Az
Single Exponential Smoothing, röviden SES, más néven Simple Exponential Smoothing, egy idősoros előrejelzési módszer egyváltozós adatokhoz trend vagy szezonalitás nélkül. Egyetlen paraméterre van szükség, az úgynevezett alfa (a), más néven simítási tényezőnek vagy simítási együtthatónak.
Hogyan elemzi az exponenciális simítást?
Értelmezze az egyszeri exponenciális simítás legfontosabb eredményeit
- 1. lépés: Határozza meg, hogy a modell megfelel-e az adatoknak.
- 2. lépés: Hasonlítsa össze modellje illeszkedését más modellekhez.
- 3. lépés: Határozza meg, hogy az előrejelzések pontosak-e.
Hogyan válassza ki az Alfát az exponenciális simításhoz?
Az \alpha legjobb értéket választjuk, tehát azt az értéket, amely a legkisebb MSE-t eredményezi. A négyzetes hibák összege (SSE)=208,94. A négyzetes hibák (MSE) átlaga az SSE /11=19,0. Az MSE-t ismét kiszámítottuk \alpha=0,5-re, és 16,29-nek bizonyult, tehát ebben az esetben a 0,5-ös \alpha-t részesítjük előnyben.
Mikor használna exponenciális simítást?
Az exponenciális simítás egy módja annak, hogy kisimítsa az adatokat prezentációkhoz vagy előrejelzéseket készítsen. Általában pénzügyi és gazdasági célokra használják. Ha világos mintázatú idősorral rendelkezik, használhat mozgóátlagokat, de ha nincs egyértelmű mintája, akkor exponenciális simítást használhat az előrejelzéshez.
Hogyan számítja ki az egyszerű exponenciális simítást?
Az exponenciális simítás számítása a következő: A legutóbbi időszak kereslete szorozva a simítási tényezővel. A legutóbbi időszak előrejelzése szorozva (egy mínusz a simítási tényező). S=a simítási tényező decimális formában (tehát a 35% 0,35-ként jelenik meg).
