Loading

Module 1: Multi - Criteri Decisione Making and Forecasting

Note di Apprendimento
Study Reminders
Support
Text Version

Regressione Trend

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Ciao e benvenuto a “ Modelling e Analytics for Supply Chain Management ”! Siamo nella settimana 9, lezione 48 e siamo in una delle porzioni più importanti come punto di partenza della supply chain, con la quale iniziamo che è la previsione nella supply chain e oggi " s topic è di nuovo, quella che è stata più ampiamente studiata in tutto il mondo, ovvero l'analisi di regressione in previsione, più diffusa, più ampiamente studiata. Ora vediamo, quello che abbiamo, tutto quello che abbiamo imparato è, tutto lungo in questo argomento nelle ultime tre settimane di studi di previsione, abbiamo praticamente ipotito che la mia richiesta sia costante. La domanda è costante che l'aberrazione minore sia dovuta al gusto individuale e alle preferenze che non sono mai, mai stabili e diamo con un esempio che ogni giorno abbiamo cibo, colazione, pranzo, cena. Mangiamo esattamente la stessa quantità di cibo? La risposta è „ No ". Ma abbiamo un livello di base che questo tanto consumo. Che le aberrazioni minori saranno lì che chiamiamo „ noise ". Quindi, tutti insieme, tutti i metodi di previsione che abbiamo imparato; media semplice, media ponderata, livellamento esponente, stagionalità, tutti ipotizzano che le vostre vendite siano più o meno costanti con il rumore minore, cioè minori aberrazioni. Oggi vedremo, ma quello che succede nel mondo reale è che le tue vendite in realtà non sono mai costanti. E se le tue vendite sono costanti, se le tue vendite non crescono, allora anche la tua organizzazione non crescerà e prospererà. Quindi, le vendite devono aumentare e cioè prendere in considerazione, la previsione deve considerare e prendere quanto le vendite stanno aumentando nell'ultimo, diciamo, 5 anni, 6 anni, 7 anni, 2 anni, 3 anni. Quindi, quanto le vendite aumentano? Allora, qual è la tendenza? Questo è il senso della parola. Qual è la tendenza? Le vendite aumentano? Le vendite diminuiscono? La vendita è costante? Ora, quello che sta accadendo, è un buon segno per gli affari se mostra una tendenza crescente. Ora, si capisce cosa è tendenza; tendenza in inglese word, in statistica, in matematica, stesso significato; tendenza. Qual è la tendenza? Significato inglese e questo è lo stesso. Allora, qual è la tendenza? Ora, come scoprire qual è la tendenza? Quanto è l'aumento? Stiamo dicendo che si tratta di una tendenza crescente, ma quanto l'aumento? Quanto è l'aumento della vendita; anno su anno, ogni anno? Quanto è l'aumento? Anno in anno, cioè l'anno precedente e quest' anno. Quanto è l'aumento? Questo è scoperto da una cosa chiamata analisi di regressione „ ". Dunque, l'analisi di regressione ci dirà quanto è l'aumento e quale sarà l'aumento basato su questa tendenza. Quindi, regresso, tutti voi ne avete sentito parlare. Tutti voi avete studiato di questo e sto ripetendo la regressione è stata la tecnica più utilizzata per quanto riguarda la previsione, per quanto riguarda la previsione, la tecnica di previsione più diffusa al mondo. Ancora oggi, anche se arrivano metodi sempre più avanzati. Quindi, parliamo di ciò che è regresso e come proseguire. (3.57) Così, nel modulo di oggi, ci occuperemo di regresso e ci toccherà solo il metodo di Holt, che ci occuperemo nella prossima settimana. (4.06) Ora vedi, questo è quello di cui parlavo, che la mia vendita è in