Previsão Do Modelo Médio Em Movimento

Net. sourceforge. openforecast. models Class MovingAverageModel Um modelo de previsão média móvel é baseado em uma série temporal construída artificialmente, na qual o valor de um determinado período de tempo é substituído pela média desse valor e pelos valores de algum número de tempo anterior e posterior Períodos. Como você pode ter adivinhado a partir da descrição, este modelo é mais adequado para dados da série temporal, ou seja, dados que mudam ao longo do tempo. Por exemplo, muitos gráficos de ações individuais no mercado de ações mostram 20, 50, 100 ou 200 dias de média móvel como forma de mostrar tendências. Uma vez que o valor da previsão para um determinado período é uma média dos períodos anteriores, a previsão sempre parecerá atrasada por aumentos ou diminuições nos valores observados (dependentes). Por exemplo, se uma série de dados tiver uma tendência ascendente notável, então uma previsão média móvel geralmente fornecerá uma subestimação dos valores da variável dependente. O método da média móvel tem uma vantagem em relação a outros modelos de previsão, na medida em que suaviza picos e depressões (ou vales) em um conjunto de observações. No entanto, também possui várias desvantagens. Em particular, este modelo não produz uma equação real. Portanto, não é tão útil como uma ferramenta de previsão de longo alcance. Só pode ser usado de maneira confiável para prever um ou dois períodos para o futuro. O modelo de média móvel é um caso especial da média móvel ponderada mais geral. Na média móvel simples, todos os pesos são iguais. Desde: 0.3 Autor: Steven R. Gould Campos herdados da classe net. sourceforge. openforecast. models. AbstractForecastingModel MovingAverageModel () Constrói um novo modelo de previsão média móvel. MovingAverageModel (período int) Constrói um novo modelo de previsão média móvel, usando o período especificado. GetForecastType () Retorna um nome de uma ou duas palavras deste tipo de modelo de previsão. Init (DataSet dataSet) Usado para inicializar o modelo de média móvel. ToString () Isso deve ser substituído para fornecer uma descrição textual do modelo de previsão atual, incluindo, sempre que possível, qualquer parâmetro derivado usado. Métodos herdados da classe net. sourceforge. openforecast. models. WeightedMovingAverageModel MovingAverageModel Constrói um novo modelo de previsão média móvel. Para que um modelo válido seja construído, você deve chamar init e passar um conjunto de dados contendo uma série de pontos de dados com a variável de tempo inicializada para identificar a variável independente. MovingAverageModel Constrói um novo modelo de previsão média móvel, usando o nome dado como a variável independente. Parâmetros: independentVariable - o nome da variável independente a ser usada neste modelo. MovingAverageModel Constrói um novo modelo de previsão média móvel, usando o período especificado. Para que um modelo válido seja construído, você deve chamar init e passar um conjunto de dados contendo uma série de pontos de dados com a variável de tempo inicializada para identificar a variável independente. O valor do período é usado para determinar o número de observações a serem utilizadas para calcular a média móvel. Por exemplo, para uma média móvel de 50 dias onde os pontos de dados são observações diárias, o período deve ser definido como 50. O período também é usado para determinar a quantidade de períodos futuros que podem ser efetivamente previstos. Com uma média móvel de 50 dias, não podemos razoavelmente - com algum grau de precisão - prever mais de 50 dias além do último período para o qual os dados estão disponíveis. Isso pode ser mais benéfico do que, digamos, um período de 10 dias, onde apenas podemos razoavelmente prever 10 dias além do último período. Parâmetros: período - o número de observações a serem utilizadas para calcular a média móvel. MovingAverageModel Constrói um novo modelo de previsão média móvel, usando o nome dado como a variável independente e o período especificado. Parâmetros: independentVariable - o nome da variável independente a ser usada neste modelo. Período - o número de observações a serem utilizadas para calcular a média móvel. Usado para inicializar o modelo de média móvel. Esse método deve ser chamado antes de qualquer outro método na classe. Uma vez que o modelo de média móvel não obtém qualquer equação para previsão, esse método usa o DataSet de entrada para calcular valores de previsão para todos os valores válidos da variável de tempo independente. Especificado por: init in interface ForecastingModel Overrides: init in class AbstractTimeBasedModel Parâmetros: dataSet - um conjunto de dados de observações que podem ser usadas para inicializar os parâmetros de previsão do modelo de previsão. GetForecastType Retorna um nome de uma ou duas palavras deste tipo de modelo de previsão. Mantenha isso curto. Uma descrição mais longa deve ser implementada no método toString. Isso deve ser substituído para fornecer uma descrição textual do modelo de previsão atual, incluindo, sempre que possível, qualquer parâmetro derivado usado. Especificado por: toString na interface ForecastingModel Overrides: toString na classe WeightedMovingAverageModel Returns: uma representação de cadeia do modelo de previsão atual e seus parâmetros. Uma série de tempo é uma seqüência de observações de uma variável aleatória periódica. Exemplos são a demanda mensal de um produto, a matrícula anual em um departamento da universidade e o fluxo diário de um rio. As séries temporais são importantes para a