Single Exponential Smoothing, SES kwa ufupi, pia huitwa Simple Exponential Smoothing, ni mbinu ya utabiri wa mfululizo wa saa kwa data isiyobadilika bila mtindo au msimu. Inahitaji kigezo kimoja, kinachoitwa alpha (a), pia huitwa kipengele cha kulainisha au mgawo wa kulainisha.
Unachanganua vipi ulainishaji wa kielelezo?
Tafsiri matokeo muhimu ya Single Exponential Smoothing
- Hatua ya 1: Bainisha ikiwa muundo unafaa data yako.
- Hatua ya 2: Linganisha ufaafu wa muundo wako na miundo mingine.
- Hatua ya 3: Amua ikiwa utabiri ni sahihi.
Je, unachaguaje Alpha kwa ajili ya ulainishaji wa hali ya juu?
Tunachagua thamani bora zaidi ya \alpha ili thamani ambayo husababisha MSE ndogo zaidi. Jumla ya makosa ya mraba (SSE)=208.94. Wastani wa makosa ya mraba (MSE) ni SSE /11=19.0. MSE ilikokotolewa tena kwa \alpha=0.5 na ikawa 16.29, kwa hivyo katika kesi hii tungependelea \alpha ya 0.5.
Utatumia lini ulainishaji wa hali ya juu?
Kulainisha kwa kielelezo ni njia kulainisha data ya mawasilisho au kufanya utabiri. Kawaida hutumiwa kwa fedha na uchumi. Ikiwa una mfululizo wa saa ulio na mchoro wazi, unaweza kutumia wastani unaosonga - lakini kama huna mchoro unaoeleweka unaweza kutumia ulainishaji wa kielelezo kutabiri.
Unahesabuje ulainishaji rahisi wa kielelezo?
Hesabu ya kulainisha kipeo ni kama ifuatavyo: Mahitaji ya kipindi cha hivi majuzi zaidi yakizidishwa na kipengele cha kulainisha. Utabiri wa kipindi cha hivi majuzi zaidi ukizidishwa na (moja ukiondoa kipengele cha kulainisha). S=kipengele cha kulainisha kinachowakilishwa katika umbo la decimal (kwa hivyo 35% ingewakilishwa kama 0.35).
