Passos na escolha de um modelo de previsão Seu modelo de previsão deve incluir recursos que capturam todas as propriedades qualitativas importantes dos dados: padrões de variação no nível e tendência, efeitos da inflação e sazonalidade, correlações entre variáveis, etc. Além disso, os pressupostos subjacentes à sua O modelo escolhido deve concordar com sua intuição sobre como a série provavelmente se comportará no futuro. Ao montar um modelo de previsão, você possui algumas das seguintes opções: estas opções são descritas brevemente abaixo. Consulte o Diagrama de fluxo de previsão para uma visão gráfica do processo de especificação do modelo e consulte o painel Especificação do modelo Statgraphics para ver como os recursos do modelo são selecionados no software. Desflorestação Se a série mostra crescimento inflacionário, a deflação ajudará a explicar o padrão de crescimento e reduzir a heteroscedasticidade nos resíduos. Você pode (i) desinflar os dados passados e reinflar as previsões de longo prazo a uma taxa assumida constante, ou (ii) desinflar os dados passados por um índice de preços como o CPI e, em seguida, quotmanually reintroduzir as previsões de longo prazo usando Uma previsão do índice de preços. A opção (i) é a mais fácil. No Excel, você pode simplesmente criar uma coluna de fórmulas para dividir os valores originais pelos fatores apropriados. Por exemplo, se os dados forem mensais e você deseja desinflar a uma taxa de 5 por 12 meses, você dividiria por um fator de (1.05) (k12) onde k é o índice de linha (número de observação). RegressIt e Statgraphics têm ferramentas integradas que fazem isso automaticamente para você. Se você for esta rota, geralmente é melhor definir a taxa de inflação assumida igual à sua melhor estimativa da taxa atual, especialmente se você estiver prevendo mais de um período à frente. Se em vez disso você escolher a opção (ii), primeiro você deve salvar as previsões deflacionadas e os limites de confiança para a planilha de dados, gerar e salvar uma previsão do índice de preços e, finalmente, multiplicar as colunas apropriadas. (Voltar ao topo da página.) Transformação do logaritmo Se a série mostra o crescimento do composto ou um padrão sazonal multiplicativo, uma transformação de logaritmo pode ser útil além do ou defasagem da deflação. O registro dos dados não irá alisar um padrão de crescimento inflacionário, mas ele irá corrigi-lo para que ele possa ser ajustado por um modelo linear (por exemplo, uma caminhada aleatória ou modelo ARIMA com crescimento constante ou um modelo linear de suavização exponencial). Além disso, o log converterá padrões sazonais multiplicativos em padrões aditivos, de modo que, se você efetuar um ajuste sazonal após o registro, você deve usar o tipo de aditivo. Logging lida com a inflação de forma implícita, se você deseja que a inflação seja modelada explicitamente - ou seja. Se você quiser que a taxa de inflação seja um parâmetro visível do modelo ou se você quiser visualizar parcelas de dados desinflados - então você deve desinflar em vez de registrar. Outro uso importante para a transformação de log é linearizar relações entre variáveis em um modo de regressão l. Por exemplo, se a variável dependente é uma função multiplicativa em vez de aditiva das variáveis independentes, ou se a relação entre variáveis dependentes e independentes é linear em termos de mudanças percentuais em vez de mudanças absolutas, então, aplicando uma transformação de log a uma ou mais variáveis Pode ser apropriado, como no exemplo da venda de cerveja. (Voltar ao topo da página.) Ajuste sazonal Se a série tiver um padrão sazonal forte que se acredita ser constante de ano para ano, o ajuste sazonal pode ser uma maneira apropriada de estimar e extrapolar o padrão. A vantagem do ajuste sazonal é que ele modela o padrão sazonal explicitamente, dando-lhe a opção de estudar os índices sazonais e os dados dessazonalizados. A desvantagem é que requer a estimativa de um grande número de parâmetros adicionais (particularmente para dados mensais) e não fornece nenhum raciocínio teórico para o cálculo de intervalos de confiança de quotcorrectquot. A validação fora da amostra é especialmente importante para reduzir o risco de sobreposição dos dados passados através do ajuste sazonal. Se os dados são fortemente sazonais, mas você não escolhe o ajuste sazonal, as alternativas são para (i) usar um modelo ARIMA sazonal. Que, implicitamente, prevê o padrão sazonal com atrasos e diferenças sazonais, ou (ii) usa o modelo de suavização exponencial sazonal de Invernos, que estima índices sazonais variáveis no tempo. (Voltar ao topo da página.) Quot Variáveis independentes Se existem outras séries temporais que você acredita ter poder explicativo em relação à sua série de interesse (por exemplo, indicadores econômicos líderes ou variáveis de política, como