การย้าย ค่าเฉลี่ย การคาดการณ์ ข้อผิดพลาด

การย้ายการคาดการณ์เชิงปริมาณเฉลี่ย ตามที่คุณอาจคาดเดาเรากำลังมองหาวิธีการดั้งเดิมบางอย่างที่คาดการณ์ไว้ แต่หวังว่าสิ่งเหล่านี้เป็นการนำเสนอที่คุ้มค่าสำหรับปัญหาด้านคอมพิวเตอร์บางส่วนที่เกี่ยวข้องกับการใช้การคาดการณ์ในสเปรดชีต ในหลอดเลือดดำนี้เราจะดำเนินการต่อโดยการเริ่มต้นตั้งแต่เริ่มต้นและเริ่มทำงานกับการคาดการณ์ Moving Average การย้ายการคาดการณ์เฉลี่ย ทุกคนคุ้นเคยกับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยไม่คำนึงถึงว่าพวกเขาเชื่อหรือไม่ว่า นักศึกษาทุกคนทำแบบฝึกหัดตลอดเวลา ลองนึกถึงคะแนนการทดสอบของคุณในหลักสูตรที่คุณจะมีการทดสอบสี่ครั้งระหว่างภาคการศึกษา ให้สมมติว่าคุณมี 85 คนในการทดสอบครั้งแรกของคุณ คุณคาดหวังอะไรสำหรับคะแนนการทดสอบที่สองของคุณคุณคิดอย่างไรว่าครูของคุณจะคาดการณ์คะแนนทดสอบต่อไปคุณคิดอย่างไรว่าเพื่อนของคุณอาจคาดเดาคะแนนการทดสอบครั้งต่อไปคุณคิดว่าพ่อแม่ของคุณคาดการณ์คะแนนการทดสอบต่อไปได้ไม่ว่า การทำร้ายทั้งหมดที่คุณอาจทำกับเพื่อนและผู้ปกครองของคุณพวกเขาและครูของคุณมีแนวโน้มที่จะคาดหวังว่าคุณจะได้รับบางสิ่งบางอย่างในพื้นที่ของ 85 ที่คุณเพิ่งได้ ดีตอนนี้ให้สมมติว่าแม้จะมีการโปรโมตด้วยตัวคุณเองกับเพื่อน ๆ ของคุณคุณสามารถประเมินตัวเองและคิดว่าคุณสามารถเรียนได้น้อยกว่าสำหรับการทดสอบที่สองและเพื่อให้คุณได้รับ 73. ตอนนี้สิ่งที่ทุกอย่างที่เกี่ยวข้องและไม่แยแสไป คาดว่าคุณจะได้รับการทดสอบครั้งที่สามมีสองแนวทางที่น่าจะเป็นไปได้สำหรับพวกเขาในการพัฒนาประมาณการโดยไม่คำนึงว่าพวกเขาจะแบ่งปันกับคุณหรือไม่ พวกเขาอาจพูดกับตัวเองว่าผู้ชายคนนี้มักจะเป่าควันเกี่ยวกับความฉลาดของเขา เขาจะได้รับอีก 73 ถ้าเขาโชคดี บางทีพ่อแม่จะพยายามสนับสนุนและพูด quotWell เพื่อให้ห่างไกลได้รับ 85 และ 73 ดังนั้นคุณควรคิดเกี่ยวกับการเกี่ยวกับ (85 73) 2 79 ฉันไม่รู้ว่าบางทีถ้าคุณไม่ปาร์ตี้ และเหวี่ยงพังพอนไปทั่วสถานที่และถ้าคุณเริ่มต้นทำมากขึ้นการศึกษาที่คุณจะได้รับคะแนนสูงขึ้นทั้งสองประมาณการเหล่านี้เป็นจริงการคาดการณ์เฉลี่ยย้าย อันดับแรกใช้คะแนนล่าสุดของคุณเพื่อคาดการณ์ประสิทธิภาพในอนาคตของคุณเท่านั้น นี่เรียกว่าการคาดการณ์ค่าเฉลี่ยเคลื่อนที่โดยใช้ข้อมูลระยะเวลาหนึ่ง ข้อที่สองเป็นค่าพยากรณ์เฉลี่ยเคลื่อนที่ แต่ใช้ข้อมูลสองช่วง ให้สมมติว่าคนเหล่านี้ทั้งหมด busting ในจิตใจที่ดีของคุณมีการแบ่งประเภทของคุณออกและคุณตัดสินใจที่จะทำดีในการทดสอบที่สามด้วยเหตุผลของคุณเองและจะนำคะแนนที่สูงขึ้นในด้านหน้าของ quotalliesquot ของคุณ คุณใช้การทดสอบและคะแนนของคุณเป็นจริง 89 