Single Exponential Smoothing, SES per abreujar, també anomenat Simple Exponential Smoothing, és un mètode de previsió de sèries temporals per a dades univariades sense tendència ni estacionalitat. Requereix un únic paràmetre, anomenat alfa (a), també anomenat factor de suavització o coeficient de suavització.
Com s'analitza el suavitzat exponencial?
Interpreteu els resultats clau per al suavització exponencial única
- Pas 1: determineu si el model s'adapta a les vostres dades.
- Pas 2: compareu l'ajust del vostre model amb altres models.
- Pas 3: determineu si les previsions són precises.
Com trieu Alpha per a un suavitzat exponencial?
Escollim el millor valor per a \alpha, de manera que el valor que resulta en el MSE més petit. La suma dels errors quadrats (SSE)=208,94. La mitjana dels errors quadrats (MSE) és l'SSE /11=19,0. El MSE es va tornar a calcular per a \alpha=0,5 i va resultar ser 16,29, de manera que en aquest cas preferirem un \alpha de 0,5.
Quan faries servir el suavitzat exponencial?
La suavització exponencial és una manera de suavitzar les dades de les presentacions o de fer previsions. Normalment s'utilitza per a finances i economia. Si teniu una sèrie temporal amb un patró clar, podeu utilitzar mitjanes mòbils, però si no teniu un patró clar, podeu fer servir el suavitzat exponencial per fer pronòstics.
Com es calcula el suavització exponencial simple?
El càlcul de suavització exponencial és el següent: La demanda del període més recent multiplicada pel factor de suavització. La previsió del període més recent multiplicada per (un menys el factor de suavització). S=el factor de suavització representat en forma decimal (per tant, el 35% es representaria com a 0,35).
