเดือนตุลาคมถึงเดือนธันวาคมรวมเป็นไตรมาสที่ 3 เส้นโค้งจะพอดีกับสามค่า Q1, Q2 และ Q3 ประวัติการขายที่ต้องการ: 3 n งวดสำหรับการคำนวณการคาดการณ์บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการพยากรณ์ (PBF) จำนวนงวดที่จะรวม (ตัวเลือกการประมวลผล 7a) 3 ในตัวอย่างนี้ใช้เดือนที่แล้ว (3 n) เดือนในช่วงสามเดือน: Q1 (เม. ย. - มิ.ย. ) 125 122 137 384 Q2 (ก. ค. - ก. ย. ) 129 140 131 400 Q3 ต. ค. - ธ. ค. ) 114 119 137 370 ขั้นตอนต่อไปคือการคำนวณค่าสัมประสิทธิ์ทั้งสามแบบ a, b และ c เพื่อใช้ในสูตรพยากรณ์ Ya bX cX2 (1) Q1 a bX cX2 (โดยที่ X 1) abc (2) Q2 bx cX2 (where X 2) a 2b 4c (3) Q3 a bX cX2 (where X 3) a 3b 9c แก้สมการทั้งสามสมการหา b, a และ c: ลบสมการ (1) จากสมการ (2) (3) Q3 a 3 (Q2-Q1) - 3c c ท้ายแทนสมการเหล่านี้สำหรับ a และ b ให้เป็นสมการ (2) - (1) Q2 - Q1 b 3c (q2 - Q1) - 3c c Q1 c (Q3 - Q2) (Q1 - Q2) 2 วิธีประมาณที่สองใช้คำนวณหา a, b และ c ดังนี้ Q3 - 3 (Q2 - Q1) 370 - 3 (400 - 384) 322 c (Q3 - Q2) (Q1 - Q2) 2 (370 - 400) (384 - 400) 2 -23 b (Q2 - Q1) - 3c (400 - 384) - (3 - 23) 85 Y a bX cX2 322 85X (-23) X2 มกราคมถึงมีนาคมคาดการณ์ (X4): (322 340 - 368) 3 2943 98 ในช่วงเดือนเมษายนถึงมิถุนายน (X5): (322 425 - 575) 3 57.333 หรือ 57 ต่องวดตั้งแต่เดือนกรกฎาคมถึงกันยายน (X6): (322 510 - 828) 3 1.33 หรือ 1 ต่องวดตั้งแต่เดือนตุลาคมถึงธันวาคม (X7) (322 595 - 11273 -70 A.9.2 การคำนวณพยากรณ์แบบจำลองเดือนตุลาคมพฤศจิกายนและธันวาคม 2547 ยอดขาย: Q1 (ม. ค. - มี.ค. ) 360 Q2 (เม. ย. - มิ.ย. ) 384 Q3 (ก. ค. - ก. ย. ) 400 a 400 - 3 (384 - 360) 328 c (400 - 384) (360 - 384) 2 -4 ข (384 - 360) - 3 (-4) 36 328 36 4 (-4) 163 136 A.9.3 เปอร์เซ็นต์การคำนวณความถูกต้อง POA (136 136 136) (114 119 137) 100 110.27 A.9.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่คำนวณได้ MAD (136 - 114 136 - 119 136 - 137) 3 13.33 A.10 วิธีที่ 8 - วิธีที่ยืดหยุ่นวิธีการที่ยืดหยุ่น (เปอร์เซ็นต์มากกว่า n เดือนก่อน) คล้ายกับวิธีการ 1 ร้อยละเมื่อปีที่แล้ว ทั้งสองวิธีคูณข้อมูลการขายจากช่วงเวลาก่อนหน้าโดยผู้ใช้ที่ระบุแล้วจะคาดการณ์ผลลัพธ์ในอนาคต ในวิธีคิดอัตราส่วนต่อปีที่ผ่านมาการประมาณการจะขึ้นอยู่กับข้อมูลจากช่วงเวลาเดียวกันของปีที่ผ่านมา วิธีการแบบยืดหยุ่นจะเพิ่มความสามารถในการระบุช่วงเวลาอื่นนอกเหนือจากช่วงเวลาเดียวกันของปีที่ผ่านมาเพื่อใช้เป็นเกณฑ์ในการคำนวณ คูณปัจจัย ตัวอย่างเช่นระบุ 1.15 ในตัวเลือกการประมวลผล 8b เพื่อเพิ่มข้อมูลประวัติการขายก่อนหน้านี้โดย 15. ระยะเวลาฐาน ตัวอย่างเช่น n 3 จะทำให้การคาดการณ์ครั้งแรกขึ้นอยู่กับข้อมูลการขายในเดือนตุลาคม 2548 ประวัติการขายขั้นต่ำ: ผู้ใช้ระบุจำนวนงวดย้อนกลับไปยังช่วงเวลาพื้นฐานบวกกับจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินผลการคาดการณ์ ( PBF) A.10.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่ระดับความเชื่อมั่น MAD (148 - 114 161 - 119 151 - 137) 3 30 A.11 วิธีที่ 9 - ค่าเฉลี่ยถ่วงน้ำหนักวิธีการถัวเฉลี่ยถ่วงน้ำหนักเคลื่อนที่ (WMA) คล้ายกับวิธีที่ 4 ค่าเฉลี่ยเคลื่อนที่ (MA) อย่างไรก็ตามคุณสามารถกำหนดน้ำหนักการถ่วงน้ำหนักที่ไม่เท่ากันให้กับข้อมูลทางประวัติศาสตร์ได้โดยใช้ Weighted Moving Average วิธีคำนวณค่าเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ประมาณการในระยะสั้น ข้อมูลล่าสุดมักได้รับมอบหมายให้มีน้ำหนักมากกว่าข้อมูลที่เก่ากว่าดังนั้นจึงทำให้ WMA มีการตอบสนองต่อการเปลี่ยนแปลงระดับการขายมากขึ้น อย่างไรก็ตามแนวโน้มการคาดการณ์และข้อผิดพลาดอย่างเป็นระบบยังคงเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือตามฤดูกาล วิธีนี้ใช้งานได้ดีกว่าสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนดมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 9a เพื่อใช้ช่วงเวลาสามช่วงล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ค่าที่มากสำหรับ n (เช่น 12) ต้องการประวัติการขายเพิ่มขึ้น ส่งผลให้มีการคาดการณ์ที่มั่นคง แต่จะช้าในการรับรู้ถึงการเปลี่ยนแปลงในระดับของยอดขาย ในทางกลับกันค่าเล็กน้อยสำหรับ n (เช่น 3) จะตอบสนองได้เร็วขึ้นเพื่อเลื่อนระดับการขาย แต่การคาดการณ์อาจผันผวนอย่างกว้างขวางเพื่อให้การผลิตไม่สามารถตอบสนองต่อรูปแบบต่างๆได้ น้ำหนักที่กำหนดให้กับแต่ละช่วงข้อมูลที่ผ่านมา น้ำหนักที่กำหนดต้องเป็น 1.00 ตัวอย่างเช่นเมื่อ n 3 ให้กำหนดน้ำหนักของ 0.6, 0.3 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) MAD (133.5 - 114 121.7 - 119 118.7 - 137) 3 13.5 A.12 วิธีที่ 10 - การทำให้เรียบแบบ Linear วิธีนี้คล้ายกับวิธีที่ 9 Weighted Moving Average (WMA) อย่างไรก็ตามแทนที่จะใช้การกำหนดน้ำหนักโดยพลการให้กับข้อมูลทางประวัติศาสตร์สูตรจะใช้เพื่อกำหนดน้ำหนักที่ลดลงเป็นเชิงเส้นและรวมกันเป็น 1.00 วิธีนี้จะคำนวณถัวเฉลี่ยถ่วงน้ำหนักของประวัติการขายล่าสุดเพื่อให้ได้ภาพที่ฉายในระยะสั้น ตามที่เป็นจริงของเทคนิคการคาดการณ์การเคลื่อนไหวเชิงเส้นทั้งหมดคาดการณ์การคาดการณ์และข้อผิดพลาดอย่างเป็นระบบเกิดขึ้นเมื่อประวัติการขายของผลิตภัณฑ์แสดงแนวโน้มที่แข็งแกร่งหรือรูปแบบตามฤดูกาล