Doble Promedio Móvil Exponencial Excel

Suavizado exponencial Este ejemplo le enseña cómo aplicar el suavizado exponencial a una serie de tiempo en Excel. El suavizado exponencial se utiliza para suavizar las irregularidades (picos y valles) para reconocer fácilmente las tendencias. 1. En primer lugar, echemos un vistazo a nuestra serie de tiempo. 2. En la ficha Datos, haga clic en Análisis de datos. Nota: no puede encontrar el botón Análisis de datos Haga clic aquí para cargar el complemento Herramientas de análisis. 3. Seleccione suavizado exponencial y haga clic en Aceptar. 4. Haga clic en el cuadro Rango de entrada y seleccione el rango B2: M2. 5. Haga clic en el cuadro Factor de amortiguación y escriba 0.9. La literatura a menudo habla de la constante de alisamiento (alfa). El valor (1-) se denomina factor de amortiguación. 6. Haga clic en el cuadro Rango de salida y seleccione la celda B3. 8. Trazar un gráfico de estos valores. Explicación: debido a que ponemos alfa a 0,1, el punto de datos anterior recibe un peso relativamente pequeño mientras que al valor suavizado anterior se le da un peso grande (es decir, 0,9). Como resultado, los picos y valles se suavizan. El gráfico muestra una tendencia creciente. Excel no puede calcular el valor suavizado para el primer punto de datos porque no hay punto de datos anterior. El valor suavizado para el segundo punto de datos es igual al punto de datos anterior. 9. Repita los pasos 2 a 8 para alfa 0.3 y alfa 0.8. Conclusión: El menor alfa (mayor el factor de amortiguación), más los picos y valles se suavizan. El mayor alfa (menor el factor de amortiguación), más cerca de los valores suavizados son los puntos de datos reales. Cómo calcular los promedios móviles ponderados en Excel utilizando suavizado exponencial Análisis de datos de Excel para Dummies, 2 ª edición La herramienta Exponential Smoothing en Excel calcula el movimiento promedio. Sin embargo, el suavizado exponencial pesa los valores incluidos en los cálculos del promedio móvil de modo que los valores más recientes tengan un mayor efecto en el cálculo promedio y los valores antiguos tengan un efecto menor. Esta ponderación se realiza a través de una constante de suavizado. Para ilustrar cómo funciona la herramienta Exponential Smoothing, supongamos que vuelve a examinar la información diaria promedio sobre la temperatura. Para calcular las medias móviles ponderadas usando el suavizado exponencial, realice los siguientes pasos: Para calcular una media móvil suavizada exponencialmente, primero haga clic en el botón de comando Análisis de datos de la barra de datos. Cuando Excel muestra el cuadro de diálogo Análisis de datos, seleccione el elemento Exponential Smoothing de la lista y, a continuación, haga clic en Aceptar. Excel muestra el cuadro de diálogo Exponential Smoothing. Identificar los datos. Para identificar los datos para los que desea calcular un promedio móvil exponencialmente suavizado, haga clic en el cuadro de texto Rango de entrada. A continuación, identifique el rango de entrada, ya sea escribiendo una dirección de intervalo de hoja de cálculo o seleccionando el intervalo de hoja de cálculo. Si su rango de entrada incluye una etiqueta de texto para identificar o describir sus datos, active la casilla de verificación Etiquetas. Proporcione la constante de suavizado. Introduzca el valor de la constante de suavizado en el cuadro de texto Factor de amortiguación. El archivo de Ayuda de Excel sugiere que utilice una constante de suavizado de entre 0,2 y 0,3. Sin embargo, presumiblemente, si usa esta herramienta, tiene sus propias ideas acerca de cuál es la constante de suavizado correcta. (Si usted no tiene ni idea acerca de la constante de suavizado, tal vez no debería usar esta herramienta.) Dígale a Excel dónde colocar los datos de promedio móvil suavizado exponencialmente. Utilice el cuadro de texto Rango de salida para identificar el intervalo de hoja de cálculo en el que desea colocar