aumento, la mia vendita sta mostrando una tendenza. Quel minore zigzags, come dico io, consumo di cibo, quotidiano. Questo è quello che è, lo sono, quindi cosa sto facendo? Praticamente prevedo come le vendite si comportino nel corso del prossimo anno. Come si comporterà le vendite nei prossimi 2 anni? Dato lo stesso livello di aumento, quanto la vendita si comporterà nei prossimi 3 anni? Ecc. ecc.; così, questo è quello che la nostra agenda è oggi. (4.59) Sì, la regressione, come abbiamo fatto di menzionare, la regressione è stato il metodo di previsione più diffuso. Previsione con i numeri, ma ci sono certi problemi con la regressione. Ci sono alcuni problemi che insorgono; problemi di multicollinearità, problemi di eteroscedasticità e problema dell'autocorrelazione. Niente scienza missilistica, niente parole alte che suonano, niente di complicato, ci arriveremo e ne discuteremo così come facciamo progressi; ok; previsione con i numeri. (5.41) Ora, consideriamo solo, nel caso in cui tu abbia un libro di esercizi e penna, matita e carta davanti a te, scrivi solo queste tre formule. Summation D t è uguale a n a plus b summation t. Ok. Leggo ancora una volta, la sommatoria D t è n a plus b summation t. La sommità t D t è uguale a una sommità t plus b sommità t quadrato; molto semplice. Summation D t è uguale a n a plus b summation t. La sommità t D t è uguale a una sommità t plus b sommità t quadrato. E la previsione è data da F n plus 1, cioè periodo successivo, la previsione F n plus 1 è pari a un plus b n plus 1.So, vediamo, facciamo un problema e cerchiamo di risolverlo. Vediamo cosa succede e poi discuteremo così tante questioni in previsione. (6.31) Diciamo, questo mese o anno. Spero che tu sia in grado di vedere l'anno. 1, 2, 3, 4, 5, 6. Ok. Qual è la domanda? 10, 11, 10, 12, 13, 15. Così, si può chiaramente vedere una tendenza crescente. Chiaro, qual è la nostra formula? Diciamo piazza t; 1, 4, 9, 16, 25, 36. Da quando, la sommatoria D t è uguale a n a plus b summation t. Summation D t è uguale a n a plus b summation t. Mettiamo la sommatoria D t. qual è la sommità? 60, 68, 70, 71; ok. 50, scusa 60, 70, 71. Allora, qual è la mia prima formula? Summation D t uguale n a plus b summation t. Per questo problema avremo alcune di queste problematiche perché sto cambiando regolarmente tra il mouse e la penna. Che cosa è la sommatoria t? La sommità t è 6 più 5, 11, 15, 18, 20, 21. Concordato? Così, la sommatoria D t è uguale a n a plus b summation t. Ora, qual è la tua D t? La domanda è di 71, è pari a, n è 6, 6 periodi di tempo. 6 a più b in sommità t è 21. Quindi, in altro modo intorno, è 71 è uguale a 6 a più 21 b, questa è l'equazione 1. Passiamo al precedente, la sommatoria t D t, che abbiamo appena calcolato, è pari a una sommità t plus b sommt t square. t D t è uguale a una sommità t plus b sommità, quindi, sommatoria, dovremo introdurre qualcosa qui, sommità t D t, così sommità t D t 10, 44, 90, 12 in 16, e 13 in, qualunque cosa otteniamo. In questo modo si ottiene qualcosa, sommità t D t. Quindi, mettiamo un numero arbitrario. Mettiamo un numero arbitrario di, diciamo, 400. t D t è pari a 400. La sommità t è t plus b sommt t square. Questa, b sommità, così la sommità t D t è uguale a una sommità t plus b sommt t square. Così, la sommatoria t Dt è uguale a, questa, abbiamo assunto 400 e un quadrato t quadrato, supponiamo che la tua sommatoria t quadrato sia, diciamo 120, quindi un 120 più b in, una sommatoria t, spiacente, un 21, questo