Testowanie nowych wskaźników i ich wpływ na przewidywane liczby

Wcześniej ustaliliśmy, że wybór odpowiednich wskaźników wiodących dla Twojej firmy jest ważny (niezależnie od tego, na jakim etapie jesteś w łańcuchu dostaw).
‍
[Dowiedz się więcej o tym, jak zidentyfikować odpowiednie wskaźniki wiodące, a nie opóźnione.]

Wprawdzie wskazanie odpowiednich wskaźników może być całkiem labiryntem. Skąd wiesz, czy skupiasz się na odpowiednich? Czy są nowe wskaźniki, które powinieneś uwzględnić?

Możesz także od jakiegoś czasu polegać na tych samych wskaźnikach, ale chciałbyś ocenić i przetestować wiarygodność nowych wskaźników. I co najważniejsze, jego wpływ na przewidywane liczby.

Rozbijmy to.

„Możesz także zależeć od tych samych wskaźników
przez jakiś czas, ale chciałbym ocenić i przetestować wiarygodność nowych wskaźników. I co najważniejsze, jego wpływ
na twoich prognozowanych liczbach.„

Typowe metodologie wyszukiwania zmiennych i ich działanie

Odkryliśmy, że wielu analityków aktywnie buduje i testuje modele regresji liniowych, aby zidentyfikować wskaźniki istotne dla ich głównej zmiennej. Jednak testowanie różnych metod zazwyczaj zajmuje sporo czasu, gdy uruchamiasz je przy użyciu różnych metodologii wyszukiwania.

Na początek, jakie są te metodologie wyszukiwania i co robią najlepiej?

‍Wyszukiwanie współczynników
‍Zacznijmy od wyszukiwania współczynnika. Obejmuje trzy dostępne metody; tylko równanie główne, wszystkie równania, i wszystkie równania - lagwise.

Wszystkie metody rozpoczynają się od zbudowania modelu VAR z karą LASSO, przy użyciu struktury wybranej w ustawieniach wyboru zmiennej.

Model ten ukarze zmienne, które nie są przydatne do przewidywania, co oznacza, że ich współczynniki skurczą się w kierunku zera. Zasadniczo wyszukiwanie współczynników bada wszystkie wybrane zmienne i ich indywidualny wkład w interesującą zmienną. Chociaż pozwala na kompleksowe zbadanie wszystkich czynników, może nie zidentyfikować automatycznie najważniejszych.
 
‍Wyszukiwanie krok po kroku
‍Wyszukiwanie krok po kroku to proces iteracyjny, który rozpoczyna się od początkowego zestawu czynników, a następnie przechodzi do dodawania lub usuwania zmiennych w oparciu o kryteria statystyczne (np. wartości p lub kryteria informacyjne). Ma na celu zapewnienie środków, które odzwierciedlają, jak dobry wskaźnik będzie poza próbką. Zasadniczo będzie to odzwierciedlać, jak dobrze wskaźnik będzie działał w sytuacjach, na których wcześniej nie był testowany.

‍Wyszukiwanie wsteczne: W kontekście prognozowania model nigdy nie będzie miał dostępu do punktów danych, które chcemy przewidzieć, stwarzając inny problem niż tylko opisywanie przeszłych ruchów zmiennej.

Chociaż skomplikowany model często dobrze pasuje do danych, może cierpieć z powodu nadmiernego dopasowania, co oznacza, że będzie bardzo dobry w opisywaniu tego, co się stało, ale nie tego, co się stanie. Jest nieco podobny do wyszukiwania krok po kroku, ale zaczyna się od modelu, który obejmuje wszystkie czynniki, a następnie stopniowo usuwa te najmniej istotne na podstawie kryteriów statystycznych.

Wyszukiwanie wsteczne ma na celu wygenerowanie wartości tego, jak dobrze wskaźnik jest w przewidywaniu zmiennej głównej. Opiera się na idei, że chociaż wskaźnik może być przydatny w opisywaniu głównej zmiennej w próbie, zwykle jesteśmy bardziej zainteresowani tym, jak dobrze wskaźnik może wzmocnić moc predykcyjną modelu. Samo porównanie skuteczności wszystkich trzech metod wyszukiwania bez dopasowania kontekstowego byłoby nadmiernym uproszczeniem i bardzo niedokładnym.

