Časové řady jsou klíčovým prvkem statistiky, zejména v ekonomických souvislostech. Abyste vyvinuli pevné porozumění analýzám chyb a odhodnocením kvality v Excelu, budete v této příručce provedeni průběhem praktického případu. Toto se uskuteční na příkladu případové studie dodavatele automobilů. Dozvíte se, jak porovnávat prognózy se skutečnými hodnotami a jak můžete kvantifikovat kvalitu svých prognóz prostřednictvím analýzy chyb.
Nejdůležitější zjištění
- Naučíte se, jak mohou být prognózy a skutečné hodnoty porovnány v Excelu.
- Dozvíte se, které chybové ukazatele jsou využívány k hodnocení kvality prognóz.
- Na konci budete schopni vypočítat koeficient variace a čtvercovou chybu střední kvadratické odchylky (RMSE).
Krok za krokem
Začněte tím, že vložíte hodnoty z roku 2019 jako prognózy a hodnoty z roku 2020 jako skutečné hodnoty do Excelu. Dbejte na to, abyste čísla správně přenesli, aby byla zajištěna pevná základna pro vaše výpočty.
Pro provedení analýzy budete potřebovat surová data obou let. Ujistěte se, že máte zajištěny čísla z roku 2020 a poté integrujte prognózy pro rok 2019. Tyto hodnoty poslouží jako základ pro vaše výpočty.
Nyní zkopírujte surová data čísel z roku 2020 do pracovní oblasti a vložte je úplně. Abyste udrželi svoje výpočty jasně strukturované, je doporučeno vytvořit samostatné sloupce pro prognózy a skutečné hodnoty.
V dalším kroku budete muset od skutečných hodnot odečíst prognózy, abyste vypočítali chyby. K tomu použijete vzorec „Chyba = Skutečná hodnota - Prognóza“. Použijte tuto výpočetní metodu přes všechny vaše datové body, abyste kvantifikovali všechny chyby.
Po výpočtu chyb je dalším krokem vynásobit tyto chyby druhou. To znamená, že každou chybu vynásobíte sama se sebou, což vám poskytne druhé mocniny chyb.
Nyní vypočítejte průměr druhých mocnin chyb. K tomu použijete funkci „Průměr“ v Excelu a rozdělíte součet druhých mocnin chyb počtem pozorování. To vám poskytne průměrnou čtvercovou chybu.
Po určení průměru druhých mocnin chyb vytáhnete od této hodnoty odmocninu. To vede k hodnotě Root Mean Square Error (RMSE). Tato hodnota je klíčová pro posouzení kvality vašich prognóz.
Nyní chcete také vypočítat průměr skutečných hodnot. K tomu opět použijete funkci „Průměr“ a vyberete příslušné skutečné hodnoty. Tento průměr je důležitý pro pozdější interpretaci koeficientu variace.
V dalším kroku spočtete koeficient variace (VK). VK se vypočítá tak, že RMSE vydělíte průměrem skutečných hodnot. Toto vám poskytne procentuální znázornění chyb ve srovnání se skutečnými hodnotami, což posuzuje kvalitu vašich prognóz.
Interpretace koeficientu variace je zásadní. VK 0,08 znamená nízkou relativní fluktuaci a také vysokou kvalitu prognóz. Tuto hodnotu a vaše zjištění můžete také zadat do referenční tabulky, abyste výsledky lépe pochopili.
Závěrem jste analyzovali prognózy a skutečné hodnoty v Excelu pomocí několika kroků. Výpočet chyb, druhování, tvorba průměrů a nakonec určení koeficientu variace jsou základní postupy pro hodnocení kvality analýz časových řad.
Závěr
V této příručce jste objevili, jak analýzovat časové řady v Excelu porovnáním prognóz se skutečnými hodnotami. Naučili jste se počítat chyby, druhovat je a kvantifikovat kvalitu svých prognóz. Díky určení koeficientu variace máte nyní schopnost lépe odhadovat budoucí prognózy.
Často kladené dotazy
Jak mohu zobrazit skutečné hodnoty a prognózy v Excelu?Vytvořte samostatné sloupce pro skutečné hodnoty a prognózy a vložte do těchto sloupců odpovídající hodnoty.
Jak vypočítám RMSE?RMSE se spočítá tím, že se vytáhne odmocnina z průměru čtvercových chyb.
Co znamená vysoký koeficient variace?Vysoký koeficient variace naznačuje vysokou relativní fluktuaci, což naznačuje nižší kvalitu prognóz.
Proč je důležité družit chyby?Družení chyb zajistí, že pozitivní a negativní odchylky se nebudou vzájemně neutralizovat při výpočtu průměru.
