Simple Moving Average Stata

Moving averages Moving averages Dengan dataset konvensional, nilai rata-rata seringkali merupakan yang pertama, dan salah satu statistik ringkasan yang paling berguna untuk dihitung. Bila data dalam bentuk deret waktu, mean seri adalah ukuran yang berguna, namun tidak mencerminkan sifat dinamis data. Nilai rata-rata yang dihitung selama periode korsleting, baik sebelum periode sekarang atau berpusat pada periode berjalan, seringkali lebih bermanfaat. Karena nilai rata-rata seperti itu akan bervariasi, atau bergerak, karena periode saat ini bergerak dari waktu t 2, t 3. dll, mereka dikenal sebagai moving averages (Mas). Rata-rata pergerakan sederhana adalah (biasanya) nilai rata-rata k yang tidak tertimbang sebelumnya. Rata-rata pergerakan tertimbang secara eksponensial pada dasarnya sama dengan rata-rata pergerakan sederhana, namun dengan kontribusi rata-rata tertimbang menurut jaraknya terhadap waktu saat ini. Karena tidak ada satu, tapi keseluruhan rangkaian rata-rata bergerak untuk rangkaian tertentu, himpunan Mas dapat digambarkan sendiri pada grafik, dianalisis sebagai seri, dan digunakan dalam pemodelan dan peramalan. Berbagai model dapat dibangun menggunakan moving averages, dan ini dikenal dengan model MA. Jika model seperti itu digabungkan dengan model autoregresif (AR), model komposit yang dihasilkan dikenal sebagai model ARMA atau ARIMA (yang saya terintegrasi). Rata-rata bergerak sederhana Karena deret waktu dapat dianggap sebagai himpunan nilai,, 1,2,3,4, n rata-rata nilai-nilai ini dapat dihitung. Jika kita berasumsi bahwa n cukup besar, dan kita memilih bilangan bulat k yang jauh lebih kecil dari n. Kita dapat menghitung satu set rata-rata blok, atau rata-rata bergerak sederhana (urutan k): Setiap ukuran mewakili rata-rata nilai data selama interval observasi k. Perhatikan bahwa MA yang pertama mungkin order k gt0 adalah bahwa untuk t k. Secara umum, kita dapat menurunkan subskrip ekstra dalam ungkapan di atas dan menulis: Ini menyatakan bahwa perkiraan mean pada waktu t adalah rata-rata sederhana dari nilai yang teramati pada waktu t dan langkah waktu k -1 sebelumnya. Jika bobot diterapkan yang mengurangi kontribusi pengamatan yang jauh melampaui waktu, rata-rata bergerak dikatakan merapikan secara eksponensial. Moving averages sering digunakan sebagai bentuk peramalan, dimana nilai estimasi untuk seri pada waktu t 1, S t1. Diambil sebagai MA untuk periode sampai dan termasuk waktu t. misalnya Taksiran hari ini didasarkan pada rata-rata nilai tercatat sebelumnya sampai dengan dan termasuk kemarin (untuk data harian). Simple moving averages dapat dilihat sebagai bentuk smoothing. Pada contoh diilustrasikan di bawah ini, dataset pencemar udara yang ditunjukkan dalam pendahuluan topik ini telah ditambah dengan garis rata-rata bergerak 7-hari (MA), yang ditunjukkan di sini berwarna merah. Seperti yang bisa dilihat, garis MA menghaluskan puncak dan palung data dan bisa sangat membantu dalam mengidentifikasi tren. Rumus perhitungan maju standar berarti bahwa titik data k pertama tidak memiliki nilai MA, namun setelah itu perhitungan berlanjut ke titik data akhir dalam rangkaian. Nilai rata-rata harian PM10, sumber Greenwich: London Air Quality Network, londonair. org. uk Salah satu alasan untuk menghitung rata-rata bergerak sederhana dengan cara yang dijelaskan adalah memungkinkan