Single Exponential Smoothing، به اختصار SES که هموارسازی نمایی ساده نیز نامیده می‌شود، یک روش پیش‌بینی سری زمانی برای داده‌های تک متغیره بدون روند یا فصلی است. این به یک پارامتر واحد نیاز دارد که آلفا (a) نامیده می شود، که ضریب هموارسازی یا ضریب هموارسازی نیز نامیده می شود.
چگونه هموارسازی نمایی را تجزیه و تحلیل می کنید؟
تفسیر نتایج کلیدی برای هموارسازی نمایی تکی
- مرحله 1: تعیین کنید که آیا مدل با داده های شما مطابقت دارد یا خیر.
- مرحله 2: تناسب مدل خود را با مدل های دیگر مقایسه کنید.
- مرحله 3: تعیین کنید که آیا پیش‌بینی‌ها دقیق هستند یا خیر.
چگونه آلفا را برای هموارسازی نمایی انتخاب می کنید؟
ما بهترین مقدار را برای \alpha انتخاب می کنیم تا مقداری که منجر به کوچکترین MSE شود. مجموع مجذور خطاها (SSE)=208.94. میانگین مربعات خطاها (MSE) SSE /11=19.0 است. MSE دوباره برای \alpha=0.5 محاسبه شد و 16.29 بود، بنابراین در این مورد ما یک \alpha 0.5 را ترجیح می دهیم.
چه زمانی از هموارسازی نمایی استفاده می کنید؟
هموارسازی نمایی روشی برای هموارسازی داده ها برای ارائه ها یا انجام پیش بینی است. معمولاً برای امور مالی و اقتصادی استفاده می شود. اگر سری زمانی با الگوی واضح دارید، می‌توانید از میانگین‌های متحرک استفاده کنید - اما اگر الگوی واضحی ندارید، می‌توانید از هموارسازی نمایی برای پیش‌بینی استفاده کنید.
چگونه هموارسازی نمایی ساده را محاسبه می کنید؟
محاسبه هموارسازی نمایی به شرح زیر است: تقاضای دوره اخیر ضرب در ضریب هموارسازی. پیش بینی آخرین دوره ضربدر (یک منهای ضریب هموارسازی). S=ضریب هموارسازی که به صورت اعشاری نشان داده می شود (بنابراین 35% به صورت 0.35 نشان داده می شود).
