1. Horizontal pattern : 상승 trend 혹은 하락 trend가 뚜렷히 없고 수요가 smooth하다.
2. trend pattern : 상승 혹은 하락 trend가 뚜렷하다.
- exponential relationships : 상승 혹은 하락 trend가 완만한 형태를 보인다.(지수함수의 모양과 유사)
3. Seasonal pattern : 계절별로 패턴이 뚜렷하다.
4. trend & seasonal pattern : trend와 seasonal patternd이 동시에 나타난다.
5. cyclical pattern : 계절과 상관없이 경기 순환적인 측면으로 반복된다.
Forecast Error(예측 오류) = 실제 가치 - 예측치
실제가치>예측치(Error>0) : 예측을 낮게 함(Under estimate)
실제가치<예측치(Error<0) : 예측을 높게 함(over estimate)
MFE(Mean Forecast Error) : +,-가 상쇄되기 때문에 유용하지 않다.
MAE : Forecase Error를 절대값해서 더한 값 / n-k
MSE : Absolute Error를 자승(제곱)한 값의 합 / n-k
MAPE : Percent Error를 절대값해서 더한 값 / n-k
[Moving Averages - 이동평균법]
t : 현재 시점(Yt를 알고 있다.)
K = 어느 정도의 기간을 갖고 평균을 잡을 것인가?
ex) t=4, k=3
^Y(5) = average of weeks 2~4
^Y(6) = average of weeks 3~5
^Y(7) = average of weeks 4~6
k=3(k가 작은 경우) : 최근 자료만 쓰겠다.
최근 급격한 변동이 있을 경우는 과거 자료를 안쓰는 것이 유리하다(k를 작게 할 필요)
k=6(k가 큰 경우) : 과거 자료도 반영하겠다.
최근 변화가 완만한 경우에는 과거 자료도 반영하는 것이 유리하다(k를 크게 할 필요)
[exponential smoothing]
- 일종의 moving average이지만 과거의 모든 데이터를 다 활용한다는 것이 moving average와의 차이점이다.
- 위에서 정리된 식을 보면 y(t), y(t-1), Y(t-2) ….. 이렇게 모든 과거의 데이터가 활용되는 것을 알 수 있다.
- 최근의 데이터에 가중치가 가장 크고 과거로 갈수록 지수분포처럼 가중치가 점점 작아진다.
식을 변형하면 다음 시점의 예측값은 현재 시점의 예측값 + a*(forecast error)가 되는데
a*forecast error의 의미는 forecast error를 a만큼 조정한다는 의미이다.
forecase error=0이라면 조정할 필요가 없으며,
조정 효과가 클려면 a가 커야 한다.(급격한 변화가 있다)
a가 너무 크면(0.5 이상이면) smoothing이 어렵기 때문에 trend를 찾아야 한다(비현실적)
따라서 a는 일반적으로 0.5이하이다.
첫댓글 필기 잘하네.
칭찬 감사합니다!