nilai dihitung untuk semua slot waktu dari waktu hingga saat ini, dan Sebagai pengukuran baru diperoleh untuk waktu t 1, MA untuk waktu t 1 dapat ditambahkan ke himpunan yang sudah dihitung. Ini menyediakan prosedur sederhana untuk dataset dinamis. Namun, ada beberapa masalah dengan pendekatan ini. Adalah wajar untuk mengatakan bahwa nilai rata-rata selama 3 periode terakhir, katakanlah, harus ditempatkan pada waktu t -1, bukan waktu t. Dan untuk MA selama periode genap mungkin sebaiknya ditempatkan di titik tengah antara dua interval waktu. Solusi untuk masalah ini adalah dengan menggunakan perhitungan MA terpusat, di mana MA pada waktu t adalah rata-rata seperangkat nilai simetris di sekitar t. Terlepas dari manfaatnya yang jelas, pendekatan ini umumnya tidak digunakan karena memerlukan data tersedia untuk kejadian di masa depan, yang mungkin tidak demikian. Dalam kasus di mana analisis seluruhnya merupakan rangkaian yang ada, penggunaan Mas terpusat mungkin lebih baik. Rata-rata pergerakan sederhana dapat dianggap sebagai bentuk pemulusan, menghilangkan beberapa komponen frekuensi tinggi dari deret waktu dan menyoroti (namun tidak menghilangkan) tren dengan cara yang mirip dengan pengertian umum penyaringan digital. Memang, moving averages adalah bentuk linear filter. Hal ini dimungkinkan untuk menerapkan perhitungan rata-rata bergerak ke rangkaian yang telah dihaluskan, yaitu merapikan atau menyaring rangkaian yang sudah diperhalus. Misalnya, dengan rata-rata bergerak dari order 2, kita dapat menganggapnya sebagai dihitung dengan menggunakan bobot, jadi MA pada x 2 0,5 x 1 0,5 x 2. Begitu juga MA pada x 3 0,5 x 2 0,5 x 3. Jika kita Oleskan tingkat kedua dari smoothing atau filtering, kita memiliki 0,5 x 2 0,5 x 3 0,5 (0,5 x 1 0,5 x 2) 0,5 (0,5 x 2 0,5 x 3) 0,25 x 1 0,5 x 2 0,25 x 3 yaitu penyaringan 2 tahap Proses (atau konvolusi) telah menghasilkan rata-rata pergerakan simetris tertimbang bervariasi, dengan bobot. Beberapa konvolusi dapat menghasilkan rata-rata pergerakan tertimbang yang cukup rumit, beberapa di antaranya telah ditemukan penggunaan khusus di bidang khusus, seperti dalam perhitungan asuransi jiwa. Moving averages dapat digunakan untuk menghilangkan efek periodik jika dihitung dengan panjang periodisitas seperti yang diketahui. Misalnya, dengan variasi musiman data bulanan seringkali dapat dihapus (jika ini adalah tujuannya) dengan menerapkan rata-rata pergerakan 12 jam simetris dengan semua bulan berbobot rata, kecuali yang pertama dan terakhir yang dibobot pada 12. Hal ini karena akan ada Menjadi 13 bulan dalam model simetris (waktu sekarang, t - 6 bulan). Total dibagi dengan 12. Prosedur serupa dapat diadopsi untuk periodisitas yang didefinisikan dengan baik. Rata-rata pergerakan tertimbang secara eksponensial (EWMA) Dengan rumus rata-rata bergerak sederhana: semua pengamatan sama-sama tertimbang. Jika kita menyebut bobot yang sama ini, alpha t. Masing k bobot sama dengan 1 k. Jadi jumlah bobotnya adalah 1, dan rumusnya adalah: Kita telah melihat bahwa beberapa aplikasi dari proses ini menghasilkan bobot yang bervariasi. Dengan rata-rata pergerakan tertimbang secara eksponensial, kontribusi terhadap nilai rata-rata dari pengamatan yang lebih banyak dihapus pada waktunya akan dikurangi, sehingga menekankan kejadian terkini (lokal). Pada dasarnya parameter penghalusan, 0lt alpha lt1, diperkenalkan, dan