ทุกคนรวมทั้งตัวคุณเองเป็นที่ประทับใจ ดังนั้นตอนนี้คุณมีการทดสอบครั้งสุดท้ายของภาคการศึกษาที่กำลังจะมาถึงและตามปกติแล้วคุณรู้สึกว่าจำเป็นที่จะต้องกระตุ้นให้ทุกคนคาดการณ์เกี่ยวกับวิธีที่คุณจะทำในการทดสอบครั้งล่าสุด ดีหวังว่าคุณจะเห็นรูปแบบ ตอนนี้หวังว่าคุณจะเห็นรูปแบบนี้ คุณเชื่อว่าเป็นนกหวีดที่ถูกต้องที่สุดในขณะที่เราทำงาน ตอนนี้เรากลับไปที่ บริษัท ทำความสะอาดแห่งใหม่ของเราซึ่งเริ่มต้นโดยพี่สาวที่แยกกันอยู่ของคุณชื่อ Whistle While We Work คุณมีข้อมูลการขายในอดีตที่แสดงโดยส่วนต่อไปนี้จากสเปรดชีต ก่อนอื่นเราจะนำเสนอข้อมูลสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 3 ช่วง รายการสำหรับเซลล์ C6 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C7 ถึง C11 แจ้งให้ทราบว่าค่าเฉลี่ยย้ายผ่านข้อมูลทางประวัติศาสตร์ล่าสุด แต่ใช้เวลาสามช่วงล่าสุดสำหรับการคาดการณ์แต่ละครั้ง นอกจากนี้คุณควรสังเกตด้วยว่าเราไม่จำเป็นต้องทำการคาดการณ์ในช่วงที่ผ่านมาเพื่อพัฒนาการคาดการณ์ล่าสุดของเรา นี้แน่นอนแตกต่างจากแบบจำลองการเรียบเรียงชี้แจง Ive รวมการคาดคะเนของคำพูดราคาตลาดเนื่องจากเราจะใช้คำเหล่านี้ในหน้าเว็บถัดไปเพื่อวัดความถูกต้องในการคาดการณ์ ตอนนี้ฉันต้องการนำเสนอผลที่คล้ายคลึงกันสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ 2 ช่วง รายการสำหรับเซลล์ C5 ควรเป็นตอนนี้คุณสามารถคัดลอกสูตรเซลล์นี้ลงไปที่เซลล์อื่น ๆ C6 ถึง C11 แจ้งให้ทราบว่าขณะนี้มีเพียงข้อมูลล่าสุดสองชิ้นที่ใช้ล่าสุดในการคาดการณ์เท่านั้น อีกครั้งฉันได้รวมการคาดคะเน quotpost เพื่อวัตถุประสงค์ในการอธิบายและเพื่อใช้ในภายหลังในการตรวจสอบการคาดการณ์ บางสิ่งบางอย่างอื่นที่มีความสำคัญที่จะแจ้งให้ทราบล่วงหน้า สำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ m-period เฉพาะค่าข้อมูลล่าสุดของ m ที่ใช้ในการคาดคะเนเท่านั้น ไม่มีอะไรอื่นที่จำเป็น สำหรับการคาดการณ์ค่าเฉลี่ยของระยะเวลา m-period เมื่อทำนายการคาดการณ์ของ quotpast ให้สังเกตว่าการทำนายครั้งแรกเกิดขึ้นในช่วง m 1 ทั้งสองประเด็นนี้จะมีความสำคัญมากเมื่อเราพัฒนาโค้ดของเรา การพัฒนาฟังก์ชัน Average Moving Average ตอนนี้เราจำเป็นต้องพัฒนาโค้ดสำหรับการคาดการณ์ค่าเฉลี่ยเคลื่อนที่ที่สามารถใช้ความยืดหยุ่นได้มากขึ้น รหัสดังต่อไปนี้ โปรดทราบว่าปัจจัยการผลิตเป็นจำนวนงวดที่คุณต้องการใช้ในการคาดการณ์และอาร์เรย์ของค่าทางประวัติศาสตร์ คุณสามารถเก็บไว้ในสมุดงานที่คุณต้องการ Function MovingAverage (Historical, NumberOfPeriods) ในฐานะ Single Declaring และ Initializing ตัวแปร Dim Item As Variant