preço, publicidade, promoções, etc.) você Pode considerar a regressão como seu tipo de modelo. Se você escolhe ou não a regressão, você ainda precisa considerar as possibilidades mencionadas acima para transformar suas variáveis (deflação, registro, ajuste sazonal e talvez também diferenciação) para explorar a dimensão do tempo e linearizar os relacionamentos. Mesmo que você não escolha a regressão neste ponto, você pode considerar adicionar regressores mais tarde a um modelo de séries temporais (por exemplo, um modelo ARIMA) se os resíduos acabarem por ter correlações cruzadas significativas com outras variáveis. (Retornar ao topo da página.) Caminho de suavização, média ou aleatória Se você escolheu ajustar os dados de forma sazonal - ou se os dados não são sazonais para começar -, então você pode querer usar um modelo de média ou suavização para Ajustar o padrão não-sazonal que permanece nos dados neste momento. Um modelo simples de movimentação simples ou simples de suavização meramente calcula uma média local de dados no final da série, assumindo que esta é a melhor estimativa do valor médio atual em torno do qual os dados estão flutuando. (Estes modelos assumem que a média da série está variando lentamente e aleatoriamente sem tendências persistentes.) O alisamento exponencial simples é normalmente preferido para uma média móvel simples, porque sua média ponderada exponencialmente faz um trabalho mais sensato de descontar os dados mais antigos, porque é O parâmetro de alisamento (alfa) é contínuo e pode ser prontamente otimizado, e porque tem uma base teórica subjacente para computar intervalos de confiança. Se o alisamento ou a média não parece ser útil - ou seja. Se o melhor preditor do próximo valor da série temporal é simplesmente seu valor anterior - então, um modelo de caminhada aleatória é indicado. Este é o caso, por exemplo, se o número ótimo de termos na média móvel simples for 1, ou se o valor ótimo de alfa no alisamento exponencial simples for 0.9999. O alisamento exponencial linear de Browns pode ser usado para caber uma série com tendências lineares que variam lentamente, mas seja cauteloso sobre extrapolar essas tendências muito para o futuro. (Os intervalos de confiança que aumentam rapidamente para este modelo testemunham a sua incerteza sobre o futuro distante.) O suavização linear de Holts também estima tendências variáveis no tempo, mas usa parâmetros separados para suavizar o nível e a tendência, o que geralmente proporciona um ajuste melhor aos dados Do que o modelo Brown8217s. As tentativas de suavização exponencial uadratic tentam estimar as tendências quadráticas variáveis no tempo e nunca devem ser usadas praticamente. (Isso corresponderia a um modelo ARIMA com três ordens de diferenciação não-sazonal.) O alívio linear exponencial com uma tendência amortecida (ou seja, uma tendência que se aplana em horizontes distantes) é muitas vezes recomendado em situações em que o futuro é muito incerto. Os vários modelos de suavização exponencial são casos especiais de modelos ARIMA (descritos abaixo) e podem ser equipados com o software ARIMA. Em particular, o modelo de suavização exponencial simples é um modelo ARIMA (0,1,1), o modelo de suavização linear Holt8217s é um modelo ARIMA (0,2,2) e o modelo de tendência amortecida é um ARIMA (1,1,2 ) modelo. Um bom resumo das equações dos vários modelos de suavização exponencial pode ser encontrado nesta página no site da SAS. (Os menus do SAS para especificar modelos de séries temporais também são mostrados lá). Eles são semelhantes aos de Statgraphics.) Os modelos de linha de tendência linear, quadrática ou exponencial são outras opções para extrapolar uma série dessazonalizada, mas eles raramente superam a caminhada, alisamento ou Modelos ARIMA sobre dados empresariais. (Retornar ao topo da página.) Winters Seasonal Exponential Smoothing Winters Seasonal Smoothing é uma extensão do alisamento exponencial que, simultaneamente, calcula fatores de variação do tempo, tendência e sazonal usando equações recursivas. (Assim, se você usar este modelo, você não ajustaria os dados sazonalmente pela primeira vez). Os fatores sazonais de Invernos podem ser multiplicativos ou aditivos: normalmente você deve escolher a opção multiplicativa, a menos que tenha registrado os dados. Embora o modelo Winters seja inteligente e razoavelmente intuitivo, pode ser complicado aplicar na prática: possui três parâmetros de alisamento - alfa, beta e gama - para alisar separadamente os fatores de nível, tendência e sazonal, que devem ser estimados simultaneamente. A determinação dos valores iniciais para os índices sazonais pode ser feita aplicando o método médio-a-móvel de ajuste sazonal em parte ou em toda a série e em backforecast. O algoritmo de estimativa que Statgraphics usa para esses parâmetros às vezes não converge e produz