rumusan direvisi menjadi: Versi simetris dari rumus ini adalah bentuknya: Jika bobot pada model simetris dipilih sebagai persyaratan istilah ekspansi binomial, (1212) 2q. Mereka akan berjumlah 1, dan q menjadi besar, akan mendekati distribusi Normal. Ini adalah bentuk pembobotan kernel, dengan Binomial berperan sebagai fungsi kernel. Konvolusi dua tahap yang dijelaskan pada subbagian sebelumnya adalah pengaturan ini, dengan q 1, menghasilkan bobot. Dalam eksponensial smoothing perlu menggunakan seperangkat bobot yang berjumlah 1 dan yang mengurangi ukuran secara geometris. Bobot yang digunakan biasanya berbentuk: Untuk menunjukkan bahwa bobot ini berjumlah 1, pertimbangkan perluasan 1 sebagai rangkaian. Kita dapat menulis dan memperluas ekspresi dalam tanda kurung dengan menggunakan rumus binomial (1- x) hal. Dimana x (1-) dan p -1, yang memberikan: Ini kemudian memberikan bentuk rata-rata bergerak tertimbang dalam bentuk: Penjumlahan ini dapat ditulis sebagai relasi rekurensi: yang menyederhanakan perhitungan dengan sangat, dan menghindari masalah bahwa rezim pembobotan Harus benar-benar tak terbatas untuk bobot untuk jumlah ke 1 (untuk nilai-nilai kecil alfa. ini biasanya tidak terjadi). Notasi yang digunakan oleh penulis berbeda bervariasi. Beberapa menggunakan huruf S untuk menunjukkan bahwa rumus dasarnya adalah variabel yang merapikan, dan menulis: sedangkan literatur teori kontrol sering menggunakan Z daripada S untuk nilai tertimbang atau tertimbang secara eksponensial (lihat, misalnya, Lucas dan Saccucci, 1990, LUC1 , Dan situs NIST untuk lebih jelasnya dan contoh kerja). Rumus yang dikutip di atas berasal dari karya Roberts (1959, ROB1), namun Hunter (1986, HUN1) menggunakan ekspresi dari bentuk: yang mungkin lebih sesuai untuk digunakan dalam beberapa prosedur pengendalian. Dengan alpha 1, perkiraan rata-rata hanyalah nilai terukurnya (atau nilai dari item data sebelumnya). Dengan 0,5 perkiraan adalah rata-rata bergerak sederhana dari pengukuran arus dan sebelumnya. Dalam peramalan model nilai, S t. Sering digunakan sebagai perkiraan atau perkiraan nilai untuk periode waktu berikutnya, yaitu sebagai perkiraan untuk x pada waktu t 1. Jadi, kita memiliki: Ini menunjukkan bahwa nilai perkiraan pada waktu t 1 adalah kombinasi dari rata-rata bergerak tertimbang eksponensial sebelumnya Ditambah komponen yang merepresentasikan kesalahan prediksi tertimbang, epsilon. Pada waktu t. Dengan asumsi deret waktu diberikan dan perkiraan diperlukan, nilai untuk alpha diperlukan. Hal ini dapat diperkirakan dari data yang ada dengan mengevaluasi jumlah kesalahan prediksi kuadrat yang diperoleh dengan nilai alpha yang bervariasi untuk masing-masing t 2,3. Menetapkan perkiraan pertama menjadi nilai data pertama yang diamati, x 1. Pada aplikasi kontrol, nilai alpha penting dalam penentuan batas atas dan bawah, dan mempengaruhi rata-rata panjang run (ARL) yang diharapkan. Sebelum batas kontrol ini rusak (dengan asumsi bahwa deret waktu mewakili satu set variabel independen acak yang terdistribusi secara acak dengan varians umum). Dalam keadaan ini varians dari statistik kontrol: adalah (Lucas dan Saccucci, 1990): Batas kontrol biasanya ditetapkan sebagai kelipatan tetap dari varians asimtotik ini, mis. - 3 kali standar deviasi. Jika alpha 0,25, misalnya, dan data yang dipantau diasumsikan memiliki distribusi Normal, N (0,1), bila