Glossaire

Mesure le degré de similitude entre une ligne et un ensemble de données. Cette approche mesure la distance entre chaque point de données réel et la ligne, élève au carré chaque distance et ajoute les carrés. La ligne avec l'écart quadratique le plus petit est la plus similaire.

Souvent appelé méthodologie de prévision de Box-Jenkins, ARIMA est un ensemble de méthodes de prévision de série chronologique à une variable. ARIMA consiste à identifier, sélectionner et vérifier des modèles à l'aide de paramètres auto-régressifs (AR), d'intégration ou de différenciation (I), et de moyenne glissante (MA) estimés.

Type de prévision qui optimise les paramètres de prévision pour minimiser la mesure d'erreur entre les données historiques et les valeurs d'ajustement, décalage d'un nombre de périodes donné (avance de phase).

Type de prévision qui optimise les paramètres de prévision pour minimiser la mesure d'erreur moyenne entre les données historiques et les valeurs d'ajustement, décalage de plusieurs périodes différentes (avances de phase).

Décrit une relation ou une corrélation entre des valeurs de la même série de données à différentes périodes.

Définit le décalage lors de la comparaison d'une série de données avec elle-même. Pour la corrélation automatique, il s'agit du décalage de données que vous choisissez lors de la corrélation d'une série de données avec elle-même.

Méthode qui résout un ensemble d'équations pour les coefficients d'une équation de régression.

Nombre de points de données moins le nombre de paramètres estimés (coefficients).

Lissage exponentiel double.

Tests de corrélation automatique d'un décalage dans le temps.

Décomposition de la valeur singulière.

Equation comportant uniquement des termes linéaires. Les équations linéaires ne comportent pas de termes contenant des variables à exposants ou des variables multipliées les unes par les autres.

Différence entre les valeurs de données réelles et les valeurs de données prévues.

Plan géométrique qui englobe plus de deux dimensions.

Valeurs estimées dans un modèle de feuille de calcul que Crystal Ball définit avec une loi de probabilité.

Estime une tendance lisse en enlevant les données extrêmes et en diminuant le caractère aléatoire des données.

Le lissage exponentiel double applique deux fois le lissage exponentiel simple, une fois aux données d'origine, puis aux données de lissage exponentiel simple obtenues. Ce lissage est très utile quand les séries de données historiques ne sont pas stationnaires.

Déviation moyenne absolue. Il s'agit d'une statistique d'erreur qui calcule la distance moyenne de chaque paire point de données réel/point de données ajusté.

Erreur moyenne absolue en pourcentage. Il s'agit d'une mesure d'erreur relative qui utilise des valeurs absolues pour empêcher les erreurs positives et négatives de s'annuler les unes les autres et emploie les erreurs relatives pour vous permettre de comparer la précision de prévision des différentes méthodes de série chronologique.

Considère que les effets de la saisonnalité sont à ramifications, c'est-à-dire qu'ils augmentent (ou diminuent) dans le temps. Cette méthode est similaire à la méthode additive de Holt-Winters.

Calcule un coefficient saisonnier pour les données historiques sans tendance. L'ajustement saisonnier est multiplié par le niveau prévu, ce qui aboutit à la prévision à ramifications saisonnière.

Sépare une série en ses différents composants : saisonnalité, tendance et cycle, et erreur. Cette méthode détermine la valeur de chacun d'entre eux, la projette dans l'avenir et rassemble les valeurs pour créer une prévision.

Calcule un coefficient saisonnier pour les données historiques sans tendance. L'ajustement saisonnier est ajouté au niveau prévu, ce qui aboutit à la prévision additive saisonnière.

Pondère les données passées avec des pondérations diminuant de façon exponentielle du présent vers le passé ; en d'autres termes, plus la valeur de données est récente, plus sa pondération est élevée. Ce système permet de surmonter en grande partie les limites des moyennes glissantes ou des méthodes de modification de pourcentage.

Lisse les données passées en effectuant une moyenne sur les dernières périodes et en projetant cette vue dans l'avenir. Predictor calcule automatiquement le nombre optimal de périodes dont calculer la moyenne.