valores que dão previsões e intervalos de confiança de busca estranha, então eu recomendaria cautela ao usar este modelo. (Voltar ao topo da página.) ARIMA Se você não escolhe o ajuste sazonal (ou se os dados não são sazonais), você pode querer usar a estrutura modelo ARIMA. Os modelos ARIMA são uma classe muito geral de modelos que inclui modos de caminhada aleatória, tendência aleatória, suavização exponencial e autoregressiva como casos especiais. A sabedoria convencional é que uma série é um bom candidato para um modelo ARIMA se (i) pode ser estacionada por uma combinação de diferentes transformações matemáticas, como o log, e (ii) você possui uma quantidade substancial de dados para trabalhar com : Pelo menos 4 temporadas completas no caso de dados sazonais. (Se a série não puder ser adequadamente estacionada por diferenciação - por exemplo, se for muito irregular ou parece estar alterando qualitativamente o seu comportamento ao longo do tempo - ou se tiver menos de 4 estações de dados, você pode estar melhor com um modelo Que usa o ajuste sazonal e algum tipo de média ou suavização simples). Os modelos ARIMA possuem uma convenção de nomeação especial introduzida pela Box e Jenkins. Um modelo ARIMA não sazonal é classificado como um modelo ARIMA (p, d, q), onde d é o número de diferenças não-sazonais, p é o número de termos autorregressivos (atrasos da série diferenciada) e q é o número de diferenças de movimento, Termos médios (atrasos dos erros de previsão) na equação de predição. Um modelo ARIMA sazonal é classificado como ARIMA (p, d, q) x (P, D, Q). Onde D, P e Q são, respectivamente, o número de diferenças sazonais, termos autorregressivos sazonais (atrasos da série diferenciada em múltiplos do período sazonal) e termos médios móveis sazonais (atrasos dos erros de previsão em múltiplos da temporada período). O primeiro passo na montagem de um modelo ARIMA é determinar a ordem apropriada de diferenciação necessária para estacionar a série e remover as características brutas da sazonalidade. Isso equivale a determinar qual quotnaivequot random-walk ou modelo de tendência aleatória fornece o melhor ponto de partida. Não tente usar mais de 2 ordens totais de diferenciação (não sazonal e sazonal combinada) e não use mais de 1 diferença sazonal. O segundo passo é determinar se deve incluir um termo constante no modelo: geralmente você inclui um termo constante se a ordem total de diferenciação for 1 ou menos, caso contrário você não. Em um modelo com uma ordem de diferenciação, o termo constante representa a tendência média nas previsões. Em um modelo com duas ordens de diferenciação, a tendência nas previsões é determinada pela tendência local observada no final da série temporal, e o termo constante representa a tendência da tendência, ou seja, a curvatura do longo prazo, Previsões de longo prazo. Normalmente, é perigoso extrapolar tendências de tendências, então você suprime o termo contant no presente caso. O terceiro passo é escolher o número de parâmetros de média autorregressiva e móvel (p, d, q, P, D, Q) que são necessários para eliminar qualquer autocorrelação que permaneça nos resíduos do modelo ingênuo (ou seja, qualquer correlação que permaneça após Mera diferenciação). Esses números determinam o número de atrasos da série diferenciada e os atrasos dos erros de previsão incluídos na equação de previsão. Se não houver autocorrelação significativa nos resíduos neste ponto, então STOP, você está pronto: o melhor modelo é um modelo ingênuo Se houver autocorrelação significativa nos intervalos 1 ou 2, você deve tentar configurar q1 se uma das seguintes se aplica: ( I) existe uma diferença não sazonal no modelo, (ii) a autocorrelação de lag 1 é negativa. Andor (iii) o gráfico de autocorrelação residual é mais limpo (menos picos mais isolados) do que o gráfico residual de autocorrelação parcial. Se não houver diferença não sazonal no modelo e ou a autocorrelação de lag 1 é positiva e ou a parcela de autocorrelação parcial residual parece mais limpa, então tente p1. (Às vezes, essas regras para escolher entre p1 e q1 conflitam entre si, caso em que provavelmente não faz muita diferença qual o que você usa. Experimente as duas e compare.) Se houver autocorrelação no intervalo 2 que não é removido pela configuração p1 Ou q1, você pode tentar p2 ou q2, ou ocasionalmente p1 e q1. Mais raramente, você pode encontrar situações em que p2 ou 3 e q1, ou vice-versa, produz os melhores resultados. É altamente recomendável que você não use pgt1 e qgt1 no mesmo modelo. Em geral, ao montar os modelos ARIMA, você deve evitar aumentar a complexidade do modelo para obter apenas pequenas melhorias adicionais nas estatísticas de erro ou a aparência das parcelas ACF e PACF. Além disso, em um modelo com pgt1 e qgt1, existe uma boa possibilidade de redundância e não-singularidade entre