Single Exponential Smoothing, forkortet SES, også k alt Simple Exponential Smoothing, er en tidsserieprognosemetode for univariate data uten trend eller sesongvariasjoner. Den krever en enkelt parameter, k alt alfa (a), også k alt utjevningsfaktoren eller utjevningskoeffisienten.
Hvordan analyserer du eksponentiell utjevning?
Tolk nøkkelresultatene for Single Exponential Smoothing
- Trinn 1: Finn ut om modellen passer til dataene dine.
- Trinn 2: Sammenlign passformen til modellen din med andre modeller.
- Trinn 3: Finn ut om prognosene er nøyaktige.
Hvordan velger du Alpha for eksponentiell utjevning?
Vi velger den beste verdien for \alpha, så verdien som resulterer i den minste MSE. Summen av kvadratfeilene (SSE)=208,94. Gjennomsnittet av kvadratfeilene (MSE) er SSE /11=19,0. MSE ble igjen beregnet for \alpha=0,5 og viste seg å være 16,29, så i dette tilfellet foretrekker vi en \alfa på 0,5.
Når vil du bruke eksponentiell utjevning?
Eksponentiell utjevning er en måte å jevne ut data for presentasjoner eller lage prognoser. Det brukes vanligvis til finans og økonomi. Hvis du har en tidsserie med et klart mønster, kan du bruke glidende gjennomsnitt – men hvis du ikke har et klart mønster, kan du bruke eksponentiell utjevning for å forutsi.
Hvordan beregner du enkel eksponentiell utjevning?
Den eksponentielle utjevningsberegningen er som følger: Den siste periodens behov multiplisert med utjevningsfaktoren. Den siste periodens prognose multiplisert med (én minus utjevningsfaktoren). S=utjevningsfaktoren representert i desimalform (så 35 % vil bli representert som 0,35).
