ЭКОНОМЕТРИКА и математическая экономика / Тихонов Э.Е. Методы прогнозирования в условиях рынка
.pdf570 |
|
|
|
|
|
560 |
|
|
|
|
|
550 |
|
|
|
|
|
540 |
|
|
|
|
|
530 |
|
|
|
|
|
520 |
|
|
|
|
|
510 |
|
|
|
|
|
500 |
|
|
|
|
|
490 |
|
|
|
|
|
480 |
|
|
|
|
|
0 |
5 |
10 |
15 |
20 |
25 |
|
|
|
y = 0,1535x2 - 2,7873x + 515,96 |
Исходный временной ряд |
|
|
|
||
Полиномиальный (Исходный временной ряд) |
|
|
|||
Рисунок 2.9. Нахождение МНК-оценки параболического тренда |
|||||
|
по данным временного ряда xt |
|
|
||
Экспоненциальные средние 1-го, 2-го и 3-го порядка |
|
||||
|
St = αxt + βSt−1; |
|
|
|
|
|
St[2] = αSt |
+ βSt[−21]; |
|
|
(2.12) |
|
St[3] = αSt[2] + βSt[−31] |
|
|
|
|
Зависимость ошибки прогноза от величины |
|||||
Ошибка |
коэффициента сглаживания |
|
|||
|
|
|
|
|
|
прогноза |
|
|
|
|
|
200,00 |
|
|
|
|
|
150,00 |
|
|
|
|
|
100,00 |
|
|
|
|
|
50,00 |
|
|
|
|
|
0,00 |
|
|
|
|
|
0,00 |
0,20 |
0,40 |
0,60 |
0,80 |
1,00 |
|
|
|
|
|
альфа |
Рисунок 2.10. Определение оптимального значения α |
|
||||
|
|
81 |
|
|
|
|
Начальные условия определяются по следующим формулам: |
||||||||||||||||||||||
|
|
|
|
S |
0 |
= aˆ |
− |
β aˆ |
2,0 |
+ |
β(2 −α)aˆ |
3,0 |
; |
|
|
|
(2.13) |
||||||
|
|
|
|
|
1,0 |
|
α |
|
|
|
2α2 |
|
|
|
|
|
|
|
|||||
|
|
|
|
S [2] |
= aˆ |
− |
2β aˆ |
2,0 |
+ |
β(3 − 2α)aˆ |
3,0 |
; |
|
|
(2.14) |
||||||||
|
|
|
|
0 |
|
1,0 |
|
α |
|
|
|
|
|
α2 |
|
|
|
|
|
|
|||
|
|
|
|
S [3] |
= aˆ |
− 3β aˆ |
|
|
+ |
3β(4 −3α)aˆ |
|
|
|
|
(2.15) |
||||||||
|
|
|
|
0 |
|
1,0 |
|
α |
|
|
|
2,0 |
|
2α2 |
|
|
|
3,0 |
|
|
|
||
|
Оценка модельного (прогнозируемого) значения с периодом уп- |
||||||||||||||||||||||
реждения τ находим из выражения |
|
|
|
|
|
|
|
|
|||||||||||||||
ˆ• = |
[6 |
β2 + |
(6 |
− α α τ +α2τ |
2 |
] |
St−τ |
− 6β2 |
+ 2(5 − |
4α)ατ + |
St[−2τ] |
+ |
|||||||||||
xt |
|
5 |
) |
|
|
|
2β2 |
|
|
|
|
|
|
|
2β2 |
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
2α2τ 2 |
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(2.16) |
+[2β2 +(4 −3α)ατ +α2τ 2 ]2Sβt[−3τ]2 . |
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
Как и в предыдущих примерах, определяем оптимальное значение |
||||||||||||||||||||||
коэффициента сглаживания (см. рисунок 2.10). С учетом полученного |
|||||||||||||||||||||||
оптимально значения α = 0,1 ( Е = 9,06) построим прогноз (см. рисунок |
|||||||||||||||||||||||
2.11). |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
Прогнозирование на основе |
|
|
|||||||||||||||
|
580 |
|
|
полиномиальной модели (р =2) |
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
560 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
540 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
520 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
500 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
480 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
460 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
440 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
5 |
|
|
10 |
|
15 |
|
|
|
|
|
20 |
25 |
|
||||
|
|
|
|
|
|
Исходный ряд |
|
Прогнозный временной ряд |
|
||||||||||||||
|
|
|
|
Рисунок 2.11. Прогноз на основе модели (р = 2) |
|
82
Задания для самостоятельного выполнения.