terkendali, batas kontrol akan menjadi - 1.134 dan prosesnya akan mencapai satu atau batas lainnya dalam 500 langkah. rata-rata. Lucas dan Saccucci (1990 LUC1) menurunkan ARL untuk berbagai nilai alfa dan dengan berbagai asumsi menggunakan prosedur Markov Chain. Mereka menabulasikan hasilnya, termasuk menyediakan ARL bila rata-rata proses kontrol telah digeser oleh kelipatan dari standar deviasi. Misalnya, dengan pergeseran 0,5 dengan alpha 0,25 ARL kurang dari 50 langkah waktu. Pendekatan yang dijelaskan di atas dikenal sebagai smoothing eksponensial tunggal. Karena prosedur diterapkan sekali pada deret waktu dan kemudian dianalisis atau dikendalikan dilakukan pada dataset yang dihaluskan. Jika dataset mencakup tren dan atau komponen musiman, perataan eksponensial dua tahap atau tiga tahap dapat diterapkan sebagai alat untuk menghapus (memodelkan secara eksplisit) efek ini (lihat lebih lanjut, bagian tentang Peramalan di bawah, dan contoh kerja NIST). CHA1 Chatfield C (1975) Analisis Seri Times: Teori dan Praktik. Chapman and Hall, London HUN1 Hunter J S (1986) Rata-rata pergerakan tertimbang secara eksponensial. J dari Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) Skema Kontrol Rata-rata Bergerak Rata-rata Tertimbang: Properti dan Perangkat Tambahan. Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) Uji Chart Kontrol Berdasarkan Rata-rata Bergerak Geometrik. Technometrics, 1, 239-250What0 adalah perbedaan antara rata-rata pergerakan dan rata-rata pergerakan tertimbang Rata-rata pergerakan 5 periode, berdasarkan harga di atas, akan dihitung dengan menggunakan rumus berikut: Berdasarkan persamaan di atas, harga rata-rata selama periode yang tercantum Diatas 90.66. Menggunakan moving averages adalah metode efektif untuk menghilangkan fluktuasi harga yang kuat. Keterbatasan utamanya adalah bahwa titik data dari data lama tidak berbobot berbeda dari titik data di dekat awal kumpulan data. Di sinilah rata-rata bergerak berbobot ikut bermain. Rata-rata tertimbang memberikan bobot yang lebih berat ke titik data saat ini karena lebih relevan daripada titik data di masa lalu yang jauh. Jumlah pembobotan harus menambahkan hingga 1 (atau 100). Dalam kasus rata-rata bergerak sederhana, pembobotan didistribusikan secara merata, oleh karena itu tidak ditunjukkan pada tabel di atas. Harga Penutupan Metode Seri AAPLTime Metode deret waktu adalah teknik statistik yang memanfaatkan akumulasi data historis selama periode waktu tertentu. Metode time series mengasumsikan bahwa apa yang telah terjadi di masa lalu akan terus terjadi di masa depan. Seperti yang ditunjukkan oleh deret waktu, metode ini menghubungkan perkiraan hanya dengan satu faktor waktu. Mereka termasuk rata-rata bergerak, eksponensial smoothing, dan garis tren linier dan mereka adalah salah satu metode yang paling populer untuk peramalan jangka pendek di antara perusahaan jasa dan manufaktur. Metode ini mengasumsikan bahwa pola historis atau tren permintaan yang dapat diidentifikasi dari waktu ke waktu akan berulang. Moving Average Sebuah perkiraan deret waktu dapat sesederhana dengan menggunakan permintaan pada periode saat ini untuk memprediksi permintaan pada periode berikutnya. Ini kadang disebut ramalan naif atau intuitif. 