วิธีนี้ใช้งานได้ดีกว่าสำหรับการคาดการณ์ในระยะสั้นของผลิตภัณฑ์ที่ครบกำหนดมากกว่าผลิตภัณฑ์ที่อยู่ในช่วงการเจริญเติบโตหรือเสื่อมสภาพของวงจรชีวิต n จำนวนระยะเวลาของประวัติการขายที่จะใช้ในการคำนวณคาดการณ์ ซึ่งระบุไว้ในตัวเลือกการประมวลผล 10a ตัวอย่างเช่นระบุ n 3 ในตัวเลือกการประมวลผล 10b เพื่อใช้ช่วงเวลาสามช่วงล่าสุดเป็นเกณฑ์สำหรับการฉายในช่วงเวลาถัดไป ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงโดยอัตโนมัติและรวมเป็น 1.00 ตัวอย่างเช่นเมื่อ n 3 ระบบจะกำหนดน้ำหนักของ 0.5, 0.3333 และ 0.1 โดยข้อมูลล่าสุดจะได้รับน้ำหนักมากที่สุด ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) (ตัวประมวลผล 10a) 3 ในตัวอย่างนี้อัตราส่วนสำหรับระยะเวลาหนึ่งก่อน 3 (n2 n) 2 3 (32 3) 2 36 0.5 อัตราส่วนสองช่วงก่อนหน้า 2 (n2 n ) 2 2 (32 3) 2 26 0.3333 .. อัตราส่วนสามงวดก่อน 1 (n 2 n) 2 1 (32 3) 2 16 0.1666 .. พยากรณ์มกราคม: 137 0.5 119 13 114 16 127.16 หรือ 127 การคาดการณ์เดือนกุมภาพันธ์: 127 0.5 137 13 119 16 129 การคาดการณ์ของเดือนมีนาคม: 129 0.5 127 13 137 16 129.666 หรือ 130 A.12.2 การคำนวณพยากรณ์จำลองคำนวณยอดขายในเดือนตุลาคม 2547 129 16 140 26 131 36 133.6666 พฤศจิกายน 2547 ยอดขาย 140 16 131 26 114 36 124 ธันวาคม 2547 ขาย 131 16 114 26 119 36 119.3333 A.12.3 เปอร์เซ็นต์ของการคำนวณความถูกต้อง POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.12.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์เที่ยงตรงหมายถึง MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.13 วิธีที่ 11 - วิธีการนี้มีความคล้ายคลึงกับวิธีที่ 10, Linear Smoothing ใน Linear Smoothing ระบบจะกำหนดน้ำหนักให้กับข้อมูลทางประวัติศาสตร์ที่ลดลงเป็นเส้นตรง ระบบจะกำหนดน้ำหนักที่สลายตัวแบบเลขชี้กำลัง สมการพยากรณ์ความเป็นไปได้คือ: พยากรณ์ (การขายจริงก่อนหน้านี้) (1 - a) พยากรณ์ก่อนหน้านี้การคาดการณ์คือค่าเฉลี่ยถ่วงน้ำหนักของยอดขายจริงจากช่วงก่อนหน้าและประมาณการจากช่วงก่อนหน้า a คือน้ำหนักที่ใช้กับยอดขายที่เกิดขึ้นจริงสำหรับงวดก่อนหน้า (1 - a) คือน้ำหนักที่ใช้กับการคาดการณ์ในช่วงก่อนหน้า ค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 และโดยปกติจะอยู่ระหว่าง 0.1 ถึง 0.4 ผลรวมของน้ำหนักคือ 1.00 a (1 - a) 1 คุณควรกำหนดค่าสำหรับค่าคงที่ที่ราบเรียบ a. ถ้าคุณไม่ได้กำหนดค่าสำหรับการปรับให้ราบเรียบระบบจะคำนวณค่าที่สันนิษฐานขึ้นอยู่กับจำนวนรอบระยะเวลาของประวัติการขายที่ระบุไว้ในตัวเลือกการประมวลผล 11a ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าที่ถูกต้องสำหรับช่วงตั้งแต่ 0 ถึง 1 n ช่วงข้อมูลประวัติการขายที่จะรวมไว้ในการคำนวณ โดยทั่วไปหนึ่งปีของข้อมูลประวัติการขายก็เพียงพอที่จะประมาณยอดขายโดยทั่วไป สำหรับตัวอย่างนี้ได้เลือกค่าเล็กน้อยสำหรับ n (n 3) เพื่อลดการคำนวณด้วยตนเองที่จำเป็นสำหรับการตรวจสอบผล การทำให้เรียบแบบเสี้ยว (Exponential smoothing) สามารถสร้างการคาดการณ์โดยอิงตามจุดข้อมูลทางประวัติศาสตร์เพียงอย่างเดียว ประวัติการขายที่ต้องการขั้นต่ำ: n บวกจำนวนช่วงเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) (ตัวประมวลผล 11a) 3 และปัจจัยอัลฟา (ตัวเลือกการประมวลผล 11b) ว่างไว้ในตัวอย่างนี้เป็นปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุด 2 (11) หรือ 1 เมื่อระบุ alpha เป็นปัจจัยสำหรับ 2 ข้อมูลการขายที่เก่าแก่ที่สุด 2 (12) หรืออัลฟาเมื่อ alpha ระบุปัจจัยสำหรับข้อมูลการขายที่เก่าแก่ที่สุดอันดับที่ 3 3 หรือ alpha เมื่อ alpha ระบุปัจจัยสำหรับข้อมูลการขายล่าสุด 2 (1n) หรือ alpha เมื่อระบุ alpha พฤศจิกายน Sm เฉลี่ย a (เดือนตุลาคมที่เกิดขึ้นจริง) (1 - a) October Sm. เฉลี่ย 1 114 0 0 114 ธันวาคม Sm. เฉลี่ย a (November Actual) (1 - a) พฤศจิกายน Sm. เฉลี่ย 23 119 13 114 117.3333 มกราคมคาดการณ์ (ธันวาคมจริง) (1 - ก) ธันวาคม Sm เฉลี่ย 24 137 24 117.3333 127.16665 หรือ 127 February Forecast มกราคม Forecast 127 March Forecast มกราคม Forecast 127 A.13.2 การคำนวณพยากรณ์แบบจำลองกรกฎาคม 2547 Sm เฉลี่ย 22 129 129 สิงหาคม Sm. เฉลี่ย 23 140 13 129 136.3333 กันยายนกันยายน เฉลี่ย 24 131 24 136.3333 133.6666 ตุลาคม 2547 ยอดขายกันยายนกันยายนศ. เฉลี่ย 133.6666 สิงหาคม, 2547 Sm. เฉลี่ย 22 140 140 กันยายนกันยายน เฉลี่ย 23 131 13 140 134 ตุลาคม Sm. เฉลี่ย 24 114 24 134 124 พฤศจิกายน 2547 ขายกันยายนกันยายน เฉลี่ย 124 กันยายน 2547 Sm. เฉลี่ย 22 131 131 ตุลาคม Sm. เฉลี่ย 23 114 13 131 119.6666 พฤศจิกายนศ. เฉลี่ย 24 119 24 119.6666 119.3333 ยอดขายธันวาคม 2547 ก. ย. Sm. เฉลี่ย 119.3333 A.13.3 ร้อยละของการคำนวณความถูกต้อง POA (133.6666 124 119.3333) (114 119 137) 100 101.891 A.13.4 การคำนวณค่าเบี่ยงเบนสัมบูรณ์ที่มีค่าเฉลี่ย MAD (133.6666 - 114 124 - 119 119.3333 - 137) 3 14.1111 A.14 วิธีที่ 12 - การจัดแจงแบบเสียดสี (Exponential Smoothing) ด้วยเทรนด์และฤดูกาลวิธีนี้คล้ายคลึงกับวิธีที่ 11 Exponential Smoothing ที่คำนวณค่าเฉลี่ยที่ราบเรียบ อย่างไรก็ตามวิธีที่ 12 