Ich habe mehrere intermittierende Daten. Basierend auf diesen Daten möchte ich verschiedene Prognosemethoden (Exponential Smoothing, Moving Average, Croston und Syntetos-Boylan) vergleichen und entscheiden, ob Croston oder Syntetos Boylan für intermittierende Daten besser als SES oder MA ist oder nicht. Das Maß, das ich vergleichen möchte, ist die von Kourentzes (2014) vorgeschlagene mittlere absolute Rate oder mittlere quadratische Rate anstelle der üblichen MAPE- und MSE-Messung auf jeder Ebene des \ alpha $ -Glättungsparameters, vorausgesetzt, der für das Inter-Demand-Intervall verwendete Glättungsparameter und die Nachfragegröße in Croston und Syntetos Boylan ist dieselbe.
Meine Frage lautet: 1. Wenn man bedenkt, dass für alle Daten die Möglichkeit besteht, dass der Wert des optimalen Alphas für jede Glättungsmethode unterschiedlich ist, kann ein Alpha-Wert in einer Methode den MAR oder MSR minimieren und möglicherweise nicht in einer anderen Methode , so dass eine Methode für diesen Wert von Alpha besser sein kann als eine andere Methode und möglicherweise nicht für eine andere Methode. Wie löst man ein solches Problem? Meine derzeitige Lösung besteht darin, die beiden MAR-Graphen für jede Alpha-Stufe zwischen zwei verschiedenen Methoden zu vergleichen. Ich gehe davon aus, dass die beiden unterschiedlichen Methoden bei der Profilanalyse unterschiedliche Merkmale aufweisen.
- Gibt es eine bessere Lösung, wie experimentelles Design? Ich bin ziemlich verwirrt, wie ich die Experimente gestalten soll. Die Beobachtung sind diese verschiedenen Daten, der Pegel glättet den Parameter Alpha, die Behandlung sind diese Methoden. und der Wert ist der MAR. ist es lebensfähig? und logisch zu tun? Die Hypothese ist, ob es bei jeder Behandlung auf jeder Alpha-Ebene Unterschiede gibt oder nicht. und ich bezweifle, dass die Linearitätsannahme hier erfüllt ist.
Edit: Wie auch immer, ich denke nicht, dass dies als Forschungsfrage realisierbar ist. Die Tatsache, dass das Fehlermaß skalierungsabhängig ist (wenn meine Definition von skalierungsabhängig richtig ist), machte die Untersuchung dieses Problems ziemlich problematisch, da es keine Möglichkeit gibt, die verschiedenen Prognosemethoden zu vergleichen.