DEPARTMENT OF QUANTITATIVE METHODS & INFORMATION

SYSTEMS

Moving Averages and Smoothing Methods

QMIS 320
Chapter 4

Fall 2010 Dr. Mohammad Zainal

Moving Averages and Smoothing Methods

2

¾ This chapter will describe three simple approaches to 
forecasting a time series: 
¾ Naïve
¾ Averaging
¾ Smoothing
¾ Naive methods are used to develop simple models that assume 
that very recent data provide the best predictors of the future.
¾ Averaging methods generate forecasts based on an average of 
past observations.
¾ Smoothing methods produce forecasts by averaging past values 
of a series with a decreasing (exponential) series of weights. 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 1

 Moving Averages and Smoothing Methods
3

Forecasting Procedure 
¾ You observe Yt at time t
¾ Then use the past data Yt‐1,Yt‐2, Yt‐3 
¾ Obtain forecasts for different periods in the future 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

4

Steps for Evaluating Forecasting Methods
¾ Select an appropriate forecasting method based on the nature of 
the data and experience. 
¾ Divide the observations into two parts.
¾ Apply the selected forecasting method to develop fitted model 
for the first part of the data.
¾ Use the fitted model to forecast the second part of the data.
¾ Calculate the forecasting errors and evaluate using measures of 
accuracy.
¾ Make your decision to accept or modify or reject the suggested 
method or develop another method to compare the results. 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 2

 Moving Averages and Smoothing Methods
5

Types of Forecasting Methods
Three simple approaches to forecasting a time series will be 
discussed in this chapter:
Naïve Methods
These methods assume that the most recent information is the best 
predictors of the future.
¾ Yˆ = Y
For the stationary data, we use the simplest model is                .t +1 t

¾ For the nonstationary (trended) data, we use the following models
¾ Yˆt +1 = Yt + (Yt − Yt −1 )
The amount of change model is                               .
Y
¾ Yˆt +1 = Yt . t
The rate of change model is                   .
Yt −1
¾ For the strongly seasonal (quarterly) data, we use the following models 
¾ Yˆt +1 = Yt −3
The quarterly data model is                .
¾ Yˆt +1 = Yt −11
The monthly data model is                 .
QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

6

¾ For the seasonal (quarterly) and trended data, we use
Y −Y
Yˆt +1 = Yt −3 + t t − 4
4
Example 4.1

The figure shows the 
quarterly sales of saws for 
the Acme Tool Company. 
The naive technique 
forecasts that sales for the 
next quarter will be the 
same as the previous 
quarter. 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 3

 Moving Averages and Smoothing Methods
7

¾ The table below shows the data from 1996 to 2002

¾ If the data from 1996 to 2001 are used as the initialization part and 2002 
as the test part.
¾ The forecast for the first quarter of 2002

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

8

¾ The forecasting error is  

¾ Similarly, the forecast for period 26 is 850 with an error of ‐250.
¾ But its very clear that the data have an upward trend and there appears 
to be a seasonal pattern (first and fourth quarters are relatively high).
¾ A decision must be made to modify the naive model!
¾ Our technique can be adjusted to take trend into consideration by 
adding the difference between this period and the last period.
¾ The forecast equation is

¾ The forecast for the first quarter of 2002 is

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 4

 Moving Averages and Smoothing Methods
9

¾ The forecasting error is  

¾ Visual inspection of the data in indicates that seasonal variation seems 
to exist. 
¾ Sales in the first and fourth quarters are typically larger than those in 
any of the other quarters. 
¾ If the seasonal pattern is strong, an appropriate forecast equation for 
quarterly data might be 

¾ The previous equation says that next quarter the variable will take on 
the same value that it did in the corresponding quarter one year ago.
1
¾ The major weakness of this approach is that it ignores everything that 
has occurred since last year and also any trend

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

10

¾ There are several ways of introducing more recent information. 
¾ For example, the analyst can combine seasonal and trend estimates and 
forecast the next quarter using

