Exponential Smoothing (Exponentiell Utjämningsmetodik)

Storskalig statistisk prognosticering. Förklaring till Exponentiell Utjämningsmetodik/Exponential Smoothing. - Svenska

Inget kan egentligen se in i framtiden. Hur som helst moderna statistiska metoder, ekonometriska modeller och (BI) Business intelligence programvara kan i viss utsträckning hjälpa företag till att förutse och bedöma vad som kommer att ske i framtiden.

Den Exponentiella utjämningsmetodik modellen

Exponentiell Utjämningsmetodik (EUM)/ Exponential Smoothing (ESM) modellen använder sig av ett viktat genomsnitt av de förflutna och nuvärdena, justerat med vikt på nuvärden för att redogöra för effekterna av svängningar i dataunderlaget, liksom för säsongsvariationer. Genom att använda ett numeriskt tal (mellan 0-1), kan du justera för känsligheten med utjämningseffekterna. ESM används ofta på statistiska prognosticeringsproblem i större skala, därför att den är både robust och lätt att applicera.

EUM/ESM är ett populärt förslag på att skapa en utjämnad tidserie. Eftersom i det Enkla Glidande Medelvärdet/(Single Moving Average) är de redan gjorda observationerna viktade lika, exponentiell ujämningsmetodik tilldelar exponentiellt minskande vikter om observationen är från ett äldre datum. Med andra ord: nya observationer ges mer vikt, vid prognosticering än de äldre observationerna.

I fallet med glidande medelvärdet, vikten som tilldelas till observationerna är desamma och är lika med 1/N. Emellertid i exponentiell utjämningsmetodik, finns det en eller flera utjämnande parametrar som måste vara bestämda eller beräknade. Dessa val bestämmer vikterna som tilldelas till observationerna.