Single Exponentential Smoothing, trumpai SES, dar vadinamas paprastu eksponentinį išlyginimu, yra laiko eilučių prognozavimo metodas, skirtas vienkartiniams duomenims be tendencijos ar sezoniškumo. Tam reikalingas vienas parametras, vadinamas alfa (a), dar vadinamas išlyginimo koeficientu arba išlyginimo koeficientu.
Kaip analizuojate eksponentinį išlyginimą?
Informuokite pagrindinius viengubo eksponentinio išlyginimo rezultatus
- 1 veiksmas: nustatykite, ar modelis atitinka jūsų duomenis.
- 2 veiksmas: palyginkite savo modelio tinkamumą su kitais modeliais.
- 3 veiksmas: nustatykite, ar prognozės tikslios.
Kaip pasirinkti alfa eksponentiniam išlyginimui?
Mes pasirenkame geriausią \alpha vertę, taigi reikšmę, dėl kurios gaunama mažiausia MSE. Klaidų kvadratų suma (SSE)=208,94. Klaidų kvadrato vidurkis (MSE) yra SSE /11=19,0. MSE vėl buvo apskaičiuota \alpha=0,5 ir pasirodė esanti 16,29, todėl šiuo atveju norėtume, kad \alpha būtų 0,5.
Kada naudotumėte eksponentinį išlyginimą?
Eksponentinis išlyginimas yra būdas išlyginti pristatymų duomenis arba sudaryti prognozes. Paprastai jis naudojamas finansams ir ekonomikai. Jei turite laiko eilutę su aiškiu modeliu, galite naudoti slankiuosius vidurkius, bet jei neturite aiškaus modelio, prognozuodami galite naudoti eksponentinį išlyginimą.
Kaip apskaičiuoti paprastą eksponentinį išlyginimą?
Eksponentinis išlyginimo skaičiavimas yra toks: Pastarojo laikotarpio paklausa, padauginta iš išlyginimo koeficiento. Naujausio laikotarpio prognozė padauginta iš (vieno atėmus išlyginimo koeficientą). S=išlyginimo koeficientas, pateikiamas dešimtaine forma (taigi 35 % būtų 0,35).