¾ The Yt‐3 term forecasts the seasonal pattern, and the remaining term 
averages the amount of change for the past four quarters and provides 
an estimate of the trend.
¾ The naive forecasting models in the last equations are given for 
quarterly data.
¾ Adjustments can be made for data collected over different time 
periods.
¾ For monthly data, the seasonal period is 12, not 4, and the forecast for 
the next period (month) given by

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 5

 Moving Averages and Smoothing Methods
11

¾ For some purposes, the rate of change might be more appropriate than 
the absolute amount of change. If so, it is reasonable to generate 
forecasts according to 
3

¾ The forecasts for the first quarter of 2002 using Equations 1, 2 and 3 are

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

12

Averaging methods
¾ Frequently, management faces the situation in which forecasts need to 
be updated daily, weekly, or monthly for inventories containing hundreds 
or thousands of items.
¾ Often it is not possible to develop sophisticated forecasting techniques 
for each item.
¾ Instead, some quick, inexpensive, very simple short‐term forecasting 

tools are needed to accomplish this task. 
¾ These tools assume that the most recent information is used to predict 
the future and the forecasts need to be updated daily, weekly, monthly, 
etc.
¾ They use a form of weighted average of past observations to smooth 

short‐term fluctuations.
¾ In this case different averaging methods should be considered.

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 6

 Moving Averages and Smoothing Methods
13

Simple Average method
¾ This method uses the mean of all relevant historical observations as the 
forecast of the next period.
¾ Also, it used when the forces generating series have stabilized and the 
environment in which the series exists is generally unchanging.
¾ The objective is to use past data to develop a forecasting model for 
future periods.
¾ As with the naive methods, a decision is made to use the first t data 
points as the initialization part and the remaining data as a test part.
¾ Next, the following equation is used to average the initialization part of 
the data and to forecast the next period. 

¾ When a new observation becomes available, the forecast for the next 
period (t + 2) is the average of the above equation and that data point
QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

14

Example 4.2 
The Spokane Transit Authority (STA) operates a fleet of vans used to 
transport both the disabled and elderly. A record of the gasoline 
purchased for this fleet of vans is shown in table below. The actual 
amount of gasoline consumed by a van on a given day is determined by 
the random nature of the calls and the destinations. 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 7

 Moving Averages and Smoothing Methods
15

¾ Examination of the gasoline purchases plotted in following figure 
shows the data are very stable.

¾ Hence, the method of simple averages is used for weeks 1 to 28 to 
forecast gasoline purchases for weeks 29 and 30.
¾ The forecast for week 29 is 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

16

¾ The forecasting error is

¾ The forecast for week 30 includes one more data point (302) added to 
the initialization period. 
¾ So the forecast is 

¾ The forecasting error is

¾ Using the method of simple averages, the forecast of gallons of gasoline 
purchased for week 31 is 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 8

 Moving Averages and Smoothing Methods
17

Moving Averages 
¾ The method of simple averages uses the mean of all the data to forecast. 
What if the analyst is more concerned with recent observations? 
¾ A constant number of data points can be specified at the outset and a 
mean computed for the most recent observations.
¾ A moving average of order k is the mean value of k consecutive 
observations. The most recent moving average value provides a forecast 
for the next period. 
¾ The term moving average is used to describe this approach.
¾ As each new observation becomes available, a new mean is computed 
by adding the newest value and dropping the oldest.
¾ This moving average is then used to forecast the next period.
¾ The simple moving average forecast of the order k, MA(k), is given by 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

18

Moving Averages 
¾ Moving average models do not handle the trend and the seasonality 
very well, It is useful in stationary time series data.
¾ The method of simple averages uses the mean of all the data to forecast. 
What if the analyst is more concerned with recent observations? 
¾ In the moving average, equal weights are assigned to each observation.
¾ Each new data point is included in the average as it becomes available, 
and the earliest data point is discarded. 
¾ The rate of response to changes in the underlying data pattern depends 
on the number of periods, k, included in the moving average. 
¾ A moving average of order 1, MA(1), is simply the naive forecasting. 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 9

 Moving Averages and Smoothing Methods
19

Example 4.3 
The table below demonstrates the moving average forecasting technique 
with the Spokane Transit Authority data, using a five‐week moving 
average. 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

