İstatistik Sözlüğü → Üstel Düzleme
Üstel Düzlemeanaliz
Bir zaman serisinin düzeyini, eğilimini ve mevsim desenini, yakın geçmişe daha çok ağırlık veren ağırlıklı ortalamalarla sürekli güncelleyerek kısa vadeli tahmin üreten yöntemler ailesi (SES, Holt, Holt-Winters).
Kavram
Gelecek ayın değerini tahmin ederken çoğu zaman en son gözlemler uzak geçmişten daha çok şey söyler. Üstel düzleme bu sezgiyi biçimlendirir: tahmin, geçmiş gözlemlerin ağırlıklı ortalamasıdır ve ağırlıklar geriye gidildikçe üstel olarak azalır. Basit üstel düzleme (SES) yalnızca bir düzey izler; Holt yöntemi buna bir eğim (trend), Holt-Winters ise ayrıca bir mevsim bileşeni ekler.
Her bileşen yeni bir gözlem geldiğinde güncellenir. Örneğin düzey için: ℓ_t = α·y_t + (1 − α)·ℓ_{t−1}. Düzleme parametreleri 0 ile 1 arasındadır: α düzeyin, β* eğimin, γ mevsimin yeni bilgiye ne kadar çabuk tepki vereceğini belirler; değer 1'e yakınsa bileşen son gözlemleri yakından izler, 0'a yakınsa neredeyse sabit kalır. Sönümlü trendde φ parametresi trendin uzak ufukta giderek yavaşlamasını sağlar. Parametreler, bir adım önceki tahmin hatalarının en küçük olacağı biçimde veriden kestirilir.
Mevsim toplamsal (her yıl aynı miktarda) ya da çarpımsal (düzeyle orantılı) olabilir; seçim, mevsim dalgasının serinin düzeyiyle birlikte büyüyüp büyümediğine göre yapılır. Yöntem kısa vadeli tahminde güçlüdür ama açıklayıcı değişken içermez ve yapısal değişimleri öngöremez. Modeller AICc ile karşılaştırılabilir; tahmin aralıkları ufuk uzadıkça genişler.
Ne zaman kullanılır?
- Trend ya da mevsim içeren tek bir serinin birkaç dönem sonrasını hızlı ve sezgisel bir modelle tahmin etmek için (talep, stok, doluluk).
- Seri ne trend ne mevsim içeriyorsa SES; yalnız trend varsa Holt; trend ve mevsim birlikte varsa Holt-Winters seçilir.
- Serinin otokorelasyon yapısı daha ayrıntılı modellenecekse ya da dış değişken eklenecekse ARIMA/ARIMAX; bileşenlerin olasılık modeli içinde ayrı ayrı yorumlanması isteniyorsa gözlenemeyen bileşenler modeli kullanılır.
Gündelik bir örnek
Bir sahil kasabasındaki otel, son altı yılın aylık geceleme sayılarına bakarak gelecek yazın personel planını yapmak istiyor. Geceleme her yaz zirve yapıyor, kışın düşüyor ve yıllar içinde yavaşça artıyor. Holt-Winters modeli düzeyi, artış eğilimini ve her ayın mevsim etkisini ayrı ayrı izler; γ'nın yüksek çıkması mevsim deseninin son yıllarda değiştiğini (ör. Eylül'ün de kalabalıklaşmasını) hızlı biçimde yansıttığını gösterir. Model önümüzdeki Temmuz için örneğin 3.100 geceleme tahmin eder ve otel kaç ek personel alacağını bu tahminin aralığına göre belirler.
MerQur'da parametreler
Yöntem (Otomatik (uygun) / Holt-Winters (trend+mevsim) / Holt (trendli) / SES (basit) / Basit mevsimsel (trendsiz))
Kavram: Yöntem, modelin hangi bileşenleri izleyeceğini belirler: SES yalnızca düzeyi, Holt düzey ve eğimi, Holt-Winters düzey, eğim ve mevsimi izler. Otomatik seçenek aday modelleri kurup AICc'si en düşük olanı seçer; AICc uyumu ödüllendirip gereksiz bileşenleri cezalandırır.
Gündelik örnek: Otelin geceleme serisinde hem yıllık artış hem yaz zirvesi olduğundan SES ya da Holt mevsimi kaçırır ve her ay için aynı biçimde tahmin üretir. Holt-Winters ise Temmuz'u Ocak'tan çok daha yüksek tahmin eder.
Ne işe yarar: SES düzey; Holt düzey + trend; Holt-Winters düzey + trend + mevsim; basit mevsimsel düzey + mevsim. Otomatik: toplamsal hatalı adaylar (SES, Holt, sönümlü Holt; n ≥ 2m ise mevsimli toplamsal ve seri pozitifse çarpımsal) arasından en küçük AICc.