1.Используя данные таблиц Приложения Б, построить про-
гноз для адаптивной полиномиальной модели нулевого (р=0), первого (р=1), второго (р=2) порядков.
2.Подобрать оптимальные параметры прогнозных моделей.
3.Рассчитать ошибку прогнозирования, дополнительно руководствуясь теоретическими положениями, приведенными в Приложении А.
2.3. Прогнозирование с использованием модели Уинтерса (экспоненциального сглаживания
с мультипликативной сезонностью и линейным ростом)
Данную модель удобно использовать при небольшом объеме исходных данных. Допустим, мы имеем количество родившихся в каждом квартале (тыс. чел.) за два года (n = 8). Данные об этом представлены в таблице 2.1.
Таблица 2.1. Исходные xt и расчетные значения количества родившихся по кварталам (2003-2005 гг.).
|
|
|
Квартал |
|
|
|
xt |
|
|
|
|
|
|
|
|
(фаза |
|
ˆ |
|
* |
|
* |
|
||
t |
Год |
Цикл kt |
цикла) |
xt |
xt |
|
xˆt |
xˆt |
Ошибка |
( xt − xˆt |
) |
|
|
|
|
νt |
|
|
|
|
|
|
|
|
|
1 |
|
|
1 |
499 |
483,91 |
1,031 |
508,28 |
1,9% |
9,28 |
|
||
2 |
2003 |
1 |
2 |
475 |
475,36 |
0,999 |
486,55 |
2,4% |
4,55 |
|
||
3 |
3 |
452 |
466,82 |
0,968 |
452,32 |
0,1% |
0,32 |
|
||||
|
|
|
||||||||||
4 |
|
|
4 |
415 |
458,27 |
0,906 |
422,58 |
1,8% |
7,58 |
|
||
5 |
|
|
1 |
481 |
449,72 |
1,070 |
457,84 |
4,8% |
23,16 |
|
||
6 |
2004 |
2 |
2 |
467 |
441,17 |
1,059 |
443,15 |
5,1% |
23,85 |
|
||
7 |
3 |
431 |
432,63 |
0,996 |
422,95 |
1,9% |
8,05 |
|
||||
|
|
|
||||||||||
8 |
|
|
4 |
412 |
424,08 |
0,972 |
397,88 |
3,4% |
14,12 |
|
||
9 |
2005 |
3 |
Прогноз |
|
|
|
|
|
448,16 |
Дисперсия: 56,04 |
||
|
|
|
|
|
|
|
|
|
σ: |
|
7,49 |
|
Требуется определить расчетные значения и прогноз (при t = 9) количества родившихся, воспользовавшись моделью экспоненци-
83
ального сглаживания с мультипликативной сезонностью и линейным ростом (модель Уинтерса) при периоде упреждения τ = 1 и параметрах адаптации α1 = 0,2; α2 = 0,3 и α3 = 0,4.
Сезонная модель Уинтерса с линейным ростом имеет вид
xt = a1,t fνt kt +εt , |
(2.17) |
где xt – исходный временной ряд t = l,2,...,n;
a1,t – параметр характеризующий линейную тенденцию развития процесса, т.е. средние значения уровня исследуемого временного ряда xt в момент t;
fvtkt – коэффициент сезонности для vt фазы kt-го цикла; vt =1,2,…,l
где vt=t-l(kt-1);
l – число фаз в полном цикле (в месячных временных рядах l =12, в квартальных l =4 и т.д.);
εt – случайная ошибка. Обычно предполагается, что вектор
ε Nn (0,σ 2 In ), где ε = (ε1 ,...,εt ,...,εn )T
In – единичная матрица размерности (п×п).
