Échenle un vistazo a nuestro tutorial de Suavizado exponencial simple que verán a continuación. La lista de reproducción contiene tutoriales que nos enseñan cómo utilizar el botón de optimización, cómo calibrar con un conjunto de entrenamiento, y cómo calcular un pronóstico dentro de la muestra usando NumXL.
Optimization On
Este video, les mostramos cómo utilizar la función de suavizado exponencial simple de Brown en NumXL con un botón de optimización para factores de suavizado.
Escena 1:
Hola y bienvenidos a la serie de Tutoriales de Suavizado Exponencial. En este tutorial resumiremos la demostración de la función de suavizado exponencial simple de Brown y usaremos el optimizador incorporado de NumXL. Para los datos de muestran estamos usando los mismos datos de venta de una compañía hipotética.
Empecemos, seleccionemos la celda de 9. Examinemos la fórmula de la celda en la barra de herramientas de la fórmula. Notemos que ya tenemos un llamado para la función de suavizado exponencial simple, entonces presionemos F2 para editar. Examinemos la fórmula de la celda en la barra de herramientas de la fórmula. Notemos que ya tenemos un llamado para la función de suavizado exponencial simple, entonces presionemos F2 para editar. Hagamos clic en el botón FX que se encuentra en el lado izquierdo en la barra de herramientas de la ecuación. Esto invocará el cuadro de diálogo con los argumentos de la función de suavizado exponencial simple.
Escena 2:
Notemos que la celda de 2 se usa para el argumento optimizar así que no tenemos que cambiar la fórmula, solamente el valor en dedos para activar el optimizador. Hagamos clic en cancelar para devolvernos a la hoja de ejercicios.
Escena 3:
Seleccionemos la celda de dos y escribamos verdadero o uno. Luego presionemos enter.
Escena 4:
Desde que tenemos el cálculo automático activado, todos los valores de la serie de tiempo suavizada son re calculados usando un factor de suavizado óptimo también conocido como alfa. Notan los cambios favorables en el error cuadrática medio, el error medio de escala absoluta, y el error simétrico medio de porcentaje absoluto. El suavizado exponencial simple calibrado tiene un 10% menos de error absoluto medio que el del modelo de referencia primitivo. Además la función calcula el valor óptimo para alfa usando la información o los datos disponibles. Los datos disponibles se incrementan con el tiempo así que la función calcula un nuevo valor cada vez. Que hay del valor en alza en de 1 cuando la bandera del optimizador se activa la función uso el valor previo de alfa como valor inicial para el optimizador.
Ahora examinemos el valor del parámetro de suavizado en cada periodo. Seleccionemos la celda 10 y empecemos por escribir función de suavizado exponencial simple =SSMTH(. Hagamos clic en el botón FX que se encuentra a la izquierda de la barra de herramientas de la ecuación. Esto invocará el cuadro de diálogo con los argumentos de la función de su avisado exponencial simple.
Escena 5:
Ahora especificamos el ingreso del rango de las celdas. Este es el mismo rango de celdas que usamos anteriormente para el pronóstico en la columna D. Lo que hemos la celda inicial en el rango de ingreso. Ingresemos un valor de verdadero 1 en el campo de orden.
Para el valor inicial de alfa usemos el valor que se encuentra en de 1. Lo que hemos la celda presionando F4.
Para el intercambio optimizado usemos el valor de la celda de dos. Bloqueamos la celda presionando F4. Programa el tiempo de pronóstico como 0 o como el valor de la celda A10 y lo que vemos la celda para la movilidad de la columna.
Para el tipo de retorno escribamos uno para devolvernos al valor del parámetro de suavizado. Ahora hagamos clic en aceptar.
Escena 6:
Copiamos la fórmula en las celdas de abajo.
Escena 7:
Se calcula el valor de parámetros de suavizado para cada periodo.
Escena 8:
Ahora graphic hemos los valores del factor de suavizado versus el tiempo. La gráfica muestra la volatilidad del valor de alfa calculado a través de la muestra durante el primer año. En el segundo año el valor del factor de suavizado convergen alrededor de 0.8.