os lados AR e MA do modelo, conforme explicado nas notas sobre a estrutura matemática do modelo ARIMA s. Geralmente, é melhor prosseguir em um sentido inverso passo a passo em vez de retroceder passo a passo ao ajustar as especificações do modelo: comece com modelos mais simples e apenas adicione mais termos se houver uma necessidade clara. As mesmas regras aplicam-se ao número de termos autorregressivos sazonais (P) e ao número de termos de média móvel sazonal (Q) em relação à autocorrelação no período sazonal (por exemplo, atraso 12 para dados mensais). Experimente o Q1 se já houver uma diferença sazonal no modelo e ou a autocorrelação sazonal for negativa ou a parcela de autocorrelação residual parece mais limpa na proximidade do intervalo sazonal, caso contrário tente P1. (Se é lógico que a série exiba uma sazonalidade forte, então você deve usar uma diferença sazonal, caso contrário, o padrão sazonal desaparecerá ao fazer previsões de longo prazo.) Ocasionalmente, você pode querer tentar P2 e Q0 ou vice v ersa, Ou PQ1. No entanto, é altamente recomendável que o PQ nunca seja superior a 2. Os padrões sazonais raramente têm o tipo de regularidade perfeita durante um período bastante grande de estações que permitiria identificar e estimar de forma confiável muitos parâmetros. Além disso, o algoritmo de backforecast que é usado na estimação de parâmetros provavelmente produzirá resultados não confiáveis (ou mesmo loucos) quando o número de estações de dados não for significativamente maior que o PDQ. Eu recomendaria nada menos do que as estações completas do PDQ2, e mais é melhor. Novamente, ao montar os modelos ARIMA, você deve ter o cuidado de evitar a sobreposição dos dados, apesar do fato de que ele pode se divertir uma vez que você obtém o jeito. Casos especiais importantes: como mencionado acima, um modelo ARIMA (0,1,1) sem constante é idêntico a um modelo de suavização exponencial simples, e assume um nível flutuante (ou seja, não há reversão média), mas com tendência zero a longo prazo. Um modelo ARIMA (0,1,1) com constante é um modelo de suavização exponencial simples com um termo de tendência linear não-zero incluído. Um modelo ARIMA (0,2,1) ou (0,2,2) sem constante é um modelo linear de suavização exponencial que permite uma tendência variável no tempo. Um modelo ARIMA (1,1,2) sem constante é um modelo de alisamento exponencial linear com tendência amortecida, ou seja, uma tendência que eventualmente se aplana em previsões de longo prazo. Os modelos ARIMA sazonais mais comuns são o modelo ARIMA (0,1,1) x (0,1,1) sem constante eo modelo ARIMA (1,0,1) x (0,1,1) com constante. O primeiro desses modelos basicamente aplica alisamento exponencial tanto para os componentes não sazonais quanto sazonais do padrão nos dados, enquanto permite uma tendência variável no tempo e o último modelo é um pouco semelhante, mas assume uma tendência linear constante e, portanto, um pouco mais longo - previsibilidade do tempo. Você deve sempre incluir esses dois modelos entre a sua formação de suspeitos ao ajustar dados com padrões sazonais consistentes. Um deles (talvez com uma variação menor, como aumento de p ou q em 1 e ou configuração P1, bem como Q1) é bastante frequente o melhor. (Voltar ao topo da página.) PREVISÃO A previsão envolve a geração de um número, conjunto de números ou cenário que corresponde a uma ocorrência futura. É absolutamente essencial o planejamento de curto alcance e longo alcance. Por definição, uma previsão é baseada em dados passados, em oposição a uma previsão, que é mais subjetiva e baseada no instinto, sensação de intuição ou adivinhar. Por exemplo, as notícias da noite dão o tempo x0022forecastx0022 não o tempo x0022prediction. x0022 Independentemente disso, os termos previsão e previsão são freqüentemente usados de forma intercambiável. Por exemplo, as definições da técnica regressionx2014a às vezes usadas na previsão x2014 indicam, em geral, que seu objetivo é explicar ou x0022predict. x0022 Forecasting é baseado em uma série de pressupostos: o passado se repetirá. Em outras palavras, o que aconteceu no passado vai acontecer novamente no futuro. À medida que o horizonte de previsão diminui, a precisão da previsão aumenta. Por exemplo, uma previsão para amanhã será mais precisa do que uma previsão para o próximo mês, uma previsão para o próximo mês será mais precisa do que uma previsão para o próximo ano e uma previsão para o próximo ano será mais precisa do que uma previsão de dez anos na futuro. A previsão no agregado é mais precisa do que a previsão de itens individuais. Isso significa que uma empresa poderá prever a demanda total em todo o seu espectro de produtos de forma mais precisa do que será capaz de prever unidades de estoque (SKUs) individuais. Por exemplo, a General Motors pode prever mais precisamente o número total de carros necessários