Modelos de previsão de séries temporais, tais como as médias móveis

Previsão com análise de séries temporais O que está pregando Previsão é um método que é amplamente utilizado na análise de séries temporais para prever uma variável de resposta, como lucros mensais, desempenho de ações ou números de desemprego, por um período de tempo especificado. As previsões são baseadas em padrões em dados existentes. Por exemplo, um gerente de armazém pode modelar a quantidade de produto a requisitar nos próximos 3 meses com base nos 12 meses anteriores de pedidos. Você pode usar uma variedade de métodos de séries temporais, como análise de tendências, decomposição ou suavização exponencial única, modelar padrões nos dados e extrapolar esses padrões para o futuro. Escolha um método de análise se os padrões são estáticos (constante ao longo do tempo) ou dinâmicos (mudança ao longo do tempo), a natureza da tendência e os componentes sazonais, e até que ponto você pretende prever. Antes de produzir previsões, ajuste vários modelos de candidatos aos dados para determinar qual modelo é o mais estável e preciso. Previsões para uma análise média móvel O valor ajustado no tempo t é a média móvel não centrada no tempo t -1. As previsões são os valores ajustados na origem da previsão. Se você prevê 10 unidades de tempo à frente, o valor previsto para cada tempo será o valor ajustado na origem. Os dados até a origem são usados ​​para calcular as médias móveis. Você pode usar o método das médias móveis contínuas calculando as médias móveis consecutivas. O método linear das médias móveis é freqüentemente usado quando há uma tendência nos dados. Primeiro, calcule e armazene a média móvel da série original. Em seguida, calcule e armazene a média móvel da coluna armazenada anteriormente para obter uma segunda média móvel. Na previsão ingênua, a previsão de tempo t é o valor dos dados no tempo t -1. Usando um procedimento de média móvel com uma média móvel do comprimento, um fornece uma previsão ingênua. Previsões para uma única análise de suavização exponencial O valor ajustado no tempo t é o valor suavizado no tempo t-1. As previsões são o valor ajustado na origem da previsão. Se você prevê 10 unidades de tempo à frente, o valor previsto para cada tempo será o valor ajustado na origem. Os dados até a origem são usados ​​para o alisamento. Na previsão ingênua, a previsão de tempo t é o valor dos dados no tempo t-1. Execute um alisamento exponencial único com um peso de um para fazer previsão ingênua. Previsões para uma análise de suavização exponencial dupla Suavização exponencial dupla utiliza componentes de nível e tendência para gerar previsões. A previsão para m períodos de antecedência de um ponto no tempo t é L t mT t. Onde L t é o nível e T t é a tendência no tempo t. Os dados até o tempo de origem da previsão serão usados ​​para o alisamento. Método Previsões para Invernos O método Winters usa os componentes de nível, tendência e sazonal para gerar previsões. A previsão para os períodos m antes de um ponto no tempo t é: onde L t é o nível e T t é a tendência no tempo t, multiplicado por (ou adicionado a um modelo aditivo) o componente sazonal para o mesmo período a partir do ano anterior. O método Winters usa dados até o tempo de origem da previsão para gerar as previsões. Análise e previsões da série horária Muitos tipos de dados são coletados ao longo do tempo. Os preços das ações, os volumes de vendas, as taxas de juros e as medidas de qualidade são exemplos típicos. Devido à natureza seqüencial dos dados, são necessárias técnicas estatísticas especiais que explicam a natureza dinâmica dos dados. Os produtos Statpoint Technologies fornecem vários procedimentos para lidar com dados da série temporal: Cartas de execução de sites da Statgraphics Web Services O procedimento Run Chart enlaça dados contidos em uma única coluna numérica. Supõe-se que os dados são de natureza seqüencial, consistindo de indivíduos (uma medida tomada em cada período de tempo) ou subgrupos (grupos de medidas em cada período de tempo). Os testes são realizados nos dados para determinar se eles representam uma série aleatória, ou se há evidências de mistura, agrupamento, oscilação ou tendência. Métodos descritivos A caracterização de uma série temporal envolve estimar não apenas um desvio padrão e médio, mas também as correlações entre observações separadas no tempo. Ferramentas como a função de autocorrelação são importantes para mostrar a maneira como o passado continua a afetar o futuro. Outras ferramentas, como o periodograma, são úteis quando os dados contêm oscilações em freqüências específicas. Quando uma série de tempo contém uma grande quantidade de ruído, pode ser difícil visualizar qualquer tendência subjacente. Podem ser utilizados vários lubrificadores lineares e não lineares para separar o sinal do ruído. Decomposição sazonal Quando os dados contêm um forte efeito sazonal, muitas vezes é útil separar a sazonalidade dos demais componentes da série temporal. Isso permite estimar os padrões sazonais e gerar dados dessazonalizados. Previsão (modelo especificado pelo usuário) Um objetivo comum da análise de séries temporais é extrapolar o comportamento passado para o futuro. Os procedimentos de previsão STATGRAPHICS incluem passeios aleatórios, médias móveis, modelos de tendência, modelos simples, lineares, quadráticos e sazonais exponenciais sazonais, e modelos de séries temporais paramétricos ARIMA. Os usuários podem comparar vários modelos ao reter amostras no final da série temporal para fins de validação. Previsão (seleção automática do modelo) Se desejar, os usuários podem optar por permitir que STATGRAPHICS selecione um modelo de previsão para eles, comparando vários modelos e escolhendo automaticamente o modelo que maximiza um critério de informação especificado. Os critérios disponíveis são baseados no erro médio de previsão quadrado, penalizado pelo número de parâmetros do modelo que devem ser estimados a partir dos dados. Um uso comum deste procedimento no Seis Sigma é selecionar um modelo ARIMA no qual basear um quadro de controle ARIMA, que, ao contrário da maioria dos gráficos de controle, não assume independência entre medidas sucessivas. Nesses casos, o analista pode optar por considerar apenas modelos da forma ARMA (p, p-1), que a teoria sugere pode caracterizar muitos processos dinâmicos.