รวมถึงคำในสมการพยากรณ์เพื่อคำนวณแนวโน้มที่ราบรื่น การคาดการณ์ประกอบด้วยการปรับค่าเฉลี่ยที่ราบเรียบสำหรับแนวโน้มเชิงเส้น เมื่อระบุไว้ในตัวเลือกการประมวลผลการคาดการณ์จะได้รับการปรับตามฤดูกาลด้วยเช่นกัน ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่เรียบสำหรับระดับทั่วไปหรือขนาดของยอดขาย ค่าที่ถูกต้องสำหรับ alpha มีตั้งแต่ 0 ถึง 1 b ค่าคงที่ที่ราบเรียบที่ใช้ในการคำนวณค่าเฉลี่ยที่ราบเรียบสำหรับส่วนประกอบแนวโน้มของการคาดการณ์ ค่าที่ถูกต้องสำหรับช่วงเบต้าตั้งแต่ 0 ถึง 1 ไม่ว่าจะมีการใช้ดัชนีตามฤดูกาลกับการคาดการณ์ a และ b จะไม่ขึ้นกับแต่ละอื่น ๆ พวกเขาไม่ต้องเพิ่มเป็น 1.0 ประวัติการขายที่ต้องการขั้นต่ำ: สองปีบวกระยะเวลาที่จำเป็นสำหรับการประเมินประสิทธิภาพการคาดการณ์ (PBF) วิธีที่ 12 ใช้สมการราบเรียบแบบเอ็กซเรนแนนเชียลและค่าเฉลี่ยที่เรียบง่ายเพียงอย่างเดียวในการคำนวณหาค่าเฉลี่ยที่ราบเรียบแนวโน้มที่เรียบและค่าเฉลี่ยตามฤดูกาลที่เรียบง่าย A.14.1 การคำนวณพยากรณ์ A) ค่าเฉลี่ย MAD แบบเรียบ (122.81 - 114 133.14 - 119 135.33 - 137) 3 8.2 A.15 การประเมินการคาดการณ์คุณสามารถเลือกวิธีคาดการณ์เพื่อสร้างการคาดการณ์ได้ถึงสิบสองครั้งสำหรับแต่ละผลิตภัณฑ์ วิธีการคาดการณ์แต่ละวิธีอาจสร้างการฉายภาพที่แตกต่างกันเล็กน้อย เมื่อมีการคาดการณ์ผลิตภัณฑ์หลายพันรายการจะไม่เป็นไปได้ในการตัดสินใจอย่างเป็นอัตนัยเกี่ยวกับการคาดการณ์ใดในแผนงานของคุณสำหรับแต่ละผลิตภัณฑ์ ระบบประเมินประสิทธิภาพโดยอัตโนมัติสำหรับแต่ละวิธีคาดการณ์ที่คุณเลือกและสำหรับแต่ละผลิตภัณฑ์คาดการณ์ คุณสามารถเลือกระหว่างสองเกณฑ์ประสิทธิภาพ ได้แก่ Mean Absolute Deviation (MAD) และเปอร์เซ็นต์ความถูกต้อง (POA) MAD เป็นตัวชี้วัดข้อผิดพลาดในการคาดการณ์ POA เป็นตัววัดความลำเอียงของการคาดการณ์ เทคนิคการประเมินประสิทธิภาพทั้งสองแบบนี้ต้องการข้อมูลประวัติการขายที่แท้จริงสำหรับผู้ใช้ตามช่วงเวลาที่กำหนด ช่วงเวลาของประวัติล่าสุดนี้เรียกว่าระยะเวลาการระงับหรือช่วงเวลาที่เหมาะสม (PBF) หากต้องการวัดประสิทธิภาพของวิธีการคาดการณ์ให้ใช้สูตรคาดการณ์เพื่อจำลองการคาดการณ์สำหรับระยะเวลาการระงับชั่วคราวในอดีต โดยทั่วไปจะมีความแตกต่างระหว่างข้อมูลการขายที่เกิดขึ้นจริงกับการคาดการณ์แบบจำลองสำหรับระยะเวลาการระงับ เมื่อเลือกวิธีคาดการณ์หลายวิธีกระบวนการเดียวกันนี้จะเกิดขึ้นกับแต่ละวิธี คาดการณ์หลายรายการสำหรับระยะเวลาการระงับและเปรียบเทียบกับประวัติการขายที่รู้จักกันในช่วงเวลาเดียวกัน แนะนำให้ใช้วิธีการคาดการณ์ที่เหมาะสมที่สุดในการคาดการณ์และยอดขายจริงในช่วงระยะเวลาการระงับชั่วคราวเพื่อใช้ในแผนงานของคุณ ข้อเสนอแนะนี้มีไว้สำหรับแต่ละผลิตภัณฑ์โดยเฉพาะและอาจเปลี่ยนจากการคาดการณ์หนึ่งไปเป็นอีกรุ่นหนึ่ง A.16 ค่าเบี่ยงเบนสัมบูรณ์ (MAD) หมายถึงค่าเฉลี่ย (หรือค่าเฉลี่ย) ของค่าสัมบูรณ์ (หรือขนาด) ของความเบี่ยงเบน (หรือข้อผิดพลาด) ระหว่างข้อมูลจริงและข้อมูลที่คาดการณ์ MAD เป็นมาตรวัดขนาดเฉลี่ยของข้อผิดพลาดที่คาดว่าจะได้รับตามวิธีการคาดการณ์และประวัติข้อมูล เนื่องจากค่าสัมบูรณ์ถูกนำมาใช้ในการคำนวณข้อผิดพลาดในเชิงบวกไม่ได้เป็นการยกเลิกข้อผิดพลาดเชิงลบ เมื่อเปรียบเทียบวิธีการคาดการณ์หลายวิธีหนึ่งกับ MAD ที่เล็กที่สุดแสดงให้เห็นว่าน่าเชื่อถือที่สุดสำหรับผลิตภัณฑ์ดังกล่าวในช่วงที่มีการระงับ เมื่อมีการคาดการณ์ที่ไม่เป็นกลางและมีข้อผิดพลาดเกิดขึ้นตามปกติมีความสัมพันธ์ทางคณิตศาสตร์ที่เรียบง่ายระหว่าง MAD และสองค่านิยมทั่วไปของการแจกแจงส่วนเบี่ยงเบนมาตรฐานและ Mean Squared Error: A.16.1 เปอร์เซ็นต์ความถูกต้อง (POA) เปอร์เซ็นต์ความถูกต้อง (POA) คือ วัดความลำเอียงคาดการณ์ เมื่อการคาดการณ์สูงเกินไปอย่างต่อเนื่องสินค้าคงเหลือสะสมและต้นทุนสินค้าคงคลังเพิ่มขึ้น เมื่อการคาดการณ์เป็นไปอย่างต่อเนื่องสองขั้นต่ำสินค้าคงเหลือถูกบริโภคและการบริการลูกค้าลดลง การคาดการณ์ที่ต่ำกว่า 10 หน่วยจากนั้น 8 หน่วยที่สูงเกินไปจากนั้น 2 หน่วยที่สูงเกินไปจะเป็นการคาดการณ์ที่เป็นกลาง ข้อผิดพลาดในเชิงบวกที่ 10 จะถูกยกเลิกโดยข้อผิดพลาดเชิงลบที่ 8 และ 2 ข้อผิดพลาดที่เกิดขึ้นจริง - พยากรณ์เมื่อผลิตภัณฑ์สามารถเก็บไว้ในสินค้าคงคลังและเมื่อการคาดการณ์เป็นกลางจำนวนหุ้นที่ปลอดภัยสามารถนำมาใช้เพื่อป้องกันข้อผิดพลาดได้ In this situation, it is not so important to eliminate forecast errors as it is to generate unbiased forecasts. However in service industries, the above situation would be viewed as three errors. The service would be understaffed in the first period, then overstaffed for the next two periods. In services, the magnitude of forecast errors is usually more important than is forecast bias. The summation over the holdout period allows positive errors to cancel negative errors. When the total of actual sales exceeds the total of forecast sales, the ratio is greater than 100. Of course, it is impossible to be more than 100 accurate. When a forecast is unbiased, the POA ratio will be 100. Therefore, it is more desirable to be 95 accurate than to be 110 accurate. The POA criteria select the forecasting method that has a POA