Sonuca etkisi: Model yapısı ve tüm sonuçlar.
Doğrulama verisinde: oil SES α = 0.8338, ℓ0 = 446.58, tahmin 542.68. ausair Holt α = 0.8211, β* = 0.0001.
Mevsim tipi (Toplamsal (additive) / Çarpımsal (multiplicative) / Yok) ve Mevsim periyodu (varsayılan 12)
Kavram: Toplamsal mevsimde her mevsimin etkisi sabit bir miktardır (ör. +500); çarpımsal mevsimde ise düzeyin belli bir oranıdır (ör. %30 fazla). Periyot, mevsim döngüsünün kaç dönemde bir tekrarlandığıdır: aylık veride 12, çeyreklik veride 4.
Gündelik örnek: Otel büyüdükçe Temmuz ile Ocak arasındaki fark da büyüyorsa mevsim çarpımsaldır: Temmuz her yıl ortalamanın yaklaşık %60 üstündedir. Aylık veride periyot 12 girilmelidir; çeyreklik veride 12 girilirse model var olmayan bir üç yıllık döngü arar.
Ne işe yarar: Mevsimin biçimi ve uzunluğu m. "Yok" seçilirse Holt-Winters Holt'a eşittir. Periyot tarih sıklığından otomatik algılanmaz; çeyreklik veride 4 elle girilmelidir.
Sonuca etkisi: Mevsim bileşeni, SSE ve tahminler.
Doğrulama verisinde: austourists (m = 4): toplamsal SSE = 135.92, tahmin[1] = 76.01; çarpımsal SSE = 105.17, tahmin[1] = 79.43. Varsayılan periyot 12 çeyreklik veride yanlış mevsim kurar (SSE 108.59).
Sönümlü trend (uzun ufuk için) ve Trend türü (Toplamsal / Çarpımsal)
Kavram: Sönümlü trend, eğimin her adımda φ (< 1) ile çarpılarak giderek küçülmesini sağlar; böylece uzak ufuktaki tahminler sonsuza dek aynı hızla artmaz ya da azalmaz. Çarpımsal trend, düzeyin sabit miktarda değil sabit oranda büyüdüğünü varsayar.
Gündelik örnek: Otelin geceleme sayısı son yıllarda hızla arttı, ama oda kapasitesi sınırlı olduğu için bu artış sonsuza kadar sürmez. Sönümlü trend, beş yıl sonrası için kapasiteyi aşan gerçek dışı tahminlerin önüne geçer.
Ne işe yarar: Sönümlü trend φ ile trendin ufukta sönmesini sağlar; çarpımsal trend oransal büyüme varsayar.
Sonuca etkisi: Parametreler (φ) ve tahminler.
Doğrulama verisinde: livestock sönümlü α = 0.9999, φ = 0.98; çarpımsal trend ausair SSE 139.15.
Tahmin adımı ve Güven Düzeyi
Kavram: Tahmin adımı kaç dönem ileriye tahmin yapılacağını, güven düzeyi ise tahmin aralığının ne kadar güvenle kurulacağını belirler. Tahmin aralığı gelecekteki tek bir gözlemin olası aralığıdır ve ufuk uzadıkça genişler.
Gündelik örnek: 12 adımlık tahmin otelin gelecek yılın her ayı için bir geceleme sayısı verir. Gelecek ay için %95 aralık dar iken bir yıl sonraki Temmuz için çok daha geniştir; personel planı bu belirsizliği dikkate almalıdır.
Ne işe yarar: Tahmin ufku ve aralık düzeyi. Sınıf 1 modellerde (toplamsal hata, toplamsal trend/mevsim) aralıklar analitiktir; çarpımsal modellerde benzetimle verilir.
Sonuca etkisi: Tahmin sayısı ve aralık genişliği.
Doğrulama verisinde: Holt α = 0.8, β* = 0.1, h = 10 için %95 aralık [76.92, 113.29]. austourists: %90 [72.58, 79.21], %95 [72.06, 80.08], %99 [70.72, 80.99].
Sabit parametreler (α, β*, γ, φ; en alt değer = serbest)
Kavram: Düzleme parametrelerinden birini veriden kestirmek yerine elle sabitler. α düzeyin, β* eğimin, γ mevsimin yeni gözlemlere ne kadar çabuk tepki vereceğini, φ ise trendin ne kadar sönümleneceğini belirler; sabitlenen değer kestirilen değerden genellikle biraz daha kötü uyum verir.
Gündelik örnek: Otel müdürü mevsim deseninin yıldan yıla pek değişmediğini biliyorsa γ'yı 0,1 gibi küçük bir değere sabitleyebilir; böylece tek bir sıra dışı yaz deseni bozmaz. Sabitlenen değerin uyumu ne kadar kötüleştirdiği hata ölçülerinden izlenir.
