Тренд, экспоненциальное сглаживание

Вьщеление тренда экспоненциальное сглаживание [c.184]

Выявление циклической составляющей временного ряда может оказаться крайне сложным. И обычно это возможно только тогда, когда имеются данные за продолжительный период времени. Метод сглаживания ряда значений с помощью скользящих средних или экспоненциального сглаживания устраняет сезонные и случайные колебания данных, а оставшиеся значения складываются из тренда и циклических составляющих. Данное пособие не имеет своей целью отдельно рассмотреть вопросы, связанные с циклическими колебаниями. Большинство методов анализа рассматривают тренд и циклические составляющие как единое целое. Однако все же целесообразно проанализировать пример, в котором данные с очевидностью выказывают циклические колебания. [c.210]

Большая часть примеров, приведенных в данной главе, описывают основные методы выработки моделей прогнозирования. Во-первых, в большинстве случаев предполагается, что тренд — линейный. Далее, стандартный метод вьщеления тренда основывается на скользящих средних, хотя мы осветили и другие методы, в том числе экспоненциального сглаживания. Во-вторых, при получении прогнозных данных использовались все имеющиеся значения, тогда как на практике это может быть не лучшим вариантом, особенно в тех случаях, когда собранные данные включают некоторые нетипичные значения. На примерах этого раздела мы рассмотрим некоторые вопросы, связанные с практическим прогнозированием, при этом предполагается, что вы уже достаточно хорошо усвоили основные методы прогнозирования, в частности знаете, как вьщелять тренд и выявлять и вычислять сезонные составляющие. [c.217]

На рис. 6.6 показаны исходные значения объема продаж, а также экспоненциально сглаженные значения при а = 0.1. Как видно из графика на рис. 6.6, метод экспоненциального сглаживания действительно существенно сглаживает ряд значений. И вполне логично использовать эти значения для оценки тренда в последующие годы. Однако, некоторые сложности возникают при использовании столь малых значений, как 0.1, например. Основной недостаток состоит в том, что между изменениями в исходном ряду значений и соответствующими изменениями в ряду сглаженных значений отмечается лаг (или запаздывание). Так, мы видим, что анализируемые данные демонстрируют восходящий тренд объема продаж. Однако скользящие средние медленно обозначают этот тренд. Обратите внимание, что на фафике (рис. 6.6) все сглаженные значения за последние пять лет находятся под фактическими значениями объема продаж. В целом, чем меньше значение а, тем менее оно чувствительно к изменениям фенда в данном временном ряду. Чтобы решить эту проблему, мы можем взять большее значение а. Рассмофим, например, значение сглаживающей константы, равное а = 0.3. В таблице ниже приведены сглаженные значения, рассчитанные по этой константе. [c.194]

Справочник химика 21

Химия и химическая технология