Адаптивные параметры модели оцениваются с помощью рекуррентной экспоненциальной схемы по данным временного ряда хt, состоящего из п наблюдений
aˆ |
|
=α |
1 |
xt |
|
+ |
(1 −α)(aˆ |
+ aˆ |
2,t−1 |
) |
|||||
|
|
|
|||||||||||||
|
1,t |
|
fˆvt ,kt −1 |
|
|
|
|
|
|
1,t−1 |
|
|
|||
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
fˆvt .kt |
=α2 |
|
|
|
+ (1 −α2 )fˆvt ,kt −1 |
|
||||||
|
|
|
t |
|
|
(2.18) |
|||||||||
|
|
aˆ |
|
|
|||||||||||
|
|
|
|
|
|
|
1,t |
|
|
|
|
|
|
|
|
aˆ |
2,t =α3 (aˆ1,t − aˆ1,t−1 )+ (1−α3 )aˆ2,t−1 |
|
|||||||||||||
|
|
|
xˆ• |
= (aˆ |
−τ |
+τaˆ |
2,t−τ |
)fˆ |
|
|
|
||||
|
|
|
t |
|
1,t |
|
|
|
vt ,kt −1 |
|
|
где a2,t – прирост среднего уровня ряда от момента t - 1 к моменту t; xˆt• = xˆτ (t) – расчетное значение временного ряда, определяемое для
момента времени t с периодом упреждения τ, т.е. по данным момен-
та (t -τ);
α1, α2, α3 – параметры адаптации экспоненциального сглаживания,
причем (0< α1, α2 α3<1).
При этом увеличение αj (j = 1,2,3) ведет к увеличению веса более
84
поздних наблюдений, а уменьшение αj – к улучшению сглаживания случайных отклонений. Эти два требования находятся в противоречии, и поиск компромиссного сочетания значений составляет задачу оптимизации модели.
Экспоненциальное выравнивание всегда требует предыдущей оценки сглаживаемой величины. Когда процесс адаптации только начинается, должны быть начальные значения, предшествующие первому наблюдению. В нашей задаче предстоит определить начальные условия: aˆ1,0 ; aˆ2,0 ; fˆvt ,0 , где vt =1,2,...,l .
Таким образом, расчетные значения xˆt• являются функцией всех
прошлых значений исходного временного ряда xt, параметров α1, α2 и α3 и начальных условий. Влияние начальных условий на расчетное значение зависит от величины весов αj и длины ряда, предшествующего моменту t. Влияние aˆ1,0 ; aˆ2,0 обычно уменьшается быстрее,
чем fˆ |
, |
aˆ |
и aˆ |
2,t |
пересматриваются на каждом шаге, а fˆ |
,k |
|
v ,0 |
|
1,t |
|
v |
t |
||
t |
|
|
|
|
t |
|
только один раз за цикл.
Решение.
