Single Exponential Smoothing, товчоор SES буюу Simple Exponential Smoothing гэж нэрлэдэг бөгөөд энэ нь чиг хандлага эсвэл улирлын хамааралгүй нэг хувьсах өгөгдөлд зориулагдсан цаг хугацааны цуврал таамаглах арга юм. Энэ нь альфа (a) гэгддэг нэг параметрийг шаарддаг бөгөөд үүнийг тэгшитгэх хүчин зүйл эсвэл тэгшлэх коэффициент гэж нэрлэдэг.
Та экспоненциал жигдрэлтийг хэрхэн шинжлэх вэ?
Нэг экспоненциал жигдрүүлэх гол үр дүнг тайлбарлах
- Алхам 1: Загвар таны өгөгдөлд тохирох эсэхийг тодорхойлно уу.
- 2-р алхам: Загварынхоо тохирох байдлыг бусад загвартай харьцуул.
- 3-р алхам: Урьдчилсан мэдээ үнэн зөв эсэхийг тодорхойлох.
Та экспоненциал тэгшитгэхийн тулд Альфа-г хэрхэн сонгох вэ?
Бид \alpha-н хамгийн сайн утгыг сонгосноор хамгийн бага МХБ-д хүргэдэг утгыг сонгоно. Квадрат алдааны нийлбэр (SSE)=208.94. Квадрат алдааны (MSE) дундаж нь SSE /11=19.0 байна. MSE-г дахин \alpha=0.5 гэж тооцож 16.29 болсон тул энэ тохиолдолд бид \alpha-г 0.5-ыг илүүд үзэх болно.
Та экспоненциал жигдрүүлэлтийг хэзээ ашиглах вэ?
Экспоненциал тэгшитгэх нь танилцуулгын өгөгдлийг зөөлрүүлэх эсвэл урьдчилан таамаглах арга юм. Энэ нь ихэвчлэн санхүү, эдийн засагт ашиглагддаг. Хэрэв танд тодорхой хэв маяг бүхий цагийн цуваа байгаа бол та хөдөлж буй дундаж утгыг ашиглаж болох боловч хэрэв танд тодорхой загвар байхгүй бол таамаглахад экспоненциал тэгшитгэх аргыг ашиглаж болно.
Та энгийн экспоненциал жигдрүүлэлтийг хэрхэн тооцоолох вэ?
Экспоненциал тэгшитгэх тооцоо дараах байдалтай байна: Хамгийн сүүлийн үеийн эрэлтийг жигдрүүлэх хүчин зүйлээр үржүүлсэн. Хамгийн сүүлийн үеийн таамаглалыг үржүүлсэн (нэг хасах гөлгөр болгох хүчин зүйл). S=аравтын бутархай хэлбэрээр илэрхийлсэн жигдрүүлэх коэффициент (ингэснээр 35% нь 0.35 болно).