La función de suavizado exponencial simple usa todos los valores de alfa? La respuesta es sí.
Podemos forzar la función de suavizado exponencial simple para usar un valor de alfa? Sí, pero necesitaríamos desactivar el optimizador.
En un tutorial de seguimiento calcularemos el valor de alfa usando un subgrupo de los datos de la muestra. Luego usaremos el alfa calibrado para el resto de los datos de la muestra.
Escena 9:
Eso es todo por ahora, gracias por vernos!
Calibration dataset
Este video, les mostramos cómo calcular un pronóstico ajustado o dentro de la muestra para su Función de suavizado exponencial en NumXL.
Escena 1:
Hola y bienvenidos a las series de Tutoriales sobre el Suavizado Exponencial. En nuestros últimos tutoriales hemos discutido cómo construir uno o varios pasos a partir del pronóstico de muestra y el proceso de calibrado para los parámetros de suavizado para el suavizado exponencial simple.
Ahora vamos a demostrar cómo calcular un pronóstico ajustado o dentro de la muestra. Pero primero discutamos qué es un pronóstico dentro de la muestra y cómo se diferencia de un pronóstico fuera de la muestra. El pronóstico dentro de la muestra se refiere al pronóstico de una observación que era parte de una muestra de datos usada para calibrar el modelo. Así que en realidad no es un pronóstico como tal sino que es más un modelo de valor ajustado. Para la muestra de datos continuaremos usando los datos de ventas para una compañía hipotética en los últimos dos años.
Primero seleccionemos la celda en 9 y luego escribimos el nombre de la función exponencial simple =SESMTH(. Una vez encontramos la función hacemos clic en el botón FX que se encuentra a la izquierda de la barra de herramientas de la ecuación. Esto invocará el cuadro de diálogo con los argumentos de la función de suavizado exponencial simple.
Escena 2:
Para los datos de ingresos seleccionamos todo el rango de celdas correspondiente a los datos de ventas, o C19 a C33. Bloqueemos el rango de celdas presionando F4.
Para el orden de tiempo en los datos de ingreso podemos escribir verdadero o 1 para designar la primera observación como la observación más temprana.
Para el valor de alfa seleccionamos la celda D1. El valor en D1 fue calculado durante la calibración usando el subconjunto primer año como un grupo de entrenamiento. Lo que vemos las celdas de referencia presionando F4 y dejemos el botón de optimización inhabilitado haciendo referencia a D2. Lo que hemos esta referencia presionando F4 y dejemos el botón de optimización inhabilitado haciendo referencia a D2. Lo que vemos esta referencia presionando F4.
Para el tiempo de pronóstico podemos escribir o seleccionar una celda con un valor igual al número de pasos anteriores al final de los datos a incluir.
Para el tipo de devolución podemos escribir dos para el pronóstico de series de tiempo de un paso dentro de la muestra. Luego hacemos clic en aceptar.
Escena 3:
La función devuelve el primer valor en la matriz. Para exhibir la matriz completa entonces seleccionamos todas las celdas a continuación. Presione F2 para evitar. Presione ctrl + shift enter.
Escena 4:
Las celdas seleccionadas ahora están pobladas con los valores de la matriz y la fórmula está en cursiva. Ahora graphic hemos el pronóstico dentro de la muestra contra nuestros datos y calculemos las diferentes medidas de comportamiento del pronóstico.
Escena 5:
Como podemos ver el pronóstico dentro de la muestra se comporta peor que el pronóstico fuera de la muestra. Pero no importa ya que sacrificaremos la exactitud del pronóstico dentro de la muestra por una buena generalización y un mejor pronóstico fuera de la muestra.
Escena 6:
Eso es todo por ahora, gracias por vernos!
Optimization Off
Este video, les mostramos cómo usar la función de suavizado exponencial simple de Brown en NumXL sin el botón de optimización para factores de suavizado.