‍Warto wypróbować wszystkie trzy metody i określić najbardziej odpowiednie i skuteczne podejście w konkretnym kontekście.

Oto krótki przewodnik, o czym myśleć podczas testowania trzech różnych metodologii:

Czy wyniki pokazują niski stosunek sygnału do szumu?
‍Przy niskim stosunku sygnału do szumu w danych trudniejsze staje się rozróżnienie między naprawdę wpływowymi zmiennymi a losowymi fluktuacjami. Oznaczałoby to, że znaczące informacje są przyćmione lub zasłonięte przez losowe fluktuacje lub hałas.

Zasadniczo zmniejszona dokładność prognozy.

Jeśli stwierdzisz, że w danych występuje niski poziom sygnału do szumu przy użyciu jednej metody, oznacza to, że warto wypróbować następną metodę.

Czy wyniki różnią się znacznie w zależności od metod?
‍Oddzielnie uruchom jedną lub wszystkie trzy metody automatycznie i porównaj przewidywane wyniki. Jeśli prognozowane wyniki różnią się znacznie w zależności od trzech metod, warto przyjrzeć się, który wskaźnik (y) jest nadal konsekwentnie widoczny w stosunku do głównej zmiennej w Twojej prognozie.

Daje to lepsze wyobrażenie o tym, które zmienne (zgodnie z testowanymi metodami) warto rozważyć posuwanie się naprzód.

Łatwo przetestuj wszystkie trzy metody w Indicio

Indicio zawiera wszystkie trzy metody, między którymi można łatwo przełączać się podczas przeprowadzania analizy wskaźników.

Wybierz zmienne, które Twoim zdaniem będą najbardziej odpowiednie do prognozowania wybranego pierwotnego punktu danych. Wybierz żądaną metodę (wyszukiwanie stopniowe, współczynnikowe lub wsteczne) i uruchom analizę wskaźników. Indicio obliczy następnie i uszereguje każdą zmienną wyjaśniającą zgodnie z jej przyczynością do głównej interesującej zmiennej, wykorzystując częściową korelację i regularyzację LASSO w celu zmniejszenia hałasu i usunięcia nieistotnych współczynników.

Daje to możliwość przetestowania ponad 20 wskaźników makroekonomicznych w Indicio, a wszystko to w celu sprawdzenia, czy mają one moc predykcyjną w prognozowaniu Twojej głównej zmiennej, czy to całkowitej sprzedaży, czy popytu rynkowego.

Testy są następnie przeprowadzane w oparciu o model VAR z efektami Lasso, które następnie pokażą, które zmienne są nieistotne i nie dodają mocy predykcyjnej.

Nigdy więcej zgadywania. [Wypróbuj sam.]

Korzyści z testowania tych metod

Uzyskaj solidny wgląd w istotne zmienne
‍Każda metoda niezmiennie ma swoje własne założenia i kryteria wyboru odpowiednich zmiennych, na które należy zwrócić uwagę.

Korzystając z wielu metod, możesz ocenić spójność wyników. Jeśli zmienna konsekwentnie wydaje się istotna w różnych metodach, dostarcza silniejszych dowodów na jej znaczenie. I odwrotnie, jeśli zmienna wydaje się znacząca w jednej metodzie, ale nie w innych, może wymagać dalszego badania.

Miejsce do zastosowania metody najbardziej odpowiedniej dla kontekstu
‍Wartość każdej metody może się różnić w zależności od konkretnego kontekstu i charakteru rozważanych zmiennych.

- Wypróbowując wszystkie trzy metody, możesz ocenić najbardziej odpowiednie i skuteczne podejście w swoim konkretnym kontekście. Pozwala to na bardziej spersonalizowaną i specyficzną dla kontekstu analizę, zwiększając prawdopodobieństwo odkrycia najważniejszych zmiennych do prognozowania przyszłej sprzedaży.

- Wypróbowanie wszystkich trzech metod zapewnia, że kluczowe zmienne nie zostaną pominięte i zwiększa zaufanie do wyników. Jednak ważne jest krytyczne interpretowanie i porównanie wyników, biorąc pod uwagę mocne strony i ograniczenia każdej metody.

[Wypróbuj w Indicio]