Single Exponential Smoothing, förkortat SES, även kallat Simple Exponential Smoothing, är en tidsserieprognosmetod för univariat data utan trend eller säsongsvariation. Den kräver en enda parameter, kallad alfa (a), även kallad utjämningsfaktor eller utjämningskoefficient.
Hur analyserar du exponentiell utjämning?
Tolka nyckelresultaten för enkel exponentiell utjämning
- Steg 1: Bestäm om modellen passar dina data.
- Steg 2: Jämför passformen på din modell med andra modeller.
- Steg 3: Bestäm om prognoserna är korrekta.
Hur väljer du Alpha för exponentiell utjämning?
Vi väljer det bästa värdet för \alpha så det värde som resulterar i den minsta MSE. Summan av kvadratfelen (SSE)=208,94. Medelvärdet av kvadratfelen (MSE) är SSE /11=19,0. MSE beräknades återigen för \alpha=0,5 och visade sig vara 16,29, så i det här fallet skulle vi föredra en \alfa på 0,5.
När skulle du använda exponentiell utjämning?
Exponentiell utjämning är ett sätt att jämna ut data för presentationer eller att göra prognoser. Det används vanligtvis för finans och ekonomi. Om du har en tidsserie med ett tydligt mönster kan du använda glidande medelvärden – men om du inte har ett tydligt mönster kan du använda exponentiell utjämning för att prognostisera.
Hur beräknar du enkel exponentiell utjämning?
Den exponentiella utjämningsberäkningen är som följer: Den senaste periodens efterfrågan multiplicerat med utjämningsfaktorn. Den senaste periodens prognos multiplicerad med (ett minus utjämningsfaktorn). S=utjämningsfaktorn representerad i decimalform (så 35 % skulle representeras som 0,35).