para o próximo ano do que o número total de Chevrolet Impalas brancas com um determinado pacote de opções. As previsões raramente são precisas. Além disso, as previsões quase nunca são totalmente precisas. Enquanto alguns são muito próximos, alguns são x0022 direitos sobre o dinheiro. x0022 Portanto, é aconselhável oferecer uma previsão x0022range. x0022 Se alguém estivesse pregando uma demanda de 100.000 unidades para o próximo mês, é extremamente improvável que a demanda seja igual a 100.000 exatamente. No entanto, uma previsão de 90.000 para 110.000 proporcionaria um alvo muito maior para o planejamento. William J. Stevenson enumera uma série de características que são comuns a uma boa previsão: Accuratex2014sum grau de precisão deve ser determinado e declarado para que a comparação possa ser feita para previsões alternativas. Reliablex2014 o método de previsão deve fornecer consistentemente uma boa previsão se o usuário for estabelecer algum grau de confiança. Timelyx2014a é necessária uma certa quantidade de tempo para responder à previsão, de modo que o horizonte de previsão deve permitir o tempo necessário para fazer mudanças. Fácil de usar e compreensão dos usuários da previsão deve estar confiante e confortável trabalhar com ele. Com relação ao custo efetivo2020, o custo de fazer a previsão não deve superar os benefícios obtidos com a previsão. As técnicas de previsão variam do simples ao extremamente complexo. Essas técnicas geralmente são classificadas como qualitativas ou quantitativas. TÉCNICAS QUALITATIVAS As técnicas de previsão qualitativa são geralmente mais subjetivas do que suas contrapartes quantitativas. As técnicas qualitativas são mais úteis nos estágios iniciais do ciclo de vida do produto, quando existem menos dados passados para uso em métodos quantitativos. Os métodos qualitativos incluem a técnica de Delphi, a técnica de grupo nominal (NGT), as opiniões da força de vendas, as opiniões executivas e a pesquisa de mercado. A TÉCNICA DELPHI. A técnica Delphi usa um painel de especialistas para produzir uma previsão. Cada perito é solicitado a fornecer uma previsão específica para a necessidade em questão. Depois que as previsões iniciais são feitas, cada especialista lê o que todos os outros especialistas escreveram e, claro, são influenciados por suas opiniões. Uma previsão subseqüente é feita por cada especialista. Cada especialista lê novamente o que todos os outros especialistas escreveram e são novamente influenciados pelas percepções dos outros. Este processo se repete até que cada especialista feche o acordo sobre o cenário ou os números necessários. TÉCNICA DE GRUPO NOMINAL. A técnica de grupo nominal é semelhante à técnica de Delphi, pois utiliza um grupo de participantes, geralmente especialistas. Depois que os participantes responderem às questões relacionadas com a previsão, classificam suas respostas em ordem de importância relativa percebida. Em seguida, os rankings são coletados e agregados. Eventualmente, o grupo deve chegar a um consenso sobre as prioridades das questões classificadas. OPINIÕES DE FORÇA DE VENDA. A equipe de vendas é muitas vezes uma boa fonte de informações sobre a demanda futura. O gerente de vendas pode solicitar a contribuição de cada pessoa de vendas e agregar suas respostas em uma previsão composta da força de vendas. Deve ter cuidado ao usar esta técnica, pois os membros da força de vendas podem não ser capazes de distinguir entre o que os clientes dizem e o que eles realmente fazem. Além disso, se as previsões serão usadas para estabelecer cotas de vendas, a força de vendas pode ser tentada a fornecer estimativas mais baixas. OPINIÕES EXECUTIVAS. Às vezes, os gerentes dos níveis superiores se encontram e desenvolvem previsões com base no conhecimento das suas áreas de responsabilidade. Isso às vezes é referido como um júri da opinião executiva. PESQUISA DE MERCADO. Na pesquisa de mercado, pesquisas de consumo são usadas para estabelecer demanda potencial. Essa pesquisa de marketing geralmente envolve a construção de um questionário que solicite informações pessoais, demográficas, econômicas e de marketing. De vez em quando, os pesquisadores de mercado coletam essas informações pessoalmente em lojas de varejo e shoppings, onde o consumidor pode experimentar um produto especial, sentir, cheirar e verx2014a. O pesquisador deve ter cuidado para que a amostra de pessoas pesquisadas seja representativa do alvo desejado do consumidor. TÉCNICAS QUANTITATIVAS As técnicas de previsão quantitativa são geralmente mais objetivas do que suas contrapartes qualitativas. As previsões quantitativas podem ser previsões de séries temporais (ou seja, uma projeção do passado para o futuro) ou previsões baseadas em modelos associativos (ou seja, com base em uma ou mais variáveis explicativas). Os dados das séries temporais podem