Đang tải... (xem toàn văn)
thống kê trong kinh doanh, dự báo SGtgbjrxdbgjdj hbsjerhmvfBSE JGWAHRUAIWGUE RFUCGWINAFCchngzsxt hdtsetjeteth h r etahetrhverhszerfhbz f
Trang 22
Forecasting Methods
Forecasting Methods
Causal Time Series
Trang 33
Time Series Patterns
Chuỗi thời gian là một chuỗi các phép đo được thực hiện mỗi giờ, ngày, tuần, tháng, quý, năm hoặc tại bất kỳ khoảng thời gian thông thường nào khác
Mô hình của dữ liệu là một yếu tố quan trọng để hiểu chuỗi thời gian đã diễn ra như thế nào trong quá khứ
Nếu diễn biến này có thể được dự kiến sẽ tiếp tục trong tương lai, ta có thể dùng nó để lựa chọn một phương pháp dự báo phù hợp
Trang 44
Time Series Plot
A time series plot là cách trình bày dạng đồ thị về mối quan hệ giữa thời gian và biến theo chuỗi thời gian
Thời gian nằm trên trục hoành và các giá trị chuỗi thời gian được hiển thị trên trục tung
Bước đầu tiên để lựa chọn một phương pháp dự báo thích hợp là xây dựng một time series plot
Trang 56 7 8 9 10 110
115 125 120 125
120 130 115 110 130 Week Sales Week Sales Rosco Drugs would like
to identify the under- lying pattern in the data to guide it in selecting an appropriate forecast- ing method
Time Series Plot
Trang 6Using Excel’s Chart Tools
to Construct a Time Series Plot
Excel Worksheet (with data)
Trang 77
Using Excel’s Chart Tools
to Construct a Time Series Plot
Step 1 Select cells A2:B11
Step 2 Click the Insert tab on the Ribbon
Step 4 When the list of scatter diagram subtypes appears:
Click Scatter with Straight Lines and Markers Step 3 In the Charts group, click Insert Scatter (X,Y)
Trang 88
105110115120125130135
Trang 99
Time Series Patterns
Những mô hình phổ biến có thể xác định khi xem xét một time series plot bao gồm:
Horizontal
Trend
Seasonal
Cyclical Trend & Seasonal
Trang 10• Sự thay đổi mức độ của chuỗi thời gian làm cho việc lựa chọn một phương pháp dự báo phù hợp sẽ khó khăn hơn
Trang 1111
Trang 1212
Trang 13Time Series Patterns
Trend Pattern
• Một chuỗi thời gian có thể hiển thị các thay đổi hoặc chuyển động dần dần đến các giá trị tương đối cao hơn hoặc thấp hơn trong một khoảng thời gian dài hơn
• Xu hướng thường là kết quả của các yếu tố dài hạn như thay đổi về dân số, nhân khẩu học, công nghệ hoặc sở thích của người tiêu dùng
• Tăng hoặc giảm có hệ thống có thể có dạng tuyến tính hoặc phi tuyến
• Một mô hình xu hướng có thể được xác định bằng cách phân tích các chuyển động nhiều năm trong dữ liệu lịch sử
Trang 1414
Trang 16Time Series Patterns
• Các mô hình theo mùa được nhận ra từ việc nhìn thấy mô hình lặp lại cao và thấp trong các khoảng thời gian liên tiếp trong vòng một năm
Seasonal Pattern
• Một mô hình theo mùa có thể xảy ra trong một ngày, tuần, tháng, quý, năm hoặc một số khoảng thời gian khác không lớn hơn một năm
• Một mô hình theo mùa không nhất thiết phải đề cập đến bốn mùa trong năm (mùa xuân, mùa hè, mùa thu và mùa đông)
Trang 1717
Trang 18Time Series Patterns
• Một số chuỗi thời gian cho thấy sự kết hợp của cả mô hình xu hướng và theo mùa
Trend and Seasonal Pattern
• Trong những trường hợp như vậy, chúng ta cần sử dụng một phương pháp dự báo có khả năng đối phó với cả xu hướng và tính thời vụ
• Phân tách chuỗi thời gian có thể được sử dụng để phân tách chuỗi thời gian thành các thành phần theo xu hướng và theo mùa
Trang 1919
Trang 20Time Series Patterns
• Một mô hình chu kỳ tồn tại nếu biểu đồ chuỗi thời gian hiển thị một chuỗi các điểm xen kẽ bên dưới và bên trên đường xu hướng kéo dài hơn một năm
Trang 2121
Selecting a Forecasting Method
Việc lựa chọn mô hình dự báo là quan trọng
