مدل های پیش بینی (میانگین متحرک، نمو هموار ساده، نمو هموار دوبل)

سری های زمانی

کاربرد اصلی تجزیه و تحلیل سری های زمانی «پیش بینی» است. بدیهی است، چنانچه وابستگی خاصی بین داده ها در طول زمان وجود داشته باشد؛فرصت مناسبی پیش می آید تا با کمک آن مشاهدات بتوان روند آینده پدیده ای را پیش بینی کرد. یکی از وظایف اصلی مدیران، تصمیم گیری و سیاست گذاری برای آینده سازمان خویش است. پس تجزیه و تحلیل سری های زمانی و پیش بینی پدیده ها می تواند ابزار مناسبی برای تصمیم گیری مدیران باشد.

میانگین متحرک

عناصر تصادفی در برخی از سری های زمانی ممکن است انقدر قوی باشد که هر گونه نظمی را در سری زمانی از بین ببرند. بنابراین هر گونه تفسیر و تحلیل ذهنی و بصری در خصوص نمودار سری زمانی با مشکل رو به رو می شود. در چنین شرایطی، نمودار واقعی سری زمانی بسیار و ممکن است در عمل مجبور باشیم برای رسیدن به تصویر واضح از سر زمانی آن را «هموار» کنیم.

یکی از روش های هموار سازی «میانگین متحرک» است. اساس این روش در این ایده نهفته است که هر تغییر تصادفی بزرگ در هر لحظه از زمان اگر با نقاط همجوارش میانگین گرفته شود، تاثیر ناچیزی از خود به جا خواهد گذاشت. ساده ترین فن از این نوع «میانگین متحرک ساده مرکزی (2m+1) نقطه» نامیده می شود. در این روش، نظر بر این است که هر مشاهده واقعی(Xt) با میانگین خودش و m نقطه همجوارش جایگزین شود.

نمو هموار ساده

در بسیاری از موارد از مدل «نمو هموار ساده» برای پیش بینی مقادیر آینده سری زمانی استفاده می شود. این روش، یکی از ساده ترین روش های پیش بینی است که مبنایی برای دیگر مدل های پیش بینی به حساب می آید. روش نمو هموار، برای آن دسته از سری های زمانی مفید است که تغییرات فصلی و دوره ای در آن مورد نظر نباشد. در این روش پیش بینی داده های دوره بعد عبارتست از:

هر قدر آلفا یا ضریب نمو هموار به صفر نزدیک شود نمایانگر بی ارزش بودن داده های اخیر است و هر قدر یا ضریب نمو هموار به “1” نزدیک شود، نشان می‌دهد که داده های اخیر با ارزش‌تر می‌باشند.

نمو هموار دوبل

این روش متشکل از نمو هموار ساده با شاخص روند تعدیل شده است که نحوه محاسبه آن به شرح زیر است.