los datos del promedio móvil. En el ejemplo de la hoja de cálculo, por ejemplo, coloque los datos del promedio móvil en el rango de hoja de cálculo B2: B10. (Opcional) Diagrama los datos suavizados exponencialmente. Para graficar los datos exponencialmente suavizados, seleccione la casilla de verificación Salida del gráfico. (Opcional) Indica que desea que se calcula la información de error estándar. Para calcular los errores estándar, seleccione la casilla de verificación Estándar Errores. Excel sitúa los valores de error estándar junto a los valores de la media móvil exponencialmente suavizados. Una vez que haya terminado de especificar qué información de media móvil desea calcular y dónde desea colocarla, haga clic en Aceptar. Excel calcula la información del promedio móvil. Suavizado El suavizado y el filtrado son dos de las técnicas de series de tiempo más utilizadas para eliminar el ruido de los datos subyacentes para ayudar a revelar las características y componentes importantes (por ejemplo, tendencia, estacionalidad, etc.). Sin embargo, también podemos usar el suavizado para rellenar los valores perdidos y / o realizar un pronóstico. En este número, discutiremos cinco (5) diferentes métodos de suavizado: promedio móvil ponderado (WMA i), suavizado exponencial simple, suavizado exponencial doble, suavizado exponencial lineal y suavizado exponencial triple. ¿Por qué debemos preocuparnos? El suavizado es muy frecuentemente usado (y abusado) en la industria para hacer un examen visual rápido de las propiedades de los datos (por ejemplo, tendencia, estacionalidad, etc.), ajustarse a los valores perdidos y conducir un rápido fuera de la muestra pronóstico. ¿Por qué tenemos tantas funciones de suavizado Como veremos en este documento, cada función funciona para una suposición diferente sobre los datos subyacentes. Por ejemplo, el suavizado exponencial simple asume que los datos tienen una media estable (o por lo menos una media de movimiento lento), por lo que el suavizado exponencial simple no funcionará bien en la previsión de datos que muestran estacionalidad o una tendencia. En este artículo repasaremos cada función de suavizado, resaltaremos sus supuestos y parámetros y demostraremos su aplicación a través de ejemplos. Promedio móvil ponderado (WMA) Un promedio móvil se utiliza comúnmente con datos de series de tiempo para suavizar las fluctuaciones a corto plazo y resaltar tendencias o ciclos a más largo plazo. Un promedio móvil ponderado tiene factores multiplicadores para dar pesos diferentes a los datos en diferentes posiciones en la ventana de muestra. El promedio móvil ponderado tiene una ventana fija (es decir, N) y los factores se eligen típicamente para dar más peso a las observaciones recientes. El tamaño de ventana (N) determina el número de puntos promediados en cada momento, por lo que un tamaño de ventanas más grande responde menos a los nuevos cambios en la serie temporal original y un tamaño de ventana pequeño puede hacer que la salida suavizada sea ruidosa. Para fuera de propósitos de la previsión de la muestra: Ejemplo 1: Consideremos las ventas mensuales para la Compañía X, usando una media móvil de 4 meses (igual ponderada). Tenga en cuenta que el promedio móvil está siempre rezagado detrás de los datos y el pronóstico fuera de la muestra converge a un valor constante. Vamos a tratar de usar un esquema de ponderación (véase más adelante) que da más énfasis a la última observación. Se representó el promedio móvil ponderado igual y WMA en el mismo gráfico. El WMA parece más sensible a los cambios recientes y el pronóstico de fuera de la muestra converge al mismo valor que el promedio móvil. Ejemplo 2: Examine la WMA en presencia de tendencia y estacionalidad. Para este ejemplo, utilice bien los datos de la aerolínea internacional de pasajeros. La ventana del promedio móvil es de 12 meses. El MA y el WMA siguen el ritmo de la tendencia, pero el pronóstico fuera de la muestra se