sarà 21, più b sommità t quadrato, è 120. Quindi, la tua prossima equazione diventa ora 400 uguale a 21 a più 120 b. Quindi ora, quello che fai è questa equazioni colorate blu, queste equazioni colorate blu che risolvi e quello che otterrete è, riceverete un, spiacente, otterrete un. Queste equazioni colorate blu, si risolva. Cosa riceverai? Otterrete un valore di „ a "e otterrete un valore di „ b". Ora, supponiamo che il tuo valore sia di 200 e b valore è lasciarci dire, 0,8. Ora, questi due altri valori che sono richiesti, quindi, prevederete, quindi basandoci su queste due equazioni, la prima equazione, l'equazione 1 e l'equazione 2, otteniamo questi valori corrispondenti, e li risolviamo. E otteniamo quello che è „ a "e ciò che è „ b". Ora, in base a questi, prevederemo per cosa? Prevederemo per il periodo 7. Se questo periodo 7 prevederemo in base a cosa? In base alla formula che ci viene fornita, F n plus 1 è uguale a „ a "in „ b" n plus 1. Qual è il (per) F n plus 1 è uguale a „ a "in „ b" in n plus 1. Quindi, penso che lo faremo qui solo perché se si va alla prossima slide ci saranno dei problemi, quindi, F 7 è uguale a un plus b 7. Qual era la formula? F n plus 1, cioè F, n è 6, più 1, 7 è uguale a un plus b in n plus 1. a, abbiamo appena ottenuto, assunto, abbiamo 200. Hai ottenuto un, più b è stato da 0,8 a 7, cioè 5,6. Quindi, 5,6 più 200 è 205,6 è la tua previsione per il prossimo anno. Ora, abbiamo questo perché hai arbitrariamente assunto „ un " essere 200. Idealmente, un sarà qualcosa come il tuo 20 o una cosa del genere. Quindi, si può facilmente assumere, „ a " è 20. Quindi, è che il vostro, questo sarà il 25,6, suppamiamo questo come 25,6. Quindi F7 è uguale a un plus b7 a plus b in n plus 1. Quindi, questa è la formula, quindi molto semplice. Risolvi queste due equazioni e basta mettere F n plus 1. Questo è diventato un po' nocciolo lo dirò, ma se lo si può strofinare, quindi ci prenderemo una nuova slide. (15.07) Quello che facciamo è dire F n plus 1 è uguale a un plus b in n plus 1. Abbiamo dati fino a sei periodi di tempo, quindi, F, n era 6, 6 più 1, cioè è prevista la previsione per il periodo 7, è uguale a a, abbiamo ipotizzo 200 poi abbiamo detto di farci assumere 20 perché i dati erano solo quel modo. „ b " era 0,8; in n più 1 è 7; quindi, 20 più 5,6. Quindi, F7 è 25,6. Questo è un semplice. Ora, quello che normalmente facciamo in regressione è, se lo facciamo in excel, continuiamo a trascinarci il mouse, trascinando piuttosto il curatore. Continuiamo a trascinarci il curatore e cosa accadrà? Otterremo F7, F8, F9 e F10. In tal modo, continueremo a ottenere alcuni valori o l'altro per quanti anni volete. Perché? Perché e come possiamo farlo? Perché e come possiamo farlo perché ovunque ci assumiamo questo livello è costante. Questo „ a " è costante. Ovunque ci assumiamo che questo 0,8, questa tendenza sia costante. Quindi, livello e tendenza, entrambi sono costanti. Ci assumiamo, ok, in questa regressione. Ora, il metodo di Holt si occupa di aggiustare per il livello e la tendenza entrambe. Qui, suppliamo che il livello che sia il consumo fisso del 20 e l'andamento dei consumi, entrambi siano fissi nel periodo di tempo. Il metodo di Holt diremo no, possiamo regolarli. Quindi, questo è. Questo è il basamento della regressione. Ora, voglio passare un po' di tempo su altro. (17.10) Vedi, la regressione ha alcuni problemi con esso. Quali sono i temi? Vedere a volte si otterrà regressione, qual è, la regressione è una forma