Single Exponential Smoothing, in breve SES, chiamato anche Simple Exponential Smoothing, è un metodo di previsione di serie temporali per dati univariati senza trend o stagionalità. Richiede un singolo parametro, chiamato alfa (a), chiamato anche fattore di smussamento o coefficiente di smussamento.
Come si analizza lo smoothing esponenziale?
Interpretare i risultati chiave per l'attenuazione esponenziale singola
- Fase 1: determina se il modello si adatta ai tuoi dati.
- Fase 2: confronta la vestibilità del tuo modello con altri modelli.
- Fase 3: Determina se le previsioni sono accurate.
Come scegli Alpha per lo smoothing esponenziale?
Scegliamo il valore migliore per \alpha, quindi il valore che risulta nel MSE più piccolo. La somma degli errori al quadrato (SSE)=208,94. La media degli errori al quadrato (MSE) è SSE /11=19,0. L'MSE è stato nuovamente calcolato per \alpha=0.5 ed è risultato essere 16.29, quindi in questo caso preferiremmo un \alpha di 0.5.
Quando useresti lo smoothing esponenziale?
Il livellamento esponenziale è un modo per smussare i dati per le presentazioni o per fare previsioni. Di solito è usato per la finanza e l'economia. Se disponi di una serie temporale con un modello chiaro, puoi utilizzare le medie mobili, ma se non hai un modello chiaro puoi utilizzare il livellamento esponenziale per prevedere.
Come si calcola lo smoothing esponenziale semplice?
Il calcolo del livellamento esponenziale è il seguente: La domanda del periodo più recente moltiplicata per il fattore di livellamento. La previsione del periodo più recente moltiplicata per (uno meno il fattore di livellamento). S=il fattore di livellamento rappresentato in forma decimale (quindi il 35% sarebbe rappresentato come 0,35).
