时间序列分析之一次指数平滑法
2012-10-14 22:24
316 查看
指数平滑法最早是由C.C Holt于1958年提出的,后来经统计学家深入研究使得指数平滑法非常丰富,应用也相当广泛,一般有简单指数平滑法、Holt双参数线性指数平滑法、Winter线性和季节性指数平滑法。这里的指数平滑法是指最简单的一次指数平滑。
指数平滑法是一种特殊的加权平均法,对本期观察值和本期预测值赋予不同的权重,求得下一期预测值的方法。
一次指数平滑法公式如下:
————————-(1)
为t+1期的指数平滑趋势预测值;
为t期的指数平滑趋势预测值;
为t期实际观察值;
为权重系数,也称为指数平滑系数那为什么这个种方法会叫做指数平滑法呢?从这个公式并没有看到指数的出现,那指数从何说起?平滑又是什么意思,下面就解析这个问题。
在(1)中,最后一个
又可以写成如下
——————–(2)
于是我们把(2)代入(1)式中,得
————————-(3)
而t-1期的预测值又可以写成:
————————(4)
把(4)代入(3)式中,得:
————-(5)
同样道理,再进行多一次同样的代入运算,得:
————-(6)
通用公式可以写成如下形式:
———-(7)
由(7)式我们可以看出,t+1期的预测值跟t期及之前的所有期的实际观察值按
的n递增,所以这里就是指数平滑法中的“指数”的意义所在。
由于
的n(整数)按步长1一直递增,而
在0到1之间,所以
的值会越来越小,从(7)式中看就是说离t+1期越久远的实际观察值,对t+1期的预测值的影响越少。
从(7)式中,还有最后一项
,F1就是第一期的预测值,但数据中并没有第一期的预测值,所以一般取前3期的实际观察值来代替,实际上这个F1并不重要,因为
是个介于0-1之间的小数,当t很大时,
的t次方(乘方)后,
已经非常接近0的了,所以F1在(7)式中的作用并不大。
(7)式用文字描述就是,对离预测期较近的观察值赋予较大的权数,对离预测值较远的观察值赋予较小的权数,权数由近到远按指数规律递减,所以叫做指数平滑法。
上面说到第一期的F1的值一般取前三期的实际观察值的平均数,这只是一般情况,接下来讨论一下这个F1的取值。
一般分为两种情况,当样本为大样本时(n>42),F1一般以第一期的观察值代替;当样本为小样本时(n<42),F1一般取前几期的平均值代替。
下面举个例子来说明指数平滑法的计算方法,让大家更容易清晰的明白指数平滑法是如何进行的。
某产品过去20个月的销售数据如下(点击下载EXCEL文件exponential_smoothing.zip ):
C列为指数平滑法计算得到的预测值,F1的值为前三期的平均值,即在C2处输入=AVERAGE(B2:B4),C3处输入=$E$1*B2+(1-$E$1)*C2,E1的值是指数平滑系数,C3中引用到E1的值需要有绝对引用,这样把C3处的公式下拉复制到C21时,公式永远都是引用E1的指数平滑系数。
得出来的结果如下图:
可以看到,指数平滑法进行预测,是有滞后作用的,这是指数平滑法的一个缺点。要对21期进行预测,只需在A22处输入21,把公式下拉复制到C22即可。
由此图可见,预测趋势与实际变动趋势一致,但预测值比实际值滞后,如果再算一下均方误差,也会出现比较大的情况,一般通过改变指数平滑系数,找出一个均方误差最小的。
一次指数平滑法优点在于它在计算中将所有的观察值在考虑在内,对各期按时期的远近赋予不同的权重,使预测值更接近实际观察值。
但一次指数平滑法只适合于具有水平发展趋势的时间序列分析,只能对近期进行预测。如果碰到时间序列具有上升或下降趋势时,在这个上升或下降的过程中,预测偏差会比较大,这时最好用二次指数平滑法进行预测,二次指数平滑法将会在以后的文章中介绍。
指数平滑法是一种特殊的加权平均法,对本期观察值和本期预测值赋予不同的权重,求得下一期预测值的方法。
一次指数平滑法公式如下:
————————-(1)
为t+1期的指数平滑趋势预测值;
为t期的指数平滑趋势预测值;
为t期实际观察值;
为权重系数,也称为指数平滑系数那为什么这个种方法会叫做指数平滑法呢?从这个公式并没有看到指数的出现,那指数从何说起?平滑又是什么意思,下面就解析这个问题。
在(1)中,最后一个
又可以写成如下
——————–(2)