Do đó, time series plot nên là bước đầu tiên khi xem xét mô hình dự báo nào nên dùng
Nếu nhìn thấy dạng horizontal pattern, cần chọn mô hình phù hợp cho mô hình này
Nếu quan sát thấy một trend - xu hướng trong dữ
liệu, cần sử dụng phương pháp có khả năng xử lý xu hướng hiệu quả
Trang 2222
Forecast Accuracy
Các đo lường về độ chính xác của dự báo được dùng để xác định độ tốt của một phương pháp dự báo cụ thể có thể tái tạo dữ liệu chuỗi thời gian
Bằng cách chọn phương pháp dự báo có độ chính xác tốt nhất cho dữ liệu đã biết, ta hy vọng sẽ tăng khả năng có được dự báo tốt hơn cho các khoảng thời gian trong tương lai
Các đo lường về độ chính xác của dự báo là yếu tố quan trọng để so sánh các phương pháp dự báo
Trang 23Forecast Error = Actual Value - Forecast
Sai số dự báo âm cho thấy phương pháp dự báo đã đánh giá quá cao giá trị thực
Trang 2424
Forecast Accuracy
Một đo lường đơn giản cho độ chính xác dự báo là giá trị trung bình của các sai số dự báo Tuy nhiên, sai số dự báo âm và dương có xu hướng bù đắp cho nhau, có nghĩa là sai số trung bình có thể nhỏ, do đó sai số trung bình không phải là một đo lường hiệu quả
Đo lường này tránh được vấn đề sai số âm và dương triệt tiêu nhau MAE là giá trị trung bình của các giá trị tuyệt đối của các sai số dự báo
Mean Error (ME)
Mean Absolute Error (MAE)
Trang 2525
Forecast Accuracy
Đây là một đo lường khác để tránh vấn đề sai số dự báo âm và dương triệt tiêu nhau Đây là trung bình của các sai số dự báo bình phương
Kích thước của MAE và MSE phụ thuộc vào quy mô của dữ liệu, do đó rất khó để so sánh cho các khoảng thời gian khác nhau Để so sánh như vậy, cần dùng các sai số tương đối hoặc tỷ lệ phần trăm MAPE là trung bình của các sai số phần trăm tuyệt đối của các dự báo
APE: abs(sai số dự báo)/giá trị thực*100%
Mean Squared Error (MSE)
Mean Absolute Percentage Error (MAPE)
Trang 2626
Forecast Accuracy
Để chứng minh tính tốn của các đo lường này về độ chính xác của dự báo, những phương pháp dự báo đơn giản nhất sẽ được giới thiệu
The nạve forecasting method sử dụng quan sát gần đây nhất trong chuỗi thời gian làm dự báo cho
khoảng thời gian tiếp theo
Ft+1 = Actual Value in Period t
Trang 276 7 8 9 10 110
115 125 120 125
120 130 115 110 130 Week Sales Week Sales
Trang 2828
Forecast Accuracy
1 2 3 4 5 6 7 8 9 10
110 115 125 120 125 120 130 115 110 130
125 120 130 115 110 125 120 Week Sales
Nạve Forecast
-5 10 -15 -5 20
-5 5 Forecast
Error
Absolute Error
Squared Error
5 10 15 5 20 80 5 5
25 100 125 25 400 850 25 25
Abs.% Error
4.17 7.69 13.04 4.55 15.38 65.35 4.17 4.00 110
115
5 10
Trang 299 = 94.44MAPE = 65.35
9 = 7.26%
Trang 3030
Moving Averages and Exponential Smoothing
Thảo luận về ba phương pháp dự báo phù hợp với chuỗi thời gian có dạng horizontal pattern:
Các phương pháp này thích hợp nhất cho các dự báo tầm ngắn
Trang 31Ft+1= forecast of the time series for period t + 1
Mỗi quan sát trong tính toán theo phương pháp này có cùng trọng số
𝐹𝑡+1 = (most recent 𝑘 data values)
𝑌𝑡 + 𝑌𝑡−1 + ⋯ + 𝑌𝑡−𝑘+1𝑘
Trang 346 7 8 9 10 110
115 125 120 125
120 130 115 110 130 Week Sales Week Sales
Trang 3535
Moving Averages
1 2 3 4 5 6 7 8 9 10
11
110 115 125 120 125 120 130 115 110 130 Week Sales
123.3 121.7 125.0 121.7 118.3 118.3 116.7 120.0
3MA Forecast
(110 + 115 + 125)/3
Trang 3636
Using Excel’s Moving Average Tool
Step 1 Click the Data tab on the Ribbon
Step 2 In the Analysis group, click Data Analysis
Step 4 When the Moving Average dialog box appears:
Enter B2:B11 in the Input Range box Enter 3 in the Interval box
Enter D3 in the Output Range box Select Chart Output
Click OK