Escena 1:
Hola y bienvenidos a la serie de Tutoriales de Suavizado Exponencial. En este tutorial te mostraremos la función de suavizado exponencial simple de Brown en NumXL. Para este ejemplo utilizaremos las ventas mensuales de los últimos dos años de una compañía hipotética.
Empecemos ahora. Seleccionemos la celda D9. Escribamos el nombre de la función SESMTH en la celda o en la barra de herramientas de la ecuación. No tenemos que la herramienta de autocompletar en Microsoft Excel nos ayudará a que encontremos la función correcta. Una vez que encontremos la función correcta hagamos clic en el botón FX localizado a la izquierda de la barra de herramientas de la ecuación. Esto invocará el cuadro de diálogo con los argumentos de la función para la función SESMTH.
Escena 2:
Usando el cuadro de diálogo con los argumentos de la función especificamos el rango de ingreso de la celda. Lo que vemos la celda inicial en el rango de ingreso presionando F4. En el campo de orden especificamos uno para el orden de tiempo en las series o simplemente pongamos la primera observación en la serie de ingreso que corresponde a los datos más recientes.
Para el parámetro de suavizado podemos escribir un valor o hacer referencia a una celda existente. En este ejemplo hagamos referencia al valor que se encuentra en D1 y bloqueamos la celda de referencia presionando F4.
Para habilitar y deshabilitar el optimizador incorporado de la función debemos ingresar un valor de verdadero o falso o hacer referencia a una celda en nuestra hoja de ejercicios. Hagamos referencia a la celda D2. Lo que hemos la celda de referencia presionando F4.
Para el pronóstico de tiempo estaremos pronosticando el valor al final de los datos de ingreso. Así que programen T como 0 o mejor haga referencia a una celda en la columna A de manera que podamos cambiarla luego del final de los datos de ingreso. Lo que hemos la celda para movilidad de columna presionando F4 hasta que el signo de dólar aparezca a la izquierda.
Para el tipo de retorno dejemos en blanco o escribamos 0 para el pronóstico. Ahora hagamos clic en aceptar.
Escena 3:
La función se devuelve a no aplica ya que no tenemos datos suficientes, copiamos las fórmulas en las celdas de abajo.
Escena 4:
Una vez hemos copiado las fórmulas en las celdas después del final de los datos de ingreso, notemos cómo podemos cambiar el valor del paso en ascenso. No se preocupen por las celdas desocupadas seleccionadas después del final de los datos de registro, la función las ignorará. El pronóstico de múltiples pasos de la exponencial simple de Brown es plano o constante como se muestra en la gráfica.
Escena 5:
Evaluemos el poder de pronóstico del exponencial simple usando tres funciones: error cuadrática medio, MSE por sus siglas en inglés; error porcentual absoluto medio, MAPE por sus siglas en inglés; y error escalado absoluto medio, MASE por sus siglas en inglés. Seleccionemos la celda en D4 ingresemos MSE(. Una vez lo encontremos podemos hacer clic en el botón FX que se encuentra a la izquierda de la barra de herramientas de la ecuación.
Escena 6:
En el diálogo de los argumentos de la función especificamos el rango de las celdas para los datos de ingresos de ventas debajo de X. Para ye también conocida como series de tiempo seleccionamos el rango de celdas en la columna D, no se preocupen por las celdas vacías o las celdas con valores faltantes la función examinará el valor y ignorará esas observaciones. Luego hagamos clic en aceptar.
Escena 7:
Para el error de media absoluta MASE seleccionamos la celda de 5 y podemos escribir =MASE. Una vez que encontramos la función hagamos clic en el botón FX que se encuentra a la izquierda de la barra de herramientas de la ecuación.
Escena 8:
De nuevo, seleccionemos el rango de celdas de los datos de ventas como X y seleccionemos el rango de celdas de la serie de tiempo suavizada como ye. Para el periodo estacional debemos dejar un espacio en blanco o ingresar uno para datos no estacionales, luego podemos hacer clic en aceptar.