di cosa? Y è uguale a beta naught plus beta 1 X1 plus beta 2 X2 plus fino al cappello predittivo Ui. Questa è la tua equazione di regressione. Ora, questa beta (non) era fondamentalmente la tua „ a "e tutte queste sono le tue che „ b". Questo è ciò che intendiamo. Questo „ a " è equazione di regressione corrispondente. Questo „ a " è beta (1) e b è beta (1) in questo modo. Ecco, questo è quello che guardiamo nella regressione. Ora, logicamente, consideriamo un'equazione in cui diciamo che Y è una funzione di beta naught plus beta 1 RAIL plus beta 2 ROAD plus beta 3 AIR plus Ui hat, questo cappello Ui è il termine di errore. Basta tenerlo al fianco per un po' di tempo. Ora, quello che stiamo dicendo è che lo sviluppo, diciamo Y è il tuo GSDP; Gross State Domestic Product. Il Prodotto Interno Lordo di uno stato dipende da quanta infrastruttura hai nello stato. Il Prodotto Interno Lordo di uno stato dipende da quanta infrastruttura hai in quello stato. Ora, cosa sta succedendo? Quindi, il tuo prodotto interno lordo se funzione di quante tracce ferroviarie hai? Quanti chilometri di buone strade hai? E quanti e quanto è il traffico aereo nella tua sata? Logicamente, GSDP da, rendiamolo più specifico, GSDP dal settore secondario. Rendiamolo più specifico. Ovvero l'industria, GSDP dall'industria. Ora, logicamente, se si aumentano le tracce ferroviarie, il vostro GSDP dovrebbe aumentare, Prodotto Interno statale, la produzione dovrebbe aumentare. Se si aumentano le strade stradali, più numero di buone qualità, strade standard internazionali, la vostra produzione dallo stato dovrebbe aumentare. Se avremo più viaggi aerei, più numero di impianti di atterraggio aereo, di nuovo i vostri impianti di produzione aumenteranno. Quindi, logicamente, per questa equazione, diciamo che la beta 0 è 10.000 che significa anche se non c'è niente, ci saranno ancora 10.000 unità di piccola scala. La beta 1 diciamo è il 0,8 che significa che se si aumenta il tracciato ferroviario di un chilometro, il vostro GSDP aumenta di 0,8 unità di output. Ma, la beta 2 sta uscendo come meno 0,6, il che significa essenzialmente che se si riducono le strade stradali, la tua produzione aumenterà. Il Prodotto Interno Lordo aumenterà. Ma, è possibile? È logico? Stai dicendo che invece di aumentare le tue infrastrutture, ridurre le infrastrutture e mostrare la tua produzione aumenterai. Questo è quello che si ottiene se si esce dai dati sulle infrastrutture, su rotaia, su strada, sulle vie aeree nel foglio excel e fare una regressione. Alcune scommesse verranno meno ma la logica dice che le scommesse o la b non dovrebbero venire meno per una tale equazione. Qualche equazione, potrebbe arrivare, ma con questa equazione non dovrebbe arrivare. Quello che sta accadendo sai, questo sta accadendo a causa di qualcosa chiamato „ multicollinearità ", che noi, poco prima di qualche volta avevamo detto nel titolo, subito dopo il titolo slide quello che vogliamo coprire. Questo è quello che chiamiamo multicollinearità. La multicollinearità significa che i dati si comportano in modo tale che un dato impostato, il set di dati ferroviari, quei numeri e il dataset stradale, quei numeri, questi stanno avendo una correlazione; questi numeri stanno avendo una correlazione. Ecco quello che viene chiamato come multicollinearità. (21.41) Così, hai le rotaie, hai la strada e questi sono i tuoi punti dati. Ora, questi punti dati sono correlativi. Vedi, la matematica non capisce il rapporto tra le variabili. La