Laiko eilučių analizė yra pagrindinis statistikos elementas, ypač ekonominiame kontekste. Kad gerai suprastumėte paklaidų analizę ir kokybės įverčius "Excel" programoje, šiame vadovėlyje jums bus pateiktas praktinis naudojimo atvejis. Tai atliekama naudojant automobilių pramonės tiekėjo atvejo tyrimo pavyzdį. Sužinosite, kaip palyginti prognozes su faktinėmis reikšmėmis ir kiekybiškai įvertinti prognozių kokybę atliekant klaidų analizes.
Pagrindinės išvados
- Sužinosite, kaip "Excel" programoje galima palyginti prognozes ir faktines vertes.
- Sužinosite, kokie klaidų rodikliai naudojami prognozės kokybei įvertinti.
- Pabaigoje galėsite apskaičiuoti variacijos koeficientą ir vidutinę kvadratinę paklaidą (RMSE).
Žingsnis po žingsnio
Pradėkite nuo 2019 m. verčių įvedimo į "Excel" programą kaip prognozių, o 2020 m. verčių - kaip faktinių verčių. Įsitikinkite, kad teisingai perkėlėte skaičius, kad sukurtumėte tvirtą pagrindą savo skaičiavimams.
Norint atlikti analizę, jums reikia abiejų metų pirminių duomenų. Turėtumėte užsitikrinti 2020 m. duomenis ir tada integruoti 2019 m. prognozes. Šios vertės bus jūsų skaičiavimų pagrindas.
Dabar nukopijuokite neapdorotus 2020 m. skaičių duomenis į darbo sritį ir įklijuokite juos visus. Kad skaičiavimai būtų aiškiai struktūruoti, patartina sukurti atskirus stulpelius prognozėms ir faktinėms reikšmėms.
Kitame etape, norėdami apskaičiuoti paklaidas, turite iš faktinių verčių atimti prognozes. Tam naudokite formulę "paklaida = faktinė vertė - prognozė". Vilkite šį skaičiavimą per visus savo duomenų taškus, kad kiekybiškai nustatytumėte visas paklaidas.
Apskaičiavus paklaidas, kitas žingsnis - šias paklaidas pakelti kvadratu. Tai reiškia, kad kiekvieną paklaidą padauginsite iš savęs ir taip gausite kvadratines paklaidas.
Dabar apskaičiuokite vidutinę kvadratinių paklaidų vertę. Tam naudokite "Excel" funkciją "Average" ir padalykite kvadratinių paklaidų sumą iš stebėjimų skaičiaus. Taip gausite vidutinę kvadratinę paklaidą.
Nustačius vidutinę kvadratinių paklaidų vertę, iš šios vidutinės vertės išveskite kvadratinę šaknį. Taip gaunama vidutinė kvadratinė paklaida (RMSE). Ši vertė yra labai svarbi vertinant jūsų prognozės kokybę.
Dabar taip pat norite apskaičiuoti faktinių reikšmių vidutinę vertę. Norėdami tai padaryti, vėl naudokite funkciją "Vidurkis" ir pasirinkite atitinkamas faktines vertes. Šis vidurkis svarbus vėlesniam variacijos koeficiento aiškinimui.
Kitame žingsnyje apskaičiuosite variacijos koeficientą (CV). CV apskaičiuojamas dalijant RMSE iš faktinių verčių vidurkio. Taip gaunama procentinė klaidų, palyginti su faktinėmis vertėmis, išraiška, kuria įvertinama jūsų prognozių kokybė.
Labai svarbu interpretuoti variacijos koeficientą. Jei CV yra 0,08, tai reiškia, kad santykiniai svyravimai yra maži, todėl prognozių kokybė yra aukšta. Šį skaičių ir savo išvadas taip pat galite įrašyti į nuorodų lentelę, kad būtų lengviau suprasti rezultatus.
Apibendrinant galima teigti, kad "Excel" programa keliais etapais išanalizavote prognozes ir faktines vertes. Paklaidų apskaičiavimas, kvadratinis skaičiavimas, vidurkinimas ir galiausiai variacijos koeficiento nustatymas yra pagrindinės procedūros, skirtos laiko eilučių analizės kokybei įvertinti.
Apibendrinimas
Šiame vadove išnagrinėjote, kaip "Excel" analizuoti laiko eilutes lyginant prognozes su faktinėmis reikšmėmis. Sužinojote, kaip apskaičiuoti paklaidas, jas išlyginti kvadratu ir kiekybiškai įvertinti prognozių kokybę. Nustatydami variacijos koeficientą, dabar turite galimybę geriau įvertinti būsimas prognozes.
Dažniausiai užduodami klausimai
Kaip "Excel" programoje galima vizualizuoti faktines vertes ir prognozes? Sukurdami atskirus stulpelius faktinėms vertėms ir prognozėms ir į šiuos stulpelius įrašydami atitinkamas vertes.
Kaip apskaičiuoti RMSE? RMSE apskaičiuojama imant kvadratinę šaknį iš paklaidų kvadratų vidurkio.
Ką reiškia didelis variacijos koeficientas? Didelis variacijos koeficientas rodo didelį santykinį nuokrypį, o tai rodo prastesnę prognozavimo kokybę.
Kodėl svarbu paklaidas kvadratizuoti? paklaidų kvadratizavimas užtikrina, kad apskaičiuojant vidutinę vertę teigiami ir neigiami nuokrypiai nebūtų tarpusavyje neutralizuojami.