20

¾ The moving average forecast for week 29 is

¾ The forecasting error is 

¾ The forecast for week 31 is 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 10

 Moving Averages and Smoothing Methods
21

¾ Minitab can be used to compute a five‐week moving average.
¾ The following figure shows the five‐week moving average plotted 
against the actual data.
¾ Note that Minitab calls the mean squared error MSD (mean squared 
deviation). 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

22

¾ The analyst must use judgment when determining how many days, 
weeks, months, or quarters on which to base the moving average.
¾ The smaller the number, the more weight is given to recent periods. 
Conversely, the greater the number, the less weight is given to more 
recent periods.
¾ A small number is most desirable when there are sudden shifts in the 
level of the series.
¾ A small number places heavy weight on recent history, which enables 
the forecasts to catch up more rapidly to the current level.
¾ A large number is desirable when there are wide, infrequent 
fluctuations in the series. 
¾ Moving averages are frequently used with quarterly or monthly data to 
help smooth the components within a time series, as will be shown in 
Chapter 5. 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 11

 Moving Averages and Smoothing Methods
23

¾ For quarterly data, a four‐quarter moving average, MA(4), yields an 
average of the four quarters, and for monthly data, a 12‐month moving 
average, MA(12), eliminates or averages out seasonal effects.
¾ The larger the order of the moving average, the greater the smoothing 
effect. 
¾ In Example 4.3, the moving average technique was used with 
stationary data.
¾ In Example 4.4, we show what happens when the moving average 
method is used with trending data.
¾ The double moving average technique, which is designed to handle 
trending data, is introduced next.

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

24

Double Moving Averages
This method used when the time series data are nonstationary or trended 
and this happen by computing the moving average of order k to the first set 
of moving averages.
First we compute
the moving average
of order k.
Let 

Then Then we compute

the second moving
average of order k.
Thus the Model forecast  m period is given by

where
k = number of periods in the moving average Remember
differencing for
p = number of periods ahead to be forecast  trended time
series
QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 12

 Moving Averages and Smoothing Methods
25

Example 4.4
The Movie Video Store operates several videotape rentals. The company is
growing and needs to expand its inventory to accommodate the increasing
demand for its services.
The president of the company 
wants to forecast rentals for the 
next month.
At first, Jill attempts to develop a 
forecast using a three‐week moving 
average. 
The MSE for this model is 133. 

Because the data are obviously 
trending, she finds that her forecasts 
are consistently underestimating 
actual rentals. 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

26

¾ The results for double moving average are shown in the table below

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 13

 Moving Averages and Smoothing Methods
27

¾ To understand the forecast for week 16, the computations are:

¾ First we computed the three week moving average ( column 3 ) using

¾ To compute the double moving averages (column 4), we used

¾ The difference between the two moving averages (column 5) is computed

¾ The slope is adjusted by

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

28

¾ The forecast is done for one period into the future (column 7).

¾ The forecast four weeks  into the future is

Note that the MSE has been reduced from 133 to 63.7.
¾ It seems reasonable that more recent observations are likely to contain 
more important information.
¾ A procedure is introduced in the next section that gives more emphasis to 
the most recent observations.

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 14

 Moving Averages and Smoothing Methods
29

Smoothing Methods
¾ These methods also assume that the most recent information is used to 
predict the future and the forecasts need to be updated daily, weekly, 
monthly, etc. 
¾ In this case different smoothing methods should be considered.
1. Exponential Smoothing
¾ This method continually revises a forecast in the light of more recent 
experiences. 
¾ It is often appropriate for data with no predictable upward or downward 
trend.
¾ It provides an exponentially weighted moving average of all previously 
observed values. 
¾ The most recent observation receives the largest weight α (where 0 < α < 1).