matematica capisce solo i numeri. Ecco quindi una serie numero; 10, 11, 10, 13, 12, 18. Ecco un altro che è ferroviario. Ecco un'altra chiamata 13, 14, 13, 16, 15, 21. Che cosa sta accadendo? Prendiamoci il colore rosso, questa cosa; 10 più 3. Quindi, tutti sono più 1 in questo modo. Quindi, 10-13, 11-14, 10-13, 13-16, quindi sia la serie di dati, sia i set di dati si stanno comportando nello stesso modo. Quindi, i tuoi numeri dicono che sono correlati. La logica dice che non sono correlati ma i tuoi numeri dicono. Ecco, questo è il problema della multicollinearità. Sono collinari. Ecco che c'è un alto grado di correlazione tra di loro. (23.20) Ora, il secondo problema è, dopo aver risolto l'equazione, c'era qualcosa chiamato i termini di errore. Ora, quel termini di errore dovrebbero essere così che dovrebbero avere uguale varianza. Il termine di errore dovrebbe avere uguale varianza. I termini di errore dovrebbero essere così che dovrebbero avere uguale varianza. Poi il modello sta bene. Se non lo fa, cioè dovrebbero avere uguale varianza significa che sono omogenee. Quando non hanno una uguale varianza, allora abbiamo qualcosa di chiamato eterogeneità. Quando non è omogeneo, abbiamo qualcosa chiamato eterogeneità e che, se c'è nei dati, è chiamato come „ heteroscedasticità ". Quindi, le varianze di errore non sono uniformi. (24:44) Il terzo punto che abbiamo è, terzo punto che siamo, per qualsiasi dato, diciamo 10, 11, 12, 13, 14, 15, vedi, più 1, più 1, più 1; fatto; 10, 11, 13, 16. Che cosa sta accadendo? Più 1, più 2, più 3, più 4, più 5. Correlato? Quindi, 1, 2, 3, 4, 5, arriva qualche correlazione. Questa è chiamata come autocorrelazione. Quindi, quello che vogliamo vedere è non prendere un risultato di regressione dal suo valore facciale. Guarda i numeri, guarda la logica e vedi se i numeri sono logici, se i numeri si comportano in questo modo; multicollinear, eteroscedastico, autocorrelato, se il numero si comporta in questo modo? Se i numeri si comportano in questo modo, allora ci sono modi con cui si può correggere la multicollinearità, l'eteroscedasticità e l'autocorrelazione. Ci sono modi con cui si può fare. Ma altrimenti, se i numeri si comportino così, bisognerà essere un po' attenti. (26:20) Ora, questo è che e come diciamo questo Y è uguale a un plus b x o F n plus 1 è uguale a un plus b in n plus 1. Ora, quello che abbiamo detto è che questo è chiamato come il livello „ e questo è chiamato come il trend „. Ora, il metodo di Holt, quello che facciamo è, stima che io sia Purposepienamente a non cancellare l'inchiostro blu solo per mantenerlo lì. Stima il livello costante per prevedere le richieste future. Stima il livello e la tendenza. Ora, torniamo indietro. Facciamo chiarezza sulla slide. Qui, nella regressione, suppliamo che il livello e la tendenza rimanano uguali. Quindi, in base allo stesso livello e tendenza, ci stavamo precluse. Ma, questo livello rimarrà fisso? Il consumo automatico potrebbe non essere. Questa stessa tendenza rimarrà o diventerà questa o diventerà un consumo molto elevato? Quindi, il modello di Holt presuppone che sia il livello che la tendenza cambieranno e in una simile situazione utilizziamo un metodo chiamato "metodo Holt". (27:57) Ecco perché il modello di Holt stima sia il livello che la tendenza; il doppio livellamento esponenziale o l'andamento esponenziale della tendenza, questo è anche chiamato come. Ora, con questo, sceglieremo quando partiremo con la prossima settimana " s session. Grazie!