Step 3 Choose Moving Average from the list of
Analysis Tools
Click OK
Trang 3737
Moving Averages
100105110115120125130135
Trang 3838
Moving Averages
1 2 3 4 5 6 7 8 9 10
110 115 125 120 125 120 130 115 110 130
123.3 121.7 125.0 121.7 118.3 116.7 120.0 Week Sales
3MA Forecast
-3.3 8.3
-10.0 -11.7 11.7 6.6 3.3 5.0 Forecast
Error
Absolute Error
Squared Error
3.3 8.3 10.0 11.7 11.7 53.3 3.3 5.0
10.89 68.89 100.00 136.89 136.89 489.45 10.89 25.00
Abs.% Error
2.75 6.38 8.70 10.64 9.00 44.22 2.75 4.00
Total
Trang 3939
Moving Averages
3-MA Forecast Accuracy
The 3-week moving average approach provided more accurate forecasts than the nạve approach
MAE = 53.3
7 = 7.61MSE = 489.45
7 = 69.92MAPE = 44.22
7 = 6.32%
Trang 4040
Weighted Moving Averages
Weighted Moving Averages
• Các quan sát càng gần thường được cho trọng số càng cao hơn các quan sát cũ
Trang 4141
Weighted Moving Averages
• An example of a 3-period weighted moving average (3WMA) is:
3WMA = 2(110) + 3(115) + 5(125) = 119
125 is most recent of the three observations Weights (.2, 3,
and 5) sum to 1
Weighted Moving Averages
Trang 4242
Exponential Smoothing
• Phương pháp này là một trường hợp đặc biệt của phương pháp weighted moving averages; ta chỉ chọn trọng số cho các quan sát gần nhất
• Các trọng số cho các giá trị dữ liệu khác được tính toán tự động và trở nên nhỏ hơn khi các quan sát ngày càng cũ
• The exponential smoothing forecast là trung bình có trọng số của tất cả quan sát trong chuỗi thời gian
• Thuật ngữ exponential smoothing xuất phát từ bản
chất theo cấp số nhân của sơ đồ trọng số cho các giá trị lịch sử
Trang 43F2 = Y1 (to initiate the computations)
Trang 44• We see that the new forecast Ft+1 is equal to the
previous forecast Ft plus an adjustment, which is a times the most recent forecast error, Yt – Ft
Trang 4545
If Rosco Drugs uses exponential smoothing to forecast sales, which value for the smoothing
constant a, 1 or 8, gives better forecasts?
Example: Rosco Drugs
Exponential Smoothing
1 2 3 4 5
6 7 8 9 10 110
115 125 120 125
120 130 115 110 130 Week Sales Week Sales
Trang 4848
Exponential Smoothing ( a = 1)
1 2 3 4 5 6 7 8 9 10
110 115 125 120 125 120 130 115 110 130 Week Sales
113.98 114.58 116.12 116.01 115.41 111.95 112.76
a = 1 Forecast
110.00 110.50
6.02 15.42 -1.12 -6.01 14.59 8.05 12.24 Forecast
Error
Absolute Error
Squared Error
6.02 15.42 1.12 6.01 14.59 82.95 8.05 12.24
36.25 237.73 1.26 36.12 212.87 974.22 64.80 149.94
Abs.% Error
5.02 11.86 0.97 5.46 11.22 66.98 6.71 9.79 5.00
14.50
5.00
14.50 210.25
25.00 4.35 11.60
Total
Trang 499 = 108.25MAPE = 66.98
9 = 7.44%
Trang 5050
Exponential Smoothing ( a = 8)
1 2 3 4 5 6 7 8 9 10
110 115 125 120 125 120 130 115 110 130
124.11 120.82 128.16 117.63 111.53 122.80 120.56 Week Sales
a = 8 Forecast
110.00 114.00
-4.11 9.18
-13.16 -7.63 18.47
-2.20 4.44 Forecast
Error
Absolute Error
Squared Error
4.11 9.18 13.16 7.63 18.47 75.19 2.20 4.44
16.91 84.23 173.30 58.26 341.27 847.52 7.84 19.71
Abs.% Error
3.43 7.06 11.44 6.94 14.21 61.61 1.83 3.55 5.00
11.00
5.00
11.00 121.00
25.00 4.35 8.80
Total
Trang 519 = 94.17MAPE = 61.61
9 = 6.85%
Trang 5252
Using Excel’s Exponential Smoothing Tool
Step 1 Click the Data tab on the Excel ribbon
Step 2 In the Analysis group, click Data Analysis
Step 4 When the Moving Average dialog box appears:
Enter B2:B11 in the Input Range box Enter 2 in the Damping factor box Enter D2 in the Output Range box Select Chart Output
Click OK
Step 3 Choose Exponential Smoothing from the list of
Analysis Tools
Click OK
Trang 5353
Using Excel’s Exponential Smoothing Tool
100105110115120125130135