于是我们把(2)代入(1)式中,得
————————-(3)
而t-1期的预测值又可以写成:
————————(4)
把(4)代入(3)式中,得:
————-(5)
同样道理,再进行多一次同样的代入运算,得:
————-(6)
通用公式可以写成如下形式:
———-(7)
由(7)式我们可以看出,t+1期的预测值跟t期及之前的所有期的实际观察值按
的n递增,所以这里就是指数平滑法中的“指数”的意义所在。
由于
的n(整数)按步长1一直递增,而
在0到1之间,所以
的值会越来越小,从(7)式中看就是说离t+1期越久远的实际观察值,对t+1期的预测值的影响越少。
从(7)式中,还有最后一项
,F1就是第一期的预测值,但数据中并没有第一期的预测值,所以一般取前3期的实际观察值来代替,实际上这个F1并不重要,因为
是个介于0-1之间的小数,当t很大时,
的t次方(乘方)后,
已经非常接近0的了,所以F1在(7)式中的作用并不大。
(7)式用文字描述就是,对离预测期较近的观察值赋予较大的权数,对离预测值较远的观察值赋予较小的权数,权数由近到远按指数规律递减,所以叫做指数平滑法。
上面说到第一期的F1的值一般取前三期的实际观察值的平均数,这只是一般情况,接下来讨论一下这个F1的取值。
一般分为两种情况,当样本为大样本时(n>42),F1一般以第一期的观察值代替;当样本为小样本时(n<42),F1一般取前几期的平均值代替。
下面举个例子来说明指数平滑法的计算方法,让大家更容易清晰的明白指数平滑法是如何进行的。
某产品过去20个月的销售数据如下(点击下载EXCEL文件exponential_smoothing.zip ):
C列为指数平滑法计算得到的预测值,F1的值为前三期的平均值,即在C2处输入=AVERAGE(B2:B4),C3处输入=$E$1*B2+(1-$E$1)*C2,E1的值是指数平滑系数,C3中引用到E1的值需要有绝对引用,这样把C3处的公式下拉复制到C21时,公式永远都是引用E1的指数平滑系数。
得出来的结果如下图:
可以看到,指数平滑法进行预测,是有滞后作用的,这是指数平滑法的一个缺点。要对21期进行预测,只需在A22处输入21,把公式下拉复制到C22即可。
由此图可见,预测趋势与实际变动趋势一致,但预测值比实际值滞后,如果再算一下均方误差,也会出现比较大的情况,一般通过改变指数平滑系数,找出一个均方误差最小的。
一次指数平滑法优点在于它在计算中将所有的观察值在考虑在内,对各期按时期的远近赋予不同的权重,使预测值更接近实际观察值。
但一次指数平滑法只适合于具有水平发展趋势的时间序列分析,只能对近期进行预测。如果碰到时间序列具有上升或下降趋势时,在这个上升或下降的过程中,预测偏差会比较大,这时最好用二次指数平滑法进行预测,二次指数平滑法将会在以后的文章中介绍。
相关文章推荐
- 时间序列分析之一次指数平滑法
- 时间序列分析之一次指数平滑法
- 时间序列分析之一次指数平滑法
- 浅析时间序列分析之一次指数平滑法
- 时间序列分析(3)R语言-最基础的回归模型
- 金融时间序列分析:11. 模型分析小结
- [时间序列分析][1]--平稳性,白噪声的检验
- 利用python进行数据分析-时间序列3
- R学习日记——时间序列分析之ARIMA模型预测
- 时间序列分析
- R语言实现金融数据的时间序列分析及建模
- BMDP为常规的统计分析提供了大量的完备的函数系统,如:方差分析(ANOVA)、回归分析(Regression)、非参数分析(Nonparametric Analysis)、时间序列(Times Series)等等。此外,BMDP特别擅于进行出色的生存分析(Survival Analysis )。许多年来,一大批世界范围内顶级的统计学家都曾今参与过BMDP的开发工作。这不仅使得BMDP的权威性得到
- 时间序列分析
- 利用python进行数据分析-时间序列2
- matlab对时间序列进行频谱分析时,频率轴的确定方法
- [python] 时间序列分析之ARIMA
- R语言与数据分析之八:时间序列--霍尔特指数平滑法
- 记录R语言在时间序列分析中的一些常用写法
- 时间序列分析中的ARMA,ARIMA,ARC…
- 时间序列的速度分析