Single Exponential Smoothing, qısaca SES, həmçinin Simple Exponential Smoothing adlanır, trend və ya mövsümilik olmadan birdəyişənli data üçün zaman seriyası proqnozlaşdırma üsuludur. Bunun üçün alfa (a) adlanan və hamarlaşdırıcı əmsalı və ya hamarlaşdırma əmsalı da adlanan tək parametr tələb olunur.
Eksponensial hamarlaşdırmanı necə təhlil edirsiniz?
Tək Eksponensial Hamarlaşdırma üçün əsas nəticələri şərh edin
- Addım 1: Modelin datanıza uyğun olub-olmadığını müəyyənləşdirin.
- Addım 2: Modelinizin uyğunluğunu digər modellərlə müqayisə edin.
- Addım 3: Proqnozların doğru olub-olmadığını müəyyənləşdirin.
Eksponensial hamarlama üçün Alpha-nı necə seçirsiniz?
Biz \alpha üçün ən yaxşı dəyəri seçirik, beləliklə ən kiçik MSE ilə nəticələnən dəyər. Kvadrat səhvlərin cəmi (SSE)=208,94. Kvadrat səhvlərin (MSE) orta dəyəri SSE /11=19.0-dır. MSE yenidən \alpha=0.5 üçün hesablandı və 16.29 oldu, ona görə də bu halda 0.5 olan \alfaya üstünlük verərdik.
Eksponensial hamarlamadan nə vaxt istifadə edərdiniz?
Eksponensial hamarlaşdırma təqdimatlar üçün məlumatları hamarlamaq və ya proqnozlar vermək üsuludur. Adətən maliyyə və iqtisadiyyat üçün istifadə olunur. Əgər aydın nümunəsi olan zaman seriyanız varsa, hərəkətli ortalamalardan istifadə edə bilərsiniz - lakin aydın nümunəniz yoxdursa, proqnozlaşdırmaq üçün eksponensial hamarlaşdırmadan istifadə edə bilərsiniz.
Sadə eksponensial hamarlaşdırmanı necə hesablayırsınız?
Eksponensial hamarlama hesablanması aşağıdakı kimidir: Ən son dövrün tələbi hamarlaşdırma əmsalı ilə vurulub. Ən son dövrün proqnozu (bir minus hamarlaşdırıcı amil) vuruldu. S=onluq formada təmsil olunan hamarlama əmsalı (beləliklə, 35% 0,35 kimi təmsil olunacaq).
