- •Метод декомпозиции временного ряда. Предпосылки к его применению для прогнозирования.
- •Формы тренд-сезонной модели временного ряда. Выбор формы модели.
- •Методы выбора кривой роста. Метод характеристик показателей динамики (метод приростов).
- •Полиномиальные модели тренда и их свойства. Выбор степени полинома. Методы оценки параметров.
- •Экспоненциальные модели тренда и их свойства. Выбор простой или модифицированной экспоненты. Методы оценки параметров.
- •Применение метода наименьших квадратов для оценки параметров кривой роста.
- •Что такое линеаризация модели? Для каких моделей тренда она применяется? Преимущества и недостатки этого метода.
- •Метод оценки параметров моделей линейного и экспоненциального тренда по двум точкам.
- •Анализ значимости параметров многофакторной линейной модели по критерию Стьюдента. Для каких моделей временных рядов он может применяться?
- •Показатели, используемые для оценки точности прогнозных моделей. Преимущества и недостатки различных показателей.
- •Какие требования предъявляются к остаточной компоненте временного ряда? к каким последствиям в прогнозировании может привести невыполнение этих условий?
- •Методы оценки прогнозных свойств модели. Верификация модели. Ретропрогноз (постпрогноз).
- •Сезонная неравномерность и её характеристики. Формы представления сезонной компоненты. Особенности их использовании в планировании на основе прогнозной модели.
- •Метод оценки сезонной компоненты усреднением по числу периодов сезонности.
- •Оценка сезонной компоненты методом фиктивных переменных.
- •Выбор длины периода упреждения. Точечный и интервальный прогноз на основании трендовых моделей (кривых роста).
- •Механическое выравнивание временного ряда. Приемы выравнивания. Использование результатов механического выравнивания в моделировании и прогнозировании.
- •Методы простой прогнозной экстраполяции. Условия применения. Использование простой и взвешенной скользящей средней для получения прогноза.
- •Модели авторегрессии. Предпосылки к применению моделей авторегрессии. Преобразование исходных данных для применения модели авторегрессии.
- •Модели авторегрессии. Выбор порядка модели. Оценка значимости коэффициентов.
- •Модели авторегрессии. Применение модели для прогнозирования.
- •Адаптивные модели Брауна. Алгоритм построения линейной модели Брауна.
- •Модель Хольта-Винтерса. Предпосылки к ее применению. Использование для прогнозирования.
- •Автокорреляционная функция. Определение и применение для анализа тенденций во временном ряду.
Модель Хольта-Винтерса. Предпосылки к ее применению. Использование для прогнозирования.
Многие продукты имеют тенденцию роста или падения продаж, особенно когда они производятся впервые или когда появляются конкурирующие товары. Для некоторых продуктов существенны сезонные изменения уровня продаж, поэтому для прогноза продаж товара целесообразно учитывать конкретный характер тенденции и сезонных колебаний. На основе модели Хольта Уинтерс (Винтерс, Winters) создал свою прогностическую модель, которая учитывает экспоненциальный тренда и аддитивную сезонность. Применяется модель для временных рядов с короткой выборкой.
Пусть задан временной ряд: yt…yi, где yi €R
y^t+τ=(Lt+Tt* τ)*St+ τ-m
Где m – длина периода сезонности
S – сезонная компонента
0≤α1 β1 γ≤1
Lt= α*yt/St-m+(1- α)(Lt-1+Tt-1)
Tt= β(Lt-Lt-1)+(1- β)*Tt-1
St= γ*yt/Lt+(1- γ)*St-m
Для первого цикла сезонность можно задать: t=1…m
1)L1=(y1+…+ym)/m
Tt=0
St=yt/Lt
2)L0 и T0 находим проведя прямую линию через середину первых двух циклов сезонности. Lt=Lt-1+Tt-1, Tt=Tt-1, St=yt/Lt
Недостаток данной модели в том, что задействованы 3 параметра, которые не зависимы друг от друга и все = от 0 до 1.
y^t+ τ=Lt+Tt* τ
L измеряется с помощью функции ОТРЕЗОК, T – НАКЛОН/
Модель плохо работает для коротких периодов, т.к работа начинается только со второго периода. Поэтому и ошибки считаются со второго периода. Моделью являются последние значения L и T – константы.
Автокорреляционная функция. Определение и применение для анализа тенденций во временном ряду.
Расчет автокорреляционной функции временных рядов необходим при анализе качества прогнозирования.
Автокорреляция - это корреляция уровней ряда друг с другом, т.е. корреляция внутри одного и того же временного ряда, но с определенными сдвигами во времени.
Методика состоит из последовательного вычисления коэффициентов автокорреляции отклонений с разными сдвигами во времени. В общем виде коэффициент автокорреляции порядка т, т.е. со сдвигом (запаздыванием, лагом) на т периодов времени, вычисляется по формуле:
Первые т -1 отклонений от тренда и последние т -1 отклонений участвуют в произведениях (в числителе) по одному разу, остальные - дважды. Соответственно, в знаменателе первые т -1 квадратов и последние т -1 квадратов входят с половинным весом в сравнении с остальными отклонениями.
где rm - коэффициент автокорреляции для запаздывания в т периодов; yi - i-й уровень ряда; yi-m - наблюдение на т периодов ранее, т.е. в момент времени i-m
Коэффициент автокорреляции для различных запаздываний величины во времени может использоваться для получения ответа на следующие вопросы о наборе данных, являющихся временным рядом:
являются ли данные случайными;
имеют ли данные тренд;
являются ли данные стационарными;
имеют ли данные сезонные колебания.
Если ряд данных случаен, то коэффициенты автокорреляции между yi и yi-m для любого запаздывания т близки к нулю. Последовательные значения временного ряда не связаны друг с другом.
Если у ряда существует тренд, значения yi, и yi_m имеют сильную корреляцию, причем коэффициенты автокорреляции существенно отличны от нуля для первых нескольких периодов запаздывания, а с увеличением периода постепенно убывают до нуля.
Если ряд имеет сезонную компоненту, значительный коэффициент автокорреляции будет наблюдаться для периодов запаздывания, равных сезонному периоду или кратных ему. Сезонный период запаздывания равен 4 при ежеквартальных наблюдениях и 12 — при ежемесячных наблюдениях. Коэффициент автокорреляции для времени запаздывания, равного одному периоду, часто очень велик (близок к 1). Коэффициент автокорреляции для времени запаздывания, равного двум периодам, также будет большим. Однако он не будет таким большим, как для времени запаздывания в один период.
Известно , что коэффициент автокорреляции случайных данных имеет выборочное распределение, которое может быть аппроксимировано нормальной кривой со средним, равным 0, и среднеквадратическим отклонением 1/ /n. Зная это, аналитик может сравнить выборочные коэффициенты автокорреляции с этим теоретическим выборочным распределением и определить для заданных периодов отставания, взяты ли эти значения из генеральной совокупности, среднее значение которой равно нулю.
Для автокорреляции, соответствующей запаздыванию в т периодов, используется стандартная ошибка
(4.4)
где ri, - автокорреляция с запаздыванием i ; т - время запаздывания; п - длина ряда.
Формула (4.4) дает возможность быстро проверить наличие автокорреляции любого временного ряда. Для этого необходимо сравнить коэффициенты автокорреляции, вычисляемые по формуле, с их пределами, вычисляемыми по формуле (4.4). Если коэффициенты автокорреляции будут выходить за допустимые пределы, то с вероятностью 95% можно отвергнуть гипотезу об отсутствии автокорреляции.