ratio closest to 100. Scripting on this page enhances content navigation, but does not change the content in any way. Moving average and exponential smoothing models As a first step in moving beyond mean models, random walk models, and linear trend models, nonseasonal patterns and trends can be extrapolated using a moving-average or smoothing model. สมมติฐานพื้นฐานที่อยู่เบื้องหลังรูปแบบเฉลี่ยและราบเรียบคือชุดเวลาเป็นแบบคงที่ในท้องถิ่นที่มีค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ ดังนั้นเราจึงใช้ค่าเฉลี่ยเคลื่อนที่ (ท้องถิ่น) เพื่อประมาณค่าปัจจุบันของค่าเฉลี่ยและใช้เป็นค่าพยากรณ์สำหรับอนาคตอันใกล้นี้ ซึ่งถือได้ว่าเป็นการประนีประนอมระหว่างโมเดลเฉลี่ยและแบบสุ่มโดยไม่มีการเลื่อนลอย กลยุทธ์เดียวกันสามารถใช้ในการประมาณและคาดการณ์แนวโน้มในท้องถิ่น ค่าเฉลี่ยเคลื่อนที่มักถูกเรียกว่า quotsmoothedquot version ของชุดเดิมเนื่องจากค่าเฉลี่ยในระยะสั้นมีผลต่อการทำให้เรียบออกกระแทกในชุดเดิม โดยการปรับระดับการทำให้เรียบ (ความกว้างของค่าเฉลี่ยเคลื่อนที่) เราสามารถคาดหวังให้เกิดความสมดุลระหว่างประสิทธิภาพของโมเดลแบบเฉลี่ยและแบบสุ่ม รูปแบบเฉลี่ยที่ง่ายที่สุดคือ ค่าเฉลี่ยของค่าเฉลี่ยของ Y ที่เวลา t1 ที่ทำในเวลา t เท่ากับค่าเฉลี่ยที่แท้จริงของการสังเกตการณ์ m ล่าสุด: (ที่นี่และที่อื่น ๆ ฉันจะใช้สัญลักษณ์ 8220Y-hat8221 เพื่อยืน สำหรับการคาดการณ์ของชุดข้อมูล Y เวลาที่เร็วที่สุดเท่าที่เป็นไปได้โดยก่อนหน้านี้โดยรูปแบบที่กำหนด) ค่าเฉลี่ยนี้อยู่ตรงกลางในช่วง t - (m1) 2 ซึ่งหมายความว่าการประมาณค่าเฉลี่ยของท้องถิ่นจะมีแนวโน้มลดลงตามค่าจริง ค่าเฉลี่ยของท้องถิ่นโดยประมาณ (m1) 2 ช่วงเวลา ดังนั้นเราจึงกล่าวว่าอายุโดยเฉลี่ยของข้อมูลในค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายคือ (m1) 2 เทียบกับช่วงเวลาที่คาดการณ์การคำนวณ: นี่คือระยะเวลาโดยที่การคาดการณ์จะมีแนวโน้มลดลงหลังจุดหักเหในข้อมูล . ตัวอย่างเช่นถ้าคุณคิดค่าเฉลี่ย 5 ค่าล่าสุดการคาดการณ์จะประมาณ 3 ช่วงเวลาในการตอบสนองต่อจุดหักเห โปรดทราบว่าถ้า m1 โมเดลเฉลี่ยเคลื่อนที่โดยเฉลี่ย (SMA) เทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า m มีขนาดใหญ่มาก (เทียบกับความยาวของระยะเวลาประมาณ) รูปแบบ SMA จะเท่ากับรูปแบบเฉลี่ย เช่นเดียวกับพารามิเตอร์ใด ๆ ของรูปแบบการคาดการณ์การปรับค่าของ k จะเป็นเรื่องปกติที่จะได้รับข้อมูลที่ดีที่สุดนั่นคือข้อผิดพลาดในการคาดการณ์ที่เล็กที่สุดโดยเฉลี่ย นี่คือตัวอย่างของชุดที่ดูเหมือนจะแสดงความผันผวนแบบสุ่มรอบ ๆ ค่าเฉลี่ยที่เปลี่ยนแปลงไปอย่างช้าๆ อันดับแรกให้ลองพอดีกับรูปแบบการเดินแบบสุ่มซึ่งเท่ากับค่าเฉลี่ยเคลื่อนที่ที่สั้น ๆ ของ 1 เทอม: รูปแบบการเดินแบบสุ่มตอบสนองได้อย่างรวดเร็วต่อการเปลี่ยนแปลงในซีรีส์ แต่ในการทำเช่นนี้จะทำให้ได้คำที่มีความหมายมากใน ข้อมูล (ความผันผวนแบบสุ่ม) รวมทั้ง quotsignalquot (ค่าเฉลี่ยในท้องถิ่น) หากเราลองใช้ค่าเฉลี่ยเคลื่อนที่ 5 ข้อโดยทั่วไปเราจะได้รับการคาดการณ์ที่นุ่มนวลกว่า: ค่าเฉลี่ยเคลื่อนที่ 5 เทอมทำให้เกิดข้อผิดพลาดน้อยกว่าแบบจำลองการเดินแบบสุ่มในกรณีนี้ อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 3 ((51) 2) ดังนั้นจึงมีแนวโน้มที่จะล่าช้ากว่าจุดหักเหภายในสามช่วงเวลา (ตัวอย่างเช่นการชะลอตัวน่าจะเกิดขึ้นในช่วง 21 แต่การคาดการณ์ไม่ได้ผกผันไปหลายช่วงเวลาภายหลัง) สังเกตว่าการคาดการณ์ระยะยาวจากแบบจำลอง SMA เป็นแนวเส้นตรงเช่นเดียวกับการเดินแบบสุ่ม แบบ ดังนั้นรูปแบบ SMA สมมติว่าไม่มีแนวโน้มในข้อมูล อย่างไรก็ตามในขณะที่การคาดการณ์จากแบบจำลองการเดินแบบสุ่มมีค่าเท่ากับค่าที่สังเกตได้ล่าสุดการคาดการณ์จากรูปแบบ SMA จะเท่ากับค่าเฉลี่ยถ่วงน้ำหนักของค่าล่าสุด วงเงินความเชื่อมั่นที่คำนวณโดย Statgraphics สำหรับการคาดการณ์ในระยะยาวของค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะไม่ได้รับมากขึ้นเนื่องจากระยะขอบพยากรณ์อากาศเพิ่มขึ้น เห็นได้ชัดว่าไม่ถูกต้อง แต่น่าเสียดายที่ไม่มีทฤษฎีทางสถิติพื้นฐานที่บอกเราว่าช่วงความเชื่อมั่นควรจะกว้างขึ้นสำหรับรุ่นนี้อย่างไร อย่างไรก็ตามไม่ยากที่จะคำนวณค่าประมาณเชิงประจักษ์ถึงขีดจำกัดความเชื่อมั่นสำหรับการคาดการณ์ระยะยาวของเส้นขอบฟ้า ตัวอย่างเช่นคุณสามารถตั้งค่าสเปรดชีตที่จะใช้โมเดล SMA เพื่อคาดการณ์ล่วงหน้า 2 ขั้นตอนล่วงหน้า 3 ก้าวเป็นต้นภายในตัวอย่างข้อมูลที่ผ่านมา จากนั้นคุณสามารถคำนวณส่วนเบี่ยงเบนมาตรฐานตัวอย่างของข้อผิดพลาดในขอบฟ้าพยากรณ์แต่ละครั้งและสร้างช่วงความเชื่อมั่นสำหรับการคาดการณ์ในระยะยาวโดยการเพิ่มและลบคูณของส่วนเบี่ยงเบนมาตรฐานที่เหมาะสม หากเราลองค่าเฉลี่ยเคลื่อนที่ 9 วันเราจะได้รับการคาดการณ์ที่ราบรื่นขึ้นและผลกระทบที่ปกคลุมด้วยวัตถุฉนวน: อายุเฉลี่ยอยู่ที่ 5 ช่วงเวลา ((91) 2) ถ้าเราใช้ค่าเฉลี่ยเคลื่อนที่ในระยะ 19 วันอายุเฉลี่ยจะเพิ่มขึ้นเป็น 10: สังเกตว่าแท้จริงแล้วการคาดการณ์ในขณะนี้ล้าหลังจุดหักเหประมาณ 10 รอบ นี่คือตารางที่เปรียบเทียบสถิติข้อผิดพลาดของพวกเขาซึ่งรวมถึงค่าเฉลี่ยระยะยาว 3 คำ: Model C ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ 5 เทอมให้ผลตอบแทนน้อยที่สุดของ RMSE โดยมีขอบเล็กกว่า 3 