Dim Counter เป็นจำนวนเต็ม Integer Dim Single Dim HistoricalSize As Integer ตัวแปรที่ Initializing ตัวแปร Counter 1 สะสม 0 การกำหนดขนาดของอาร์เรย์ Historical HistoricalSize Historical. Count สำหรับ Counter 1 ถึง NumberOfPeriods สะสมจำนวนที่เหมาะสมของค่าที่สังเกตก่อนหน้านี้ล่าสุด Accumulation Accumulation Historical (HistoricalSize - NumberOfPeriods Counter) MovingAverage การสะสม NumberOfPeriods รหัสจะอธิบายในคลาส คุณต้องการวางตำแหน่งฟังก์ชันในสเปรดชีตเพื่อให้ผลลัพธ์ของการคำนวณปรากฏขึ้นที่ควรทำดังนี้ 8.4 การเคลื่อนย้ายโมเดลเฉลี่ยแทนที่จะใช้ค่าที่ผ่านมาของตัวแปรคาดการณ์ในการถดถอยโมเดลเฉลี่ยเคลื่อนที่จะใช้ข้อผิดพลาดในการคาดการณ์ที่ผ่านมาใน แบบจำลองการถดถอยเหมือน y c et theta e theta e จุด theta e ที่ et มีเสียงสีขาว เราอ้างถึงนี้เป็นรูปแบบ MA (q) แน่นอนว่าเราไม่ได้สังเกตค่าของเอตดังนั้นจึงไม่ใช่การถดถอยตามความหมายปกติ สังเกตว่าแต่ละค่าของ yt สามารถคิดได้ว่าเป็นค่าเฉลี่ยถ่วงน้ำหนักของข้อผิดพลาดในการคาดการณ์ที่ผ่านมา อย่างไรก็ตามแบบจำลองค่าเฉลี่ยเคลื่อนที่ไม่ควรสับสนกับการปรับค่าเฉลี่ยการเคลื่อนที่โดยเฉลี่ยที่เรากล่าวถึงในบทที่ 6 โมเดลเฉลี่ยถ่วงน้ำหนักใช้สำหรับคาดการณ์ค่าในอนาคตขณะที่ใช้การปรับค่าเฉลี่ยโดยเฉลี่ยเพื่อใช้ประเมินแนวโน้มรอบของค่าในอดีต รูปที่ 8.6: ตัวอย่างสองตัวอย่างของข้อมูลจากโมเดลเฉลี่ยเคลื่อนที่ที่มีพารามิเตอร์ต่างกัน ซ้าย: MA (1) กับ y t 20e t 0.8e t-1 ขวา: MA (2) ด้วย y t e t - e t -1 0.8e t-2 ในทั้งสองกรณี e t จะกระจายสัญญาณรบกวนสีขาวเป็นปกติโดยมีค่าเฉลี่ยศูนย์และค่าความแปรปรวน 1 รูปที่ 8.6 แสดงข้อมูลบางส่วนจากแบบจำลอง MA (1) และ MA (2) การเปลี่ยนพารามิเตอร์ theta1, dots, thetaq ส่งผลให้รูปแบบชุดเวลาต่างกัน เช่นเดียวกับโมเดลอัตถดถอยความแปรปรวนของเทอมข้อผิดพลาด et จะเปลี่ยนขนาดของชุดไม่ใช่รูปแบบ สามารถเขียนแบบ AR (p) แบบ stationary เป็นแบบ MA (infty) ได้ ตัวอย่างเช่นการใช้การทดแทนซ้ำเราสามารถแสดงให้เห็นถึงรูปแบบ AR (1) นี้: เริ่มต้นแอ็พพลิเคชัน amp phi1y et amp phi1 (phi1y e) และ amp phi12y phi1 e และ amp phi13y phi12e phi1 e และ amptext end Provided -1 lt phi1 lt 1 ค่าของ phi1k จะเล็กลงเมื่อ k มีขนาดใหญ่ขึ้น ดังนั้นในที่สุดเราจึงได้รับ yt et phi1 e phi12 e phi13 e cdots กระบวนการ MA (infty) ผลย้อนกลับถือถ้าเรากำหนดข้อ จำกัด บางประการเกี่ยวกับพารามิเตอร์ MA จากนั้นแบบจำลอง MA เรียกว่า invertible นั่นคือเราสามารถเขียนกระบวนการ MA (q) invertible เป็นกระบวนการ AR (infty) ได้ โมเดลที่ไม่สามารถผันกลับไม่ได้ทำให้เราสามารถแปลงจากโมเดล MA ไปเป็น AR ได้ พวกเขายังมีคุณสมบัติทางคณิตศาสตร์บางอย่างที่ช่วยให้สามารถใช้งานได้ง่ายขึ้น ข้อ จำกัด invertible มีความคล้ายคลึงกับข้อ จำกัด stationarity สำหรับแบบจำลอง MA (1): -1lttheta1lt1 สำหรับโมเดล MA (2): -1lttheta2lt1, theta2theta1 gt-1, theta1 - theta2 lt 1. เงื่อนไขที่ซับซ้อนมากขึ้นถือได้สำหรับ qge3 อีกครั้ง R จะดูแลข้อ จำกัด เหล่านี้เมื่อประมาณโมเดลในทางปฏิบัติค่าเฉลี่ยเคลื่อนที่จะให้ค่าเฉลี่ยที่ดีของค่าเฉลี่ยของชุดข้อมูลเวลาถ้าค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนไป ในกรณีของค่าเฉลี่ยคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าเฉลี่ยต้นแบบ ระยะสังเกตอีกต่อไปจะเป็นค่าเฉลี่ยของผลกระทบของความแปรปรวน วัตถุประสงค์ของการให้ m ที่มีขนาดเล็กคือการให้การคาดการณ์เพื่อตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิง เพื่อแสดงให้เห็นว่าเราเสนอชุดข้อมูลที่รวมการเปลี่ยนแปลงค่าเฉลี่ยที่แท้จริงของชุดข้อมูลเวลา ภาพแสดงชุดข้อมูลเวลาที่ใช้สำหรับการแสดงภาพพร้อมกับความต้องการเฉลี่ยที่สร้างขึ้น ค่าเฉลี่ยเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละช่วงเวลาจนกว่าจะถึงค่า 20 ในเวลา 30 จากนั้นจะกลายเป็นค่าคงที่อีกครั้ง ข้อมูลจะถูกจำลองด้วยการเพิ่มค่าเฉลี่ยเสียงสุ่มจากการแจกแจงแบบปกติที่มีค่าเป็นศูนย์และส่วนเบี่ยงเบนมาตรฐาน 3. ผลการจำลองจะปัดเป็นจำนวนเต็มใกล้ที่สุด ตารางแสดงการสังเกตแบบจำลองที่ใช้สำหรับตัวอย่าง เมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตามข้อมูลที่ผ่านมาเป็นที่รู้จักเท่านั้น การประมาณค่าพารามิเตอร์ของโมเดลสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงพร้อมกับค่าเฉลี่ยของชุดข้อมูลเวลาในรูปด้านล่าง ตัวเลขนี้แสดงค่าประมาณเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่ใช่การคาดการณ์ การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลา หนึ่งข้อสรุปจะเห็นได้ชัดทันทีจากรูป สำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่จะล่าช้ากว่าเส้นตรงโดยมีความล่าช้าเพิ่มขึ้นจาก m ความล่าช้าคือระยะห่างระหว่างรูปแบบกับการประมาณในมิติเวลา เนื่องจากความล่าช้าค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ต่ำกว่าข้อสังเกตเป็นค่าเฉลี่ยจะเพิ่มขึ้น ความลำเอียงของตัวประมาณคือความแตกต่างในเวลาที่กำหนดในค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คำนวณโดยค่าเฉลี่ยเคลื่อนที่ ความอคติเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นลบ สำหรับค่าเฉลี่ยที่ลดลงอคติเป็นบวก ความล่าช้าในเวลาและอคติที่นำมาใช้ในการประมาณค่านี้เป็นหน้าที่ของ m ค่าที่มากขึ้นของ m ยิ่งใหญ่ขนาดของความล่าช้าและอคติ สำหรับซีรีส์ที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีแนวโน้ม a. ค่าของความล่าช้าและความลำเอียงของ estimator ของค่าเฉลี่ยจะได้รับในสมการด้านล่าง เส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากตัวอย่างไม่ได้เพิ่มขึ้นอย่างต่อเนื่องแทนที่จะเริ่มเป็นค่าคงที่เปลี่ยนเป็นแนวโน้มและจะกลายเป็นค่าคงที่อีกครั้ง นอกจากนี้เส้นโค้งตัวอย่างยังได้รับผลกระทบจากเสียงดัง การคาดการณ์ค่าเฉลี่ยของช่วงเวลาในอนาคตจะแสดงโดยการขยับเส้นโค้งไปทางขวา ความล่าช้าและความลำเอียงเพิ่มขึ้นตามสัดส่วน สมการด้านล่างแสดงถึงความล่าช้าและความลำเอียงของระยะเวลาคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดล อีกครั้งสูตรเหล่านี้เป็นชุดเวลาที่มีแนวโน้มเชิงเส้นคงที่ เราไม่ควรแปลกใจที่ผลลัพธ์นี้ ตัวประมาณค่าเฉลี่ยเคลื่อนที่อยู่บนพื้นฐานสมมติฐานค่าเฉลี่ยคงที่และตัวอย่างมีแนวโน้มเป็นเส้นตรงตามค่าเฉลี่ยในช่วงระยะเวลาการศึกษา เนื่องจากชุดข้อมูลเรียลไทม์จะไม่ค่อยตรงตามสมมติฐานของรูปแบบใดก็ตามเราควรเตรียมพร้อมสำหรับผลลัพธ์ดังกล่าว นอกจากนี้เรายังสามารถสรุปจากรูปที่ความแปรปรวนของเสียงรบกวนมีผลมากที่สุดสำหรับขนาดเล็ก ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจากเสียงรบกวนและลด m เพื่อให้การคาดการณ์ตอบสนองต่อการเปลี่ยนแปลงได้มากขึ้น ในความหมาย ข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงกับค่าคาดการณ์ ถ้าชุดข้อมูลเวลาเป็นค่าคงที่มูลค่าที่คาดไว้ของข้อผิดพลาดจะเป็นศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็นหน้าที่ของและคำที่สองซึ่งเป็นความแปรปรวนของเสียง คำที่หนึ่งคือค่าความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกตการณ์ m สมมติว่าข้อมูลมาจากประชากรที่มีค่าเฉลี่ยคงที่ ระยะนี้จะลดลงโดยทำให้ m มีขนาดใหญ่ที่สุด m ที่มีขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงชุดข้อมูลอ้างอิง เพื่อให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงได้เราต้องการให้ m มีขนาดเล็กที่สุด (1) แต่จะเพิ่มความแปรปรวนของข้อผิดพลาด การคาดการณ์ในทางปฏิบัติต้องมีค่ากลาง การคาดการณ์ด้วย Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B 10 ข้อสังเกตแรกมีการจัดทำดัชนี -9 ถึง 0 เมื่อเทียบกับตารางด้านบนดัชนีระยะเวลาจะเปลี่ยนไป -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 คอลัมน์ MA (10) (C) แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ ค่าเฉลี่ยเคลื่อนที่ m อยู่ในเซลล์ C3 คอลัมน์ Fore (1) (D) จะแสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคต ช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นจำนวนที่มากขึ้นตัวเลขในคอลัมน์ Fore จะถูกเลื่อนลง คอลัมน์ Err (1) (E) แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ ตัวอย่างเช่นการสังเกตในเวลาที่ 1 คือ 6 ค่าที่คาดการณ์ไว้จากค่าเฉลี่ยเคลื่อนที่ในช่วงเวลา 0 คือ 11.1 ข้อผิดพลาดคือ -5.1 ค่าเบี่ยงเบนมาตรฐานและค่าเฉลี่ยส่วนเบี่ยงเบนเฉลี่ย (MAD) คำนวณในเซลล์ E6 และ E7 ตามลำดับการคาดการณ์ที่ได้รับการปรับปรุงด้วย Moving Averages และ Z-score Andrew Creager 0 การคาดการณ์เป็นส่วนสำคัญในการจัดการธุรกิจ การคาดการณ์ที่ดีขึ้นการบริหารจัดการที่ดีจะสามารถวางแผนในอนาคตได้ แม้ว่าจะมีหลายวิธีในการคาดการณ์บางแห่งอาจเหมาะกว่าสถานการณ์อื่น ๆ สำหรับการคาดการณ์ในระยะสั้น Black Belts จะได้ประโยชน์จากการวิเคราะห์แนวโน้มการผลิตและมองหาสาเหตุพิเศษของการเปลี่ยนแปลง เมื่อทำการคาดการณ์ระยะยาววิธีการที่ใช้เส้นโค้งปกติและ Z-score อาจเป็นทางออกที่ดีกว่า ทั้งสองวิธีใช้ง่าย วิธีการในการปฏิบัติสถานการณ์ต่อไปนี้ให้ความเข้าใจเกี่ยวกับวิธีการทำงานของวิธีการเหล่านี้ ในตัวอย่างนี้ผู้จัดการฝ่ายการผลิตซึ่งเพิ่งได้รับการรับรองว่าเป็น Black Belt ต้องการใช้เครื่องมือ Six Sigma และซอฟต์แวร์การวิเคราะห์ทางสถิติเพื่อคาดการณ์ ผู้จัดการติดตามการส่งออกพาเลตรายสัปดาห์ของแผนกจำนวน 8217 ชิ้น พาเลทแต่ละตัวมีจำนวนผลิตภัณฑ์ที่คงที่และผู้จัดการใช้ค่าเฉลี่ยเคลื่อนที่แบบสี่สัปดาห์ในสเปรดชีต ตารางที่ 1 แสดงตัวอย่างจากปลายรอบ 52 สัปดาห์ของการผลิตพาเลทของ department8217s ตารางที่ 1: การผลิตพาเลทตามสัปดาห์ผู้จัดการมีองค์ประกอบพื้นฐานสองอย่างที่จำเป็นสำหรับการสร้างการคาดการณ์ใด ๆ ได้แก่ ข้อมูลการผลิตและระยะเวลาคาดการณ์ ระยะเวลา ordivisor ในกรณีนี้คือสัปดาห์ ด้วยข้อมูลนี้เธอสามารถใช้ทั้งวิธีการพยากรณ์ในระยะสั้นและระยะยาว ระยะสั้น: กำลังมองหาแนวโน้มในการแปลงค่าเฉลี่ยซอฟต์แวร์ทางสถิติสามารถให้ Black Belts กับตัวเลือกต่างๆสำหรับการคาดการณ์ได้ ในกรณีนี้สำหรับการคาดการณ์ในระยะสั้นผู้จัดการจะเลือกพล็อตค่าเฉลี่ยเคลื่อนที่โดยใช้คำสั่งแบบอนุกรม เมื่อต้องการทำเช่นนี้เธอป้อนตัวแปรและความยาวเมื่อได้รับพร้อมท์ รูปภาพ 1: พล็อตเฉลี่ยสำหรับการเคลื่อนย้ายแท่นวางสินค้า 4 สัปดาห์รูปที่ 1 แสดงค่าเฉลี่ยเคลื่อนที่สี่สัปดาห์ของผู้จัดการฝ่ายผลิตปีที่ผ่านมาเนื่องจากจะปรากฏในโปรแกรมซอฟต์แวร์ แม้ว่าการแสดงภาพของการวิเคราะห์จะเป็นประโยชน์การเน้นที่แท้จริงในที่นี้คือการวัดความถูกต้องซึ่งแสดงถึงความแตกต่างระหว่างปริมาณพาเลทจริงและคาดการณ์ หนึ่งในมาตรการความถูกต้องเหล่านี้หมายถึงค่าเบี่ยงเบนสัมบูรณ์ (absolute deviation - MAD) มันเป็นไปตามความถูกต้องของชุดค่าชุดเวลาและแสดงส่วนเบี่ยงเบนในหน่วยเดียวกันกับข้อมูลซึ่งทำให้ง่ายต่อการเข้าใจจำนวนข้อผิดพลาด สูตรสำหรับ MAD: โดยที่ y คือค่าที่แท้จริงในแต่ละครั้ง y-hat คือค่าที่ติดตั้งและ n คือจำนวนการสังเกตการณ์ เนื่องจากผู้จัดการกำลังมองหาการคาดการณ์ที่มีจำนวนข้อผิดพลาดในการคาดการณ์อย่างน้อยที่สุดควรทำซ้ำโดยใช้ความยาวที่แตกต่างกันของค่าเฉลี่ยเคลื่อนที่เพื่อหาค่าที่ต่ำกว่าของ MAD ตารางที่ 2 แสดงผลการคำนวณซ้ำสำหรับการเคลื่อนที่เฉลี่ย 5 ครั้ง ตารางแสดงให้เห็นว่าผู้จัดการจะมีการคาดการณ์ที่แม่นยำกว่าเล็กน้อยโดยมีค่าเฉลี่ยเคลื่อนที่ห้าหรือหกสัปดาห์ เมื่อตรวจสอบกราฟในรูปที่ 1 ผู้จัดการอาจสังเกตเห็นว่ามีค่ามากที่จุด 40 และ 45 และคาดว่าค่าที่คาดการณ์ไว้จะถูกดึงลงมาประมาณจุดเหล่านี้ สิ่งนี้ควรสร้างความสนใจในการตรวจสอบเพิ่มเติม วิธีการหนึ่งที่ผู้จัดการสามารถดำเนินการทบทวนนี้และประเมินผลกระทบของจุดสูงสุดสองจุดคือการวางข้อมูลลงในแผนภูมิควบคุมบุคคลดังที่แสดงในรูปที่ 2 และดูว่ามีส่วนเบี่ยงเบนนอกขอบเขตการควบคุม 3 sigma หรือไม่ รูปที่ 2: แผนภูมิควบคุมบุคคลในจุดผลิต 40 และ 45 เกินขีด จำกัด การควบคุม แน่นอนว่าการผลิตไม่ใช่กระบวนการเดียวและไม่สามารถควบคุมได้ง่ายๆด้วยการใช้การควบคุมกระบวนการเชิงสถิติ แต่แผนภูมิบุคคลเป็นเครื่องมือที่คุ้นเคยสำหรับ Black Belts และอาจให้ข้อมูลเชิงลึกที่มีคุณค่าสำหรับการคาดการณ์ของ manager8217s เมื่อตรวจสอบจุดที่อยู่นอกขอบเขตการควบคุมผู้จัดการพบคำอธิบายที่น่าเป็นไปได้: พวกเขาเกิดขึ้นในวันหยุดสองวันขอบคุณพระเจ้าและวันคริสมาสต์เมื่อแผนกปิดตัวเป็นเวลาหลายวัน รู้เรื่องนี้ผู้จัดการจะลบจุดสองจุดออกจากชุดข้อมูลและเรียกใช้ค่าเฉลี่ยเคลื่อนที่เพื่อดูว่า MAD ย่อหรือไม่ ผู้จัดการพบว่า MAD จะลดลงหลังจากลบจุดสูงสุดสองจุดซึ่งข้อมูลที่อัปเดตจะแสดงในตารางที่ 3 ตารางที่ 3: MAD สำหรับการทำซ้ำหลายครั้งหลังจากลบ Outliers ความยาวของการย้ายเฉลี่ยผู้จัดการสามารถคาดการณ์การคาดการณ์ระยะสั้นได้ดีขึ้นโดยใช้ ระยะเวลาห้าสัปดาห์ การดำเนินงานเป็นแบบไดนามิกอย่างไรก็ตามและควรจะทบทวนการคาดการณ์เป็นระยะและปรับตามความจำเป็น ระยะยาว: การใช้เส้นโค้งปกติสำหรับการวางแผนระยะยาวของ manager8217s เช่นการคาดการณ์ผลลัพธ์ประจำปีสำหรับปีถัดไปการคาดการณ์โดยใช้เส้นโค้งปกติและ Z-score เป็นวิธีที่ดีกว่า