একক এক্সপোনেনশিয়াল স্মুথিং, সংক্ষেপে SES, যাকে সিম্পল এক্সপোনেনশিয়াল স্মুথিংও বলা হয়, একটি টাইম সিরিজ পূর্বাভাস পদ্ধতি কোনো প্রবণতা বা ঋতু ছাড়াই ভিন্ন ভিন্ন ডেটার জন্য। এটির জন্য একটি একক প্যারামিটার প্রয়োজন, যাকে বলা হয় আলফা (a), যাকে স্মুথিং ফ্যাক্টর বা স্মুথিং সহগও বলা হয়৷
আপনি কীভাবে সূচকীয় স্মুথিং বিশ্লেষণ করবেন?
একক সূচকীয় স্মুথিংয়ের জন্য মূল ফলাফলগুলি ব্যাখ্যা করুন
- ধাপ 1: মডেলটি আপনার ডেটার সাথে মানানসই কিনা তা নির্ধারণ করুন৷
- ধাপ 2: অন্যান্য মডেলের সাথে আপনার মডেলের ফিট তুলনা করুন।
- পদক্ষেপ 3: পূর্বাভাস সঠিক কিনা তা নির্ধারণ করুন।
এক্সপোনশিয়াল স্মুথিংয়ের জন্য আপনি কীভাবে আলফা বেছে নেবেন?
আমরা \alpha-এর জন্য সর্বোত্তম মান বেছে নিই যাতে মানটি সবচেয়ে ছোট MSE-এ পরিণত হয়। বর্গক্ষেত্র ত্রুটির যোগফল (SSE)=208.94। বর্গক্ষেত্র ত্রুটির (MSE) গড় হল SSE /11=19.0। MSE আবার \alpha=0.5 এর জন্য গণনা করা হয়েছিল এবং এটি 16.29 হিসাবে পরিণত হয়েছিল, তাই এই ক্ষেত্রে আমরা 0.5 এর একটি \আলফা পছন্দ করব।
আপনি কখন সূচকীয় স্মুথিং ব্যবহার করবেন?
প্রস্তুতিমূলক স্মুথিং হল প্রেজেন্টেশনের জন্য ডেটা মসৃণ করার বা পূর্বাভাস করার একটি উপায়। এটি সাধারণত অর্থ এবং অর্থনীতির জন্য ব্যবহৃত হয়। যদি আপনার কাছে একটি পরিষ্কার প্যাটার্ন সহ একটি টাইম সিরিজ থাকে তবে আপনি চলমান গড় ব্যবহার করতে পারেন - কিন্তু যদি আপনার কাছে পরিষ্কার প্যাটার্ন না থাকে তবে আপনি পূর্বাভাস দেওয়ার জন্য সূচকীয় স্মুথিং ব্যবহার করতে পারেন৷
আপনি কীভাবে সাধারণ সূচকীয় স্মুথিং গণনা করবেন?
সূচকটি মসৃণকরণের হিসাবটি নিম্নরূপ: সর্বাধিক সময়ের চাহিদা স্মুথিং ফ্যাক্টর দ্বারা গুণিত। সাম্প্রতিক সময়ের পূর্বাভাস দ্বারা গুণিত (এক বিয়োগ মসৃণকরণ ফ্যাক্টর)। S=দশমিক আকারে উপস্থাপিত স্মুথিং ফ্যাক্টর (তাই 35% 0.35 হিসাবে উপস্থাপিত হবে)।