Первоначально по n = 8 наблюдениям временного ряда xt найдем МНК-оценку линейного тренда xˆt = a0 + a1t . В результате расчета
имеем
xˆt = 492,46 −8,5476 t
Определим начальные условия
aˆ1,0 = aˆ0 = 492,46; aˆ2,0 = aˆ1 = −8,5476
Мультипликативные коэффициенты сезонности нулевого цикла. fˆvt ,0 определим как среднюю арифметическую индексов сезон-
ности xt / xˆt для vt-й фазы в исходном временном ряду |
|
|||||||||||
fˆ1,0 |
= |
|
1,031+1,070 |
=1,050; |
fˆ2,0 |
= |
0,999 +1,059 |
=1,029; |
||||
2 |
|
|
||||||||||
|
|
|
|
|
2 |
|
|
|||||
fˆ3,0 |
= |
|
0,968 + 0,996 |
= 0,982; |
|
fˆ4,0 = |
0,906 + 0,972 |
= 0,939 . |
||||
|
|
|
||||||||||
|
|
2 |
|
|
|
2 |
|
|
||||
|
|
|
|
|
|
|
85 |
|
|
|
|
|
|
|
Регрессия |
y = -8,5476x + 492,46 |
||
|
|
|
|
||
510 |
|
|
|
|
|
490 |
|
|
|
|
|
470 |
|
|
|
|
|
450 |
|
|
|
|
|
430 |
|
|
|
|
|
410 |
|
|
|
|
|
390 |
|
|
|
|
|
0 |
2 |
4 |
6 |
8 |
10 |
Исходный временной ряд |
|
Линейный (Исходный временной ряд) |
|||
|
Рисунок 2.12. МНК-оценка линейного тренда |
|
Расчеты будем проводить при параметрах адаптации α1 = 0,2; α2 = 0,3; α3 = 0,4 и периоде упреждения τ = 1.
Расчетные значения для 1-го цикла (kt = l,vt = t). Согласно (18) при t = 1 имеем
xˆ• |
= (aˆ |
|
|
|
+aˆ |
2,0 |
) fˆ |
|
= (492,46 − |
8,5476) 1.050 = 508,28 |
||||||||||
1 |
|
1,0 |
|
|
|
1,0 |
|
|
|
|
|
|
|
|
|
|
||||
aˆ |
|
= α |
|
|
x1 |
|
+(1−α |
|
)(aˆ |
+ aˆ |
|
)= 0.2 |
499 |
+(1−0,2)× |
||||||
|
1 |
ˆ |
|
1 |
2,0 |
|
|
|||||||||||||
1,1 |
|
|
|
|
|
|
|
|
1,0 |
|
|
1,050 |
|
|||||||
|
|
|
|
|
|
f |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
1,0 |
|
|
|
|
|
|
|
|
|
|
|
|
||
×(492,46 −8,5476)= 482,14 |
|
|
|
|
|
|
||||||||||||||
fˆ |
|
=α |
|
|
|
x1 |
|
+(1−α |
|
) fˆ |
= 0.3 |
|
499 |
+(1−0,3) 1,050 =1,046 |
||||||
|
|
|
aˆ |
|
|
482,14 |
||||||||||||||
1,1 |
|
|
2 |
|
|
|
|
2 |
|
1,0 |
|
|
|
|
|
|||||
|
|
|
|
|
|
1,1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
aˆ2,1 |
=α3 (aˆ1,1 −a1,0 )+(1−α3 ) aˆ2,0 |
= 0.4(482,14 −492,46)+0.6× |
×(−8,5476)= −9,255;
86
при t = 2
xˆ• = (aˆ |
|
|
+ aˆ |
2,1 |
) fˆ |
= (482,14 −9,255) 1,029 = 486,55 |
||||||||||||||||||||||
2 |
1,1 |
|
|
|
|
|
2,0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
aˆ |
=α |
|
|
x2 |
|
|
|
+ (1−α |
|
)(aˆ |
+ aˆ |
|
)= 0,2 |
|
|
|
475 |
+ 0.8× |
||||||||||
|
fˆ2,0 |
|
|
|
|
|
|
|||||||||||||||||||||
1,2 |
|
1 |
|
|
|
|
|
|
|
1 |
1,1 |
|
2,1 |
|
|
|
1,029 |
|
|
|
||||||||
