Analiza szeregów czasowych jest kluczowym elementem statystyki, zwłaszcza w kontekstach ekonomicznych. Aby rozwinąć solidne zrozumienie analizy błędów i szacowania jakości w Excelu, zostaniesz poprowadzony przez praktyczny przykład w tej instrukcji. Dokonuje się tego na przykładzie studium przypadku dostawcy części samochodowych. Dowiesz się, jak porównać prognozy z wartościami rzeczywistymi oraz jak skwantyfikować jakość swoich prognoz za pomocą analizy błędów.
Najważniejsze wnioski
- Dowiedzisz się, jak w Excelu porównywać prognozy z wartościami rzeczywistymi.
- Dowiesz się, jakie wskaźniki błędów można użyć do oceny jakości prognozy.
- Na końcu będziesz mógł/mogła obliczyć współczynnik zmienności oraz Root Mean Square Error (RMSE).
Instrukcja krok po kroku
Rozpocznij od wprowadzenia wartości z 2019 roku jako prognozy i wartości z 2020 roku jako wartości rzeczywiste w Excelu. Upewnij się, że przekazujesz liczby poprawnie, aby stworzyć solidną podstawę dla swoich obliczeń.
Aby przeprowadzić analizę, potrzebujesz surowych danych z obu lat. Upewnij się, że masz dostępne liczby z 2020 roku, a następnie zintegruj prognozy dla 2019 roku. Te wartości stanowią podstawę dla twoich obliczeń.
Skopiuj teraz surowe dane z 2020 roku do obszaru roboczego i wklej je w całości. Aby zachować klarowną strukturę obliczeń, zaleca się stworzenie osobnych kolumn na prognozy i wartości rzeczywiste.
W kolejnym kroku musisz odjąć prognozy od wartości rzeczywistych, aby obliczyć błędy. Wykorzystaj do tego formułę „Błąd = Wartość rzeczywista - Prognoza”. Wykonaj te obliczenia dla wszystkich punktów danych, aby skwantyfikować wszystkie błędy.
Po obliczeniu błędów, następnym krokiem jest podniesienie tych błędów do kwadratu. Oznacza to, że każdy błąd jest mnożony przez siebie, co daje ci kwadraty błędów.
Oblicz teraz średnią arytmetyczną kwadratów błędów. Wykorzystaj funkcję „Średnia” w Excelu i podziel sumę kwadratów błędów przez liczbę obserwacji. To da ci średni kwadratowy błąd.
Po uzyskaniu średniej arytmetycznej kwadratów błędów, wyznacz pierwiastek kwadratowy z tej średniej. To prowadzi do Root Mean Square Error (RMSE). Ta wartość jest kluczowa dla oceny jakości twoich prognoz.
Teraz chcesz obliczyć również średnią arytmetyczną wartości rzeczywistych. Ponownie użyj funkcji „Średnia” i wybierz odpowiednie wartości rzeczywiste. Ten średni jest ważny dla późniejszej interpretacji współczynnika zmienności.
W kolejnym kroku obliczysz współczynnik zmienności (VK). VK oblicza się, dzieląc RMSE przez średnią arytmetyczną wartości rzeczywistych. Uzyskasz w ten sposób procentową reprezentację błędów w stosunku do wartości rzeczywistych, oceniając jakość swoich prognoz.
Interpretacja współczynnika zmienności jest istotna. VK wynoszący 0,08 oznacza niewielkie wahania względne i zatem wysoką jakość prognozy. Możesz wprowadzić tę wartość oraz swoje wnioski do tabeli referencyjnej, aby wyniki były bardziej zrozumiałe.
Podsumowując, przeanalizowałeś/łaś prognozy i wartości rzeczywiste w Excelu przez kilka kroków. Obliczanie błędów, podnoszenie ich do kwadratu, obliczanie średnich oraz wreszcie obliczanie współczynnika zmienności to podstawowe procedury służące do oceny jakości analiz szeregów czasowych.
Podsumowanie
W tej instrukcji zgłębiłeś/łaś sposób analizowania szeregów czasowych w Excelu poprzez porównywanie prognoz z wartościami rzeczywistymi. Nauczyłeś/łaś się obliczać błędy, podnosić je do kwadratu oraz kwantyfikować jakość swoich prognoz. Dzięki wyznaczeniu współczynnika zmienności masz teraz zdolność do lepszego oszacowania przyszłych prognoz.
Często zadawane pytania
Jak mogę przedstawić wartości rzeczywiste i prognozy w Excelu?Tworząc osobne kolumny na wartości rzeczywiste i prognozy oraz wprowadzając odpowiednie wartości do tych kolumn.
Jak obliczyć RMSE?RMSE oblicza się, wyznaczając pierwiastek z średniej arytmetycznej kwadratów błędów.
Co oznacza wysoki współczynnik zmienności?Wysoki współczynnik zmienności wskazuje na duże wahania względne, co świadczy o niższej jakości prognozy.
Dlaczego ważne jest podnoszenie błędów do kwadratu?Podnoszenie błędów do kwadratu zapewnia, że dodatnie i ujemne odchylenia nie neutralizują się nawzajem podczas obliczania średniej.