ter comportamentos subjacentes que precisam ser identificados pelo provisorista. Além disso, a previsão pode precisar identificar as causas do comportamento. Alguns desses comportamentos podem ser padrões ou simplesmente variações aleatórias. Entre os padrões estão: Tendências, que são movimentos de longo prazo (para cima ou para baixo) nos dados. A sazonalidade, que produz variações de curto prazo que geralmente estão relacionadas com a época do ano, mês ou mesmo um dia particular, como testemunhou as vendas no varejo no Natal ou os espetáculos na atividade bancária no primeiro mês e as sextas-feiras. Ciclos, que são variações ondulantes que dão mais de um ano, geralmente ligadas a condições econômicas ou políticas. Variações irregulares que não refletem o comportamento típico, como um período de clima extremo ou uma greve de união. Variações aleatórias, que abrangem todos os comportamentos não típicos não contabilizados pelas outras classificações. Entre os modelos de séries temporais, o mais simples é a previsão naxEFve. Uma previsão naxEFve simplesmente usa a demanda real para o período passado como a demanda prevista para o próximo período. Isso, é claro, faz a suposição de que o passado irá repetir. Ele também pressupõe que qualquer tendência, sazonalidade ou ciclos sejam refletidos na demanda do período anterior x0027s ou não existam. Um exemplo de previsão naxEFve é apresentado na Tabela 1. Tabela 1 Previsão NaxEFve Outra técnica simples é o uso da média. Para fazer uma previsão usando a média, simplesmente toma a média de alguns períodos de dados passados, somando cada período e dividindo o resultado pelo número de períodos. Esta técnica foi considerada muito eficaz para previsão de curto alcance. As variações da média incluem a média móvel, a média ponderada e a média móvel ponderada. Uma média móvel leva um número predeterminado de períodos, resume sua demanda real e divide-se pelo número de períodos para atingir uma previsão. Para cada período subsequente, o período mais antigo de dados cai e o último período é adicionado. Assumindo uma média móvel de três meses e usando os dados da Tabela 1, simplesmente adicionaria 45 (janeiro), 60 (fevereiro) e 72 (março) e dividiria por três para chegar a uma previsão para abril: 45 60 72 177 X00F7 3 59 Para chegar a uma previsão para maio, um seria soltar a demanda de janeiro de 2000 da equação e adicionar a demanda a partir de abril. A Tabela 2 apresenta um exemplo de uma previsão média móvel de três meses. Tabela 2 Previsão média média de três meses Demanda real (000x0027s) Uma média ponderada aplica um peso predeterminado a cada mês de dados passados, soma os dados passados de cada período e divide o total dos pesos. Se o pré-analista ajustar os pesos para que a soma seja igual a 1, os pesos são multiplicados pela demanda real de cada período aplicável. Os resultados são então somados para atingir uma previsão ponderada. Geralmente, quanto mais recente os dados, quanto maior o peso, e quanto mais velho os dados, menor o peso. Usando o exemplo de demanda, uma média ponderada usando pesos de .4. 3. 2 e .1 renderiam a previsão para junho como: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Os meteorologistas também podem usar uma combinação da média ponderada e das previsões da média móvel . Uma previsão média móvel ponderada atribui pesos a um número predeterminado de períodos de dados reais e calcula a previsão do mesmo modo como descrito acima. Como em todas as previsões em movimento, como cada novo período é adicionado, os dados do período mais antigo são descartados. A Tabela 3 mostra uma previsão média móvel ponderada de três meses utilizando os pesos .5. 3 e .2. Tabela 3 3x2013Previsão média ponderada ponderada da demanda média real (000x0027s) Uma forma mais complexa de média móvel ponderada é o alisamento exponencial, assim chamado porque o peso cai exponencialmente à medida que os dados envelhecem. O alisamento exponencial leva a previsão de periodx0027s anterior e ajusta-a por uma constante de suavização predeterminada, x03AC (chamado alfa o valor para alfa é menor que um) multiplicado pela diferença na previsão anterior e na demanda que realmente ocorreu durante o período previamente previsto (chamado Erro de previsão). O alisamento exponencial é expresso como tal: Nova previsão previsão anterior alfa (demanda real x2212 previsão anterior) FF x03AC (A x2212 F) O suavização exponencial requer que o pré-provisorista comece a previsão em um período passado e trabalhe para o período para o qual uma corrente A previsão é necessária. Uma quantidade substancial de dados passados e um início ou previsão inicial também são necessários. A previsão inicial pode ser uma previsão real de um período anterior, a demanda real de um período anterior, ou pode ser estimada pela média total ou parcial dos dados passados. Existem