ค่าเฉลี่ยระยะสั้นและระยะ 9 และสถิติอื่น ๆ ของพวกเขาเกือบจะเท่ากัน ดังนั้นระหว่างโมเดลที่มีสถิติข้อผิดพลาดที่คล้ายกันมากเราสามารถเลือกได้ว่าจะต้องการการตอบสนองเล็กน้อยหรือความเรียบขึ้นเล็กน้อยในการคาดการณ์หรือไม่ (ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักที่ชี้แจง) แบบจำลองค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายที่กล่าวมาข้างต้นมีคุณสมบัติที่ไม่พึงประสงค์ที่จะถือว่าข้อสังเกตสุดท้ายของ k อย่างเท่าเทียมกันและสมบูรณ์ละเว้นการสังเกตทั้งหมดก่อนหน้านี้ โดยนัยข้อมูลที่ผ่านมาควรจะลดในรูปแบบที่ค่อยๆมากขึ้นตัวอย่างเช่นข้อสังเกตล่าสุดควรมีน้ำหนักมากกว่า 2 ครั้งล่าสุดและครั้งที่ 2 ล่าสุดควรมีน้ำหนักน้อยกว่า 3 ครั้งล่าสุดและ อื่น ๆ แบบเรียบง่าย (SES) ทำให้สำเร็จได้ ให้ 945 แสดงถึงค่าคงที่ quotsmoothing (ตัวเลขระหว่าง 0 ถึง 1) วิธีหนึ่งในการเขียนแบบจำลองคือการกำหนดชุด L ซึ่งแสดงถึงระดับปัจจุบัน (นั่นคือค่าเฉลี่ยในท้องถิ่น) ของชุดข้อมูลดังกล่าวโดยประมาณจากข้อมูลจนถึงปัจจุบัน ค่าของ L ในเวลา t คำนวณจากค่าก่อนหน้าของตัวเองเช่นนี้ดังนั้นค่าที่เรียบนวลในปัจจุบันเป็นค่า interpolation ระหว่างค่าที่ได้จากการเรียบก่อนหน้าและการสังเกตการณ์ในปัจจุบันซึ่ง 945 จะควบคุมความใกล้ชิดของค่าที่ถูก interpolation ไปเป็นค่าล่าสุด การสังเกต การคาดการณ์ในช่วงถัดไปเป็นเพียงค่าที่ได้รับการปรับปรุงแล้วในปัจจุบัน: เราสามารถแสดงการคาดการณ์ครั้งต่อไปได้โดยตรงในแง่ของการคาดการณ์ก่อนหน้าและข้อสังเกตก่อนหน้านี้ในเวอร์ชันเทียบเท่าใด ๆ ต่อไปนี้ ในรุ่นแรกการคาดการณ์คือการแก้ไขระหว่างการคาดการณ์ก่อนหน้าและการสังเกตก่อนหน้านี้: ในรุ่นที่สองการคาดการณ์ครั้งต่อไปจะได้รับโดยการปรับการคาดการณ์ก่อนหน้านี้ในทิศทางของข้อผิดพลาดก่อนหน้าด้วยจำนวนเศษ 945 ข้อผิดพลาดเกิดขึ้นที่ เวลา t ในรุ่นที่สามการคาดการณ์คือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบยกระดับ (เช่นลด) โดยมีปัจจัยการลดราคา 1-945: สูตรการคาดการณ์เวอร์ชันแก้ไขเป็นวิธีที่ง่ายที่สุดในการใช้งานหากคุณใช้โมเดลในสเปรดชีต: เหมาะกับรูปแบบ เซลล์เดี่ยวและมีการอ้างอิงเซลล์ชี้ไปที่การคาดการณ์ก่อนหน้านี้การสังเกตก่อนหน้าและเซลล์ที่เก็บค่า 945 ไว้ โปรดทราบว่าถ้า 945 1 รูปแบบ SES จะเทียบเท่ากับรูปแบบการเดินแบบสุ่ม (โดยไม่มีการเติบโต) ถ้า 945 0 รูปแบบ SES จะเท่ากับโมเดลเฉลี่ยโดยสมมติว่าค่าที่เรียบเป็นครั้งแรกจะเท่ากับค่าเฉลี่ย (กลับไปด้านบนสุดของหน้า) อายุโดยเฉลี่ยของข้อมูลในการคาดการณ์การเรียบอย่างง่ายและชี้แจงคือ 1 945 เทียบกับระยะเวลาที่คาดการณ์การคำนวณ (นี้ไม่ควรจะเป็นที่เห็นได้ชัด แต่ก็สามารถแสดงได้โดยการประเมินชุดอนันต์.) ดังนั้นการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายมีแนวโน้มที่จะล่าช้าหลังจุดหักเหประมาณ 1 945 รอบระยะเวลา ตัวอย่างเช่นเมื่อ 945 0.5 ความล่าช้าเป็น 2 ช่วงเวลาที่ 945 0.2 ความล่าช้าเป็น 5 ช่วงเวลาที่ 945 0.1 ความล่าช้าเป็น 10 ช่วงเวลาและอื่น ๆ สำหรับอายุเฉลี่ยที่กำหนด (เช่นจำนวนเงินที่ล่าช้า) การคาดการณ์การทำให้การทำให้ลื่นตามการคาดคะเนแบบง่าย (SES) จะค่อนข้างดีกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (SMA) เนื่องจากมีน้ำหนักมากขึ้นในการสังเกตการณ์ล่าสุด - คือ มีการเปลี่ยนแปลงมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา ตัวอย่างเช่นโมเดล SMA ที่มี 9 คำและแบบ SES ที่มี 945 0.2 มีอายุเฉลี่ยอยู่ที่ 5 สำหรับข้อมูลในการคาดการณ์ แต่แบบจำลอง SES จะให้น้ำหนักมากกว่า 3 ค่าล่าสุดมากกว่ารุ่น SMA และที่ ในเวลาเดียวกันมันไม่ได้ 8220forget8221 เกี่ยวกับค่ามากกว่า 9 งวดเก่าดังที่แสดงในแผนภูมินี้ข้อได้เปรียบที่สำคัญอีกประการหนึ่งของโมเดล SES ในรูปแบบ SMA คือรูปแบบ SES ใช้พารามิเตอร์การปรับให้ราบเรียบซึ่งเป็นตัวแปรที่เปลี่ยนแปลงได้อย่างต่อเนื่อง โดยใช้อัลกอริธึม quotsolverquot เพื่อลดข้อผิดพลาดกำลังสองเฉลี่ย ค่าที่เหมาะสมที่สุดของ 945 ในแบบจำลอง SES สำหรับชุดข้อมูลนี้จะเท่ากับ 0.2961 ดังแสดงในที่นี้อายุเฉลี่ยของข้อมูลในการคาดการณ์นี้คือ 10.2961 3.4 งวดซึ่งใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่ 6-term ระยะสั้น การคาดการณ์ระยะยาวจากแบบจำลอง SES เป็นแนวเส้นตรง เช่นเดียวกับในรูปแบบ SMA และรูปแบบการเดินแบบสุ่มโดยไม่มีการเติบโต อย่างไรก็ตามโปรดทราบว่าช่วงความเชื่อมั่นที่คำนวณโดย Statgraphics จะแตกต่างกันไปในรูปแบบที่ดูสมเหตุสมผลและมีความแคบกว่าช่วงความเชื่อมั่นสำหรับรูปแบบการเดินแบบสุ่ม แบบจำลอง SES อนุมานว่าชุดนี้ค่อนข้างจะคาดเดาได้มากกว่าแบบจำลองการเดินแบบสุ่ม แบบจำลอง SES เป็นกรณีพิเศษของรูปแบบ ARIMA ดังนั้นทฤษฎีสถิติของแบบจำลอง ARIMA จึงเป็นพื้นฐานที่ใช้ในการคำนวณระยะเวลาความเชื่อมั่นสำหรับแบบจำลอง SES โดยเฉพาะอย่างยิ่งแบบจำลอง SES คือแบบจำลอง ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งข้อ MA (1) เทอมและไม่มีระยะคงที่ หรือที่เรียกว่าโควต้า (0,1,1) โดยไม่มีค่าคงที่ ค่าสัมประสิทธิ์ MA (1) ในรูปแบบ ARIMA สอดคล้องกับจำนวน 1-945 ในแบบจำลอง SES ตัวอย่างเช่นถ้าคุณพอดีกับรูปแบบ ARIMA (0,1,1) โดยไม่มีค่าคงที่สำหรับชุดข้อมูลที่วิเคราะห์ที่นี่ค่าสัมประสิทธิ์ MA (1) โดยประมาณจะเท่ากับ 