Single Exponential Smoothing, kurz SES, auch Simple Exponential Smoothing genannt, ist ein Zeitreihen-Prognoseverfahren für univariate Daten ohne Trend oder Saisonalität. Es erfordert einen einzigen Parameter namens Alpha (a), auch Glättungsfaktor oder Glättungskoeffizient genannt.
Wie analysiert man die exponentielle Glättung?
Interpretieren Sie die wichtigsten Ergebnisse für Single Exponential Smoothing
- Schritt 1: Bestimmen Sie, ob das Modell zu Ihren Daten passt.
- Schritt 2: Vergleichen Sie die Passform Ihres Modells mit anderen Modellen.
- Schritt 3: Stellen Sie fest, ob die Prognosen korrekt sind.
Wie wählen Sie Alpha für die exponentielle Glättung aus?
Wir wählen den besten Wert für \alpha, also den Wert, der den kleinsten MSE ergibt. Die Summe der quadrierten Fehler (SSE)=208,94. Der Mittelwert der quadrierten Fehler (MSE) ist SSE /11=19,0. Der MSE wurde wieder für \alpha=0.5 berechnet und ergab 16.29, also würden wir in diesem Fall ein \alpha von 0.5 bevorzugen.
Wann würden Sie die exponentielle Glättung verwenden?
Exponentielle Glättung ist eine Möglichkeit, Daten für Präsentationen zu glätten oder Prognosen zu erstellen. Es wird normalerweise für Finanzen und Wirtschaft verwendet. Wenn Sie eine Zeitreihe mit einem klaren Muster haben, können Sie gleitende Durchschnitte verwenden. Wenn Sie jedoch kein klares Muster haben, können Sie die exponentielle Glättung zur Prognose verwenden.
Wie berechnet man eine einfache exponentielle Glättung?
Die Berechnung der exponentiellen Glättung lautet wie folgt: Der Bedarf der letzten Periode multipliziert mit dem Glättungsfaktor. Die Prognose des letzten Zeitraums multipliziert mit (eins minus Glättungsfaktor). S=der in Dezimalform dargestellte Glättungsfaktor (also würden 35 % als 0,35 dargestellt).
