- •Построение аддитивной модели временного ряда
- •Расчет оценок сезонной компоненты в аддитивной модели.
- •Расчет значений сезонной компоненты в аддитивной модели.
- •Расчет выровненных значений t и ошибок e в аддитивной модели.
- •Прогнозирование по аддитивной модели.
- •Построение мультипликативной модели временного ряда.
- •Расчет оценок сезонной компоненты в мультипликативной модели.
- •Расчет сезонной компоненты в мультипликативной модели.
- •3.Расчет выровненных значений t и ошибок e в мультипликативной модели.
- •Прогнозирование по мультипликативной модели.
- •Тригонометрическая регрессия.
Тригонометрическая регрессия.
Представление периодического тренда имеет вид:
Для нашего примера известно, что m=4, h=5, T=m*h=20. Получим что для данного примера j=1.
Далее воспользуемся методом наименьших квадратов для оценки параметров ai. Получим следующие значения:
а0= 74,345; а1= -0,18; а2= -0,17; а3= -0,065
Таким образом, точечные оценки тренда определяются выражением:
А оценка дисперсии случайной составляющей: 2= 0,86825
Построим доверительные интервалы для параметров:
Da0= 0,043412457; Da1=Da2= 0,086824913; Da3= 0,173649827;
Вывод: в ходе индивидуальной работы рассматривались различные методы анализа и прогнозирования временных рядов, которые содержат сезонность или циклические колебания. А именно, были рассмотрены адаптивная и мультипликативная модели временного ряда. Построены прогнозирования по данным моделям. Также для моделирования сезонных колебаний применяли фиктивные переменные и делали прогноз на будущее. В конце работы была рассмотрена тригонометрическая регрессия, с помощью которой был составлен периодический тренд.
Из проделанной работы можно сделать следующие выводы.
Наиболее точной оказалась модель регрессии с фиктивными переменными. Данная модель обладает наиболее высоким коэффициентом детерминации, что обуславливает высокую точность модели. (R2=90,87%)
Ниже приведем график исходного ряда и модели регрессии с фиктивными переменными.
И получаем прогнозируемые величины: y21=60.15; y22=59.09