pesquisa de operações, porque muitas vezes são os impulsionadores dos modelos de decisão. Um modelo de inventário requer estimativas de demandas futuras, um modelo de planejamento de cursos e de pessoal para um departamento universitário exige estimativas de fluxo de estudantes futuros e um modelo para fornecer avisos à população em uma bacia hidrográfica requer estimativas de fluxos de rios para o futuro imediato. A análise de séries temporais fornece ferramentas para selecionar um modelo que descreva a série temporal e usando o modelo para prever eventos futuros. A modelagem das séries temporais é um problema estatístico porque os dados observados são usados ​​em procedimentos computacionais para estimar os coeficientes de um modelo suposto. Os modelos assumem que as observações variam aleatoriamente sobre um valor médio subjacente que é uma função do tempo. Nessas páginas, restringimos a atenção ao uso de dados históricos da série temporal para estimar um modelo dependente do tempo. Os métodos são apropriados para a previsão automática e de curto prazo de informações usadas com freqüência, onde as causas subjacentes da variação do tempo não estão mudando marcadamente no tempo. Na prática, as previsões derivadas por esses métodos são posteriormente modificadas por analistas humanos que incorporam informações não disponíveis a partir dos dados históricos. Nosso objetivo principal nesta seção é apresentar as equações para os quatro métodos de previsão utilizados no suplemento de Previsão: média móvel, alisamento exponencial, regressão e suavização exponencial dupla. Estes são chamados de métodos de suavização. Métodos não considerados incluem previsões qualitativas, regressão múltipla e métodos autorregressivos (ARIMA). Os interessados ​​em uma cobertura mais extensa devem visitar o site dos Princípios de Previsão ou ler um dos vários livros excelentes sobre o assunto. Usamos o livro Forecasting. Por Makridakis, Wheelwright e McGee, John Wiley amp Sons, 1983. Para usar a pasta de exercícios Exemplos do Excel, você deve ter o suplemento Forecasting instalado. Escolha o comando Relink para estabelecer os links para o suplemento. Esta página descreve os modelos utilizados para a previsão simples e a notação utilizada para a análise. Este método de previsão mais simples é a previsão média móvel. O método é simplesmente uma média das últimas observações m. É útil para séries temporais com uma média que muda lentamente. Este método considera todo o passado em sua previsão, mas pesa mais recentemente a experiência recente do que menos recente. Os cálculos são simples porque apenas a estimativa do período anterior e os dados atuais determinam a nova estimativa. O método é útil para séries temporais com uma média que muda lentamente. O método de média móvel não responde bem a uma série de tempo que aumenta ou diminui com o tempo. Aqui, incluímos um termo de tendência linear no modelo. O método de regressão aproxima o modelo através da construção de uma equação linear que fornece os mínimos quadrados adequados às últimas observações m.8.4 Modelos médios em movimento Em vez de usar valores passados ​​da variável de previsão em uma regressão, um modelo de média móvel usa erros de previsão passados ​​em um Modelo de regressão. Y c e theta e theta e dots theta e, onde et é ruído branco. Nós nos referimos a isso como um modelo de MA (q). Claro, não observamos os valores de et, portanto, não é realmente regressão no sentido usual. Observe que cada valor de yt pode ser pensado como uma média móvel ponderada dos últimos erros de previsão. No entanto, os modelos de média móvel não devem ser confundidos com o alisamento médio móvel que discutimos no Capítulo 6. Um modelo de média móvel é usado para prever valores futuros, ao passo que o alavanca média móvel é usada para estimar o ciclo de tendência dos valores passados. Figura 8.6: Dois exemplos de dados de modelos em média móveis com diferentes parâmetros. Esquerda: MA (1) com y t 20e t 0.8e t-1. Direito: MA (2) com t e t - e t-1 0.8e t-2. Em ambos os casos, e t é normalmente distribuído ruído branco com zero médio e variância um. A Figura 8.6 mostra alguns dados de um modelo MA (1) e um modelo MA (2). Alterando os parâmetros theta1, dots, thetaq resulta em diferentes padrões de séries temporais. Tal como acontece com os modelos autorregressivos, a variância do termo de erro e só alterará a escala da série, e não os padrões. É possível escrever qualquer modelo AR (p) estacionário como modelo MA (infty). Por exemplo, usando a substituição repetida, podemos demonstrar isso para um modelo AR (1): begin yt amp phi1y et amp phi1 (phi1y e) et amp phi12y phi1 e et phi13y phi12e phi1e phi1e e amptext end Provided -1 lt phi1 lt 1, o valor de phi1k ficará menor quando k for maior. Então, eventualmente, obtemos et et phi1 e phi12 e phi13 e cdots, um processo MA (infty). O resultado inverso é válido se impomos algumas restrições nos parâmetros MA. Então, o modelo MA é chamado de inversível. Ou seja, podemos escrever qualquer processo de MA (q) inversível como um processo AR (infty). Os modelos invertidos não são simplesmente para nos permitir converter de modelos MA para modelos AR. Eles também têm algumas propriedades matemáticas que os tornam mais fáceis de usar na prática. As restrições de invertibilidade são semelhantes às restrições de estacionaria. Para um modelo MA (1): -1lttheta1lt1. Para um modelo MA (2): -1lttheta2lt1, theta2theta1 gt-1, theta1 - theta2 lt 1. Condições mais complicadas mantêm-se para qge3. Novamente, R irá cuidar dessas restrições ao estimar os modelos.