Single Exponencial Smoothing, zkráceně SES, také nazývané Simple Exponencial Smoothing, je metoda předpovědi časových řad pro jednorozměrná data bez trendu nebo sezónnosti. Vyžaduje jeden parametr, nazývaný alfa (a), také nazývaný faktor vyhlazování nebo koeficient vyhlazení.
Jak analyzujete exponenciální vyhlazování?
Interpretujte klíčové výsledky pro Single Exponencial Smoothing
- Krok 1: Určete, zda model odpovídá vašim datům.
- Krok 2: Porovnejte velikost vašeho modelu s jinými modely.
- Krok 3: Zjistěte, zda jsou předpovědi přesné.
Jak si vyberete Alpha pro exponenciální vyhlazení?
Vybíráme nejlepší hodnotu pro \alpha, tedy hodnotu, která má za následek nejmenší MSE. Součet čtvercových chyb (SSE)=208,94. Průměr čtvercových chyb (MSE) je SSE /11=19,0. MSE byl opět vypočten pro \alpha=0,5 a ukázalo se, že je 16,29, takže v tomto případě bychom preferovali \alpha 0,5.
Kdy byste použili exponenciální vyhlazování?
Exponenciální vyhlazování je způsob vyhlazování dat pro prezentace nebo vytváření prognóz. Obvykle se používá pro finance a ekonomiku. Pokud máte časovou řadu s jasným vzorem, můžete použít klouzavé průměry – ale pokud nemáte jasný vzorec, můžete k předpovědi použít exponenciální vyhlazování.
Jak vypočítáte jednoduché exponenciální vyhlazení?
Výpočet exponenciálního vyhlazování je následující: Poptávka za poslední období vynásobená vyrovnávacím faktorem. Prognóza za poslední období vynásobená (jedna minus vyhlazující faktor). S=faktor vyhlazení zastoupený v desítkové podobě (takže 35 % by bylo reprezentováno jako 0,35).
