Interpretieren der wichtigsten Ergebnisse für Zerlegung

Führen Sie die folgenden Schritte aus, um eine Zerlegungsanalyse zu interpretieren. Zu den wichtigsten Ausgaben gehören das Zeitreihendiagramm, die Genauigkeitsmaße und die Prognosen.

In diesem Thema

Schritt 1: Bestimmen, ob das Modell an Ihre Daten angepasst ist
Schritt 2: Vergleichen der Anpassung Ihres Modells mit anderen Modellen
Schritt 3: Bestimmen, ob die Prognosen genau sind

Schritt 1: Bestimmen, ob das Modell an Ihre Daten angepasst ist

Untersuchen Sie das Diagramm, um zu ermitteln, ob das Modell an Ihre Daten angepasst ist. Wenn die Anpassungen eng an den tatsächlichen Daten liegen, ist das Modell an Ihre Daten angepasst.

Wenn das Modell an Ihre Daten angepasst ist, können Sie Winters-Methode ausführen und die beiden Modelle vergleichen.
Bei der Zerlegung wird ein konstanter linearer Trend verwendet. Wenn der Trend Krümmungen aufzuweisen scheint, führt die Zerlegung nicht zu einer guten Anpassung. Sie sollten Winters-Methode verwenden.
Wenn das Modell nicht an die Daten angepasst ist, untersuchen Sie das Diagramm auf das Fehlen von Saisonabhängigkeit. Wenn kein saisonales Muster vorliegt, sollten Sie eine andere Zeitreihenanalyse verwenden. Weitere Informationen finden Sie unter Welche Zeitreihenanalyse sollte verwendet werden?.

In diesem Diagramm liegen die Anpassungen eng an den Daten, was darauf hinweist, dass das Modell an Ihre Daten angepasst ist.

Schritt 2: Vergleichen der Anpassung Ihres Modells mit anderen Modellen

Vergleichen Sie die Anpassung Ihres Modells anhand der Genauigkeitsmaße (MAPE, MAD und MSD) mit anderen Zeitreihenmodellen. Diese Statistiken allein sind nicht sehr aussagekräftig, mit Ihnen können Sie jedoch die Anpassungen vergleichen, die mit unterschiedlichen Methoden erzielt werden. Für alle drei Statistiken gilt, dass kleinere Werte im Allgemeinen auf ein besser angepasstes Modell hindeuten. Wenn ein einzelnes Modell nicht die kleinsten Werte für alle drei Statistiken aufweist, ist MAPE in der Regel die bevorzugte Maßzahl.

Hinweis

Die Genauigkeitsmaße liefern einen Hinweis auf die Genauigkeit, die Sie erwarten können, wenn Sie vom Ende der Daten eine Periode in die Zukunft prognostizieren. Sie geben daher nicht die Genauigkeit von Prognosen an, die weiter als eine Periode in der Zukunft liegen. Wenn Sie das Modell für Prognosen verwenden, sollte Ihre Entscheidung nicht ausschließlich auf den Genauigkeitsmaßen basieren. Sie sollten auch die Anpassung des Modells untersuchen, um sicherzustellen, dass die Prognosen und das Modell eng an den Daten liegen, insbesondere am Ende der Datenreihe.

Modell 1

Genauigkeitsmaße

MAPE	7,265
MAD	16,621
MSD	518,119

Modell 2

Genauigkeitsmaße

MAPE	2,474
MAD	9,462
MSD	135,701

Wichtigste Ergebnisse: MAPE, MAD, MSD

In diesen Ergebnissen sind alle drei Maßzahlen für das zweite Modell kleiner als für das erste Modell. Das zweite Modell ist also besser angepasst.

Schritt 3: Bestimmen, ob die Prognosen genau sind

Bei der Zerlegung werden eine feste Trendlinie und feste saisonale Indizes verwendet. Da sowohl der Trend als auch die saisonalen Indizes fest sind, sollten Sie die Zerlegung nur dann für Prognosen heranziehen, wenn Trend und Saisonalität sehr einheitlich sind. Es ist besonders wichtig zu überprüfen, dass die Anpassungen eng an den tatsächlichen Werten liegen, insbesondere am Ende der Zeitreihe. Wenn das saisonale Muster oder der Trend nicht den Anpassungen am Ende der Daten entsprechen, verwenden Sie Winters-Methode.

In diesem Diagramm unterschätzt das Modell die Daten am Ende der Datenreihe. Dies weist darauf hin, dass der Trend oder das saisonale Muster nicht einheitlich ist. Wenn Sie diese Daten für Prognosen heranziehen möchten, sollten Sie die Winters-Methode ausprobieren, um festzustellen, ob diese eine bessere Anpassung an die Daten bietet.