algumas heurísticas para calcular uma previsão inicial. Por exemplo, o heurístico N (2 xF7 x03AC) x2212 1 e um alfa de 0,5 forneceriam N de 3, indicando que o usuário usaria os três primeiros períodos de dados para obter uma previsão inicial. No entanto, a precisão da previsão inicial não é crítica se alguém estiver usando grandes quantidades de dados, uma vez que o alisamento exponencial é auto-corrigido x0022.x0022 Dado períodos suficientes de dados passados, o suavização exponencial eventualmente produzirá correções suficientes para compensar uma inicialização razoavelmente imprecisa previsão. Usando os dados usados em outros exemplos, uma previsão inicial de 50 e um alfa de .7, uma previsão para fevereiro é calculada como tal: Nova previsão (fevereiro) 50 .7 (45 x2212 50) 41.5 Em seguida, a previsão para março : Nova previsão (março) 41,5 .7 (60 x2212 41,5) 54,45 Este processo continua até que o pré-programador atinja o período desejado. Na Tabela 4, isso seria para o mês de junho, uma vez que a demanda atual para junho não é conhecida. Demanda real (000x0027s) Uma extensão de suavização exponencial pode ser usada quando os dados da série temporal exibem uma tendência linear. Este método é conhecido por vários nomes: previsão de suavização exponencial ajustada pela tendência de suavização dupla, incluindo a tendência (FIT) e o modelo Holtx0027s. Sem ajuste, os resultados simples de suavização exponencial vão atrasar a tendência, ou seja, a previsão sempre será baixa se a tendência for crescente ou alta se a tendência estiver diminuindo. Com este modelo, existem duas constantes de suavização, x03AC e x03B2 com x03B2 representando o componente de tendência. Uma extensão do modelo Holtx0027s, chamado Método Holt-Winterx0027s, leva em consideração a tendência e a sazonalidade. Existem duas versões, multiplicativas e aditivas, sendo a multiplicativa a mais utilizada. No modelo aditivo, a sazonalidade é expressa como uma quantidade a ser adicionada ou subtraída da média da série. O modelo multiplicativo expressa a sazonalidade como uma porcentagem2020 conhecida como parentes sazonais ou índices sazonais2020 da média (ou tendência). Estes são então valores de tempos multiplicados para incorporar sazonalidade. Um parente de 0,8 indicaria uma demanda que equivale a 80% da média, enquanto 1,10 indicaria uma demanda que é 10% acima da média. Informações detalhadas sobre este método podem ser encontradas na maioria dos livros didáticos de gerenciamento de operações ou em um número de livros sobre previsão. As técnicas associativas ou causais envolvem a identificação de variáveis que podem ser usadas para prever outra variável de interesse. Por exemplo, as taxas de juros podem ser usadas para prever a demanda por refinanciamento doméstico. Normalmente, isso envolve o uso da regressão linear, onde o objetivo é desenvolver uma equação que resume os efeitos das variáveis preditoras (independentes) sobre a variável prevista (dependente). Se a variável preditora fosse plotada, o objeto seria obter uma equação de uma linha reta que minimize a soma dos desvios quadrados da linha (sendo o desvio a distância de cada ponto para a linha). A equação apareceria como: ya bx, onde y é a variável predita (dependente), x é a variável preditor (independente), b é a inclinação da linha e a é igual à altura da linha no y - interceptar. Uma vez que a equação é determinada, o usuário pode inserir valores atuais para a variável preditor (independente) para chegar a uma previsão (variável dependente). Se houver mais de uma variável preditor ou se a relação entre preditor e previsão não for linear, a regressão linear simples será inadequada. Para situações com múltiplos preditores, a regressão múltipla deve ser empregada, enquanto as relações não-lineares requerem o uso de regressão curvilínea. PREECUIÇÃO ECONÓMETRICA Os métodos econométricos, como o modelo de média móvel vertical auto-regressiva (ARIMA), usam equações matemáticas complexas para mostrar relações passadas entre demanda e variáveis que influenciam a demanda. Uma equação é derivada e depois testada e ajustada para garantir que seja tão confiável quanto possível uma representação da relação anterior. Assim que isso for feito, os valores projetados das variáveis de influência (renda, preços, etc.) são inseridos na equação para fazer uma previsão. PREVISÃO DE AVALIAÇÃO A precisão da previsão pode ser determinada pela computação do viés, desvio absoluto médio (MAD), erro quadrático médio (MSE) ou erro médio de porcentagem absoluta (MAPE) para a previsão usando diferentes valores para alfa. Bias é a soma dos erros de previsão x2211 (FE). Para o exemplo de suavização exponencial acima, o viés calculado seria: (60 x2212 41,5) (72 x2212 54,45) (58 x 2212 66,74) (40 x2212 60,62) 6.69 Se se supõe que um viés baixo indica um erro geral de previsão