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

30

¾ The next most recent observation receives less weight, α(1 — α), the 
observation two time periods in the past even less weight, α(1 — α)2, and 
so forth.
¾ The weight c (where 0 < α < 1) is given to the newly observed value, and 
weight (1 — α) is given to the old forecast. 
New forecast = [α x (new observation)] + [(1 — α) x (old forecast)] 
¾ More formally, the exponential smoothing equation is 

where

¾ Also, it can be rewritten as

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 15

 Moving Averages and Smoothing Methods
31

¾ Yˆt
Where α is called smoothing constant or the weighting is factor and    is 
Y1 = Y1
ˆ
the old smoothed value or forecast with          .
¾ Yˆt +1
Note that       is recognized as an exponentially smoothed value since 
mathematically it is equivalent to
∞
Yˆt +1 = ∑ α (1 − α )
m =0
m
Yt − m or

¾ The value assigned to α is the key to the analysis.
¾ If it is desired that predictions be stable and random variations smoothed, 
a small value of α is required.
¾ If a rapid response to a real change in the pattern of observations is 
desired, a larger value of α is appropriate.
¾ One method of estimating α is an iterative procedure that minimizes the 
mean squared error (MSE).
¾ Forecasts are computed for, say, α equal to .1, .2,..., .9, and the sum of the 
squared forecast errors is computed for each. 
QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

32

¾ The value of α producing the smallest error is chosen for use in generating 
future forecasts. 
¾ To start the algorithm for, an initial value for the old smoothed series must 
be set.
¾ One approach is to set the first smoothed value equal to the first observation.
¾ Another method is to use the average of the first five or six observations for the 
initial smoothed value.

¾ Exponential smoothing is often a good forecasting method when a

nonrandom time series exhibits trending behavior.

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 16

 Moving Averages and Smoothing Methods
33

Example 4.5 
The exponential smoothing technique is demonstrated in the following 
table and figure for Acme Tool Company for the years 1996 to 2002, using 
smoothing constants of .1 and .6. The data for the first quarter of 2002 will 
be used as test data to help determine the best value of α (among the two 
considered).

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

34

The exponentially smoothed 
series is computed by 
initially setting    equal to 
Ŷ1
500. 
If earlier data are available, 
it might be possible to use 
them to develop a smoothed 
series up to 1996 and use 
this experience as the initial 
value for the smoothed 
series. 
The computations leading to 
the forecast for periods 3 
and 4 are demonstrated next. 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 17

 Moving Averages and Smoothing Methods
35

¾ At time period 2, the forecast for period 3 with α = .1 is

¾ The error in this forecast is

¾ The forecast for period 4 is

¾ From the previous table, using smoothing constant of .1, the forecast for 
the first quarter of 2002 is 469 with a squared error of 145,161.
¾ When the smoothing constant is .6, the forecast for the first quarter of 2002 
is 576 with a squared error of 75,076.
¾ On the basis of this limited evidence, exponential smoothing with α = .6 
performs better than exponential smoothing with α = .1. 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

36

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 18

 Moving Averages and Smoothing Methods
37

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

38

¾ In summary

¾ MSE and MAPE are both large and, on the basis of these summary 
statistics.
¾ It is apparent that exponential smoothing does not represent these data 
well.
¾ As we shall see, a smoothing method that allows for seasonality does a 
better job of predicting the data in the previous example. 
¾ Another factor beside α that affects the values of subsequent forecasts is 
the choice of the initial value Yˆ1 for the smoothed series.
¾ Yˆ1 = Y1 was used as the initial smoothed value.
In Example 4.5,    
¾ This choice gave Y1 too much weight in later forecasts.
¾ Fortunately, the influence of the initial forecast diminishes greatly as t 
increases.

