FORECAST.ETS.PI.ADD function
Kinakalkula ang (mga) agwat ng hula para sa additive na forecast batay sa makasaysayang data gamit ang ETS o EDS algorithm. Ginagamit ang EDS kapag nagtatalo haba_panahon ay 0, kung hindi ay ETS ang ginagamit.
Ang Exponential Smoothing ay isang paraan upang pakinisin ang mga tunay na halaga sa serye ng panahon upang mahulaan ang mga posibleng halaga sa hinaharap.
Ang Exponential Triple Smoothing (ETS) ay isang hanay ng mga algorithm kung saan pinoproseso ang parehong trend at periodical (pana-panahong) impluwensya. Ang Exponential Double Smoothing (EDS) ay isang algorithm tulad ng ETS, ngunit walang mga pana-panahong impluwensya. Gumagawa ang EDS ng mga linear na pagtataya.
Tingnan ang Wikipedia sa Exponential smoothing algorithm para sa karagdagang impormasyon.
Kinakalkula ang FORECAST.ETS.PI.ADD gamit ang modelo
FORECAST.ETS.PI.ADD(target, mga value, timeline, [confidence_level], [period_length], [data_completion], [pagsasama-sama])
timeline (sapilitan): Isang numeric na array o range. Ang saklaw ng timeline (x-value) para sa mga makasaysayang halaga.
Ang timeline ay hindi kailangang pagbukud-bukurin, ang mga function ay pag-uuri-uriin ito para sa mga kalkulasyon.
Ang mga halaga ng timeline ay dapat na may pare-parehong hakbang sa pagitan ng mga ito.
Kung hindi matukoy ang patuloy na hakbang sa pinagsunod-sunod na timeline, ibabalik ng mga function ang #NUM! pagkakamali.
Kung hindi magkapareho ang laki ng mga saklaw ng timeline at mga makasaysayang halaga, ibabalik ng mga function ang #N/A error.
Kung ang timeline ay naglalaman ng mas kaunti sa 2 panahon ng data, ibabalik ng mga function ang #VALUE! pagkakamali.
confidence_level (mandatory) : Ang isang numerong halaga sa pagitan ng 0 at 1 (eksklusibo), ang default ay 0.95. Isang halaga na nagsasaad ng antas ng kumpiyansa para sa kinakalkula na agwat ng hula.
Sa mga value na <= 0 o >= 1, ibabalik ng mga function ang #NUM! Error.
period_length (opsyonal) : Isang numerong halaga >= 0, ang default ay 1. Isang positibong integer na nagsasaad ng bilang ng mga sample sa isang tuldok.
Ang halaga ng 1 ay nagpapahiwatig na ang Calc ay awtomatikong matukoy ang bilang ng mga sample sa isang panahon.
Ang halaga ng 0 ay nagpapahiwatig ng walang pana-panahong mga epekto, ang isang pagtataya ay kinakalkula gamit ang mga EDS algorithm.
Para sa lahat ng iba pang positibong halaga, ang mga pagtataya ay kinakalkula gamit ang mga ETS algorithm.
Para sa mga value na hindi positibong buong numero, ibabalik ng mga function ang #NUM! Error.
data_completion (opsyonal): isang lohikal na halaga na TRUE o FALSE, isang numeric 1 o 0, ang default ay 1 (TRUE). Ang value na 0 (FALSE) ay magdaragdag ng mga nawawalang data point na may zero bilang historical value. Ang halaga ng 1 (TRUE) ay magdaragdag ng mga nawawalang punto ng data sa pamamagitan ng interpolating sa pagitan ng mga kalapit na punto ng data.
Bagama't ang time line ay nangangailangan ng patuloy na hakbang sa pagitan ng mga punto ng data, sinusuportahan ng function ang hanggang 30% na nawawalang mga punto ng data, at idaragdag ang mga punto ng data na ito.
pagsasama-sama (opsyonal): Isang numeric na value mula 1 hanggang 7, na may default na 1. Isinasaad ng aggregation parameter kung aling paraan ang gagamitin upang pagsama-samahin ang magkaparehong time value:
|
Pagsasama-sama |
Function |
|---|---|
|
1 |
AVERAGE |
|
2 |
COUNT |
|
3 |
COUNTA |
|
4 |
MAX |
|
5 |
MEDIAN |
|
6 |
MIN |
|
7 |
SUM |
Bagama't ang time line ay nangangailangan ng tuluy-tuloy na hakbang sa pagitan ng mga punto ng data, ang mga function ay magsasama-sama ng maraming puntos na may parehong time stamp.
Halimbawa, na may 90% na antas ng Kumpiyansa, isang 90% prediction interval ang kukuwentahin (90% of mga puntos sa hinaharap ay mahuhulog sa loob ng radius na ito mula sa hula).
Tandaan sa mga agwat ng hula: walang eksaktong matematikal na paraan upang kalkulahin ito para sa mga pagtataya, mayroong iba't ibang mga pagtatantya. Ang mga agwat ng hula ay may posibilidad na maging mas 'over-optimistic' kapag tumataas ang distansya ng forecast-X mula sa set ng data ng pagmamasid.
Para sa ETS, gumagamit ang Calc ng approximation batay sa 1000 kalkulasyon na may mga random na variation sa loob ng standard deviation ng observation data set (ang historical values).
=FORECAST.ETS.PI.ADD(DATE(2014;1;1);Values;Timeline;0.9;1;TRUE();1)
Ibinabalik ang 18.8061295551355, ang prediction interval para sa additive forecast para sa Enero 2014 batay sa Mga halaga at Timeline pinangalanang mga hanay sa itaas, 90% (=0.9) antas ng kumpiyansa, na may isang sample bawat panahon, walang nawawalang data, at AVERAGE bilang pagsasama-sama.
= FORECAST.ETS.PI.ADD(DATE(2014;1;1);Values;Timeline;0.8;4;TRUE();7)
Ibinabalik ang 23.4416821953741, ang prediction interval para sa additive forecast para sa Enero 2014 batay sa Mga halaga at Timeline pinangalanang mga hanay sa itaas, na may antas ng kumpiyansa na 0.8, haba ng panahon na 4, walang nawawalang data, at SUM bilang pagsasama-sama.
COM.MICROSOFT.FORECAST.ETS.COFINT