0.7029 ซึ่งใกล้เคียงกับค่า 0.2961 เป็นไปได้ที่จะเพิ่มสมมติฐานของแนวโน้มเชิงเส้นที่ไม่ใช่ศูนย์เป็นแบบ SES ในการทำเช่นนี้เพียงแค่ระบุรูปแบบ ARIMA ที่มีความแตกต่างอย่างไม่มีความแตกต่างอย่างหนึ่งและเทอม MA (1) ที่มีค่าคงที่นั่นคือ ARIMA (0,1,1) โดยมีค่าคงที่ การคาดการณ์ในระยะยาวจะมีแนวโน้มที่เท่ากับแนวโน้มเฉลี่ยที่สังเกตได้ในช่วงประมาณทั้งหมด คุณไม่สามารถดำเนินการนี้ควบคู่กับการปรับฤดูกาลได้เนื่องจากตัวเลือกการปรับฤดูกาลจะถูกปิดใช้งานเมื่อตั้งค่าประเภทของรูปแบบเป็น ARIMA อย่างไรก็ตามคุณสามารถเพิ่มแนวโน้มการชี้แจงในระยะยาวที่คงที่เป็นแบบจำลองการทำให้เรียบแบบเลขแจงที่เรียบง่าย (โดยมีหรือไม่มีการปรับฤดูกาล) โดยใช้ตัวเลือกการปรับค่าเงินเฟ้อในขั้นตอนการคาดการณ์ อัตราการเติบโตของอัตราแลกเปลี่ยน (quotation) ในแต่ละช่วงเวลาสามารถประมาณได้จากค่าสัมประสิทธิ์ความชันในรูปแบบเส้นตรงที่พอดีกับข้อมูลร่วมกับการแปลงลอการิทึมตามธรรมชาติหรืออาจขึ้นอยู่กับข้อมูลอื่น ๆ ที่เป็นอิสระเกี่ยวกับแนวโน้มการเติบโตในระยะยาว . (กลับมาที่ด้านบนสุดของหน้า) Browns Linear (เช่น double) Exponential Smoothing โมเดล SMA และ SES สมมุติว่าไม่มีแนวโน้มใด ๆ ในข้อมูล (โดยปกติแล้วจะเป็นอย่างน้อยหรืออย่างน้อยก็ไม่เลวสำหรับ 1- การคาดการณ์ล่วงหน้าเมื่อข้อมูลมีเสียงดังมาก) และสามารถปรับเปลี่ยนเพื่อรวมแนวโน้มเชิงเส้นที่คงที่ตามที่แสดงข้างต้น สิ่งที่เกี่ยวกับแนวโน้มในระยะสั้นหากชุดแสดงอัตราการเติบโตที่แตกต่างกันหรือรูปแบบตามวัฏจักรที่โดดเด่นอย่างชัดเจนต่อเสียงรบกวนและหากมีความจำเป็นต้องคาดการณ์มากกว่า 1 รอบระยะเวลาล่วงหน้าการประมาณแนวโน้มในท้องถิ่นอาจเป็นไปได้ ปัญหา แบบจำลองการทำให้เรียบเรียบง่ายสามารถสรุปเพื่อให้ได้รูปแบบการเรียบแบบเสวนาเชิงเส้น (LES) ซึ่งจะคำนวณการประมาณระดับท้องถิ่นและระดับแนวโน้ม รูปแบบแนวโน้มที่แตกต่างกันตามเวลาที่ง่ายที่สุดคือรูปแบบการเรียบแบบเสแสร้งแบบสีน้ำตาลของ Browns ซึ่งใช้ชุดการประมวลผลแบบเรียบสองแบบที่ต่างกันออกไปซึ่งมีศูนย์กลางอยู่ที่จุดต่างๆในเวลา สูตรพยากรณ์ขึ้นอยู่กับการอนุมานของเส้นผ่านทั้งสองศูนย์ (รุ่นที่ซับซ้อนมากขึ้นของรุ่นนี้ Holt8217s ถูกกล่าวถึงด้านล่าง) รูปแบบพีชคณิตของ Brown8217s เชิงเส้นแบบเรียบเช่นเดียวกับรูปแบบการเรียบง่ายชี้แจงสามารถแสดงในรูปแบบที่แตกต่างกัน แต่ที่เท่าเทียมกัน รูปแบบมาตรฐานของแบบจำลองนี้มักจะแสดงดังนี้: ให้ S หมายถึงชุดแบบเดี่ยวที่เรียบง่ายได้โดยใช้การเรียบง่ายแบบเลขยกตัวอย่างให้เป็นชุด Y นั่นคือค่าของ S ในช่วง t จะได้รับโดย: (จำได้ว่าภายใต้หลักการง่ายๆ exponential smoothing นี่คือการคาดการณ์ของ Y ในช่วง t1) จากนั้นให้ Squot แสดงชุดที่มีการคูณทวีคูณขึ้นโดยใช้การเรียบแบบเลขแจงธรรมดา (ใช้แบบเดียวกัน 945) กับชุด S: สุดท้ายการคาดการณ์สำหรับ Y tk สำหรับ kgt1 ใด ๆ ให้โดย: ผลตอบแทนนี้ e 1 0 (เช่นโกงเล็กน้อยและให้การคาดการณ์ครั้งแรกเท่ากับการสังเกตครั้งแรกจริง) และ e 2 Y 2 8211 Y 1 หลังจากที่คาดการณ์จะถูกสร้างโดยใช้สมการข้างต้น ค่านี้จะให้ค่าพอดีกับสูตรตาม S และ S ถ้าค่าเริ่มต้นใช้ S 1 S 1 Y 1 รุ่นของรุ่นนี้ใช้ในหน้าถัดไปที่แสดงให้เห็นถึงการรวมกันของการเรียบแบบเสวนากับการปรับฤดูกาลตามฤดูกาล Holt8217s Linear Exponential Smoothing Brown8217s แบบจำลอง LES คำนวณการประมาณระดับท้องถิ่นและแนวโน้มโดยการให้ข้อมูลที่ราบรื่น แต่ข้อเท็จจริงที่ว่าด้วยพารามิเตอร์เรียบเพียงอย่างเดียวจะกำหนดข้อ จำกัด ของรูปแบบข้อมูลที่สามารถพอดีกับระดับและแนวโน้มได้ ไม่ได้รับอนุญาตให้เปลี่ยนแปลงในอัตราที่เป็นอิสระ แบบจำลอง LES ของ Holt8217s กล่าวถึงปัญหานี้ด้วยการรวมค่าคงที่ที่ราบเรียบสองค่าหนึ่งค่าสำหรับหนึ่งและหนึ่งสำหรับแนวโน้ม ทุกเวลา t เช่นเดียวกับในรุ่น Brown8217s มีการประมาณการ L t ของระดับท้องถิ่นและประมาณการ T t ของแนวโน้มในท้องถิ่น ที่นี่พวกเขาจะได้รับการคำนวณจากค่าของ Y ที่สังเกตได้ในเวลา t และการประมาณค่าก่อนหน้าของระดับและแนวโน้มโดยสมการสองตัวที่ใช้การอธิบายแบบเอกซ์โพเน็นเชียลให้เรียบขึ้น หากระดับและแนวโน้มโดยประมาณของเวลา t-1 คือ L t82091 และ T t-1 ตามลำดับจากนั้นคาดว่า Y tshy ที่จะทำในเวลา t-1 เท่ากับ L t-1 T t-1 เมื่อมีการสังเกตค่าจริงค่าประมาณระดับที่ปรับปรุงใหม่จะถูกคำนวณโดยการ interpolating ระหว่าง Y tshy และการคาดการณ์ L t-1 T t-1 โดยใช้น้ำหนักของ 945 และ 1-945 การเปลี่ยนแปลงในระดับโดยประมาณ, คือ L t 8209 L t82091 สามารถตีความได้ว่าเป็นสัญญาณรบกวนของแนวโน้มในเวลา t การประมาณการแนวโน้มของแนวโน้มจะถูกคำนวณโดยการ interpolating ระหว่าง L t 8209 L t82091 และประมาณการก่อนหน้าของแนวโน้ม T t-1 โดยใช้เครื่องชั่ง 946 และ 1-946 การตีความค่าคงที่การทรงตัวของกระแส 946 มีความคล้ายคลึงกับค่าคงที่การปรับให้เรียบระดับ 945 โมเดลที่มีค่าน้อย 946 ถือว่าแนวโน้มมีการเปลี่ยนแปลงเพียงอย่างช้าๆเมื่อเวลาผ่านไป ใหญ่กว่า 946 สมมติว่ามีการเปลี่ยนแปลงอย่างรวดเร็ว แบบจำลองที่มีขนาดใหญ่ 946 เชื่อว่าในอนาคตอันใกล้นี้มีความไม่แน่นอนมากเนื่องจากข้อผิดพลาดในการคาดการณ์แนวโน้มกลายเป็นสิ่งสำคัญมากเมื่อคาดการณ์ล่วงหน้ามากกว่าหนึ่งช่วง (กลับไปด้านบนสุดของหน้า) ค่าคงที่ที่ราบเรียบ 945 และ 946 