37)
Аддитивная модель временного
ряда |
|
Наиболее распространённый
и простой подход к расчёту
сезонной компоненты, является |
|
метод скользящей средней
и самая распространённая модель-аддитивная |
|
|
Y=T+S+E |
|
|
|
|
|
|
|
|
|
Этот метод применяют
когда амплитуда колебания примерно постоянная. |
|
|
этой модели значение
сезонной компоненты предполагают постоянным. |
|
|
|
Алгоритм: |
|
|
|
|
|
|
|
|
Построение модели
сводится к расчету значений T, S,
E для каждого уровня ряда. |
|
|
Этапы построения модели: |
|
|
|
|
|
|
|
1) выравнивание исходного
ряда методом скользящей средней |
|
|
|
2) расчет значений сезонной
компоненты S |
|
|
|
|
|
3) устранение сезонной
компоненты из исходного уровня
ряда и получение выровненных
|
|
данных без S |
|
|
|
|
|
|
|
|
4) аналитическое выравнивание
уровней ряда и расчет значений фактора
Т |
|
|
5) расчет полученных
значений (Т+ S) для каждого уровня
ряда |
|
|
|
6) расчет абсолютных
или относительных ошибок |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
38)
Мультипликативная
модель временного ряда |
|
Y=T*S*E |
|
|
|
|
|
|
|
|
|
Эта модель предполагает,
что каждый уровень временного ряда
может быть |
|
|
представлен как
произведение трендовой(Т), сезонной(S)
и случайной компоненты(Е). |
|
Процесс построения
модель включает в себя следующие
шаги: |
|
|
|
1) выравнивание исходного
ряда методом скользящей средней |
|
|
|
2) расчет значений сезонной
компоненты S |
|
|
|
|
|
3) устранение сезонной
компоненты из исходного уровня
ряда и получение выровненных
|
|
данных без S (T*E) |
|
|
|
|
|
|
|
|
4) аналитическое выравнивание
уровней ряда и расчет значений фактора
Т |
|
|
5) расчет полученных
значений (Т* S) для каждого уровня
ряда |
|
|
|
6) расчет абсолютных
или относительных ошибок |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
39)
Выравнивание ряда спомощью
скользящей средней |
|
Выравнивание
исходных уровней с помощью скользящей
средней: |
|
|
|
а) суммируются уровни
ряда последовательно за каждый период
времени за каждые |
|
4 квартала со сдвигом
на один момент времени и
определяются условныегодовые |
|
|
объёмы потребления |
|
|
|
|
|
|
|
б) разделим полученные
суммы на 4, получим скользящие средние.
Полученные выравненные |
значения не содержат
сезонной компоненты |
|
|
|
|
|
в) Приводим эти значения
в соответствие с фактическими моментами
времени, для |
|
|
чего найдём средние
значения из 2-х последовательных скользящих
средних- |
|
|
центрированные скользящие
средние. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
42)
Прогнозирование по
аддитивной модели |
|
Прогнозное значение
Ft уровня временного ряда в аддитивной
модели есть сумма |
|
трендово и сезонной
компоненты (T+S) |
|
|
|
|
|
|
Объём потребления
в течении первого полугодия ближайшего
следующего, расчитывается |
|
как сумма объёмов
потребления в I и II кварталах будущего
года, соответсвенно |
|
|
Fn+1 и Fn+2. Для определения
трендовой компоненты воспользуемся
уравнением тренда: |
|
T=a+b*t |
|
|
|
|
|
|
|
|
|
вместо t ставим n+1
и n+2 |
|
|
|
|
|
|
|
Получаем значения
сезонной компоненты за I и II квартал
будущего года. |
|
|
Таким образом Fn+1=Tn+1+Sn+1 |
|
|
|
|
|
|
Fn+2=Tn+2+sn+2 |
|
|
|
|
|
|
|
|
Прогноз
за год составит Fn+1 + Fn+2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
43)
Прогнозирование по
мультипликативной
модели |
|
Прогнозное значение
Ft уровня временного ряда в мультипликативной
модели есть произведение |
трендовой и сезонных
компонент. Для определения трендовой
компоненты за каждый квартал |
воспользуемся ураввнением
тренда. |
|
|
|
|
|
|
T=a+b*t |
|
|
|
|
|
|
|
|
|
Вместо t подставляем
n+1 |
|
|
|
|
|
|
|
Tn+1=a+(b*n+1) |
|
|
|
|
|
|
|
|
Tn+2=a+(b*n+2) |
|
|
|
|
|
|
|
|
Имеем значение сезонной
компоненты Sn и Sn+1 |
|
|
|
|
|
Таким образом получим: |
|
|
|
|
|
|
|
Fn=S*Tn+1 |
|
|
|
|
|
|
|
|
Fn+1=Sn+1*Tn+2 |
|
|
|
|
|
|
|
|
Прогноз
за год составит Fn+1 + Fn+2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
21)
Метод наименьших квадратов
для множественной регрессии |
|
Для определения
параметров уравнения регрессии
используют мнк. |
|
|
Метод мнк заключается
в том, что сумма квадратов расстояний
между теоретическими и |
|
фактическими значениями
должна быть минимальной. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| Метод мнк обеспечивает
минимальную дисперсию ошибок коэффициентов
регрессии. |
|
|
|
|
|
|
|
|
|
41) Выделение
сезонной составляющей: |
|
Оценку сезонной компоненты
можно найти как частное от
деления фактических уровней
ряда |
|
на центрированные скользящие
средние. |
|
|
|
|
|
|
Для начала необходимо найти
средние за |
|
|
|
|
|
период(квартал, месяц) оценки
сезонной компоненты Si. В моделях с сезонной
компонентой |
|
обычно предполагается,
что сезонные взаимодействия за период
взаимопоглащаются. |
|
В мультипликативной модели
взаимопоглощаемость сезонных воздействий
выражается |
|
в том, что сумма значений
сезонной компоненты по всем кварталам
должна быть равна |
|
числу
периодов в цикле. |
|
|
|
|
|
|
|
Выравнивание исходных
уровней с помощью скользящей
средней: |
|
|
|
а) суммируются уровни
ряда последовательно за каждый период
времени за каждые |
|
4 квартала со сдвигом
на один момент времени и
определяются условныегодовые |
|
|
объёмы
потребления |
|
|
|
|
|
|
|
б) разделим полученные суммы
на 4, получим скользящие средние. Полученные
выравненные |
значения не содержат сезонной
компоненты |
|
|
|
|
|
в) Приводим эти значения
в соответствие с фактическими моментами
времени, для |
|
|
чего найдём средние
значения из 2-х последовательных скользящих
средних- |
|
|
центрированные скользящие
средние. |
|
|
|
|
|
|
|
| |
| |
| |
| |
| |
| |
| |
| |
|
|
| |
| |
| |
| |
| |
| |
| |
| |