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 19

 Moving Averages and Smoothing Methods
39

¾ Another approach to initialize the smoothing procedure is to average the 
first k observations. The smoothing then begins with 

¾ Often k is chosen to be a relatively small number. For example, the 
default approach in Minitab is to set k = 6. 
Example 4.6 
The computation of the initial value as an average for the Acme Tool 
Company data presented in Example 4.5 is shown next. If k is chosen to 
equal 6, then the initial value is

The MSE and MAPE for each alpha when an initial smoothed value of 383.3 

is used are shown next. 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

40

¾ The initial value of 383.3 led to a decrease in MSE and MAPE for α = .1 

but did not have much effect when α = .6. 
¾ Now the best model, based on the MSE and MAPE summary measures, 
appears to be one that uses α = .1 instead of .6. 
¾ When the data are run on Minitab, the smoothing constant of α = .266 
was automatically selected by minimizing MSE. 
¾ The MSE is reduced to 19,447, the MAPE equals 32.2% and, although not 
shown, the MPE equals to ‐ 6.4% and the forecast for the first quarter of 
2002 is 534.
¾ The autocorrelation function for the residuals of the exponential 
smoothing method using an alpha of .266.
¾ When the Ljung‐Box test is conducted for six time lags, the large value of 
LBQ (33.86) shows that the first six residual autocorrelations as a group 
are larger than would be expected if the residuals were random. 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 20

 Moving Averages and Smoothing Methods
41

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

42

¾ In particular, the significantly large residual autocorrelations at lags 2 
and 4 indicate that the seasonal variation in the data is not accounted for 
by simple exponential smoothing. 
¾ One way to measure this change is to use the tracking signal which 
involves computing a measure of forecast errors over time and setting 
limits so that, when the cumulative error goes outside those limits, the 
forecaster is alerted.
¾ For example, a tracking signal might be used to determine when the size 
of the smoothing constant α should be changed.
¾ Since a large number of items are usually being forecast, common 
practice is to continue with the same value of α for many periods before 
attempting to determine if a revision is necessary.
¾ Unfortunately, the simplicity of using an established exponential 
smoothing model is a strong motivator for not making a change.
¾ But at some point it may be necessary to update a or abandon 
exponential smoothing altogether. 
QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 21

 Moving Averages and Smoothing Methods
43

¾ When the model produces forecasts containing a great deal of error, a 
change is appropriate.
¾ A tracking system is a method for monitoring the need for change.
¾ Such a system contains a range of permissible deviations of the forecast 
from actual values.
¾ So long as forecasts generated by exponential smoothing fall within this 
range, no change in is necessary.
¾ However, if a forecast falls outside the range, the system signals a need 
to update α. 
¾ If things are going well, the forecasting technique should over‐ and 
underestimate equally often.
¾ A tracking signal based on this rationale can be developed. 
¾ Let U equal the number of underestimates (positive errors) out of the last 
k forecasts.

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

44

¾ If the process is in control, the expected value of U is k/2 but sampling 
variability is involved, so values close to k/2 would not be unusual.
¾ On the other hand, values that are not close to k/2 would indicate that the 
technique is producing biased forecasts. 
Example 4.7 
Suppose that Acme Tool Company has decided to use the exponential 
smoothing technique with α equal to .1. If the process is in control and the 
analyst decides to monitor the last 10 error values, U has an expected value 
of 5.
¾ U values of 2, 3, 4, 6, 7, or 8 would not be unduly alarming. 
¾ However, values of 0, 1 , 9, or 10 would be of concern since the 

probability of obtaining such values by chance alone would be .022.
¾ A tracking system can be developed based on the following rules. 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 22

 Moving Averages and Smoothing Methods
45

¾ Assume that, out of the next 10 forecasts using this technique, only one 
has a positive error. 
¾ Because the probability of obtaining only one positive error out of 10 is 
quite low (.011)
¾ The process is considered to be out of control (overestimating), and the 
value of α should be changed.
¾ Another way of tracking a forecasting technique is to determine a range 
that should contain the forecasting errors, which can be accomplished by 
using the MSE that was established when the optimally sized α was 
determined.
¾ If the exponential smoothing technique is reasonably accurate, the 
forecast error should be approximately normally distributed about a 
mean of zero.
¾ Under this condition, there is about a 95% chance that the actual 
observation will fall within approximately 2 standard deviations.