Escena 9:
Para MAPE seleccionamos la celda en D6 y escribamos =MAPE. Una vez encontremos la función hagamos clic en el botón FX al lado de la barra de herramientas de la ecuación.
Escena 10:
Seleccionemos el rango de celdas de los datos de ventas como X y seleccionemos el rango de celdas de la serie de tiempo suavizada como ye. Para el tipo de retorno seleccionemos 2 para MAPE simétrico o SMAPE y luego hagamos clic en aceptar.
Escena 11:
Eso es todo! El error cuadrática medio de pronóstico en un paso usando el suavizado exponencial de Brown con un factor de suavizado 0.85 es 1.2. El más se muestra sólo un 2% de mejora en el error medio absoluto sobre un primitivo modo de referencia de pronóstico. MAPE es también muy leve de manera que necesitamos hacerlo mejor.
Escena 12:
Tratemos de cambiar el parámetro de suavizado a 0.5. Algo no está bien. Ahora la medida del comportamiento del pronóstico se ve peor.
Escena 13:
Qué tal 0.3? No eso no es correcto.
Escena 14:
Qué tal 0.9? No eso tampoco es correcto. En la siguiente parte de este tutorial usaremos la función de optimizador incorporado para encontrar el mejor valor para el parámetro de suavizado alfa. También examinaremos las mejorías en el poder de pronóstico del modelo.
Escena 15:
Eso es todo por ahora, gracias por vernos!
Forecasting Using Brown's Simple Exponential Smoothing
Este video les mostramos cómo designar una porción de datos para calibrar para su factor de suavizado para el Suavizado exponencial simple.
Escena 1:
Hola y bienvenidos a la serie de Tutoriales de Suavizado Exponencial. En nuestro último tutorial demostramos cómo podemos deshabilitar el optimizador incorporado en la función de suavizado exponencial simple para encontrar los valores óptimos para los parámetros de suavizado.
En este tutorial demostraremos cómo designar una porción de datos para calibrar el parámetro de suavizado. Luego usaremos el valor encontrado con el resto de datos de la muestra. Para nuestra muestra de datos continuaremos usando los datos de ventas de 2 años de nuestra compañía hipotética. Usaremos el primer año para calibrar el modelo de suavizado exponencial simple.
Primero deshabilitar hemos la optimización en las series de tiempo suavizadas. En nuestros otros vídeos hicimos referencia a la celda de 2 como el botón de optimización. Entonces seleccionemos la celda D2 y escribamos falso o 0. Seleccionemos las celdas en la columna D que corresponden al conjunto de entrenamiento y borremos las fórmulas. Ahora estamos listos para calibrar el parámetro de suavizado.
Seleccionamos la celda D1 y ingresamos =SESMTH(. Una vez encontremos la función hagamos clic en el botón FX que está ubicado en el lado izquierdo de la barra de herramientas de la ecuación. Esto invocará el cuadro de diálogo con los argumentos de la función para la función del suavizado exponencial.
Escena 2:
Para el ingreso de datos seleccionemos el rango de celdas en el conjunto de entrenamiento. En este caso serían de C9 a C20. Programamos el orden crónico de las series de tiempo como verdadero o 1. Esto indicará que la primera observación en los datos de ingreso corresponde a los datos más recientes. Podemos dejar en blanco el valor de alfa o ingresar cualquier valor entre 0 y 1. Este número será usado como valor inicial para el optimizador. Activemos el optimizador escribiendo verdadero o 1. Programamos el pronóstico de tiempo como 1 de manera que utilicemos todo el conjunto de entrenamiento. En el tipo de retorno ingresemos 1 y luego hagamos clic en aceptar.
Escena 3:
El valor óptimo del factor de suavizado en el conjunto de entrenamiento se devuelve a T1. Tenemos el cálculo automático activado de manera que las series de tiempo suavizadas de D21 a D36 se actualicen automáticamente. Aquí podemos notar el cambio en las medidas de comportamiento del pronóstico.
Escena 4:
Eso es todo por ahora, gracias por vernos!
Comentarios
Inicie sesión para dejar un comentario.