4 Misalnya, jika permintaan 100 unit minggu ini, perkiraan permintaan minggu depan adalah 100 unit jika permintaan berubah menjadi 90 unit, maka permintaan minggu berikut adalah 90 unit, dan seterusnya. Metode peramalan jenis ini tidak memperhitungkan perilaku permintaan historis yang hanya bergantung pada permintaan pada periode berjalan. Ini bereaksi langsung terhadap pergerakan acak yang normal. Metode rata-rata bergerak sederhana menggunakan beberapa nilai permintaan selama masa lalu untuk mengembangkan perkiraan. Hal ini cenderung mereda, atau kelancaran keluar, peningkatan acak dan penurunan ramalan yang hanya menggunakan satu periode. Rata-rata pergerakan sederhana berguna untuk meramalkan permintaan yang stabil dan tidak menampilkan perilaku permintaan yang menonjol, seperti tren atau pola musiman. Moving averages dihitung untuk periode tertentu, seperti tiga bulan atau lima bulan, tergantung pada seberapa banyak keinginan peramal untuk memperlancar data permintaan. Semakin lama periode rata-rata bergerak, semakin halus jadinya. Rumus untuk menghitung rata-rata pergerakan sederhana adalah Computing a Simple Moving Average Perusahaan Klip Kertas Klip Instan yang menjual dan menjual perlengkapan kantor ke perusahaan, sekolah, dan agensi dalam radius 50 mil dari gudangnya. Bisnis penyediaan kantor sangat kompetitif, dan kemampuan untuk menyampaikan pesanan segera merupakan faktor dalam mendapatkan pelanggan baru dan mempertahankan bisnis lama. (Kantor biasanya memesan tidak ketika mereka kehabisan persediaan, tapi ketika mereka benar-benar kehabisan. Akibatnya, mereka memerlukan pesanan mereka segera.) Manajer perusahaan ingin cukup yakin bahwa pengemudi dan kendaraan tersedia untuk segera mengirimkan pesanan dan Mereka memiliki persediaan yang memadai. Oleh karena itu, manajer ingin meramalkan jumlah pesanan yang akan terjadi selama bulan depan (yaitu untuk meramalkan permintaan pengiriman). Dari catatan pesanan pengiriman, manajemen telah mengumpulkan data berikut selama 10 bulan terakhir, dari mana ia ingin menghitung rata-rata bergerak 3- dan 5 bulan. Mari kita asumsikan bahwa itu adalah akhir Oktober. Perkiraan yang dihasilkan dari rata-rata pergerakan rata-rata 3 atau 5 bulan biasanya untuk bulan berikutnya dalam urutan, yang dalam kasus ini adalah bulan November. Rata-rata bergerak dihitung dari permintaan pesanan untuk 3 bulan sebelumnya dalam urutan sesuai dengan rumus berikut: Rerata moving average 5 bulan dihitung dari data permintaan 5 bulan sebelumnya sebagai berikut: 3- dan 5 bulan Perkiraan rata-rata bergerak untuk semua data permintaan bulan ditunjukkan pada tabel berikut. Sebenarnya hanya perkiraan untuk bulan November berdasarkan permintaan bulanan terbaru yang akan digunakan oleh manajer. Namun, prakiraan sebelumnya untuk bulan-bulan sebelumnya memungkinkan kita membandingkan perkiraan dengan permintaan aktual untuk melihat seberapa akurat metode peramalan - yaitu, seberapa baik kinerjanya. Rata-rata Tiga dan Lima Bulan Perkiraan rata-rata bergerak dalam tabel di atas cenderung memperlancar variabilitas yang terjadi pada data aktual. Efek perataan ini dapat diamati pada gambar berikut di mana rata-rata 3 bulan dan 5 bulan telah ditumpangkan pada grafik data asli: Rata-rata pergerakan 5 bulan pada gambar sebelumnya menghaluskan fluktuasi ke tingkat yang lebih tinggi daripada Rata-rata pergerakan 3 bulan. Namun, rata-rata 3 bulan lebih dekat mencerminkan data terbaru yang tersedia bagi manajer pasokan kantor. Secara umum, prakiraan