Pojedyncze wygładzanie wykładnicze, w skrócie SES, zwane również prostym wygładzaniem wykładniczym, to metoda prognozowania szeregów czasowych dla danych jednowymiarowych bez trendu lub sezonowości. Wymaga jednego parametru, zwanego alfa (a), zwanego również współczynnikiem wygładzania lub współczynnikiem wygładzania.
Jak analizujesz wygładzanie wykładnicze?
Interpretuj kluczowe wyniki dla pojedynczego wygładzania wykładniczego
- Krok 1: Określ, czy model pasuje do Twoich danych.
- Krok 2: Porównaj dopasowanie swojego modelu z innymi modelami.
- Krok 3: Określ, czy prognozy są dokładne.
Jak wybrać Alpha do wygładzania wykładniczego?
Wybieramy najlepszą wartość dla \alpha, czyli wartość, która daje najmniejsze MSE. Suma kwadratów błędów (SSE)=208,94. Średnia kwadratów błędów (MSE) to SSE /11=19,0. MSE ponownie obliczono dla \alpha=0.5 i okazało się, że wynosi 16,29, więc w tym przypadku preferujemy \alpha równe 0.5.
Kiedy użyjesz wygładzania wykładniczego?
Wygładzanie wykładnicze to sposób wygładzania danych do prezentacji lub tworzenia prognoz. Jest zwykle używany w finansach i ekonomii. Jeśli masz szereg czasowy z wyraźnym wzorcem, możesz użyć średnich kroczących - ale jeśli nie masz wyraźnego wzorca, możesz użyć wygładzania wykładniczego do prognozowania.
Jak obliczyć proste wygładzanie wykładnicze?
Obliczenia wygładzania wykładniczego są następujące: Zapotrzebowanie z ostatniego okresu pomnożone przez współczynnik wygładzania. Prognoza dla ostatniego okresu pomnożona przez (jeden minus współczynnik wygładzania). S=współczynnik wygładzania przedstawiony w postaci dziesiętnej (więc 35% będzie reprezentowane jako 0,35).