Ne işe yarar: Seçilen parametreyi sabitler; kalanlar ve başlangıç durumları kestirilir.
Sonuca etkisi: SSE, tahmin ve aralıklar.
Doğrulama verisinde: oil α = 0.5 sabit için SSE = 15387.9 (serbest 14235.6); ausair α = 0.8 + β* = 0.1 için SSE = 138.078; austourists tümü sabit (α 0.3, β* 0.05, γ 0.3, φ 0.95): SSE = 171.783.
Geçerleme kümesi (son k gözlem); Ek çıktılar: Başlangıç durumları, Veri setine kaydet
Kavram: Geçerleme kümesi son k gözlemi model kurulurken dışarıda bırakır ve tahminlerin bu gerçek değerlerle karşılaştırılmasını sağlar; bu, örneklem içi uyumdan daha dürüst bir başarı ölçüsüdür. Başlangıç durumları, düzleme başlamadan önceki düzey, eğim ve mevsim değerleridir.
Gündelik örnek: Son 12 ay saklanır ve model önceki beş yılla kurulursa, tahminlerin o yılın gerçek gecelemelerinden ortalama yüzde kaç saptığı görülür. Otel bu sapmayı, plan yaparken ne kadar pay bırakması gerektiğine karar vermek için kullanabilir.
Ne işe yarar: Son k gözlem modele girmez ve test doğruluğu raporlanır. Başlangıç durumları ℓ0, b0, s1..sm kronolojik sırada verilir. Kaydet tahmin ve artık sütunlarını ekler.
Sonuca etkisi: Ek çıktı.
Doğrulama verisinde: austourists son 8 gözlem: test RMSE 2.499, MAPE 3.385.
Benzetim tohumu (tahmin aralığı)
Kavram: Çarpımsal bileşen içeren modellerde tahmin aralığı kapalı bir formülle değil, model binlerce kez benzetilerek hesaplanır. Tohum bu rastgele benzetimin başlangıç noktasıdır; aynı tohum aynı aralığı yeniden üretir.
Gündelik örnek: Çarpımsal mevsimli bir modelle Temmuz tahmini yapan iki analist aynı tohumu kullanırsa aralıkları da birebir aynı çıkar. Farklı tohumla nokta tahmin değişmez, aralık sınırları ise yalnızca küçük miktarlarda oynar.
Ne işe yarar: Çarpımsal trend ya da mevsim içeren modellerde tahmin aralığı 1000 benzetimle hesaplanır; tohum benzetimi tekrarlanabilir kılar. Varsayılan 20240607'dir.
Sonuca etkisi: Yalnız çarpımsal modellerin benzetim aralığı değişir; nokta tahmin ve analitik aralıklar değişmez. Varsayılan dışı tohumda aralık notuna "(Benzetim tohumu = N.)" eklenir.
Doğrulama verisinde: Tohum açıkça 20240607 girildiğinde sonuç varsayılanla tamamen aynıdır; tohum 7 ile aralık farklı, nokta tahmin aynıdır.
Gerçek veride örnek
Veri: austourists 2005-2015, R fpp2
Değişkenler: tarih date (çeyrek), değer nights (uluslararası turist geceleme, milyon); Holt-Winters, periyot 4
- Soru: Avustralya'ya gelen uluslararası turistlerin çeyreklik geceleme sayısı (2005-2015, n = 44) Holt-Winters ile nasıl düzgünleştirilir ve tahmin edilir?
- Model: Toplamsal trend ve toplamsal mevsim (m = 4), ETS(A,A,A); α = 0.263, β = 0.0004, γ = 0.455; düzey yavaş, mevsim örüntüsü hızlı güncellenir, trend neredeyse sabittir.
- Uyum: SSE = 135.96, AIC = 65.64, AICc = 72.31, BIC = 79.91; RMSE = 1.758, MAPE = %2.94, MASE = 0.449, R² = .976.
- Tahmin: 2016 Ç1 için 76.01 (%95 aralık 72.20 - 79.82), Ç2 için 51.45; ilk çeyrekler her yıl en yüksek düzeydedir.
- Ek bulgu: Otomatik seçim bu veride çarpımsal mevsimli modeli (SSE 105.21, AICc 61.02) yeğler; mevsim genliği düzeyle birlikte büyüyor olabilir.
- APA: Holt-Winters toplamsal modeli, α = .26, β = .00, γ = .45, SSE = 135.96, AICc = 72.31.
İlgili kavramlar
Üstel düzgünleştirme parametreleri (α, β, γ, φ)Öngörü ufku ve öngörü aralığıSönümlü eğilim (damped trend)Mevsimsellik ve mevsim periyoduEğitim-test ayırımı (holdout)Tahmin (öngörü) aralığıÇarpıklıkBilgi ölçütleri (AIC, AICc, BIC)
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.