Relation entre deux variables dans laquelle les modifications apportées à une variable indépendante correspondent non seulement à une augmentation ou à une diminution donnée dans la variable dépendante, mais causent réellement l'augmentation ou la diminution.

Optimise les paramètres de prévision pour minimiser la mesure d'erreur entre un ensemble de données exclues et les valeurs de prévision. Predictor n'utilise pas les données exclues pour calculer les paramètres de prévision.

Lisse les données passées en effectuant une moyenne glissante sur un sous-ensemble de données qui représente une moyenne glissante d'un ensemble de données d'origine.

Point de départ de la prévision. Pour un ensemble de données ne comportant aucune tendance, il est identique à l'interception de y.

Indique la probabilité d'obtenir une statistique F ou T aussi élevée que celle calculée pour les données.

Prévision de valeurs d'une variable en fonction de valeurs passées connues de cette variable ou d'autres variables associées. Les prévisions peuvent également décrire des valeurs prévues basées sur des modèles de feuille de calcul Crystal Ball et des jugements d'expert.

Synthèse statistique des hypothèses d'un modèle de feuille de calcul, présentée sous forme graphique ou numérique.

Prévision sommaire basée uniquement sur les données les plus récentes ; par exemple, utilisation du dernier point de données pour prévoir la période suivante.

Coefficient de détermination. Cette statistique indique la proportion de l'erreur de variable dépendante expliquée par la ligne de régression.

Corrige R² afin de prendre en compte le degré de liberté des données.

Processus qui modélise une variable dépendante en tant que fonction d'autres variables (indépendantes) explicatives.

Décrit une relation similaire à la corrélation automatique, mais au lieu que la variable soit associée à d'autres variables indépendantes, elle est associée à des valeurs précédentes de sa propre série de données.

Processus qui modélise une variable en tant que fonction d'autres variables explicatives de premier ordre. Autrement dit, il s'approche de la courbe avec une ligne, et non une courbe, qui nécessiterait des termes d'ordre supérieur impliquant des carrés et des cubes.

Type de régression linéaire où une variable dépendante est décrite en tant que fonction linéaire de plusieurs variables indépendantes.

Méthode de régression qui ajoute ou soustrait une variable indépendante à la fois dans une équation de régression linéaire multiple.

Différence entre les données réelles et les données prévues pour la variable dépendante dans la régression linéaire multiple.

Erreur quadratique moyenne. Il s'agit d'une mesure d'erreur absolue qui élève au carré les écarts pour empêcher les écarts positifs et négatifs de s'annuler les uns les autres. Cette mesure tend également à exagérer les erreurs importantes, ce qui peut vous aider lors de la comparaison des méthodes.

Modification intervenant dans une série de données du fait des facteurs saisonniers. Par exemple, si les ventes augmentent à Noël et pendant l'été, les données sont saisonnières et ont une période de six mois.

Méthode de régression qui ajoute une variable indépendante à la fois à l'équation de régression linéaire multiple, en commençant par celle présentant le plus d'importance.

Ensemble de valeurs ordonnées selon des intervalles régulièrement espacés.

Somme des écarts quadratiques. La technique des moindres carrés pour estimer les coefficients de régression utilise cette statistique, qui mesure l'erreur non éliminée par la ligne de régression.

Teste l'importance générale de l'équation de régression linéaire multiple.

Teste l'importance d'une variable indépendante particulière dans l'équation de régression linéaire multiple existante.

Teste l'importance de la relation entre la variable dépendante et une variable indépendante particulière, en présence des autres variables indépendantes.

Table interactive dans Microsoft Excel. Vous pouvez déplacer les lignes et les colonnes, et filtrer les données des tables de pivot.

Augmentation ou diminution à long terme des données de série chronologique.

Dans une régression linéaire multiple, série de données ou variable qui dépend d'une autre série de données. Vous devez utiliser la régression linéaire multiple comme méthode de prévision pour toutes les variables dépendantes.

Dans la régression linéaire multiple, séries de données ou variables qui ont une incidence sur une autre série de données ou variable.

Dans la régression, les séries de données sont également appelées variables.