Uma nota de rodapé em Pankratz (1983). Na página 48, diz: A média móvel do rótulo é tecnicamente incorreta, uma vez que os coeficientes MA podem ser negativos e não podem somar a unidade. Este rótulo é usado por convenção. Box e Jenkins (1976) também dizem algo semelhante. Na página 10: A média móvel do nome é um pouco enganosa, porque os pesos 1, - theta, - theta, ldots, - theta, que multiplicam as, não precisam de unidade total nem precisam ser positivos. No entanto, esta nomenclatura é de uso comum e, portanto, a empregamos. Eu espero que isso ajude. Se você olhar para um processo de MA médio zero: Xt varepsilont theta1 varepsilon cdots thetaq varepsilon, então você poderia considerar o lado direito como semelhante a uma média móvel ponderada dos termos do varepsilon, mas onde os pesos não somam para 1. Observe que Cada valor de yt pode ser pensado como uma média móvel ponderada dos últimos erros de previsão. Explicações semelhantes do termo podem ser encontradas em vários outros lugares. (Apesar da popularidade desta explicação, não sei com certeza que esta é a origem do termo, no entanto, por exemplo, talvez existisse alguma conexão entre o modelo e o alisamento em média móvel). Observe que Graeme Walsh apontou em Comentários acima que isso pode ter se originado com Slutsky (1927) A Sumação de Causas Aleatórias como Fonte de Processos Cíclicos 1 Hyndman, RJ E Athanasopoulos, G. (2013) Previsão: princípios e prática. Seção 84. otextsfpp84. Acessado em 22 de setembro de 2013.Capítulo 11 - Previsão de gerenciamento de demanda Previsão 1. A previsão perfeita é praticamente impossível 2. Ao invés de procurar a previsão perfeita, é muito mais importante estabelecer a prática de revisão contínua da previsão e aprender a viver com Previsão imprecisa 3. Quando a previsão, uma boa estratégia é usar 2 ou 3 métodos e olhar para eles para o ponto de vista comum. 2. Fontes básicas de demanda 1. Demanda dependente - demanda de produtos ou serviços causada pela demanda por outros produtos ou serviços. Não é possível que a empresa possa fazer, deve ser cumprida. 2. Demanda independente - demanda que não pode ser diretamente derivada da demanda por outros produtos. Firma pode: a) assumir um papel ativo para influenciar a demanda - aplicar pressão sobre sua força de vendas b) assumir um papel passivo para influenciar a demanda - se uma empresa estiver executando em uma capacidade total, talvez não queira fazer nada sobre demanda. Outras razões são competitivas, legais, ambientais, éticas e morais. Tente prever o futuro com base em dados anteriores. 1. Curto prazo - menos de 3 meses - decisões táticas, como o reabastecimento de inventário ou agendamento de EEs no curto prazo 2. Médio prazo - 3 M-2Y - capturar efeitos sazonais, como os clientes respondem a um novo produto 3. Longo prazo - mais do que 2 anos. Identificar grandes pontos decisivos e detectar tendências gerais. A regressão linear é um tipo especial de regressão onde as relações entre variáveis formam uma linha reta Y abX. Variação dependente de Y a - Intercepção de Y b - inclinação X - variável independente É usado para previsão de longo prazo de ocorrências importantes e planejamento agregado. É usado para ambos, previsão de séries temporais e previsão de relacionamento casual. É a técnica de previsão mais utilizada. As ocorrências mais recentes são mais indicativas do futuro (maior valor previsível) do que as do passado mais distante. Devemos dar mais peso aos períodos de minério nos últimos tempos na previsão. Cada incremento no passado é diminuído por (1- alfa). Quanto maior o alfa, mais próxima a previsão segue o real. Pontuação mais recente alfa (1-alfa) na 0 Dados um período de tempo mais antigo alfa (1-alfa) na 1 Dados dois períodos de tempo mais antigo alfa (1-alfa) na 2 Qual dos seguintes métodos de previsão é muito dependente da seleção do Indivíduos certos que serão utilizados de forma crítica para gerar a previsão O valor deve estar entre 0 e 1 1. 2 ou mais valores predeterminados de Alpha - dependendo do grau de erro, são usados valores diferentes de Alpha. Se o erro for grande, o Alpha é 0.8, se o erro for pequeno, o Alfa é 0.2 2. Valores calculados de Alfa - erro real suavizado exponencialmente dividido pelo erro absoluto exponencialmente sufocado. Técnicas qualitativas em previsão Conhecimento de especialistas e exigem muito julgamento (novos produtos ou regiões) 1. Pesquisa de mercado - procurando novos produtos e idéias, gostos e desgostos sobre produtos existentes. Principalmente Pesquisas amp ENTREVISTAS 2. Painel Consenso - a idéia de que 2 cabeças são melhores do que uma. O painel de pessoas de uma variedade de posições pode desenvolver uma previsão mais confiável do que um grupo mais estreito. O problema é que menores níveis de EE são intimidados por níveis mais altos de gerenciamento. O julgamento executivo é usado (o nível mais alto de gerenciamento está envolvido). 