สามารถประมาณได้ตามปกติโดยลดข้อผิดพลาดของค่าเฉลี่ยของการคาดการณ์ล่วงหน้า 1 ขั้นตอน เมื่อทำใน Statgraphics ค่าประมาณนี้จะเท่ากับ 945 0.3048 และ 946 0.008 ค่าที่น้อยมากของ 946 หมายความว่ารูปแบบสมมติว่ามีการเปลี่ยนแปลงน้อยมากในแนวโน้มจากระยะหนึ่งไปยังอีกรูปแบบหนึ่งดังนั้นโดยทั่วไปโมเดลนี้กำลังพยายามประมาณแนวโน้มในระยะยาว โดยการเปรียบเทียบกับความคิดของอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประมาณระดับท้องถิ่นของชุดข้อมูลอายุโดยเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มในท้องถิ่นเป็นสัดส่วนกับ 1 946 แม้ว่าจะไม่เท่ากันก็ตาม . ในกรณีนี้ที่กลายเป็น 10.006 125 นี่เป็นตัวเลขที่แม่นยำมากที่สุดเท่าที่ความถูกต้องของค่าประมาณ 946 isn8217t จริง ๆ 3 ตำแหน่งทศนิยม แต่มันก็เป็นเรื่องธรรมดาของขนาดตามตัวอย่างขนาด 100 ดังนั้น รุ่นนี้มีค่าเฉลี่ยมากกว่าค่อนข้างมากของประวัติศาสตร์ในการประมาณแนวโน้ม พล็อตการคาดการณ์ด้านล่างแสดงให้เห็นว่าโมเดล LES ประมาณการแนวโน้มท้องถิ่นในวงกว้างขึ้นเล็กน้อยที่ส่วนท้ายของชุดข้อมูลมากกว่าแนวโน้มที่คงที่ในแบบจำลอง SEStrend นอกจากนี้ค่าประมาณของ 945 เกือบจะเหมือนกันกับที่ได้จากการปรับรุ่น SES ที่มีหรือไม่มีแนวโน้มดังนั้นเกือบจะเป็นแบบเดียวกัน ตอนนี้ดูเหมือนว่าการคาดการณ์ที่สมเหตุสมผลสำหรับโมเดลที่ควรจะประเมินแนวโน้มในระดับท้องถิ่นดูเหมือนว่าแนวโน้มในท้องถิ่นมีแนวโน้มลดลงในตอนท้ายของชุดข้อมูลสิ่งที่เกิดขึ้นพารามิเตอร์ของรุ่นนี้ ได้รับการประเมินโดยการลดข้อผิดพลาดสี่เหลี่ยมของการคาดการณ์ล่วงหน้า 1 ขั้นตอนไม่ใช่การคาดการณ์ในระยะยาวซึ่งในกรณีนี้แนวโน้มไม่ได้สร้างความแตกต่างมากนัก หากสิ่งที่คุณกำลังมองหาคือข้อผิดพลาด 1 ขั้นตอนคุณจะไม่เห็นภาพใหญ่ของแนวโน้มในช่วง 10 หรือ 20 ครั้ง เพื่อให้โมเดลนี้สอดคล้องกับการคาดการณ์ข้อมูลลูกตาของเรามากขึ้นเราจึงสามารถปรับค่าคงที่การปรับให้เรียบตามแนวโน้มเพื่อให้ใช้พื้นฐานที่สั้นกว่าสำหรับการประมาณแนวโน้ม ตัวอย่างเช่นถ้าเราเลือกที่จะตั้งค่า 946 0.1 แล้วอายุเฉลี่ยของข้อมูลที่ใช้ในการประเมินแนวโน้มท้องถิ่นคือ 10 ช่วงเวลาซึ่งหมายความว่าเรามีค่าเฉลี่ยของแนวโน้มมากกว่าช่วงเวลา 20 ช่วงที่ผ่านมา Here8217s พล็อตการคาดการณ์มีลักษณะอย่างไรถ้าเราตั้งค่า 946 0.1 ขณะเก็บรักษา 945 0.3 นี่ดูเหมาะสมสำหรับชุดนี้แม้ว่าจะเป็นแนวโน้มที่จะคาดการณ์แนวโน้มดังกล่าวได้ไม่น้อยกว่า 10 งวดในอนาคต สิ่งที่เกี่ยวกับสถิติข้อผิดพลาดนี่คือการเปรียบเทียบรูปแบบสำหรับสองรุ่นที่แสดงข้างต้นเช่นเดียวกับสามรุ่น SES ค่าที่เหมาะสมที่สุดคือ 945 สำหรับรุ่น SES มีค่าประมาณ 0.3 แต่ผลการค้นหาที่คล้ายกัน (มีการตอบสนองน้อยหรือน้อยตามลำดับ) จะได้รับค่า 0.5 และ 0.2 (A) Holts linear exp. การให้ความนุ่มนวลด้วย alpha 0.3048 และ beta 0.008 (B) Holts linear exp. การทำให้เรียบด้วยเอ็กซ์พี 0.3 และเบต้า 0.1 (C) การเพิ่มความเรียบง่ายด้วยการอธิบายด้วย alpha 0.5 (D) การทำให้เรียบอย่างง่ายด้วยเอ็กซ์โป 0.3 (E) การเรียบง่ายด้วยเลขแจงอัลฟา 0.2 สถิติของพวกเขาใกล้เคียงกันมากดังนั้นเราจึงสามารถเลือกได้บนพื้นฐาน ข้อผิดพลาดในการคาดการณ์ล่วงหน้า 1 ขั้นตอนภายในตัวอย่างข้อมูล เราต้องกลับไปพิจารณาเรื่องอื่น ๆ ถ้าเราเชื่อมั่นว่าการคาดการณ์แนวโน้มในปัจจุบันเกี่ยวกับสิ่งที่เกิดขึ้นในช่วง 20 ปีที่ผ่านมาเป็นเรื่องที่ดีพอสมควรเราสามารถสร้างโมเดล LES ด้วย 945 0.3 และ 946 0.1 ได้ ถ้าเราต้องการที่จะไม่เชื่อเรื่องว่ามีแนวโน้มในระดับท้องถิ่นแบบใดแบบหนึ่งของ SES อาจอธิบายได้ง่ายกว่านี้และจะให้การคาดการณ์ระดับกลางของถนนต่อไปอีก 5 หรือ 10 ครั้ง ชนิดของแนวโน้มการอนุมานที่ดีที่สุดคือแนวนอนหรือเส้นตรงหลักฐานเชิงประจักษ์ชี้ให้เห็นว่าหากข้อมูลได้รับการปรับแล้ว (ถ้าจำเป็น) สำหรับอัตราเงินเฟ้อแล้วก็อาจจะไม่ระมัดระวังในการคาดการณ์ระยะสั้นในเชิงเส้น แนวโน้มที่ไกลมากในอนาคต แนวโน้มที่เห็นได้ชัดในวันนี้อาจลดลงในอนาคตอันเนื่องมาจากสาเหตุที่แตกต่างกันเช่นความล้าสมัยของผลิตภัณฑ์การแข่งขันที่เพิ่มขึ้นและการชะลอตัวของวัฏจักรหรือการปรับตัวในอุตสาหกรรม ด้วยเหตุนี้การเรียบอย่างง่ายจึงมักจะทำให้ได้ตัวอย่างที่ดีกว่าที่ควรจะเป็นอย่างอื่นแม้จะมีการอนุมานแนวโน้มในแนวนอน การปรับเปลี่ยนรูปแบบการลดลงของรูปแบบการเพิ่มประสิทธิภาพเชิงเส้นแบบเชิงเส้นมักใช้ในการปฏิบัติเพื่อแนะนำโน้ตของอนุรักษนิยมในการคาดการณ์แนวโน้ม โมเดล LES ที่มีแนวโน้มลดลงสามารถใช้เป็นกรณีพิเศษของรูปแบบ ARIMA โดยเฉพาะ ARIMA (1,1,2) เป็นไปได้ในการคำนวณช่วงความเชื่อมั่นรอบการคาดการณ์ในระยะยาวที่ผลิตโดยแบบจำลองการเรียบแบบเสวนาโดยพิจารณาว่าเป็นกรณีพิเศษของแบบจำลอง ARIMA ความกว้างของช่วงความเชื่อมั่นขึ้นอยู่กับ (i) ข้อผิดพลาด RMS ของโมเดล (ii) ประเภทของการปรับให้เรียบ (แบบง่ายหรือแบบเส้นตรง) (iii) ค่า (s) ของคงที่ราบเรียบ (s) และ (iv) จำนวนรอบระยะเวลาที่คุณคาดการณ์ โดยทั่วไปช่วงเวลาจะกระจายออกไปได้เร็วกว่าเมื่อ 945 มีขนาดใหญ่ขึ้นในรูปแบบ SES และแพร่กระจายได้เร็วกว่ามากเมื่อใช้เส้นตรงมากกว่าการเรียบแบบเรียบ หัวข้อนี้จะกล่าวถึงต่อไปในส่วนรูปแบบ ARIMA ของบันทึกย่อ (Return to top of page.)In practice the moving average will provide a good estimate of the mean of the time series if