Single Exponential Smoothing, qisqacha SES, shuningdek, Simple Exponential Smoothing deb ham ataladi, bu trend yoki mavsumiyliksiz bir oʻzgaruvchan maʼlumotlar uchun vaqt qatorlarini prognozlash usulidir. Bu alfa (a) deb ataladigan yagona parametrni talab qiladi, uni tekislash omili yoki tekislash koeffitsienti ham deb ataladi.
Eksponensial tekislashni qanday tahlil qilasiz?
Yagona eksponensial tekislash uchun asosiy natijalarni sharhlang
- 1-qadam: Model maʼlumotlaringizga mos kelishini aniqlang.
- 2-qadam: Modelingizning mosligini boshqa modellar bilan solishtiring.
- 3-qadam: prognozlar toʻgʻri yoki yoʻqligini aniqlang.
Eksponensial tekislash uchun Alfa qanday tanlanadi?
Biz \alpha uchun eng yaxshi qiymatni tanlaymiz, shuning uchun eng kichik MSEga olib keladigan qiymat. Kvadrat xatolar yig'indisi (SSE)=208,94. Kvadrat xatoliklarning o'rtacha qiymati (MSE) SSE /11=19.0. MSE yana \alpha=0.5 uchun hisoblab chiqildi va 16.29 boʻlib chiqdi, shuning uchun bu holda biz \alfa 0,5 ni afzal koʻrar edik.
Qachon eksponensial tekislashdan foydalanasiz?
Eksponensial tekislash - bu prezentatsiyalar uchun ma'lumotlarni yumshatish yoki prognoz qilish. U odatda moliya va iqtisod uchun ishlatiladi. Agar sizda aniq naqshli vaqt seriyasi boʻlsa, harakatlanuvchi oʻrtacha qiymatlardan foydalanishingiz mumkin, lekin agar aniq naqsh boʻlmasa, bashorat qilish uchun eksponensial tekislashdan foydalanishingiz mumkin.
Oddiy eksponensial tekislashni qanday hisoblaysiz?
Eksponensial tekislash hisobi quyidagicha: Eng oxirgi davr talabi tekislash omiliga koʻpaytirildi. Eng so'nggi davr prognozi (bir minus tekislash omili) ga ko'paytirildi. S=o'nlik ko'rinishda ifodalangan tekislash omili (shuning uchun 35% 0,35 sifatida ifodalanadi).