geral, pode-se Calcular o viés para uma série de valores potenciais de alfa e assumir que aquele com menor viés seria o mais preciso. No entanto, deve-se observar com precaução que as previsões extremamente imprecisas podem apresentar um menor viés se tendem a ser tanto sobre previsão quanto sob previsão (negativa e positiva). Por exemplo, ao longo de três períodos, uma empresa pode usar um valor particular de alfa para sobre previsão em 75.000 unidades (x221275.000), sob previsão de 100.000 unidades (100.000) e, em seguida, sobre previsão de 25.000 unidades (x221225.000), produzindo Um viés de zero (x221275,000 100,000 x2212 25,000 0). Em comparação, outro alfa que custa sobre as previsões de 2.000 unidades, 1.000 unidades e 3.000 unidades resultaria em uma tendência de 5.000 unidades. Se a demanda normal fosse de 100.000 unidades por período, o primeiro alfa renderia previsões que estavam fora de até 100 por cento, enquanto o segundo alfa seria desligado em um máximo de apenas 3 por cento, embora o viés na primeira previsão fosse zero. Uma medida mais segura da precisão da previsão é o desvio absoluto médio (MAD). Para calcular o MAD, o previsor prevê o valor absoluto dos erros de previsão e, em seguida, divide-se pelo número de previsões (x2211 FE x00F7 N). Ao tomar o valor absoluto dos erros de previsão, a compensação de valores positivos e negativos é evitada. Isso significa que uma previsão de 50 e uma previsão inferior a 50 estão desligadas em 50. Usando os dados do exemplo de suavização exponencial, MAD pode ser calculado da seguinte maneira: (60 x2212 41,5 72 x2212 54,45 58 x 2212 66,74 40 x2212 60,62) X00F7 4 16.35 Portanto, o pré-indicador está fora de uma média de 16,35 unidades por previsão. Quando comparado ao resultado de outros alfas, o previsor informará que o alfa com menor MAD produz a previsão mais precisa. O erro quadrático médio (MSE) também pode ser utilizado da mesma forma. MSE é a soma dos erros de previsão quadrados divididos por N-1 (x2211 (FE)) x00F7 (N-1). Esquiar os erros de previsão elimina a possibilidade de compensar números negativos, uma vez que nenhum dos resultados pode ser negativo. Utilizando os mesmos dados acima, o MSE seria: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Tal como acontece com MAD, o previsor pode comparar a MSE das previsões derivadas usando vários valores de alfa e Assumir o alfa com o menor MSE está produzindo a previsão mais precisa. O erro médio de porcentagem absoluta (MAPE) é o erro de porcentagem absoluta média. Para chegar ao MAPE, deve-se tomar a soma dos índices entre o erro de previsão e os tempos de demanda reais 100 (para obter a porcentagem) e dividir por N (x2211 Demanda real x2212 previsão x00F7 Demanda real) xD7 100 x00F7 N. Usando os dados de O exemplo de suavização exponencial, MAPE pode ser calculado da seguinte forma: (18.560 17.5572 8.7458 20.6248) xD7 100 x00F7 4 28.33 Conforme MAD e MSE, quanto menor for o erro relativo, mais precisa a previsão. Deve-se notar que, em alguns casos, a capacidade da previsão de mudar rapidamente para responder às mudanças nos padrões de dados é considerada mais importante do que a precisão. Portanto, a escolha do método de previsão do onex0027s deve refletir o equilíbrio relativo de importância entre precisão e capacidade de resposta, conforme determinado pelo previsor. FAZENDO UMA PREVISÃO William J. Stevenson enumera o seguinte como as etapas básicas no processo de previsão: determine o objetivo da previsão. Fatores como, como e quando a previsão será usada, o grau de precisão necessário e o nível de detalhe desejado determina o custo (tempo, dinheiro, funcionários) que podem ser dedicados à previsão e ao tipo de método de previsão a ser utilizado . Estabeleça um horizonte de tempo. Isso ocorre depois que um determinou o objetivo da previsão. As previsões a mais longo prazo exigem horizontes de tempo mais longos e vice-versa. A precisão é novamente uma consideração. Selecione uma técnica de previsão. A técnica selecionada depende da finalidade da previsão, do horizonte de tempo desejado e do custo permitido. Reúna e analise dados. A quantidade e o tipo de dados necessários são regidos pelo propósito da previsão, a técnica de previsão selecionada e quaisquer considerações de custo. Faça a previsão. Monitorize a previsão. Avalie o desempenho da previsão e modifique, se necessário. LEITURA ADICIONAL: Finch, Byron J. Operações agora: rentabilidade, processos, desempenho. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Análise econométrica. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. X0022A técnica de grupo nominal. x0022 O processo de pesquisa. Disponível a partir de x003C ryerson. ca Stevenson, William J. Administração de Operações. 8 ed. Boston: McGraw-Hill Irwin, 2005. Leia também o artigo sobre Forecasting from Wikipedia
No comments:
Post a Comment