เนื่องจากผู้จัดการกำลังมองหาความน่าจะเป็นโดยใช้เส้นโค้งตามปกติก่อนอื่นเธอจึงแน่ใจได้ว่าการแจกจ่ายนั้นเป็นเรื่องปกติ ซึ่งสามารถทำได้โดยใช้การทดสอบความเป็นปกติของ Anderson-Darling (AD) ค่า p (a gt .10) สำหรับการผลิตพาเลทที่ปรับเพื่อยกเว้นสัปดาห์วันหยุดแสดงว่าการแจกจ่ายนั้นใกล้เคียงปกติ ขั้นตอนต่อไปของ manager8217 คือการใช้ซอฟต์แวร์ทางสถิติเพื่อค้นหาสถิติสรุปตามที่แสดงในรูปที่ 3 เนื่องจากมีองค์ประกอบคาดการณ์ที่สำคัญ ภาพที่ 3: ข้อมูลสรุปสำหรับการผลิตที่ปรับปรุงแล้วด้วยข้อมูลที่รวบรวมได้ที่นี่ผู้จัดการสามารถคาดการณ์การผลิตปีหน้าได้ในปีหน้าโดยสมมติว่าไม่มีการเปลี่ยนแปลงที่สำคัญ เพื่อเริ่มต้นผู้จัดการใช้โปรแกรมซอฟต์แวร์เพื่อสร้างพล็อตการกระจายความน่าจะเป็นดังแสดงในรูปที่ 4 รูปที่ 4: แผนผังการกระจายความน่าจะเป็นกราฟนี้แสดงให้เห็นว่าประมาณ 34 เปอร์เซ็นต์ของการผลิตจะอยู่ระหว่างค่าเฉลี่ย 203 พาเลทและส่วนเบี่ยงเบนมาตรฐาน 1 พาเลท) มากกว่าค่าเฉลี่ยหรือ 216 พาเลท แม้ว่าเปอร์เซ็นต์นี้สามารถพบได้โดยใช้โปรแกรมซอฟต์แวร์การคำนวณด้วยตนเองเกือบจะทำได้โดยง่าย เข็มขัดหนังสีดำสามารถคำนวณเปอร์เซ็นต์เดียวกันโดยใช้คะแนน Z และอ้างถึงตารางการแจกแจงแบบปกติ ในตัวอย่างนี้ที่ z (จำนวนของค่าเป็น) (216 203) 13 13 13 1. พื้นที่ใต้เส้นโค้งแสดงค่าเบี่ยงเบนมาตรฐาน 1 (บวก) ตารางการแจกแจงแบบปกติแสดงให้เห็นว่า z เป็น 1 .841 8211 .500 .341 หรือ 34 เปอร์เซ็นต์ ในการประมาณจำนวนสัปดาห์ของปีที่แผนกอาจผลิตได้ที่ 216 พาเลตหรือมากกว่าของผลิตภัณฑ์หรือมากกว่า 1 ค่าเบี่ยงเบนมาตรฐานผู้บริหารจะอัปเดตแผนภาพการแจกจ่าย (รูปที่ 5) ผู้บริหารคาดว่าแผนกนี้สามารถบรรจุได้ที่ 216 พาเลทหรือมากกว่าเป็นเวลา 16 เปอร์เซ็นต์ของปีหรือประมาณแปดใน 52 สัปดาห์ถัดไป ผู้จัดการยังต้องการที่จะเอาชนะประวัติปีที่ผ่านมาของการผลิตพาเลท 231 รายการในหนึ่งสัปดาห์ ดังนั้นเธอจึงกำหนดเป้าหมายการเข้าถึงพาเลทอย่างน้อย 235 ครั้ง หากต้องการคำนวณกี่ครั้งใน 52 สัปดาห์ถัดไปแผนกสามารถเติม 235 พาเลทผู้จัดการจะเริ่มต้นด้วยการคำนวณ Z-score: z (235 202) 13 32 13 ประมาณ 2.46 s คำตอบมาจากการค้นหาคะแนน Z นี้ ในตารางแจกจ่ายปกติหรือโดยการจัดทำกราฟการแจกจ่ายอื่นในโปรแกรมซอฟต์แวร์ (รูปที่ 6) รูปที่ 6: ความน่าจะเป็นมากกว่า 2.46 ค่าเบี่ยงเบนมาตรฐานจากค่าเฉลี่ยแนวโน้มการผลิตพาเลท 235 ไม่ดีมีโอกาสน้อยกว่า 1 เปอร์เซ็นต์ซึ่งหมายความว่าอาจเกิดขึ้นเพียงครั้งเดียว การใช้ Z-score และแผนการแจกแจงอย่างไรก็ตามผู้จัดการสามารถคาดการณ์ผลลัพธ์เหล่านี้ได้ล่วงหน้าและตั้งเป้าหมายที่สมเหตุสมผล ถ้าคุณรักบทความนี้คุณอาจรักแสดงความคิดเห็น