×(482,14 −9,255)= 470,64 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
fˆ |
=α |
|
|
|
|
x2 |
|
+ |
(1−α |
|
|
) fˆ |
= 0,3 |
|
475 |
|
|
|
|
+ 0,7 |
1,029 =1,023 |
|||||||
|
|
aˆ |
|
|
|
470,64 |
||||||||||||||||||||||
2,1 |
|
2 |
|
|
|
|
|
|
2 |
|
2,0 |
|
|
|
|
|
|
|
||||||||||
|
|
|
1,2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
aˆ2,2 |
=α3 (aˆ1,2 |
|
− a1,1 )+ (1−α3 ) aˆ2,1 |
|
= 0,4(470,64 − 482,14)+ 0,6× |
|||||||||||||||||||||||
×(−9,255)= −10,153 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
при t = 3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
xˆ• = (aˆ |
|
|
+ aˆ |
2,2 |
) fˆ |
|
= (470,64 −10,153) 0,982 = 452,32 |
|||||||||||||||||||||
3 |
1,2 |
|
|
|
|
3,0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
aˆ |
=α |
|
|
x3 |
|
|
+ (1−α |
|
|
)(aˆ |
+ aˆ |
|
|
)= 0,2 |
|
|
|
452 |
|
|
+ 0.8× |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
1,3 |
|
1 |
|
|
|
fˆ3,0 |
|
|
|
|
|
1 |
1,2 |
|
2,2 |
|
|
|
|
0.982 |
|
|
||||||
(470,64 −10,153)= 460,43 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
fˆ |
=α |
|
|
|
x3 |
|
+ |
(1−α |
|
|
) fˆ |
= 0,3 |
|
452 |
|
|
|
|
+ 0.7 |
|
0.982 = 0,982 |
|||||||
|
|
aˆ |
|
|
|
|
460,43 |
|
|
|||||||||||||||||||
3,1 |
|
2 |
|
|
|
|
|
|
2 |
|
|
3,0 |
|
|
|
|
|
|
|
|
||||||||
|
|
|
1,3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
aˆ2,3 |
=α3 (aˆ1,3 |
|
− a1,2 )+ (1−α3 ) aˆ2,2 = 0,4(460,43 − 470,64)+ 0,6 × |
|||||||||||||||||||||||||
(−10,153)= −10,179 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
при t = 4
xˆ4• = (aˆ1,3 + aˆ2,3 ) fˆ4,0 = (460,43 −10,179) 0,939 = 422,58
aˆ1,4 = 0,2 0,939415 + 0,8(460,43 −10,179)= 448,63 fˆ4,1 = 0,3 448415,63 + 0,7 0,939 = 0,934
aˆ2,4 = 0,4(448,63 − 460,43)+ 0,6 (−10,179)= −10,825
87
Расчетные значения для 2-го цикла(kt = 2,vt = t-4). Здесь нам понадобятся коэффициенты сезонности, найденные для 1-го цикла
fˆ1,1 =1,046; fˆ2,1 =1,023; fˆ3,1 = 0,982 è fˆ4,1 = 0,934
при t = 5
xˆ5• = (aˆ1,4 + aˆ2,4 ) fˆ1,1 = (448,63 −10,825) 1,046 = 457,84
Т.к. xˆ• относится ко 2-му циклу(kt = 2), при выборе fˆ |
исхо- |
|||||||||||||||||
|
5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
vt ,kt −1 |
|
дили, что vt = 5-4 = 1 |
|
|
|
|
|
|
|
|
|
|
|
|||||||
aˆ |
=α |
|
|
x5 |
+ (1−α |
|
)(aˆ |
+ aˆ |
|
)= 0,2 |
|
|
481 |
+ 0,8× |
|
|||
|
fˆ1,1 |
|
|
|
|
|
|
|||||||||||
1,5 |
|
1 |
|
|
|
|
1 |
1,4 |
|
2,4 |
|
1,046 |
|
|
||||
(448,63 −10,825)= 442,24 |
|
|
|
|
|
|
|
|
||||||||||
fˆ |
=α |
|
|
|
x5 |
|
