Chulalongkorn University Theses and Dissertations (Chula ETD)

การหาค่าพยากรณ์ร่วมโดยการให้ค่าเฉลี่ยถ่วงน้ำหนัก

Other Title (Parallel Title in Other Language of ETD)

Combining forecasts by using weighted averages

Year (A.D.)

1996

Document Type

Thesis

First Advisor

มานพ วราภักดิ์

Faculty/College

Graduate School (บัณฑิตวิทยาลัย)

Degree Name

สถิติศาสตรมหาบัณฑิต

Degree Level

ปริญญาโท

Degree Discipline

สถิติ

DOI

10.58837/CHULA.THE.1996.1990

Abstract

การเลือกวิธีการพยากรณ์ให้เหมาะสมสำหรับข้อมูลอนุกรมเวลา ขึ้นอยู่กับลักษณะของข้อมูล และการนำไปประยุกต์ใช้ ดั้งนั้นการใช้ค่าพยากรณ์ร่วมที่มาจากการรวมวิธีการพยากรณ์ต่าง ๆ เข้าด้วยกัน จึงเป็นทางเลือกสำหรับผู้ใช้โดยไม่ต้องตัดสินใจเลือกวิธีใดวิธีหนึ่ง การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบวิธีการพยากรณ์สำหรับข้อมูลอนุกรมเวลา ระหว่างการเลือกใช้วิธีการพยากรณ์แบบใดแบบหนึ่ง กับการใช้ค่าพยากรณ์ร่วม วิธีการพยากรณ์เดี่ยว ได้แก่ วิธีการปรับให้เรียบแบบเอกซโพเนนเชียลครั้งเดียว วิธีการปรับให้เรียบเอกซโพเนนเชียลแบบปรับอัตราส่วน วิธีการปรับให้เรียบแบเอกซโพเนนเชียลซ้ำสองครั้ง และวิธีการปรับให้เรียบแบบเอกซโพเนนเชียลสองพารามิเตอร์ของ Holt และการใช้ค่าพยากรณ์ร่วมได้แก่การให้ค่าเฉลี่ยถ่วงน้ำหนักด้วยวิธีการของ Bates, Granger และ Newbold วิธีค่าสัมบูรณ์ต่ำสุด และวิธีการให้น้ำหนักที่เท่ากัน การเปรียบเทียบกระทำภายใต้สถานการณ์ของขนาดตัวอย่าง 5, 15, 30, 50 และ 70 และข้อมูล 2 ลักษณะคือข้อมูลที่เคลื่อนไหวในระดับค่าเฉลี่ยและข้อมูลที่เคลื่อนไหวในลักษณะแนวโน้มเชิงเส้น เพื่อคำนวณค่าเฉลี่ยร้อยละของความเคลื่อนจากการพยากรณ์ (MAPE) ผลการวิจัยสรุปได้ดังนี้ ในสถานการณ์ที่ขนาดตัวอย่างเล็ก (5, 15) ข้อมูลมีการเคลื่อนไหวในระดับค่าเฉลี่ย ควรใช้วิธีการปรับให้เรียบแบบเอกซโพเนนเชียลครั้งเดียว แต่ถ้าข้อมูลมีการเคลื่อนไหวในลักษณะแนวโน้มเชิงเส้น ควรใช้วิธีการปรับให้เรียบแบบเอกซโพเนนเชียลครั้งเดียว แต่ถ้าข้อมูลมีการเคลื่อนไหวในลักษณะแนวโน้มเชิงเส้น ควรใช้วิธีการปรับให้เรียบแบบเอกซโพเนนเชียลซ้ำสองครั้ง ส่วนในสถานการณ์ที่ขนาดตัวอย่างมีขนาดปานกลางถึงใหญ่ (30, 50, 70) ควรใช้ค่าพยากรณ์ร่วมด้วยวิธีค่าสัมบูรณ์ต่ำสุด

Other Abstract (Other language abstract of ETD)

The most appropriate forecasting method for time series depends on the characteristics of the series and the type of application. So aggregating information by combining forecasts from several forecasting methods is an alternative to using just a single method. The purpose of this research is to compare forecasting methods in time series between individual and combined forecasting methods. Individual methods are Single Exponential Smoothing, Adaptive Response-Rate Exponential Smoothing, Double Exponential Smoothing and Holt’s Two Parameter Exponential Smoothing method. Combined forecasts methods are the Bates, Granger and Newbold’s method, the Least Absolute Value method and Simple Average method. The comparison was done under conditions of sample size (5, 15, 30, 50, 70) and two types of times series data are horizontal and linear trend. To calculate the mean absolute percentage errors (MAPEs) of each method. Results of the study are summarized as follows: In case of small sample size (5, 15), we should use Single Exponential Smoothing method for horizontal data and Double Exponential Smoothing method for linear trend data. When the sample size is medium or large (30, 50, 70), we should use combined forecasts by the Least Absolute Value method.

Link to Full Text

Share

COinS