کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7408112 1481429 2018 18 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Forecasting from time series subject to sporadic perturbations: Effectiveness of different types of forecasting support
ترجمه فارسی عنوان
پیش بینی از سری زمانی به علت اختلالات پراکنده: اثربخشی انواع پیش بینی پشتیبانی
کلمات کلیدی
پشتیبانی پیش بینی، سازگاری دائمی، سری زمانی، تبلیغات حراجی،
ترجمه چکیده
رویکردهای متفاوتی برای ارائه پیش بینی پشتیبانی موثر است؟ پیش بینی ها ممکن است بدون کمک و یا با کمک پیش بینی های آماری انجام شود. در عمل، دومی اغلب پیش بینی های خام است که در نظر گرفتن اختلالات پراکنده وجود ندارد. اکثر تحقیقات پیش بینی ها را براساس سری هایی که از اثرات تحریم پاک شده اند، در نظر می گیرند. این مقاله یک آزمایش است که در آن مردم پیش بینی هایی را از سری زمانی انجام دادند که با تبلیغات مواجه بودند. در هر شرایط، پیش بینی های غیرمستقیم در دوره های تبلیغاتی و بیش از حد پیش بینی در طول دوره های نرمال صورت گرفت. اندازه نسبی این اثرات بستگی به نسبت دوره های در مجموعه داده هایی که شامل تبلیغات بود. پیش بینی های آماری دقت پیش بینی را بهبود بخشید نه به این دلیل که این بی توجهی ها را کاهش داده اند، اما به دلیل خطا تصادفی (پراکندگی) کاهش یافته است. بهبود عملکرد به این بستگی ندارد که آیا پیش بینی ها بر اساس سری های پاک شده است یا خیر. بنابراین، تلاش برای ساخت سری های زمانی پاک شده که از آن انتظار می رود، سرمایه گذاری نمی شود، ضروری است: شرکت ها می توانند پیش بینی های خود را حتی پیش بینی های آماری خام را سودمند کنند. در یک آزمایش دوم، پیشگامان پیش بینی های بهینه آماری دریافت کردند که تاثیرات تبلیغات را به طور کامل در نظر گرفتند. این باعث افزایش دقت شد زیرا تقریبا حذف شد و خطای تصادفی 20٪ کاهش یافت. بنابراین، تلاش اضافی مورد نیاز برای تولید پیش بینی هایی که تاثیرات تبلیغاتی را در نظر می گیرند ارزشمند است.
موضوعات مرتبط
علوم انسانی و اجتماعی مدیریت، کسب و کار و حسابداری کسب و کار و مدیریت بین المللی
پیش نمایش مقاله
پیش بینی از سری زمانی به علت اختلالات پراکنده: اثربخشی انواع پیش بینی پشتیبانی
چکیده انگلیسی
How effective are different approaches for the provision of forecasting support? Forecasts may be either unaided or made with the help of statistical forecasts. In practice, the latter are often crude forecasts that do not take sporadic perturbations into account. Most research considers forecasts based on series that have been cleansed of perturbation effects. This paper considers an experiment in which people made forecasts from time series that were disturbed by promotions. In all conditions, under-forecasting occurred during promotional periods and over-forecasting during normal ones. The relative sizes of these effects depended on the proportions of periods in the data series that contained promotions. The statistical forecasts improved the forecasting accuracy, not because they reduced these biases, but because they decreased the random error (scatter). The performance improvement did not depend on whether the forecasts were based on cleansed series. Thus, the effort invested in producing cleansed time series from which to forecast may not be warranted: companies may benefit from giving their forecasters even crude statistical forecasts. In a second experiment, forecasters received optimal statistical forecasts that took the effects of promotions into account fully. This increased the accuracy because the biases were almost eliminated and the random error was reduced by 20%. Thus, the additional effort required to produce forecasts that take promotional effects into account is worthwhile.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Forecasting - Volume 34, Issue 2, April–June 2018, Pages 163-180
نویسندگان
, ,