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

46

Example 4.8 
In the previous example optimal α was found to be .266 with MSE = 19,447. 
An estimate of the standard deviation of the forecast errors is √9,447 = 139.5. 
¾ If the forecast errors are approximately normally distributed about a 
mean of zero, there is about a 95% chance that the actual observation will 
fall within 2 standard deviations of the forecast or within 

¾ For this example, the permissible absolute error is 279. 
¾ If for any future forecast the magnitude of the error is greater than 279, α
should be updated or a different forecasting method considered. 
¾ The preceding discussion on tracking signals also applies to the 
smoothing methods yet to be discussed in the rest of the chapter. 
¾ Simple exponential smoothing works well when the data vary about a 
level that changes infrequently.

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 23

 Moving Averages and Smoothing Methods
47

¾ Whenever a sustained trend exists, exponential smoothing will lag 
behind the actual values over time.
¾ Holt’s linear exponential smoothing technique, which is designed to 
handle data with a well‐defined trend, addresses this problem and is 
introduced next. 
2. Holtʹs Method
¾ This method is designed to handle time series data with a well defined 
trend. 
¾ It is also called  Holtʹs linear exponential smoothing method.
¾ When a trend in the time series is anticipated, an estimate of the current 
slope as well as the current level is required. 
¾ Holt’s technique smoothes the level and slope directly by using different 
smoothing constants for each.
¾ These smoothing constants provide estimates of level and slope that 
adapt over time as new observations become available.

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

48

¾ One of the advantages of Holt’s technique is that it provides a great deal 
of flexibility in selecting the rates at which the level and trend are 
tracked.
¾ The three equations used in Holt’s method are: 
¾ The exponentially smoothed series, or current level estimate: 

¾ The trend estimate

¾ Forecast p periods in the future

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 24

 Moving Averages and Smoothing Methods
49

¾ Usually, we start by setting the initial value for the level by  L1 = Y1 and 

by  setting  the initial value for the trend by T1 = 0.
¾ Another approach is to take the first five or six observations and set the 
initial value for the level by the mean of these observations and to set the 
initial trend value by the slope of the line that is fit to those five or six 
observations where the variable of interest Y is regressed on the time as 
its independent variable X.
¾ As with simple exponential smoothing, the smoothing constants α and β
can be selected subjectively or by minimizing a measure of forecast error 
such as the MSE.
¾ Large weights result in more rapid changes in the component; small 
weights result in less rapid changes.
¾ Therefore, the larger the weights, the more the smoothed values follow 
the data; the smaller the weights, the smoother the pattern in the 
smoothed values. 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

50

¾ We could develop a grid of values of α and β and then select the 

combination that provides the lowest MSE.
¾ Most forecasting software packages use an optimization algorithm to 
minimize MSE.
¾ We might insist that α = β , thus providing equal amounts of smoothing 
for the level and the trend.
Example 4.9 
In Example 4.6 simple exponential smoothing did not produce successful 
forecasts of Acme Tool Company saw sales. Because the data suggest that 
there might be a trend in these data, Holt’s linear exponential smoothing is 
used to develop forecasts.
¾ To begin the computations shown in following table, two estimated 
initial values are needed, namely, the initial level and the initial trend 
value.
¾ The estimate of the level was set equal to the first observation.

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 25

 Moving Averages and Smoothing Methods
51

¾ The trend was estimated to equal zero. The technique is demonstrated in 
the table for α = .3 and β = 1 

¾ The computations leading to the forecast for period 3 are shown next. 
1. Update the exponentially smoothed series or level: 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

52

2. Update the trend estimate: 

3. Forecast one period into the future:

4. Determine the forecast error

¾ The forecast for period 25 is computed as follows: 
1. Update the exponentially smoothed series or level: 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 26

 Moving Averages and Smoothing Methods
53

2. Update the trend estimate: 

3. Forecast one period into the future:

¾ On the basis of minimizing the MSE over the period 1996 to 2002, Holt’s 
linear smoothing (with α = .3 and β = 1) does not reproduce the data any 
better than simple exponential smoothing that used α of  .266.
¾ Forecasts for the actual sales for the first quarter of 2002 using Holt’s 
smoothing and simple exponential smoothing are similar.
¾ A comparison of the MAPEs shows them to be about the same.
¾ To summarize:

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

54

¾ The following figure shows the results when Holt’s method using α = .3 
and β = .1 is run on Minitab.