menggunakan moving average jangka panjang lebih lambat untuk bereaksi terhadap perubahan permintaan terakhir daripada yang dilakukan dengan menggunakan rata-rata bergerak jangka pendek. Periode ekstra data mengurangi kecepatan perkiraan ramalan. Menetapkan jumlah periode yang tepat untuk digunakan dalam perkiraan rata-rata bergerak seringkali memerlukan sejumlah eksperimentasi coba-coba. Kerugian dari metode rata-rata bergerak adalah tidak bereaksi terhadap variasi yang terjadi karena suatu alasan, seperti siklus dan efek musiman. Faktor yang menyebabkan perubahan umumnya diabaikan. Ini pada dasarnya adalah metode mekanis, yang mencerminkan data historis secara konsisten. Namun, metode moving average memang memiliki keunggulan karena mudah digunakan, cepat, dan relatif murah. Secara umum, metode ini bisa memberikan ramalan yang bagus untuk jangka pendek, tapi seharusnya tidak didorong terlalu jauh ke masa depan. Weighted Moving Average Metode moving average dapat disesuaikan untuk lebih dekat mencerminkan fluktuasi data. Dengan metode rata-rata bergerak tertimbang, bobot ditetapkan ke data terbaru sesuai dengan rumus berikut: Data permintaan untuk Layanan Komputer PM (ditunjukkan pada tabel untuk Contoh 10.3) nampak mengikuti tren linier yang meningkat. Perusahaan ingin menghitung garis tren linier untuk melihat apakah lebih akurat daripada eksponensial smoothing eksponensial dan perkiraan eksponensial yang dikembangkan pada Contoh 10.3 dan 10.4. Nilai yang dibutuhkan untuk perhitungan kuadrat terkecil adalah sebagai berikut: Dengan menggunakan nilai-nilai ini, parameter untuk garis tren linier dihitung sebagai berikut: Oleh karena itu, persamaan garis linier linier adalah menghitung ramalan untuk periode 13, misalkan x 13 pada linier Garis tren: Grafik berikut menunjukkan garis tren linier dibandingkan dengan data aktual. Garis tren tampaknya mencerminkan secara cermat data aktual - yaitu, menjadi sesuai - dan dengan demikian akan menjadi model perkiraan yang baik untuk masalah ini. Namun, kelemahan garis tren linier adalah bahwa ia tidak akan menyesuaikan diri dengan perubahan tren, karena metode ramalan eksponensial eksponensial akan berlanjut, diasumsikan bahwa semua perkiraan masa depan akan mengikuti garis lurus. Ini membatasi penggunaan metode ini ke kerangka waktu yang lebih singkat di mana Anda dapat yakin bahwa tren tidak akan berubah. Penyesuaian Musiman Pola musiman adalah peningkatan berulang dan penurunan permintaan. Banyak item permintaan menunjukkan perilaku musiman. Penjualan pakaian mengikuti pola musiman tahunan, dengan permintaan akan pakaian hangat meningkat di musim gugur dan musim dingin dan menurun pada musim semi dan musim panas karena permintaan akan pakaian dingin meningkat. Permintaan untuk banyak barang ritel, termasuk mainan, peralatan olah raga, pakaian, peralatan elektronik, ham, kalkun, anggur, dan buah, meningkat selama musim liburan. Permintaan kartu ucapan meningkat bersamaan dengan hari-hari istimewa seperti Hari Kasih Sayang dan Hari Ibu. Pola musiman juga bisa terjadi setiap bulan, mingguan, atau bahkan setiap hari. Beberapa restoran memiliki permintaan lebih tinggi di malam hari daripada makan siang atau pada akhir pekan dibandingkan dengan hari kerja. Lalu lintas - maka penjualan - di pusat perbelanjaan mengambil pada hari Jumat dan Sabtu. Ada beberapa metode untuk mencerminkan