Làm thế nào để tính toán lỗi dự báo (khoảng tin cậy) cho các giai đoạn liên tục?

Tôi thường cần dự báo cho các giai đoạn trong tương lai trong chuỗi dữ liệu hàng tháng.

Các công thức có sẵn để tính khoảng tin cậy ở mức alpha cho giai đoạn tiếp theo trong chuỗi thời gian, nhưng điều này không bao giờ bao gồm cách xử lý giai đoạn thứ hai và thứ ba, v.v.

Tôi trực quan tưởng tượng rằng nếu bất kỳ dự báo nào được biểu đồ với các khoảng tin cậy trên và dưới, thì nhìn chung các khoảng đó sẽ tăng hoặc giảm theo cấp số nhân so với dự báo trung bình, vì độ không đảm bảo là một lực tích lũy.

Giả sử tôi đã bán đơn vị tháng 4 = 10 tháng 5 = 8 tháng 6 = 11 tháng 7 = 13 và không có bối cảnh nào khác như thời vụ hoặc dữ liệu dân số

Chúng ta cần dự báo (mặc dù mù quáng) tháng 8, tháng 9, tháng 10.

Bạn sẽ sử dụng phương pháp nào? và quan trọng hơn ở đây, bạn sẽ đo lường sự tự tin cho tháng 9 và tháng 10 như thế nào?

Xin lỗi vì đây có thể là một câu hỏi đơn giản đối với một số chuyên gia - Tôi đã đào sâu để có câu trả lời rõ ràng và tôi chắc chắn đây là điều mà tất cả những người nghiệp dư như tôi rất muốn hiểu.

Có rất nhiều khía cạnh hẹp tính toán các khoảng dự đoán : quy trình tạo dữ liệu và mô hình được sử dụng để mô tả quy trình này (mô hình chuỗi thời gian, mô hình hồi quy), là dữ liệu cố định của bạn (đối với loại kết luận này của bạn là sai vì dữ liệu tĩnh không có xu hướng chạy khác xa với giá trị trung bình của nó) hoặc chất nổ (đối với một quy trình tích hợp, bạn sẽ thấy một cái gì đó mà bạn mô tả). Tôi nghĩ rằng một đánh giá xuất sắc của Chris Chatfield về Khoảng dự đoán sẽ trả lời hầu hết các câu hỏi của bạn.

Về đơn vị bán hàng:

• vì bạn có một khoảng thời gian dự báo ngắn, bạn có thể cố gắng dự báo bằng cách làm mịn theo cấp số nhân (trong R nó là ets()hàm từ forecast)
• một tùy chọn khác là mô hình hóa nó giống như quy trình ARIMA (cùng thư viện có auto.arima())
• tuy nhiên, trong kinh tế lượng vi mô, các mô hình hồi quy thích hợp hơn so với mô hình lý thuyết, nhưng trong ngắn hạn, chúng không nhất thiết phải đánh bại hai mô hình đầu tiên

Cả hai trường hợp đều có công thức để tính toán các khoảng dự đoán và được thảo luận trong phần đánh giá nêu trên (thông thường tính giả định của phần dư được giả định, nhưng đây không phải là giả định quan trọng).