the mean is constant or slowly changing. ในกรณีของค่าเฉลี่ยคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าเฉลี่ยต้นแบบ ระยะสังเกตอีกต่อไปจะเป็นค่าเฉลี่ยของผลกระทบของความแปรปรวน วัตถุประสงค์ของการให้ m ที่มีขนาดเล็กคือการให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิง เพื่อแสดงให้เห็นว่าเราเสนอชุดข้อมูลที่รวมการเปลี่ยนแปลงค่าเฉลี่ยที่แท้จริงของชุดข้อมูลเวลา ภาพแสดงชุดข้อมูลเวลาที่ใช้สำหรับการแสดงภาพพร้อมกับความต้องการเฉลี่ยที่สร้างขึ้น ค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละช่วงเวลาจนกว่าจะถึงค่า 20 ในเวลา 30 จากนั้นจะกลายเป็นค่าคงที่อีกครั้ง ข้อมูลถูกจำลองด้วยการเพิ่มค่าเฉลี่ยเสียงสุ่มจากการแจกแจงแบบปกติโดยมีค่าเฉลี่ยศูนย์และส่วนเบี่ยงเบนมาตรฐาน 3. ผลการจำลองจะปัดเศษเป็นจำนวนเต็มใกล้ที่สุด ตารางแสดงการสังเกตแบบจำลองที่ใช้สำหรับตัวอย่าง เมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตามข้อมูลที่ผ่านมาเป็นที่รู้จักเท่านั้น การประมาณค่าพารามิเตอร์ของโมเดลสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงพร้อมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่าง ตัวเลขนี้แสดงค่าประมาณเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่การคาดการณ์ การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลา หนึ่งข้อสรุปจะเห็นได้ชัดทันทีจากรูป สำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่จะล่าช้ากว่าเส้นตรงโดยมีความล่าช้าเพิ่มขึ้นจาก m ความล่าช้าคือระยะห่างระหว่างรูปแบบกับการประมาณในมิติเวลา เนื่องจากความล่าช้าค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ต่ำกว่าข้อสังเกตเป็นค่าเฉลี่ยจะเพิ่มขึ้น ความลำเอียงของตัวประมาณคือความแตกต่างในเวลาที่กำหนดในค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คำนวณโดยค่าเฉลี่ยเคลื่อนที่ ความอคติเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นลบ สำหรับค่าเฉลี่ยที่ลดลงอคติเป็นบวก ความล่าช้าในเวลาและอคติที่นำมาใช้ในการประมาณค่านี้เป็นหน้าที่ของ m ค่าที่มากขึ้นของ m ยิ่งใหญ่ขนาดของความล่าช้าและอคติ สำหรับซีรีส์ที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้ม a. ค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่าง เส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างไม่ได้เพิ่มขึ้นอย่างต่อเนื่องแทนที่จะเริ่มเป็นค่าคงที่เปลี่ยนเป็นแนวโน้มและจะกลายเป็นค่าคงที่อีกครั้ง นอกจากนี้เส้นโค้งตัวอย่างยังได้รับผลกระทบจากเสียงดัง การคาดการณ์ค่าเฉลี่ยของช่วงเวลาในอนาคตจะแสดงโดยการขยับเส้นโค้งไปทางขวา ความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วน สมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงของระยะเวลาคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดล อีกครั้งสูตรเหล่านี้เป็นชุดเวลาที่มีแนวโน้มเชิงเส้นคงที่ เราไม่ควรแปลกใจที่ผลลัพธ์นี้ ตัวประมาณค่าเฉลี่ยเคลื่อนที่อยู่บนพื้นฐานสมมติฐานค่าเฉลี่ยคงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงตามค่าเฉลี่ยในช่วงระยะเวลาการศึกษา เนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐานของรูปแบบใดก็ตามเราควรเตรียมพร้อมสำหรับผลลัพธ์ดังกล่าว นอกจากนี้เรายังสามารถสรุปจากรูปที่ความแปรปรวนของเสียงรบกวนมีผลมากที่สุดสำหรับขนาดเล็ก ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนอันเนื่องมาจากเสียงและลด M เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงได้มากขึ้น ในความหมาย ข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงกับค่าคาดการณ์ ถ้าชุดข้อมูลเวลาเป็นค่าคงที่มูลค่าที่คาดไว้ของข้อผิดพลาดจะเป็นศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็นหน้าที่ของและคำที่สองซึ่งเป็นความแปรปรวนของเสียง คำที่หนึ่งคือค่าความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกตการณ์ m สมมติว่าข้อมูลมาจากประชากรที่มีค่าเฉลี่ยคงที่ ระยะนี้จะลดลงโดยทำให้ m มีขนาดใหญ่ที่สุด m ที่มีขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงชุดข้อมูลอ้างอิง เพื่อให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงได้เราต้องการให้ m มีขนาดเล็กที่สุด (1) แต่จะเพิ่มความแปรปรวนของข้อผิดพลาด การคาดการณ์ในทางปฏิบัติต้องมีค่ากลาง การคาดการณ์ด้วย Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B 10 ข้อสังเกตแรกมีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไป -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 คอลัมน์ MA (10) (C) แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ ค่าเฉลี่ยเคลื่อนที่ m อยู่ในเซลล์ C3 คอลัมน์ Fore (1) (D) จะแสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคต ช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นจำนวนที่มากขึ้นตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลง คอลัมน์ Err (1) (E) แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ไว้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11.1 ข้อผิดพลาดคือ -5.1 ค่าเบี่ยงเบนมาตรฐานและค่าเฉลี่ยส่วนเบี่ยงเบนเฉลี่ย (MAD) คำนวณในเซลล์ E6 และ E7 ตามลำดับ