Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Ha nagy α-t választunk [pl . α = 0,8], akkor az utolsó év adatai nagy súlyt kapnak [az utolsó évé 0,8, előtte<br />
levőé 0,8[1-0,8] =0,16 majd: 0,032, 0,0064, 0,00128 stb.]. Ha a véletlen erősen befolyásolja ezek nagyságát,<br />
az előrejelzés kevésbé megbízható lesz. Ha kis reakcióparamétert választunk [pl.: α = 0,2], akkor a<br />
régebbi adatoknak is nagyobb szerepe lesz (a súlyok: 0,2, 0,2 [1-0,2]=0.16, majd: 0,128, 0,1024 stb.), a<br />
véletlen hatásokat jobban kiküszöbölhetjük. A legjobb reakcióparamétert kísérletezéssel lehet meghatározni<br />
felhasználva a teszt időszak adta lehetőségeket. A megfigyelt időszakot két részre bontjuk, az első<br />
időszak alapján becsülünk illetve a második teszt időszakra elvégzett becslés alapján (felhasználva a hibaképleteket<br />
pl. a MAPE-t) választjuk ki a legjobb módszert, α-t kezdőértéket stb.<br />
A következő exponenciális simítási módszereket programoztuk:<br />
Az első módszer: SES F<br />
118 normál exponenciális simítás, amelynek alapegyenlete,<br />
( )<br />
F X 1 F<br />
t+ 1 t t<br />
= α + −α<br />
A becsléshez az adatok rendelkezésre állnak, kivéve az első becslést:<br />
Az egyik megoldás az, hogy<br />
F=X 1 1<br />
( )<br />
F =α X + 1−α F<br />
1 0 0<br />
A másik módszer, hogy a felhasználó adja meg az első értéket, pl. az első néhány adat átlagát veszi.<br />
A normál exponenciális simítás (SES) módszerét akkor alkalmazzuk, ha sem trend, sem szezonális hatás<br />
nincs az idősorban.<br />
A második módszer: kétszeres simítás, a Brown egyparaméteres lineáris módszere. Kétszeres exponenciá-<br />
1<br />
2<br />
lis kiegyenlítés, az egyszer már kiegyenlített értékeket, S még egyszer kiegyenlítjük<br />
t<br />
S , mivel lineáris<br />
t<br />
trendet feltételezünk az idősorban:<br />
1 1<br />
S = αX +(1- α)S<br />
S = αS +(1- α)S<br />
1 2<br />
a = 2S -S<br />
t t t-1<br />
2 1 2<br />
t t-1 t-1<br />
t t t<br />
α 1 2<br />
b t = (St -S t)<br />
1-α<br />
F = a +b m<br />
t+m t t<br />
A Brown egyparaméteres lineáris módszerét akkor használjuk, ha lineáris trendhatás van az idősorban, viszont<br />
szezonális hatás nincs az idősorban.<br />
A harmadik módszer: háromszoros simítás, Brown egyparaméteres kvadratikus módszere. Háromszoros<br />
exponenciális kiegyenlítés, az egyszer már kiegyenlített értékeket, 1<br />
S még egyszer kiegyenlítjük t<br />
2<br />
S , t<br />
3<br />
majd a kétszeresen kiegyenlített idősort még egyszer, tehát harmadszor is S kiegyenlítjük, mivel másod-<br />
t<br />
fokú parabolikus (kvadratikus) trendet feltételezünk az idősorban:<br />
118 SES: Single Exponential Smoothing.<br />
87