Single Exponential Smoothing, կարճ SES, որը նաև կոչվում է Simple Exponential Smoothing, ժամանակային շարքի կանխատեսման մեթոդ էմիակողմանի տվյալների համար՝ առանց միտումի կամ սեզոնայնության: Այն պահանջում է մեկ պարամետր, որը կոչվում է ալֆա (a), որը նաև կոչվում է հարթեցման գործակից կամ հարթեցման գործակից:
Ինչպե՞ս եք վերլուծում էքսպոնենցիալ հարթեցումը:
Մեկնաբանեք մեկ էքսպոնենցիալ հարթեցման հիմնական արդյունքները
- Քայլ 1. Որոշեք, թե արդյոք մոդելը համապատասխանում է ձեր տվյալներին:
- Քայլ 2. Համեմատեք ձեր մոդելի համապատասխանությունը այլ մոդելների հետ:
- Քայլ 3. Որոշեք, թե արդյոք կանխատեսումները ճշգրիտ են:
Ինչպե՞ս եք ընտրում Ալֆան էքսպոնենցիալ հարթեցման համար:
Մենք ընտրում ենք \alpha-ի լավագույն արժեքը, այնպես որ այն արժեքը, որը հանգեցնում է ամենափոքր MSE-ին: Քառակուսի սխալների գումարը (SSE)=208,94: Քառակուսի սխալների (MSE) միջինը SSE /11=19.0 է: MSE-ը կրկին հաշվարկվել է \ալֆա=0.5-ի համար և ստացվել է 16.29, ուստի այս դեպքում մենք կնախընտրենք \ալֆան 0.5::
Ե՞րբ կօգտագործեիք էքսպոնենցիալ հարթեցումը:
Էքսպոնենցիալ հարթեցումը միջոց է՝ հարթեցնելու տվյալները ներկայացումների համար կամ կանխատեսումներ անելու: Այն սովորաբար օգտագործվում է ֆինանսների և տնտեսագիտության համար: Եթե դուք ունեք հստակ օրինաչափությամբ ժամանակային շարք, կարող եք օգտագործել շարժվող միջինները, բայց եթե չունեք հստակ օրինաչափություն, կարող եք օգտագործել էքսպոնենցիալ հարթեցումը կանխատեսելու համար:
Ինչպե՞ս եք հաշվարկում պարզ էքսպոնենցիալ հարթեցումը:
Էքսպոնենցիալ հարթեցման հաշվարկը հետևյալն է. Ամենավերջին ժամանակաշրջանի կանխատեսումը բազմապատկած (մեկ հանած հարթեցման գործակիցը): S=հարթեցման գործակիցը ներկայացված է տասնորդական ձևով (այսպես, 35%-ը կներկայացվի որպես 0,35):