3. Analogia histórica - uma empresa que já produz torradeiras e quer produzir potes de café pode usar o histórico da torradeira como um modelo de crescimento provável. 4. Método Delphi - muito dependente da seleção dos indivíduos certos que serão usados de forma crítica para realmente gerar a previsão. Todos têm o mesmo peso (mais justo). Resultados satisfatórios geralmente são alcançados em 3 rodadas. OBJETIVO - Planejamento colaborativo, previsão e reabastecimento (CPFR) Para trocar informações internas selecionadas em um servidor da Web compartilhado, a fim de fornecer visões futuras confiáveis e de longo prazo sobre a demanda na cadeia de suprimentos. Na prática, a média móvel proporcionará um bom Estimativa da média da série temporal se a média for constante ou mudando lentamente. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo significará os efeitos da variabilidade. O objetivo de fornecer um m menor é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais. A figura mostra a série temporal usada para ilustração juntamente com a demanda média da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ela aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Então, torna-se constante novamente. Os dados são simulados adicionando à média, um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que em qualquer momento, apenas os dados passados são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas em conjunto com a média das séries temporais na figura abaixo. A figura mostra a estimativa média móvel da média em cada momento e não a previsão. As previsões mudariam as curvas médias móveis para a direita por períodos. Uma conclusão é imediatamente aparente da figura. Para as três estimativas, a média móvel está atrasada por trás da tendência linear, com o atraso crescente com m. O atraso é a distância entre o modelo e a estimativa na dimensão temporal. Por causa do atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um momento específico no valor médio do modelo e o valor médio previsto pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior a magnitude do atraso e do viés. Para uma série de crescimento contínuo com tendência a. Os valores de lag e tendência do estimador da média são dados nas equações abaixo. As curvas de exemplo não combinam essas equações porque o modelo de exemplo não está aumentando continuamente, antes ele começa como uma constante, muda para uma tendência e depois se torna constante novamente. Também as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada pela mudança das curvas para a direita. O atraso e o desvio aumentam proporcionalmente. As equações abaixo indicam o atraso e a polarização de um período de previsão para o futuro em relação aos parâmetros do modelo. Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel é baseado na suposição de uma média constante, e o exemplo tem uma tendência linear na média durante uma parcela do período de estudo. Uma vez que as séries em tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para esses resultados. Também podemos concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menores. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos os desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças Em média. O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal é verdadeiramente um valor constante, o valor esperado do erro é zero e a variância do erro é composta por um termo que é uma função e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de observações m, assumindo que os dados provêm de uma população com um meio constante. Este termo é minimizado fazendo m o maior possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar as previsões sensíveis às mudanças, queremos m o mais pequeno possível (1), mas isso aumenta a variação do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo suplemento para os dados da amostra na coluna B. As primeiras 10 observações são indexadas -9 a 0. Comparadas com a tabela acima, os índices do período são deslocados em -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usadas para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro médio móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto feito a partir da média móvel no tempo 0 é 11,1. O erro então é -5.1. O desvio padrão eo desvio médio médio (MAD) são calculados nas células E6 e E7, respectivamente.
No comments:
Post a Comment