pola musiman dalam perkiraan deret waktu. Kami akan menjelaskan salah satu metode sederhana menggunakan faktor musiman. Faktor musiman adalah nilai numerik yang dikalikan dengan perkiraan normal untuk mendapatkan perkiraan musiman yang disesuaikan. Salah satu metode untuk mengembangkan permintaan faktor musiman adalah membagi permintaan untuk setiap periode musiman dengan total permintaan tahunan, sesuai dengan rumus berikut: Faktor musiman yang dihasilkan antara 0 dan 1.0, pada dasarnya, merupakan bagian dari total permintaan tahunan yang ditugaskan pada Setiap musim Faktor musiman ini dikalikan dengan permintaan tahunan yang diperkirakan untuk menghasilkan perkiraan yang disesuaikan untuk setiap musim. Menghitung Prakiraan dengan Penyesuaian Musiman Peternakan Wishbone menanam kalkun untuk dijual ke perusahaan pengolahan daging sepanjang tahun. Namun, peak season-nya jelas pada kuartal keempat tahun ini, dari Oktober hingga Desember. Wishbone Farms telah mengalami permintaan untuk kalkun selama tiga tahun terakhir yang ditunjukkan pada tabel berikut: Karena kita memiliki data permintaan tiga tahun, kita dapat menghitung faktor musiman dengan membagi permintaan triwulanan selama tiga tahun dengan total permintaan sepanjang tiga tahun : Selanjutnya, kita ingin melipatgandakan perkiraan permintaan untuk tahun depan, 2000, oleh masing-masing faktor musiman untuk mendapatkan perkiraan permintaan untuk setiap kuartal. Untuk mencapai hal ini, kita memerlukan perkiraan permintaan untuk tahun 2000. Dalam kasus ini, karena data permintaan dalam tabel tampaknya menunjukkan tren yang meningkat secara umum, kita menghitung garis tren linier selama tiga tahun data dalam tabel untuk mendapatkan nilai kasar Perkiraan perkiraan: Dengan demikian, perkiraan untuk tahun 2000 adalah 58,17, atau 58.170 kalkun. Dengan menggunakan perkiraan permintaan tahunan ini, perkiraan musiman yang disesuaikan, SF i, untuk tahun 2000 adalah Membandingkan perkiraan kuartalan ini dengan nilai permintaan aktual dalam tabel, perkiraan perkiraan perkiraan mereka relatif baik, yang mencerminkan variasi musiman dalam data dan Tren kenaikan umum. 10-12. Bagaimana metode moving average mirip dengan smoothing eksponensial 10-13. Apa efek pada model smoothing eksponensial yang akan meningkatkan konstanta smoothing memiliki 10-14. Bagaimana cara menyesuaikan eksponensial smoothing berbeda dari smoothing eksponensial 10-15. Apa yang menentukan pilihan konstanta pemulusan untuk tren dalam model pemulusan eksponensial yang disesuaikan 10-16. Dalam contoh bab untuk metode time series, perkiraan awal selalu diasumsikan sama dengan permintaan aktual pada periode pertama. Sarankan cara lain agar ramalan awal bisa digunakan secara aktual. 10-17. Bagaimana model peramalan linier linier berbeda dari model regresi linier untuk peramalan 10-18. Dari model deret waktu yang disajikan dalam bab ini, termasuk rata-rata bergerak dan rata-rata bergerak tertimbang, pemulusan eksponensial dan pemulusan eksponensial yang disesuaikan, dan garis tren linier, mana yang menurut Anda paling baik Mengapa 10-19. Keuntungan apa yang disesuaikan dengan eksponensial smoothing memiliki garis linier linier untuk perkiraan permintaan yang menunjukkan tren 4 K. B. Kahn dan J. T. Mentzer, Peramalan Pasar Konsumen dan Industri, Journal of Business Forecasting 14, no. 2 (Musim panas 1995): 21-28.