Tidsrækkeanalyse er et centralt element i statistikken, især i økonomiske sammenhænge. For at udvikle en solid forståelse for fejlanalyser og kvalitetsvurderinger i Excel, vil du i denne vejledning blive guidet gennem en praktisk anvendelse. Dette sker ved hjælp af en case-studie fra en bilkomponentleverandør. Du vil lære, hvordan du kan sammenligne prognoser med faktiske værdier og kvantificere kvaliteten af dine prognoser gennem fejlanalyse.
Vigtigste erkendelser
- Du vil lære, hvordan prognoser og faktiske værdier kan sammenlignes i Excel.
- Du vil finde ud af, hvilke fejlindikatorer der kan bruges til at evaluere prognosens kvalitet.
- Til sidst vil du kunne beregne variationskoefficienten og den kvadratrodstilsvarende fejl (RMSE).
Trin-for-trin guide
Begynd med at indtaste 2019-værdierne som prognoser og 2020-værdierne som faktiske værdier i Excel. Sørg for at overføre tallene korrekt for at skabe et solidt grundlag for dine beregninger.
For at udføre analysen skal du bruge de rå data fra begge år. Du bør sikre dig 2020-tallene og derefter inkludere prognoserne for 2019. Disse værdier vil fungere som grundlag for dine beregninger.
Kopier nu de rå data fra 2020-tallene til et arbejdsområde og indsæt dem fuldstændigt. For at holde beregningerne klart strukturerede, er det en god idé at oprette separate kolonner til prognoser og faktiske værdier.
I næste trin skal du trække prognoserne fra de faktiske værdier for at beregne fejlene. Dette gøres ved at bruge formlen "Fejl = Faktisk værdi - Prognose". Anvend denne beregning på alle dine datapunkter for at kvantificere alle fejlene.
Efter at have beregnet fejlene, er næste skridt at kvadrere disse fejl. Dette betyder, at du multiplicerer hvert fejl med sig selv, hvilket giver dig de kvadrerede fejl.
Beregn nu gennemsnittet af de kvadrerede fejl. Dette gøres ved at bruge funktionen "Gennemsnit" i Excel og dividere summen af de kvadrerede fejl med antallet af observationer. Dette giver dig den gennemsnitlige kvadrerede fejl.
Efter at have bestemt gennemsnittet af de kvadrerede fejl, trækker du kvadratroden af dette gennemsnit. Dette giver dig Root Mean Square Error (RMSE). Denne værdi er afgørende for vurdering af prognosens kvalitet.
Nu ønsker du også at beregne gennemsnittet af de faktiske værdier. Brug igen funktionen "Gennemsnit" og vælg de relevante faktiske værdier. Dette gennemsnit er vigtigt for senere tolkning af variationskoefficienten.
I næste skridt beregner du variationskoefficienten (VK). VK beregnes ved at dividere RMSE med gennemsnittet af de faktiske værdier. Dette giver dig en procentvis repræsentation af fejlene i forhold til de faktiske værdier, hvilket vurderer kvaliteten af dine prognoser.
Tolkning af variationskoefficienten er afgørende. En VK på 0,08 indikerer en lav relativ variation og dermed en høj prognosekvalitet. Du kan indtaste dette tal og dine erkendelser i en reference-tabel for bedre forståelse af resultaterne.
Samlet set har du analyseret prognoserne og de faktiske værdier i Excel gennem flere trin. Beregning af fejl, kvadrering, dannelse af gennemsnit og endelig bestemmelse af variationskoefficienten er grundlæggende metoder til at vurdere kvaliteten af tidsrækkeanalyser.
Opsamling
I denne vejledning har du udforsket, hvordan du analyserer tidsrækker i Excel ved at sammenligne prognoser med faktiske værdier. Du har lært at beregne fejl, kvadrere dem og kunne kvantificere kvaliteten af dine prognoser. Ved at bestemme variationskoefficienten har du nu evnen til bedre at vurdere fremtidige prognoser.
Ofte stillede spørgsmål
Hvordan kan jeg repræsentere faktiske værdier og prognoser i Excel?Ved at oprette separate kolonner til faktiske værdier og prognoser og indtaste de relevante værdier i disse kolonner.
Hvordan beregner jeg RMSE?RMSE beregnes ved at tage kvadratroden af gennemsnittet af de kvadrerede fejl.
Hvad betyder en høj variationskoefficient?En høj variationskoefficient indikerer en høj relativ variation, hvilket tyder på en lavere prognosekvalitet.
Hvorfor er det vigtigt at kvadrere fejl?Ved at kvadrere fejlene sikrer du, at positive og negative afvigelser ikke neutraliseres, når du beregner gennemsnittet.