aplana. Además, aunque la WMA exhibe alguna estacionalidad, siempre se queda atrás de los datos originales. (Browns) Suavizado exponencial simple El suavizado exponencial simple es similar al WMA con la excepción de que el tamaño de la ventana es infinito y los factores de ponderación disminuyen exponencialmente. Como hemos visto en el WMA, la exponencial simple es adecuada para series temporales con una media estable, o al menos una media móvil muy lenta. Ejemplo 1: Utilizamos los datos de ventas mensuales (como hicimos en el ejemplo de WMA). En el ejemplo anterior, elegimos el factor de suavizado para que sea 0.8, lo que plantea la pregunta: ¿Cuál es el mejor valor para el factor de suavizado? Estimar el mejor valor de los datos Utilizando la función TSSUB (para calcular el error), SUMSQ y Excel Las tablas de datos, calculamos la suma de los errores al cuadrado (SSE) y trazamos los resultados: El SSE alcanza su valor mínimo alrededor de 0,8, por lo que escogimos este valor para nuestro suavizado. (Holt-Winters) Suavizado exponencial doble El suavizado exponencial simple no funciona bien en presencia de una tendencia, por lo que se proponen varios métodos concebidos bajo el doble paraguas exponencial para manejar este tipo de datos. NumXL admite el doble suavizado exponencial de Holt-Winters, que toma la siguiente formulación: Ejemplo 1: Examinemos los datos de la aerolínea internacional de pasajeros Elegimos un valor Alpha de 0,9 y un Beta de 0,1. Tenga en cuenta que aunque el suavizado doble traza bien los datos originales, el pronóstico fuera de la muestra es inferior al promedio móvil simple. Cómo encontramos los mejores factores de suavizado Tomamos un enfoque similar a nuestro ejemplo de suavizado exponencial simple, pero modificado para dos variables. Calculamos la suma de los errores cuadrados construimos una tabla de datos de dos variables, y seleccionamos los valores alfa y beta que minimizan el SSE general. (Browns) Suavizado exponencial lineal Este es otro método de función de suavizado exponencial doble, pero tiene un factor de suavizado: El suavizado exponencial doble Browns toma un parámetro menor que la función Holt-Winters, pero puede no ofrecer un ajuste tan bueno como esa función. Ejemplo 1: Utilice el mismo ejemplo en el exponencial doble de Holt-Winters y compare la suma óptima del error al cuadrado. La exponencial doble de Browns no se ajusta a los datos de la muestra, así como al método Holt-Winters, pero la muestra fuera de la muestra (en este caso en particular) es mejor. Cómo encontramos el mejor factor de suavizado () Utilizamos el mismo método para seleccionar el valor de alfa que minimiza la suma del error al cuadrado. Para los ejemplos de datos de ejemplo, se encuentra que el alpha es 0.8. (Winters) Triple Exponential Smoothing El triple suavizado exponencial tiene en cuenta los cambios estacionales así como las tendencias. Este método requiere 4 parámetros: La formulación para el suavizado exponencial triple es más complicada que cualquiera de las anteriores. Por favor, consulte nuestro manual de referencia en línea para la formulación exacta. Ejemplo: Utilizando los datos de la aerolínea internacional de pasajeros, podemos aplicar el triple de suavización exponencial de los inviernos, encontrar parámetros óptimos y realizar una previsión fuera de la muestra. Obviamente, el mejoramiento exponencial triple de Winters se aplica mejor a esta muestra de datos, ya que rastrea bien los valores y el pronóstico de la muestra fuera de la muestra muestra la estacionalidad (L12). ¿Cómo encontrar el mejor factor de suavizado () Una vez más, tenemos que elegir los valores que minimizar la suma global de los errores cuadrados (SSE), pero las tablas de datos se puede utilizar para más de dos variables, por lo que recurrir a la Excel Solver: (1) Configurar el problema de minimización, con el SSE como la función de utilidad (2) Las restricciones para este problema Conclusión de apoyo Archivos