+ (1−α |
|
|
) fˆ |
= 0,3 |
481 |
|
|
+ 0,7 1,046 =1,058 |
|
||
|
|
aˆ |
|
|
442,24 |
|
||||||||||||
1,2 |
|
2 |
|
|
2 |
1,1 |
|
|
|
|
|
|||||||
|
|
|
1,5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
||
aˆ2,5 |
=α3 (aˆ1,5 |
− a1,4 )+ (1−α3 ) aˆ2,4 = 0,4(442,24 − 448,63)+ 0,6× |
×(−10,825)= −9,053
при t = 6
xˆ6• = (aˆ1,5 + aˆ2,5 ) fˆ2,1 = (442,24 −9,053) 1,023 = 443,15
aˆ |
=α |
|
|
|
x6 |
+ (1−α |
|
)(aˆ |
+ aˆ |
|
)= 0,2 |
|
|
467 |
+ 0,8× |
||||
|
|
fˆ2,1 |
|
|
|
|
|
||||||||||||
1,6 |
|
1 |
|
|
|
|
1 |
1,5 |
|
2,5 |
|
|
1,023 |
|
|||||
×(442,24 −9,053)= 437,85 |
|
|
|
|
|
|
|
|
|||||||||||
fˆ |
=α |
|
|
|
x6 |
|
+ (1−α |
|
|
) fˆ |
= 0,3 |
467 |
|
|
+ 0,7 1,023 =1,036 |
||||
|
|
aˆ |
|
|
|
|
|
||||||||||||
2,2 |
|
|
2 |
|
|
2 |
2,1 |
|
|
437,85 |
|
|
|||||||
|
|
|
|
1,6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
||
aˆ2,2 |
= 0,4(437,85 − 442,24)+ 0,6 (−9,053)= −7,187 |
88
при t = 7
xˆ7• = (437,85 − 7,187) 0,982 = 422,95
aˆ1,7 = 0,2 0,982431 + 0,8(437,85 − 7,187)= 432,30 fˆ3,2 = 0,3 432431,30 + 0,7 0,982 = 0,987
aˆ2,7 = 0,4(432,30437,85)+ 0,6 (− 7,187)= −6,531
при t = 8
xˆ8• = (432,30 − 6,531) 0,934 = 397,88
aˆ1,8 = 0,2 0,934412 + 0,8(432,30 − 6,531)= 428,79 fˆ4,2 = 0,3 428412,79 + 0,7 0,934 = 0,942
aˆ2,8 = 0,4(428,79 − 432,30)+ 0,6 (− 6,531)= −5,323
при t = 9 (прогноз)
xˆ9• = (aˆ1,8 + aˆ2,8 ) fˆ1,2 = (428,79 −5,323) 1,058 = 448,16
Расчетные значения и прогноз xˆt• , полученный по временному
ряду xt, представлены в таблице 2.1 и на рисунке 2.13. Из представленного графика можно сделать вывод, что модель экспоненциального сглаживания с мультипликативной сезонностью Уинтерса более предпочтительна, нежели регрессионная модель.
Результаты прогноза можно улучшить, подобрав оптимальные значения α.
89
|
Результаты построения прогноза |
|
|||
530 |
|
|
|
|
|
510 |
|
|
|
|
|
490 |
|
|
|
|
|
470 |
|
|
|
|
|
450 |
|
|
|
|
|
430 |
|
|
|
|
|
410 |
|
|
|
|
|
390 |
|
|
|
|
|
0 |
2 |
4 |
6 |
8 |
10 |
|
Исходный временной ряд |
Прогнозный временной ряд |
|
||
|
Рисунок 2.13. Результаты прогноза |
|
Задания для самостоятельного выполнения.
1.Используя данные таблиц Приложения Б, построить про-
гноз с использованием модели Уинтерса (экспоненциального сглаживания с мультипликативной сезонностью и линейным ростом).
2.Подобрать оптимальные параметры прогнозной модели.
3.Рассчитать ошибку прогнозирования, дополнительно руководствуясь теоретическими положениями, приведенными в Приложении А.
90