In the Minitab program the trend parameter gamma (γ) is identical to our beta (β).

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 27

 Moving Averages and Smoothing Methods
55

3. Winterʹs Method
¾ It is considered as an extension of Holtʹs method but it is designed to 
handle time series data with a well defined trend and seasonal variation. 
¾ It is also called Wintersʹ three parameter linear and seasonal exponential 
smoothing method.
¾ The four equations used in Winters’ (multiplicative) smoothing are: 
¾ The exponentially smoothed series or level estimate: 

¾ The trend estimate:

¾ The seasonality estimate:

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

56

¾ Forecast p periods into the future:

¾ As with Holt’s method, the weights α, β, and γ can be selected 
subjectively or by minimizing a measure of forecast error such as MSE. 
¾ The most common approach for determining these values is to use an 
optimization algorithm to find the optimal smoothing constants.

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 28

 Moving Averages and Smoothing Methods
57

Example 4.10
¾ Winters’ technique is demonstrated in the following table for α = .4, β = 
.1, and γ = .3 for the Acme Tool Company data. The value for α is similar 
to the one used for simple exponential smoothing in Example 4.6 and is 
used to smooth the data to create a level estimate. The smoothing 
constant β used to create a smoothed estimate of trend. The smoothing 
constant γ is used to create a smoothed estimate of the seasonal 
component in the data.
¾ Minitab results are shown in the next table.
¾ The forecast for the first quarter of 2002 is 778.2. 
¾ The computations leading to the forecast value for the first quarter of 
2002, or period 25, are shown next. 

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

58

¾ The computations leading to the forecast for period 3 are shown next. 
1. The exponentially smoothed series or level estimate

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 29

 Moving Averages and Smoothing Methods
59

2. The trend estimate: 

3. Seasonality estimate:

4. Forecast p = 1 period into the future:

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

60

In the Minitab the trend parameter gamma (γ) is identical to our beta (β). and the 
seasonal parameter delta (δ) is identical to our gamma (γ)

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 30

 Moving Averages and Smoothing Methods
61

¾ For the parameter values considered, the Winters’ technique is better 
than both of the previous smoothing procedures in terms of minimizing 
MSE. 
¾ When the forecasts for the actual sales for the first quarter of 2002 are 
compared, the Winters’ technique also appears to do a better job.
¾ Winters’ exponential smoothing method seems to provide adequate 
forecasts for the Acme Tool Company data.
¾ Winters’ method provides an easy way to account for seasonality when 
data have a seasonal pattern. 
¾ An alternative method consists of first deseasonalizing or seasonally 
adjusting the data. 
¾ Deseasonalizing is a process that removes the effects of seasonality from 
the raw data and will be demonstrated in Chapter 5.
¾ Exponential smoothing is a popular technique for short‐run forecasting. 
Its major advantages are low cost and simplicity.

QMIS 320, CH 4 by M. Zainal

Moving Averages and Smoothing Methods

62

¾ When forecasts are needed for inventory systems containing thousands 
of items, smoothing methods are often the only acceptable approach. 
¾ Simple moving averages and exponential smoothing base forecasts on 
weighted averages of past measurements.
¾ The rationale is that past values contain information about what will 
occur in the future.
¾ Because past values include random fluctuations as well as information 
concerning the underlying pattern of a variable, an attempt is made to 
smooth the values.
¾ This approach assumes that extreme fluctuations represent randomness 
in a series of historical observations.
¾ Moving averages, on the other hand, are the means of a certain number, 
k, of values of a variable.
¾ The most recent average is then the forecast for the next period.

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 31

 Moving Averages and Smoothing Methods
63

¾ This approach assigns an equal weight to each past value involved in the 
average. 
¾ However, a convincing argument can be made for using all the data but 
emphasizing the most recent values.
¾ Exponential smoothing methods are attractive because they generate 
forecasts by assigning weights that decline exponentially as the 
observations get older. 

QMIS 320, CH 4 by M. Zainal

QMIS 320, CH 4 by M. Zainal 32